diff --git a/.github/workflows/co-op-translator.yml b/.github/workflows/co-op-translator.yml index d2d13a41..7ec787ac 100644 --- a/.github/workflows/co-op-translator.yml +++ b/.github/workflows/co-op-translator.yml @@ -62,6 +62,8 @@ jobs: # translate -l "sw hu cs sk ro bg sr hr sl uk my" -y translate -l "de es fa fr hi ko" -y # translate -l "lt pl pt zh hk tw" -y + # translate -l "de es fa fr hi ko" -y + # translate -l "lt pl pt zh hk tw" -y - name: Authenticate GitHub App id: generate_token diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hr.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hr.png new file mode 100644 index 00000000..281a1f10 Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hr.png differ diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.lt.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.lt.png new file mode 100644 index 00000000..281a1f10 Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.lt.png differ diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.my.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.my.png new file mode 100644 index 00000000..f71b4942 Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.my.png differ diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sl.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sl.png new file mode 100644 index 00000000..281a1f10 Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sl.png differ diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sr.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sr.png new file mode 100644 index 00000000..281a1f10 Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sr.png differ diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.uk.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.uk.png new file mode 100644 index 00000000..281a1f10 Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.uk.png differ diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hr.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hr.png new file mode 100644 index 00000000..fa3a334d Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hr.png differ diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.lt.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.lt.png new file mode 100644 index 00000000..6958eef8 Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.lt.png differ diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.my.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.my.png new file mode 100644 index 00000000..f7c35382 Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.my.png differ diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sl.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sl.png new file mode 100644 index 00000000..b39535fb Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sl.png differ diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sr.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sr.png new file mode 100644 index 00000000..c7a21e3b Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sr.png differ diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.uk.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.uk.png new file mode 100644 index 00000000..01677a29 Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.uk.png differ diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.hr.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.hr.png new file mode 100644 index 00000000..ab513a23 Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.hr.png differ diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.lt.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.lt.png new file mode 100644 index 00000000..742fdea8 Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.lt.png differ diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.my.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.my.png new file mode 100644 index 00000000..a73154b0 Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.my.png differ diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sl.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sl.png new file mode 100644 index 00000000..fdebfbdd Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sl.png differ diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sr.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sr.png new file mode 100644 index 00000000..0c7e7bfe Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.sr.png differ diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.uk.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.uk.png new file mode 100644 index 00000000..c616c5ec Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.uk.png differ diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.hr.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.hr.png new file mode 100644 index 00000000..22ff0dd7 Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.hr.png differ diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.lt.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.lt.png new file mode 100644 index 00000000..e6d1b523 Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.lt.png differ diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.my.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.my.png new file mode 100644 index 00000000..170a62cb Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.my.png differ diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sl.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sl.png new file mode 100644 index 00000000..a256c97a Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sl.png differ diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sr.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sr.png new file mode 100644 index 00000000..46cd5c46 Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.sr.png differ diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.uk.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.uk.png new file mode 100644 index 00000000..5f4b030a Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.uk.png differ diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.hr.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.hr.png new file mode 100644 index 00000000..58bf738f Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.hr.png differ diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.lt.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.lt.png new file mode 100644 index 00000000..19a04dda Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.lt.png differ diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.my.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.my.png new file mode 100644 index 00000000..4ef2d52a Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.my.png differ diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sl.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sl.png new file mode 100644 index 00000000..48965462 Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sl.png differ diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sr.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sr.png new file mode 100644 index 00000000..88a41fc9 Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.sr.png differ diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.uk.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.uk.png new file mode 100644 index 00000000..837f8b68 Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.uk.png differ diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.hr.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.hr.png new file mode 100644 index 00000000..66fdecdf Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.hr.png differ diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.lt.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.lt.png new file mode 100644 index 00000000..a73152c2 Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.lt.png differ diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.my.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.my.png new file mode 100644 index 00000000..a329b7cf Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.my.png differ diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sl.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sl.png new file mode 100644 index 00000000..988fbab2 Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sl.png differ diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sr.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sr.png new file mode 100644 index 00000000..2438344b Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.sr.png differ diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.uk.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.uk.png new file mode 100644 index 00000000..cb1aade5 Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.uk.png differ diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.hr.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.hr.png new file mode 100644 index 00000000..7e8602db Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.hr.png differ diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.lt.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.lt.png new file mode 100644 index 00000000..fef891ae Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.lt.png differ diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.my.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.my.png new file mode 100644 index 00000000..ea70044b Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.my.png differ diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sl.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sl.png new file mode 100644 index 00000000..22b73e43 Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sl.png differ diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sr.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sr.png new file mode 100644 index 00000000..d29dbbbb Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.sr.png differ diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.uk.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.uk.png new file mode 100644 index 00000000..5b830513 Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.uk.png differ diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.hr.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.hr.png new file mode 100644 index 00000000..90d91d1a Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.hr.png differ diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.lt.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.lt.png new file mode 100644 index 00000000..1d0751da Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.lt.png differ diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.my.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.my.png new file mode 100644 index 00000000..3903e507 Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.my.png differ diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sl.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sl.png new file mode 100644 index 00000000..8f6ff2a4 Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sl.png differ diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sr.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sr.png new file mode 100644 index 00000000..092c9c77 Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.sr.png differ diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.uk.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.uk.png new file mode 100644 index 00000000..db2ff57c Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.uk.png differ diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.hr.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.hr.png new file mode 100644 index 00000000..53617477 Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.hr.png differ diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.lt.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.lt.png new file mode 100644 index 00000000..46e1688f Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.lt.png differ diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.my.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.my.png new file mode 100644 index 00000000..c9d9f7b8 Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.my.png differ diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sl.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sl.png new file mode 100644 index 00000000..bfefb30f Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sl.png differ diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sr.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sr.png new file mode 100644 index 00000000..b2b2e6f3 Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.sr.png differ diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.uk.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.uk.png new file mode 100644 index 00000000..a7c818e1 Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.uk.png differ diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.hr.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.hr.png new file mode 100644 index 00000000..6a860de4 Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.hr.png differ diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.lt.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.lt.png new file mode 100644 index 00000000..c86736d3 Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.lt.png differ diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.my.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.my.png new file mode 100644 index 00000000..a19dbdbc Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.my.png differ diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sl.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sl.png new file mode 100644 index 00000000..865b517f Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sl.png differ diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sr.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sr.png new file mode 100644 index 00000000..823a5adb Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.sr.png differ diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.uk.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.uk.png new file mode 100644 index 00000000..211dfa89 Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.uk.png differ diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.hr.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.hr.png new file mode 100644 index 00000000..fb94a386 Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.hr.png differ diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.lt.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.lt.png new file mode 100644 index 00000000..bc88afd8 Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.lt.png differ diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.my.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.my.png new file mode 100644 index 00000000..e1093ae8 Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.my.png differ diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sl.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sl.png new file mode 100644 index 00000000..1821eb0a Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sl.png differ diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sr.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sr.png new file mode 100644 index 00000000..0c493eba Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.sr.png differ diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.uk.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.uk.png new file mode 100644 index 00000000..d41638c6 Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.uk.png differ diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.hr.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.hr.png new file mode 100644 index 00000000..fcd58dd1 Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.hr.png differ diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.lt.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.lt.png new file mode 100644 index 00000000..57a69600 Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.lt.png differ diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.my.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.my.png new file mode 100644 index 00000000..631b5e2f Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.my.png differ diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sl.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sl.png new file mode 100644 index 00000000..2d2db74b Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sl.png differ diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sr.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sr.png new file mode 100644 index 00000000..b6278e95 Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.sr.png differ diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.uk.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.uk.png new file mode 100644 index 00000000..7d4c0015 Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.uk.png differ diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.hr.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.hr.png new file mode 100644 index 00000000..ba4d8813 Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.hr.png differ diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.lt.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.lt.png new file mode 100644 index 00000000..269dfb8c Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.lt.png differ diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.my.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.my.png new file mode 100644 index 00000000..2b30813d Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.my.png differ diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sl.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sl.png new file mode 100644 index 00000000..11e4ab01 Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sl.png differ diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sr.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sr.png new file mode 100644 index 00000000..e275d200 Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.sr.png differ diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.uk.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.uk.png new file mode 100644 index 00000000..852b2cc5 Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.uk.png differ diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.hr.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.hr.png new file mode 100644 index 00000000..dfcfd71b Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.hr.png differ diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.lt.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.lt.png new file mode 100644 index 00000000..8e38a8c1 Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.lt.png differ diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.my.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.my.png new file mode 100644 index 00000000..46e57f6f Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.my.png differ diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sl.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sl.png new file mode 100644 index 00000000..ba5414bf Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sl.png differ diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sr.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sr.png new file mode 100644 index 00000000..203a239b Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.sr.png differ diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.uk.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.uk.png new file mode 100644 index 00000000..d2f11bc0 Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.uk.png differ diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.hr.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.hr.png new file mode 100644 index 00000000..eb0bf53a Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.hr.png differ diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.lt.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.lt.png new file mode 100644 index 00000000..cc99fb41 Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.lt.png differ diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.my.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.my.png new file mode 100644 index 00000000..0b9edbce Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.my.png differ diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sl.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sl.png new file mode 100644 index 00000000..0af4f01f Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sl.png differ diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sr.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sr.png new file mode 100644 index 00000000..7a787509 Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.sr.png differ diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.uk.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.uk.png new file mode 100644 index 00000000..602d3672 Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.uk.png differ diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.hr.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.hr.png new file mode 100644 index 00000000..ffd3f57e Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.hr.png differ diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.lt.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.lt.png new file mode 100644 index 00000000..59da0094 Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.lt.png differ diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.my.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.my.png new file mode 100644 index 00000000..74546da1 Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.my.png differ diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sl.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sl.png new file mode 100644 index 00000000..9e399cc3 Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sl.png differ diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sr.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sr.png new file mode 100644 index 00000000..bf6d84d2 Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.sr.png differ diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.uk.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.uk.png new file mode 100644 index 00000000..1b006963 Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.uk.png differ diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.hr.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.hr.png new file mode 100644 index 00000000..fcd36313 Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.hr.png differ diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.lt.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.lt.png new file mode 100644 index 00000000..59c51142 Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.lt.png differ diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.my.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.my.png new file mode 100644 index 00000000..868e3f1b Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.my.png differ diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sl.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sl.png new file mode 100644 index 00000000..60aee695 Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sl.png differ diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sr.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sr.png new file mode 100644 index 00000000..5ccf18d9 Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.sr.png differ diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.uk.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.uk.png new file mode 100644 index 00000000..f93c39ec Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.uk.png differ diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.hr.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.hr.png new file mode 100644 index 00000000..21d039cb Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.hr.png differ diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.lt.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.lt.png new file mode 100644 index 00000000..b0d8d8ec Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.lt.png differ diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.my.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.my.png new file mode 100644 index 00000000..92a785b8 Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.my.png differ diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sl.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sl.png new file mode 100644 index 00000000..d5920082 Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sl.png differ diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sr.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sr.png new file mode 100644 index 00000000..2aeed826 Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.sr.png differ diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.uk.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.uk.png new file mode 100644 index 00000000..92a785b8 Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.uk.png differ diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.hr.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.hr.png new file mode 100644 index 00000000..83b64efe Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.hr.png differ diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.lt.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.lt.png new file mode 100644 index 00000000..f9d444a0 Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.lt.png differ diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.my.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.my.png new file mode 100644 index 00000000..7096c34a Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.my.png differ diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sl.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sl.png new file mode 100644 index 00000000..d0172a7d Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sl.png differ diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sr.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sr.png new file mode 100644 index 00000000..7f99ba6c Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.sr.png differ diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.uk.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.uk.png new file mode 100644 index 00000000..65e4e40a Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.uk.png differ diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.hr.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.hr.png new file mode 100644 index 00000000..f1212370 Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.hr.png differ diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.lt.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.lt.png new file mode 100644 index 00000000..bccf5ae4 Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.lt.png differ diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.my.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.my.png new file mode 100644 index 00000000..ae2e1d8f Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.my.png differ diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sl.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sl.png new file mode 100644 index 00000000..3d7631a4 Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sl.png differ diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sr.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sr.png new file mode 100644 index 00000000..8e888aef Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.sr.png differ diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.uk.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.uk.png new file mode 100644 index 00000000..694aed56 Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.uk.png differ diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.hr.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.hr.png new file mode 100644 index 00000000..fc1ddaa5 Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.hr.png differ diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.lt.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.lt.png new file mode 100644 index 00000000..889daa4f Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.lt.png differ diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.my.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.my.png new file mode 100644 index 00000000..e11fbaba Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.my.png differ diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sl.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sl.png new file mode 100644 index 00000000..f9acd09e Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sl.png differ diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sr.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sr.png new file mode 100644 index 00000000..5fcd012c Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.sr.png differ diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.uk.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.uk.png new file mode 100644 index 00000000..9c1827f2 Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.uk.png differ diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.hr.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.hr.png new file mode 100644 index 00000000..dd1c586a Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.hr.png differ diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.lt.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.lt.png new file mode 100644 index 00000000..3016e17f Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.lt.png differ diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.my.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.my.png new file mode 100644 index 00000000..c7c00b86 Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.my.png differ diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sl.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sl.png new file mode 100644 index 00000000..770a2d3f Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sl.png differ diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sr.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sr.png new file mode 100644 index 00000000..8acdf98c Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.sr.png differ diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.uk.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.uk.png new file mode 100644 index 00000000..4626f035 Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.uk.png differ diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.hr.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.hr.png new file mode 100644 index 00000000..b29faa0c Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.hr.png differ diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.lt.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.lt.png new file mode 100644 index 00000000..584984f7 Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.lt.png differ diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.my.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.my.png new file mode 100644 index 00000000..bc3822aa Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.my.png differ diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sl.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sl.png new file mode 100644 index 00000000..d9f41a7f Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sl.png differ diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sr.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sr.png new file mode 100644 index 00000000..d52693aa Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.sr.png differ diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.uk.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.uk.png new file mode 100644 index 00000000..257d4916 Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.uk.png differ diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.hr.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.hr.png new file mode 100644 index 00000000..e4c5b967 Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.hr.png differ diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.lt.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.lt.png new file mode 100644 index 00000000..3c2694ee Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.lt.png differ diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.my.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.my.png new file mode 100644 index 00000000..ec9cff19 Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.my.png differ diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sl.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sl.png new file mode 100644 index 00000000..fd21e887 Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sl.png differ diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sr.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sr.png new file mode 100644 index 00000000..36fce0b3 Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.sr.png differ diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.uk.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.uk.png new file mode 100644 index 00000000..2b618d58 Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.uk.png differ diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.hr.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.hr.png new file mode 100644 index 00000000..052e866d Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.hr.png differ diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.lt.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.lt.png new file mode 100644 index 00000000..0094de80 Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.lt.png differ diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.my.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.my.png new file mode 100644 index 00000000..ce073fd6 Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.my.png differ diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sl.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sl.png new file mode 100644 index 00000000..373cbb15 Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sl.png differ diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sr.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sr.png new file mode 100644 index 00000000..fcfdf85b Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.sr.png differ diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.uk.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.uk.png new file mode 100644 index 00000000..cf5779ac Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.uk.png differ diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hr.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hr.png new file mode 100644 index 00000000..9876f25c Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hr.png differ diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.lt.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.lt.png new file mode 100644 index 00000000..9876f25c Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.lt.png differ diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.my.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.my.png new file mode 100644 index 00000000..e5ef65f4 Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.my.png differ diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sl.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sl.png new file mode 100644 index 00000000..9876f25c Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sl.png differ diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sr.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sr.png new file mode 100644 index 00000000..9876f25c Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sr.png differ diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.uk.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.uk.png new file mode 100644 index 00000000..9876f25c Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.uk.png differ diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.hr.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.hr.png new file mode 100644 index 00000000..3a85f737 Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.hr.png differ diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.lt.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.lt.png new file mode 100644 index 00000000..3a85f737 Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.lt.png differ diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.my.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.my.png new file mode 100644 index 00000000..ad8257f2 Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.my.png differ diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sl.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sl.png new file mode 100644 index 00000000..3a85f737 Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sl.png differ diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sr.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sr.png new file mode 100644 index 00000000..3a85f737 Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.sr.png differ diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.uk.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.uk.png new file mode 100644 index 00000000..3a85f737 Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.uk.png differ diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hr.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hr.png new file mode 100644 index 00000000..c98f95b8 Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hr.png differ diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.lt.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.lt.png new file mode 100644 index 00000000..ac777c30 Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.lt.png differ diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.my.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.my.png new file mode 100644 index 00000000..ce9a3f6a Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.my.png differ diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sl.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sl.png new file mode 100644 index 00000000..23730cfc Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sl.png differ diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sr.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sr.png new file mode 100644 index 00000000..704d159a Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sr.png differ diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.uk.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.uk.png new file mode 100644 index 00000000..c3ff4c12 Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.uk.png differ diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hr.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hr.png new file mode 100644 index 00000000..d4d3c761 Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hr.png differ diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.lt.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.lt.png new file mode 100644 index 00000000..f3c88464 Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.lt.png differ diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.my.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.my.png new file mode 100644 index 00000000..1ca83f45 Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.my.png differ diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sl.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sl.png new file mode 100644 index 00000000..f3c88464 Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sl.png differ diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sr.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sr.png new file mode 100644 index 00000000..d4d3c761 Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sr.png differ diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.uk.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.uk.png new file mode 100644 index 00000000..d4d3c761 Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.uk.png differ diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hr.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hr.png new file mode 100644 index 00000000..d4d3c761 Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hr.png differ diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.lt.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.lt.png new file mode 100644 index 00000000..f3c88464 Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.lt.png differ diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.my.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.my.png new file mode 100644 index 00000000..1ca83f45 Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.my.png differ diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sl.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sl.png new file mode 100644 index 00000000..f3c88464 Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sl.png differ diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sr.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sr.png new file mode 100644 index 00000000..d4d3c761 Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sr.png differ diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.uk.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.uk.png new file mode 100644 index 00000000..d4d3c761 Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.uk.png differ diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hr.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hr.png new file mode 100644 index 00000000..359343c0 Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hr.png differ diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.lt.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.lt.png new file mode 100644 index 00000000..5240c9fe Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.lt.png differ diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.my.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.my.png new file mode 100644 index 00000000..fa8561c8 Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.my.png differ diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sl.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sl.png new file mode 100644 index 00000000..be44cbbb Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sl.png differ diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sr.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sr.png new file mode 100644 index 00000000..29981408 Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sr.png differ diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.uk.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.uk.png new file mode 100644 index 00000000..22dc0959 Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.uk.png differ diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hr.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hr.png new file mode 100644 index 00000000..569f79de Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hr.png differ diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.lt.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.lt.png new file mode 100644 index 00000000..21909ee7 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.lt.png differ diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.my.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.my.png new file mode 100644 index 00000000..b4de3625 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.my.png differ diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sl.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sl.png new file mode 100644 index 00000000..7851f725 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sl.png differ diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sr.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sr.png new file mode 100644 index 00000000..59ae84fd Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sr.png differ diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.uk.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.uk.png new file mode 100644 index 00000000..42472a9e Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.uk.png differ diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hr.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hr.png new file mode 100644 index 00000000..e43e4de2 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hr.png differ diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.lt.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.lt.png new file mode 100644 index 00000000..17a548f6 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.lt.png differ diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.my.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.my.png new file mode 100644 index 00000000..2d87c8b9 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.my.png differ diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sl.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sl.png new file mode 100644 index 00000000..a30cf94a Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sl.png differ diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sr.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sr.png new file mode 100644 index 00000000..258d35f6 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sr.png differ diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.uk.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.uk.png new file mode 100644 index 00000000..0f938062 Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.uk.png differ diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hr.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hr.png new file mode 100644 index 00000000..481c357b Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hr.png differ diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.lt.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.lt.png new file mode 100644 index 00000000..b4d00e30 Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.lt.png differ diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.my.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.my.png new file mode 100644 index 00000000..3d179aa6 Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.my.png differ diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sl.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sl.png new file mode 100644 index 00000000..cd78ea1c Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sl.png differ diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sr.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sr.png new file mode 100644 index 00000000..a3de0578 Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sr.png differ diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.uk.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.uk.png new file mode 100644 index 00000000..4b99a065 Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.uk.png differ diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hr.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hr.png new file mode 100644 index 00000000..e4b9a03e Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hr.png differ diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.lt.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.lt.png new file mode 100644 index 00000000..29fe775b Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.lt.png differ diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.my.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.my.png new file mode 100644 index 00000000..63792c04 Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.my.png differ diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sl.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sl.png new file mode 100644 index 00000000..a696dfb5 Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sl.png differ diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sr.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sr.png new file mode 100644 index 00000000..44845d8d Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sr.png differ diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.uk.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.uk.png new file mode 100644 index 00000000..3e784b7c Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.uk.png differ diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hr.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hr.png new file mode 100644 index 00000000..ba4cf1e9 Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hr.png differ diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.lt.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.lt.png new file mode 100644 index 00000000..1d224feb Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.lt.png differ diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.my.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.my.png new file mode 100644 index 00000000..e3234bfd Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.my.png differ diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sl.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sl.png new file mode 100644 index 00000000..4969aa84 Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sl.png differ diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sr.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sr.png new file mode 100644 index 00000000..d5cdc7b4 Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sr.png differ diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.uk.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.uk.png new file mode 100644 index 00000000..327837bd Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.uk.png differ diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hr.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hr.png new file mode 100644 index 00000000..4f01d72e Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hr.png differ diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.lt.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.lt.png new file mode 100644 index 00000000..1ac35eeb Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.lt.png differ diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.my.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.my.png new file mode 100644 index 00000000..dc49657a Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.my.png differ diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sl.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sl.png new file mode 100644 index 00000000..ac384f64 Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sl.png differ diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sr.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sr.png new file mode 100644 index 00000000..8970707a Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sr.png differ diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.uk.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.uk.png new file mode 100644 index 00000000..13062c83 Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.uk.png differ diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hr.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hr.png new file mode 100644 index 00000000..f4fa25c9 Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hr.png differ diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.lt.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.lt.png new file mode 100644 index 00000000..48d741d1 Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.lt.png differ diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.my.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.my.png new file mode 100644 index 00000000..7efb9f69 Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.my.png differ diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sl.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sl.png new file mode 100644 index 00000000..05c106d2 Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sl.png differ diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sr.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sr.png new file mode 100644 index 00000000..47335d42 Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sr.png differ diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.uk.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.uk.png new file mode 100644 index 00000000..214787f6 Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.uk.png differ diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hr.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hr.png new file mode 100644 index 00000000..84a98790 Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hr.png differ diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.lt.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.lt.png new file mode 100644 index 00000000..04df7172 Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.lt.png differ diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.my.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.my.png new file mode 100644 index 00000000..18f1761c Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.my.png differ diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sl.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sl.png new file mode 100644 index 00000000..fe92287a Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sl.png differ diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sr.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sr.png new file mode 100644 index 00000000..4e5a670f Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sr.png differ diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.uk.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.uk.png new file mode 100644 index 00000000..c981084f Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.uk.png differ diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hr.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hr.png new file mode 100644 index 00000000..7e3e0406 Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hr.png differ diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.lt.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.lt.png new file mode 100644 index 00000000..6fcc0ee4 Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.lt.png differ diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.my.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.my.png new file mode 100644 index 00000000..3cf7b538 Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.my.png differ diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sl.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sl.png new file mode 100644 index 00000000..cbe9b9b3 Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sl.png differ diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sr.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sr.png new file mode 100644 index 00000000..c2f809ea Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sr.png differ diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.uk.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.uk.png new file mode 100644 index 00000000..c9e0f425 Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.uk.png differ diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hr.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hr.png new file mode 100644 index 00000000..4114b91a Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hr.png differ diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.lt.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.lt.png new file mode 100644 index 00000000..d640f4df Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.lt.png differ diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.my.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.my.png new file mode 100644 index 00000000..9fcb3e9e Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.my.png differ diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sl.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sl.png new file mode 100644 index 00000000..0803e197 Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sl.png differ diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sr.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sr.png new file mode 100644 index 00000000..aa24329e Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sr.png differ diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.uk.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.uk.png new file mode 100644 index 00000000..59b53c60 Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.uk.png differ diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hr.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hr.jpg new file mode 100644 index 00000000..9be352c9 Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hr.jpg differ diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.lt.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.lt.jpg new file mode 100644 index 00000000..af98fdc9 Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.lt.jpg differ diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.my.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.my.jpg new file mode 100644 index 00000000..521997ba Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.my.jpg differ diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sl.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sl.jpg new file mode 100644 index 00000000..a4771db2 Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sl.jpg differ diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sr.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sr.jpg new file mode 100644 index 00000000..fd7980b6 Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sr.jpg differ diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.uk.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.uk.jpg new file mode 100644 index 00000000..633361e8 Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.uk.jpg differ diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hr.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hr.jpg new file mode 100644 index 00000000..9be352c9 Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hr.jpg differ diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.lt.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.lt.jpg new file mode 100644 index 00000000..af98fdc9 Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.lt.jpg differ diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.my.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.my.jpg new file mode 100644 index 00000000..9dd59062 Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.my.jpg differ diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sl.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sl.jpg new file mode 100644 index 00000000..a4771db2 Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sl.jpg differ diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sr.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sr.jpg new file mode 100644 index 00000000..206fd116 Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sr.jpg differ diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.uk.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.uk.jpg new file mode 100644 index 00000000..633361e8 Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.uk.jpg differ diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hr.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hr.jpg new file mode 100644 index 00000000..75c6c2e1 Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hr.jpg differ diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.lt.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.lt.jpg new file mode 100644 index 00000000..82b32651 Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.lt.jpg differ diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.my.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.my.jpg new file mode 100644 index 00000000..6e791c08 Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.my.jpg differ diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sl.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sl.jpg new file mode 100644 index 00000000..066200f0 Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sl.jpg differ diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sr.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sr.jpg new file mode 100644 index 00000000..f66ac5ab Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sr.jpg differ diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.uk.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.uk.jpg new file mode 100644 index 00000000..cf88181b Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.uk.jpg differ diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hr.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hr.jpg new file mode 100644 index 00000000..d23d0caa Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hr.jpg differ diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.lt.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.lt.jpg new file mode 100644 index 00000000..82b32651 Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.lt.jpg differ diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.my.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.my.jpg new file mode 100644 index 00000000..6e791c08 Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.my.jpg differ diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sl.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sl.jpg new file mode 100644 index 00000000..6e13f1d2 Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sl.jpg differ diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sr.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sr.jpg new file mode 100644 index 00000000..137a941e Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sr.jpg differ diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.uk.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.uk.jpg new file mode 100644 index 00000000..fcab48fd Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.uk.jpg differ diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hr.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hr.jpg new file mode 100644 index 00000000..1cf3e0bd Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hr.jpg differ diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.lt.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.lt.jpg new file mode 100644 index 00000000..353c99c3 Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.lt.jpg differ diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.my.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.my.jpg new file mode 100644 index 00000000..257df221 Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.my.jpg differ diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sl.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sl.jpg new file mode 100644 index 00000000..25b3d072 Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sl.jpg differ diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sr.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sr.jpg new file mode 100644 index 00000000..25dc92d0 Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sr.jpg differ diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.uk.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.uk.jpg new file mode 100644 index 00000000..0bc702b6 Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.uk.jpg differ diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hr.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hr.jpg new file mode 100644 index 00000000..48d57e3f Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hr.jpg differ diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.lt.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.lt.jpg new file mode 100644 index 00000000..eac8db81 Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.lt.jpg differ diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.my.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.my.jpg new file mode 100644 index 00000000..48ad7332 Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.my.jpg differ diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sl.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sl.jpg new file mode 100644 index 00000000..1404d504 Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sl.jpg differ diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sr.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sr.jpg new file mode 100644 index 00000000..93322633 Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sr.jpg differ diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.uk.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.uk.jpg new file mode 100644 index 00000000..61573b49 Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.uk.jpg differ diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hr.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hr.jpg new file mode 100644 index 00000000..032326e9 Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hr.jpg differ diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.lt.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.lt.jpg new file mode 100644 index 00000000..032326e9 Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.lt.jpg differ diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.my.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.my.jpg new file mode 100644 index 00000000..032326e9 Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.my.jpg differ diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sl.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sl.jpg new file mode 100644 index 00000000..032326e9 Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sl.jpg differ diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sr.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sr.jpg new file mode 100644 index 00000000..032326e9 Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sr.jpg differ diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.uk.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.uk.jpg new file mode 100644 index 00000000..032326e9 Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.uk.jpg differ diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hr.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hr.png new file mode 100644 index 00000000..6d05df1b Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hr.png differ diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.lt.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.lt.png new file mode 100644 index 00000000..bf35df46 Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.lt.png differ diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.my.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.my.png new file mode 100644 index 00000000..6898ff38 Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.my.png differ diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sl.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sl.png new file mode 100644 index 00000000..ee169179 Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sl.png differ diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sr.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sr.png new file mode 100644 index 00000000..422a8f36 Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sr.png differ diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.uk.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.uk.png new file mode 100644 index 00000000..a22c4e5d Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.uk.png differ diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hr.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hr.png new file mode 100644 index 00000000..f96d053c Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hr.png differ diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.lt.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.lt.png new file mode 100644 index 00000000..7e534dd5 Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.lt.png differ diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.my.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.my.png new file mode 100644 index 00000000..8276b037 Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.my.png differ diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sl.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sl.png new file mode 100644 index 00000000..7b3c7d97 Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sl.png differ diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sr.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sr.png new file mode 100644 index 00000000..9383a500 Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sr.png differ diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.uk.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.uk.png new file mode 100644 index 00000000..02aaf9df Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.uk.png differ diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hr.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hr.png new file mode 100644 index 00000000..76faabd9 Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hr.png differ diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.lt.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.lt.png new file mode 100644 index 00000000..fd2f68d8 Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.lt.png differ diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.my.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.my.png new file mode 100644 index 00000000..79464579 Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.my.png differ diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sl.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sl.png new file mode 100644 index 00000000..33badf16 Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sl.png differ diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sr.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sr.png new file mode 100644 index 00000000..69e027f0 Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sr.png differ diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.uk.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.uk.png new file mode 100644 index 00000000..ed86a350 Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.uk.png differ diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.hr.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.hr.png new file mode 100644 index 00000000..c7dc75cd Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.hr.png differ diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.lt.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.lt.png new file mode 100644 index 00000000..55ef58eb Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.lt.png differ diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.my.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.my.png new file mode 100644 index 00000000..108a2f20 Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.my.png differ diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sl.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sl.png new file mode 100644 index 00000000..126cfab1 Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sl.png differ diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sr.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sr.png new file mode 100644 index 00000000..5de5d83a Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.sr.png differ diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.uk.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.uk.png new file mode 100644 index 00000000..1d6df8ca Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.uk.png differ diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hr.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hr.png new file mode 100644 index 00000000..42018461 Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hr.png differ diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.lt.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.lt.png new file mode 100644 index 00000000..5a3bf662 Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.lt.png differ diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.my.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.my.png new file mode 100644 index 00000000..fbec1c5f Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.my.png differ diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sl.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sl.png new file mode 100644 index 00000000..95924995 Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sl.png differ diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sr.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sr.png new file mode 100644 index 00000000..9444dd22 Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sr.png differ diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.uk.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.uk.png new file mode 100644 index 00000000..eb2c5a0f Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.uk.png differ diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hr.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hr.png new file mode 100644 index 00000000..1fe9b5e0 Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hr.png differ diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.lt.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.lt.png new file mode 100644 index 00000000..5a3bf662 Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.lt.png differ diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.my.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.my.png new file mode 100644 index 00000000..c0f8d29e Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.my.png differ diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sl.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sl.png new file mode 100644 index 00000000..95924995 Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sl.png differ diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sr.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sr.png new file mode 100644 index 00000000..b52d8799 Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sr.png differ diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.uk.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.uk.png new file mode 100644 index 00000000..6aa2cb4d Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.uk.png differ diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hr.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hr.png new file mode 100644 index 00000000..0cc947e6 Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hr.png differ diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.lt.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.lt.png new file mode 100644 index 00000000..bcb81251 Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.lt.png differ diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.my.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.my.png new file mode 100644 index 00000000..c59e9c74 Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.my.png differ diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sl.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sl.png new file mode 100644 index 00000000..be34af15 Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sl.png differ diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sr.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sr.png new file mode 100644 index 00000000..ca8823ab Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sr.png differ diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.uk.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.uk.png new file mode 100644 index 00000000..f1397b62 Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.uk.png differ diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.hr.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.hr.png new file mode 100644 index 00000000..6132710f Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.hr.png differ diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.lt.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.lt.png new file mode 100644 index 00000000..6132710f Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.lt.png differ diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.my.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.my.png new file mode 100644 index 00000000..6132710f Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.my.png differ diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sl.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sl.png new file mode 100644 index 00000000..6132710f Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sl.png differ diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sr.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sr.png new file mode 100644 index 00000000..6132710f Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.sr.png differ diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.uk.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.uk.png new file mode 100644 index 00000000..6132710f Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.uk.png differ diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hr.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hr.png new file mode 100644 index 00000000..175e161d Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hr.png differ diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.lt.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.lt.png new file mode 100644 index 00000000..a70750f2 Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.lt.png differ diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.my.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.my.png new file mode 100644 index 00000000..18fbb07a Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.my.png differ diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sl.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sl.png new file mode 100644 index 00000000..f11a2591 Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sl.png differ diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sr.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sr.png new file mode 100644 index 00000000..610622d8 Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sr.png differ diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.uk.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.uk.png new file mode 100644 index 00000000..97b44748 Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.uk.png differ diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hr.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hr.png new file mode 100644 index 00000000..5ad5b399 Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hr.png differ diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.lt.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.lt.png new file mode 100644 index 00000000..ebacb9fc Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.lt.png differ diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.my.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.my.png new file mode 100644 index 00000000..93180a15 Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.my.png differ diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sl.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sl.png new file mode 100644 index 00000000..650733dc Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sl.png differ diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sr.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sr.png new file mode 100644 index 00000000..490580b0 Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sr.png differ diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.uk.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.uk.png new file mode 100644 index 00000000..cbc3265a Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.uk.png differ diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.hr.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.hr.png new file mode 100644 index 00000000..bea2b83a Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.hr.png differ diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.lt.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.lt.png new file mode 100644 index 00000000..bea2b83a Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.lt.png differ diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.my.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.my.png new file mode 100644 index 00000000..bea2b83a Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.my.png differ diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sl.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sl.png new file mode 100644 index 00000000..bea2b83a Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sl.png differ diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sr.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sr.png new file mode 100644 index 00000000..bea2b83a Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.sr.png differ diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.uk.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.uk.png new file mode 100644 index 00000000..bea2b83a Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.uk.png differ diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hr.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hr.jpg new file mode 100644 index 00000000..30a2ba6e Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hr.jpg differ diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.lt.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.lt.jpg new file mode 100644 index 00000000..30a2ba6e Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.lt.jpg differ diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.my.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.my.jpg new file mode 100644 index 00000000..30a2ba6e Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.my.jpg differ diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sl.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sl.jpg new file mode 100644 index 00000000..30a2ba6e Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sl.jpg differ diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sr.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sr.jpg new file mode 100644 index 00000000..30a2ba6e Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sr.jpg differ diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.uk.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.uk.jpg new file mode 100644 index 00000000..30a2ba6e Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.uk.jpg differ diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hr.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hr.png new file mode 100644 index 00000000..64343bd7 Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hr.png differ diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.lt.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.lt.png new file mode 100644 index 00000000..6c8a6035 Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.lt.png differ diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.my.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.my.png new file mode 100644 index 00000000..c2c9e7b9 Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.my.png differ diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sl.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sl.png new file mode 100644 index 00000000..ea098963 Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sl.png differ diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sr.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sr.png new file mode 100644 index 00000000..bd2334ef Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sr.png differ diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.uk.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.uk.png new file mode 100644 index 00000000..939933fc Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.uk.png differ diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hr.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hr.png new file mode 100644 index 00000000..f40a6b8e Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hr.png differ diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.lt.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.lt.png new file mode 100644 index 00000000..f0c1db26 Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.lt.png differ diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.my.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.my.png new file mode 100644 index 00000000..2052c120 Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.my.png differ diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sl.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sl.png new file mode 100644 index 00000000..57d338d1 Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sl.png differ diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sr.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sr.png new file mode 100644 index 00000000..ed39b1d2 Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sr.png differ diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.uk.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.uk.png new file mode 100644 index 00000000..663fe9f7 Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.uk.png differ diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hr.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hr.png new file mode 100644 index 00000000..b5172a63 Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hr.png differ diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.lt.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.lt.png new file mode 100644 index 00000000..98a3a57e Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.lt.png differ diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.my.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.my.png new file mode 100644 index 00000000..73613e52 Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.my.png differ diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sl.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sl.png new file mode 100644 index 00000000..9878621d Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sl.png differ diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sr.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sr.png new file mode 100644 index 00000000..4f5ef767 Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sr.png differ diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.uk.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.uk.png new file mode 100644 index 00000000..e388429a Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.uk.png differ diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hr.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hr.png new file mode 100644 index 00000000..e07eb940 Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hr.png differ diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.lt.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.lt.png new file mode 100644 index 00000000..2ca7d2ce Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.lt.png differ diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.my.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.my.png new file mode 100644 index 00000000..75993cab Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.my.png differ diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sl.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sl.png new file mode 100644 index 00000000..540ff4a5 Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sl.png differ diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sr.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sr.png new file mode 100644 index 00000000..fde173a8 Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sr.png differ diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.uk.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.uk.png new file mode 100644 index 00000000..85278294 Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.uk.png differ diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hr.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hr.jpg new file mode 100644 index 00000000..59186b72 Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hr.jpg differ diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.lt.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.lt.jpg new file mode 100644 index 00000000..59186b72 Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.lt.jpg differ diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.my.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.my.jpg new file mode 100644 index 00000000..6e2a0d61 Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.my.jpg differ diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sl.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sl.jpg new file mode 100644 index 00000000..59186b72 Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sl.jpg differ diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sr.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sr.jpg new file mode 100644 index 00000000..59186b72 Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sr.jpg differ diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.uk.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.uk.jpg new file mode 100644 index 00000000..59186b72 Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.uk.jpg differ diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hr.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hr.png new file mode 100644 index 00000000..54232280 Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hr.png differ diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.lt.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.lt.png new file mode 100644 index 00000000..017d4dc1 Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.lt.png differ diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.my.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.my.png new file mode 100644 index 00000000..3901df98 Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.my.png differ diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sl.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sl.png new file mode 100644 index 00000000..3e7ed74c Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sl.png differ diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sr.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sr.png new file mode 100644 index 00000000..63fd82c8 Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sr.png differ diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.uk.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.uk.png new file mode 100644 index 00000000..a2ecc099 Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.uk.png differ diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hr.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hr.png new file mode 100644 index 00000000..a6ea888e Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hr.png differ diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.lt.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.lt.png new file mode 100644 index 00000000..73a20095 Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.lt.png differ diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.my.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.my.png new file mode 100644 index 00000000..7ebf81e9 Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.my.png differ diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sl.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sl.png new file mode 100644 index 00000000..95c74408 Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sl.png differ diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sr.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sr.png new file mode 100644 index 00000000..26290c7d Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sr.png differ diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.uk.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.uk.png new file mode 100644 index 00000000..b68f7847 Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.uk.png differ diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hr.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hr.png new file mode 100644 index 00000000..5d387f27 Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hr.png differ diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.lt.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.lt.png new file mode 100644 index 00000000..2bf07d27 Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.lt.png differ diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.my.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.my.png new file mode 100644 index 00000000..fda122f5 Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.my.png differ diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sl.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sl.png new file mode 100644 index 00000000..05b815cb Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sl.png differ diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sr.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sr.png new file mode 100644 index 00000000..c0468c92 Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sr.png differ diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.uk.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.uk.png new file mode 100644 index 00000000..558f50a9 Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.uk.png differ diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hr.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hr.png new file mode 100644 index 00000000..aa6bf264 Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hr.png differ diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.lt.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.lt.png new file mode 100644 index 00000000..1dc9f6e1 Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.lt.png differ diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.my.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.my.png new file mode 100644 index 00000000..7b12e493 Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.my.png differ diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sl.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sl.png new file mode 100644 index 00000000..db810a6f Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sl.png differ diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sr.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sr.png new file mode 100644 index 00000000..b2ee8c2d Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sr.png differ diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.uk.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.uk.png new file mode 100644 index 00000000..7ec5c7a5 Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.uk.png differ diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hr.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hr.png new file mode 100644 index 00000000..69df34ee Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hr.png differ diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.lt.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.lt.png new file mode 100644 index 00000000..0f73dbc2 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.lt.png differ diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.my.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.my.png new file mode 100644 index 00000000..459a52e3 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.my.png differ diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sl.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sl.png new file mode 100644 index 00000000..0d2cd012 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sl.png differ diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sr.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sr.png new file mode 100644 index 00000000..685d3795 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sr.png differ diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.uk.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.uk.png new file mode 100644 index 00000000..7f5891f6 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.uk.png differ diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hr.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hr.png new file mode 100644 index 00000000..4bbd9273 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hr.png differ diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.lt.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.lt.png new file mode 100644 index 00000000..687250a9 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.lt.png differ diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.my.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.my.png new file mode 100644 index 00000000..2f3df871 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.my.png differ diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sl.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sl.png new file mode 100644 index 00000000..2ab446e8 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sl.png differ diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sr.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sr.png new file mode 100644 index 00000000..e4848159 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sr.png differ diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.uk.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.uk.png new file mode 100644 index 00000000..bec3b8d9 Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.uk.png differ diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hr.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hr.png new file mode 100644 index 00000000..c76112d4 Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hr.png differ diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.lt.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.lt.png new file mode 100644 index 00000000..c25d751e Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.lt.png differ diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.my.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.my.png new file mode 100644 index 00000000..74c386c4 Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.my.png differ diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sl.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sl.png new file mode 100644 index 00000000..851e25ad Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sl.png differ diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sr.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sr.png new file mode 100644 index 00000000..fcb9c5e9 Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sr.png differ diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.uk.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.uk.png new file mode 100644 index 00000000..70cc8c6a Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.uk.png differ diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hr.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hr.png new file mode 100644 index 00000000..c8364864 Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hr.png differ diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.lt.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.lt.png new file mode 100644 index 00000000..a1570475 Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.lt.png differ diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.my.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.my.png new file mode 100644 index 00000000..92e05976 Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.my.png differ diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sl.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sl.png new file mode 100644 index 00000000..699e3031 Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sl.png differ diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sr.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sr.png new file mode 100644 index 00000000..1644aa09 Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sr.png differ diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.uk.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.uk.png new file mode 100644 index 00000000..f7d6bf13 Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.uk.png differ diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hr.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hr.jpg new file mode 100644 index 00000000..54145b36 Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hr.jpg differ diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.lt.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.lt.jpg new file mode 100644 index 00000000..54145b36 Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.lt.jpg differ diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.my.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.my.jpg new file mode 100644 index 00000000..a15aa962 Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.my.jpg differ diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sl.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sl.jpg new file mode 100644 index 00000000..54145b36 Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sl.jpg differ diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sr.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sr.jpg new file mode 100644 index 00000000..54145b36 Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sr.jpg differ diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.uk.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.uk.jpg new file mode 100644 index 00000000..54145b36 Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.uk.jpg differ diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hr.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hr.png new file mode 100644 index 00000000..e61a4a79 Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hr.png differ diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.lt.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.lt.png new file mode 100644 index 00000000..7efefdff Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.lt.png differ diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.my.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.my.png new file mode 100644 index 00000000..bba12cdf Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.my.png differ diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sl.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sl.png new file mode 100644 index 00000000..97507bf3 Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sl.png differ diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sr.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sr.png new file mode 100644 index 00000000..43cdaa5e Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sr.png differ diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.uk.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.uk.png new file mode 100644 index 00000000..4c7f0b28 Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.uk.png differ diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hr.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hr.jpg new file mode 100644 index 00000000..1429ddc0 Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hr.jpg differ diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.lt.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.lt.jpg new file mode 100644 index 00000000..8ccf135b Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.lt.jpg differ diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.my.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.my.jpg new file mode 100644 index 00000000..e0e82b63 Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.my.jpg differ diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sl.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sl.jpg new file mode 100644 index 00000000..ca770446 Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sl.jpg differ diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sr.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sr.jpg new file mode 100644 index 00000000..248dc948 Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sr.jpg differ diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.uk.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.uk.jpg new file mode 100644 index 00000000..ae4d233a Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.uk.jpg differ diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hr.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hr.jpg new file mode 100644 index 00000000..a1363b6e Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hr.jpg differ diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.lt.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.lt.jpg new file mode 100644 index 00000000..d623ac16 Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.lt.jpg differ diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.my.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.my.jpg new file mode 100644 index 00000000..201cb0d3 Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.my.jpg differ diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sl.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sl.jpg new file mode 100644 index 00000000..5fe0a4e2 Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sl.jpg differ diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sr.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sr.jpg new file mode 100644 index 00000000..6bbd6d22 Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sr.jpg differ diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.uk.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.uk.jpg new file mode 100644 index 00000000..eb91645a Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.uk.jpg differ diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.hr.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.hr.png new file mode 100644 index 00000000..7e14abb4 Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.hr.png differ diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.lt.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.lt.png new file mode 100644 index 00000000..5c436f8b Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.lt.png differ diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.my.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.my.png new file mode 100644 index 00000000..38e9927f Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.my.png differ diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sl.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sl.png new file mode 100644 index 00000000..dd0de0ac Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sl.png differ diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sr.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sr.png new file mode 100644 index 00000000..75a67b90 Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.sr.png differ diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.uk.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.uk.png new file mode 100644 index 00000000..c041c62d Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.uk.png differ diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.hr.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.hr.jpg new file mode 100644 index 00000000..21f8ae77 Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.hr.jpg differ diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.lt.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.lt.jpg new file mode 100644 index 00000000..29ffb1ef Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.lt.jpg differ diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.my.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.my.jpg new file mode 100644 index 00000000..e5d3c526 Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.my.jpg differ diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sl.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sl.jpg new file mode 100644 index 00000000..8bd710a9 Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sl.jpg differ diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sr.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sr.jpg new file mode 100644 index 00000000..d45e8faa Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.sr.jpg differ diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.uk.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.uk.jpg new file mode 100644 index 00000000..e48e4718 Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.uk.jpg differ diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hr.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hr.png new file mode 100644 index 00000000..fe8dfecc Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hr.png differ diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.lt.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.lt.png new file mode 100644 index 00000000..6d34d8f1 Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.lt.png differ diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.my.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.my.png new file mode 100644 index 00000000..1b10b66d Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.my.png differ diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sl.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sl.png new file mode 100644 index 00000000..38721d0e Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sl.png differ diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sr.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sr.png new file mode 100644 index 00000000..5a88b4ef Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sr.png differ diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.uk.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.uk.png new file mode 100644 index 00000000..d069d569 Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.uk.png differ diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hr.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hr.png new file mode 100644 index 00000000..d3924417 Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hr.png differ diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.lt.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.lt.png new file mode 100644 index 00000000..45ad241a Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.lt.png differ diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.my.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.my.png new file mode 100644 index 00000000..f26340b5 Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.my.png differ diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sl.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sl.png new file mode 100644 index 00000000..8d19c476 Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sl.png differ diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sr.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sr.png new file mode 100644 index 00000000..f36ec2f3 Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sr.png differ diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.uk.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.uk.png new file mode 100644 index 00000000..bb574995 Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.uk.png differ diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hr.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hr.png new file mode 100644 index 00000000..84ddb3ae Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hr.png differ diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.lt.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.lt.png new file mode 100644 index 00000000..9fcba0fa Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.lt.png differ diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.my.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.my.png new file mode 100644 index 00000000..7d54ddfe Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.my.png differ diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sl.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sl.png new file mode 100644 index 00000000..f62f2e6d Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sl.png differ diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sr.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sr.png new file mode 100644 index 00000000..c2a0d1aa Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sr.png differ diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.uk.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.uk.png new file mode 100644 index 00000000..b76f64ec Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.uk.png differ diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hr.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hr.png new file mode 100644 index 00000000..c36fcbf8 Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hr.png differ diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.lt.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.lt.png new file mode 100644 index 00000000..82be93a2 Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.lt.png differ diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.my.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.my.png new file mode 100644 index 00000000..2f9173d2 Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.my.png differ diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sl.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sl.png new file mode 100644 index 00000000..dce672ab Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sl.png differ diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sr.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sr.png new file mode 100644 index 00000000..de2de809 Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sr.png differ diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.uk.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.uk.png new file mode 100644 index 00000000..fbcf31ad Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.uk.png differ diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hr.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hr.png new file mode 100644 index 00000000..32ae5944 Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hr.png differ diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.lt.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.lt.png new file mode 100644 index 00000000..98f17f6b Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.lt.png differ diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.my.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.my.png new file mode 100644 index 00000000..8a6b8340 Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.my.png differ diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sl.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sl.png new file mode 100644 index 00000000..c8fc7fb2 Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sl.png differ diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sr.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sr.png new file mode 100644 index 00000000..d73c3550 Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sr.png differ diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.uk.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.uk.png new file mode 100644 index 00000000..942d0920 Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.uk.png differ diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hr.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hr.png new file mode 100644 index 00000000..0a8eaeb2 Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hr.png differ diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.lt.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.lt.png new file mode 100644 index 00000000..b9172ddf Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.lt.png differ diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.my.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.my.png new file mode 100644 index 00000000..de604921 Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.my.png differ diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sl.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sl.png new file mode 100644 index 00000000..7a3c1ce4 Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sl.png differ diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sr.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sr.png new file mode 100644 index 00000000..bef641a8 Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sr.png differ diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.uk.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.uk.png new file mode 100644 index 00000000..93f0ed2b Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.uk.png differ diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hr.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hr.png new file mode 100644 index 00000000..721cfe6a Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hr.png differ diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.lt.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.lt.png new file mode 100644 index 00000000..ce3a3d40 Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.lt.png differ diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.my.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.my.png new file mode 100644 index 00000000..ac9aaf35 Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.my.png differ diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sl.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sl.png new file mode 100644 index 00000000..4478dbe6 Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sl.png differ diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sr.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sr.png new file mode 100644 index 00000000..ae9fe624 Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sr.png differ diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.uk.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.uk.png new file mode 100644 index 00000000..b5613802 Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.uk.png differ diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hr.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hr.png new file mode 100644 index 00000000..816f350d Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hr.png differ diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.lt.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.lt.png new file mode 100644 index 00000000..2c6a722a Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.lt.png differ diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.my.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.my.png new file mode 100644 index 00000000..4591f5b1 Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.my.png differ diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sl.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sl.png new file mode 100644 index 00000000..97ae8149 Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sl.png differ diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sr.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sr.png new file mode 100644 index 00000000..c92fbf7a Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sr.png differ diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.uk.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.uk.png new file mode 100644 index 00000000..1faeede4 Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.uk.png differ diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hr.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hr.png new file mode 100644 index 00000000..e4f96019 Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hr.png differ diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.lt.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.lt.png new file mode 100644 index 00000000..e4c452db Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.lt.png differ diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.my.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.my.png new file mode 100644 index 00000000..dcc1bbd4 Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.my.png differ diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sl.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sl.png new file mode 100644 index 00000000..55616e3e Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sl.png differ diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sr.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sr.png new file mode 100644 index 00000000..74c8636a Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sr.png differ diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.uk.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.uk.png new file mode 100644 index 00000000..04c46bdf Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.uk.png differ diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hr.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hr.png new file mode 100644 index 00000000..aa0bdbc2 Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hr.png differ diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.lt.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.lt.png new file mode 100644 index 00000000..1a70964f Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.lt.png differ diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.my.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.my.png new file mode 100644 index 00000000..bebc72af Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.my.png differ diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sl.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sl.png new file mode 100644 index 00000000..adc614a1 Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sl.png differ diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sr.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sr.png new file mode 100644 index 00000000..037547d6 Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sr.png differ diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.uk.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.uk.png new file mode 100644 index 00000000..a479af42 Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.uk.png differ diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hr.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hr.png new file mode 100644 index 00000000..d95f01db Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hr.png differ diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.lt.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.lt.png new file mode 100644 index 00000000..c5179ea1 Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.lt.png differ diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.my.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.my.png new file mode 100644 index 00000000..ff1216fb Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.my.png differ diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sl.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sl.png new file mode 100644 index 00000000..8bba6b94 Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sl.png differ diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sr.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sr.png new file mode 100644 index 00000000..c55404db Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sr.png differ diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.uk.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.uk.png new file mode 100644 index 00000000..30cb5ae6 Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.uk.png differ diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hr.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hr.png new file mode 100644 index 00000000..b21b2862 Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hr.png differ diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.lt.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.lt.png new file mode 100644 index 00000000..4c574f69 Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.lt.png differ diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.my.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.my.png new file mode 100644 index 00000000..7a118ee4 Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.my.png differ diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sl.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sl.png new file mode 100644 index 00000000..61541713 Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sl.png differ diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sr.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sr.png new file mode 100644 index 00000000..962daff9 Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sr.png differ diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.uk.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.uk.png new file mode 100644 index 00000000..76e26737 Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.uk.png differ diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.hr.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.hr.png new file mode 100644 index 00000000..ccc99767 Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.hr.png differ diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.lt.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.lt.png new file mode 100644 index 00000000..ccc99767 Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.lt.png differ diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.my.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.my.png new file mode 100644 index 00000000..ccc99767 Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.my.png differ diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sl.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sl.png new file mode 100644 index 00000000..ccc99767 Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sl.png differ diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sr.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sr.png new file mode 100644 index 00000000..ccc99767 Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.sr.png differ diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.uk.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.uk.png new file mode 100644 index 00000000..ccc99767 Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.uk.png differ diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hr.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hr.png new file mode 100644 index 00000000..794eb412 Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hr.png differ diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.lt.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.lt.png new file mode 100644 index 00000000..907ffdf3 Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.lt.png differ diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.my.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.my.png new file mode 100644 index 00000000..c4f81642 Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.my.png differ diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sl.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sl.png new file mode 100644 index 00000000..ed859f93 Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sl.png differ diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sr.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sr.png new file mode 100644 index 00000000..4f3d9a00 Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sr.png differ diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.uk.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.uk.png new file mode 100644 index 00000000..5d32450b Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.uk.png differ diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.hr.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.hr.png new file mode 100644 index 00000000..f2d0f317 Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.hr.png differ diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.lt.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.lt.png new file mode 100644 index 00000000..f2d0f317 Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.lt.png differ diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.my.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.my.png new file mode 100644 index 00000000..f2d0f317 Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.my.png differ diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sl.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sl.png new file mode 100644 index 00000000..f2d0f317 Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sl.png differ diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sr.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sr.png new file mode 100644 index 00000000..f2d0f317 Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.sr.png differ diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.uk.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.uk.png new file mode 100644 index 00000000..f2d0f317 Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.uk.png differ diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hr.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hr.png new file mode 100644 index 00000000..75e6cd46 Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hr.png differ diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.lt.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.lt.png new file mode 100644 index 00000000..57296f0a Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.lt.png differ diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.my.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.my.png new file mode 100644 index 00000000..da041df2 Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.my.png differ diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sl.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sl.png new file mode 100644 index 00000000..09ad15cc Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sl.png differ diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sr.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sr.png new file mode 100644 index 00000000..f1884115 Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sr.png differ diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.uk.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.uk.png new file mode 100644 index 00000000..957ac063 Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.uk.png differ diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.hr.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.hr.png new file mode 100644 index 00000000..e48b0151 Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.hr.png differ diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.lt.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.lt.png new file mode 100644 index 00000000..e48b0151 Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.lt.png differ diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.my.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.my.png new file mode 100644 index 00000000..e48b0151 Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.my.png differ diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sl.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sl.png new file mode 100644 index 00000000..e48b0151 Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sl.png differ diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sr.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sr.png new file mode 100644 index 00000000..e48b0151 Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.sr.png differ diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.uk.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.uk.png new file mode 100644 index 00000000..e48b0151 Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.uk.png differ diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hr.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hr.png new file mode 100644 index 00000000..07f6c2b3 Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hr.png differ diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.lt.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.lt.png new file mode 100644 index 00000000..d4fa0d95 Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.lt.png differ diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.my.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.my.png new file mode 100644 index 00000000..75ae5a67 Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.my.png differ diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sl.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sl.png new file mode 100644 index 00000000..5e462950 Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sl.png differ diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sr.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sr.png new file mode 100644 index 00000000..d5c282ed Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sr.png differ diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.uk.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.uk.png new file mode 100644 index 00000000..503b2ce2 Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.uk.png differ diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hr.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hr.png new file mode 100644 index 00000000..cac0a583 Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hr.png differ diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.lt.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.lt.png new file mode 100644 index 00000000..80f0f090 Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.lt.png differ diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.my.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.my.png new file mode 100644 index 00000000..4f018556 Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.my.png differ diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sl.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sl.png new file mode 100644 index 00000000..f65d57cc Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sl.png differ diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sr.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sr.png new file mode 100644 index 00000000..00e2cd14 Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sr.png differ diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.uk.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.uk.png new file mode 100644 index 00000000..ac42d84c Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.uk.png differ diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.hr.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.hr.png new file mode 100644 index 00000000..58059fe2 Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.hr.png differ diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.lt.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.lt.png new file mode 100644 index 00000000..b6f13f9c Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.lt.png differ diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.my.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.my.png new file mode 100644 index 00000000..88bd018d Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.my.png differ diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sl.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sl.png new file mode 100644 index 00000000..f97c09bd Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sl.png differ diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sr.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sr.png new file mode 100644 index 00000000..f5fb12a5 Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.sr.png differ diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.uk.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.uk.png new file mode 100644 index 00000000..3bfa9847 Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.uk.png differ diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hr.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hr.png new file mode 100644 index 00000000..be0fd57c Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hr.png differ diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.lt.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.lt.png new file mode 100644 index 00000000..dbc83543 Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.lt.png differ diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.my.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.my.png new file mode 100644 index 00000000..db860d27 Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.my.png differ diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sl.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sl.png new file mode 100644 index 00000000..f9332868 Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sl.png differ diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sr.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sr.png new file mode 100644 index 00000000..99651008 Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sr.png differ diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.uk.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.uk.png new file mode 100644 index 00000000..dcaa4ebd Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.uk.png differ diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hr.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hr.png new file mode 100644 index 00000000..cc330ac1 Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hr.png differ diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.lt.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.lt.png new file mode 100644 index 00000000..47f90901 Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.lt.png differ diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.my.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.my.png new file mode 100644 index 00000000..b01fd761 Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.my.png differ diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sl.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sl.png new file mode 100644 index 00000000..f61db6f8 Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sl.png differ diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sr.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sr.png new file mode 100644 index 00000000..67e9d5a2 Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sr.png differ diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.uk.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.uk.png new file mode 100644 index 00000000..46267691 Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.uk.png differ diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.hr.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.hr.png new file mode 100644 index 00000000..e109b4c9 Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.hr.png differ diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.lt.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.lt.png new file mode 100644 index 00000000..e109b4c9 Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.lt.png differ diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.my.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.my.png new file mode 100644 index 00000000..2ea9b9d5 Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.my.png differ diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sl.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sl.png new file mode 100644 index 00000000..e109b4c9 Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sl.png differ diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sr.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sr.png new file mode 100644 index 00000000..e109b4c9 Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.sr.png differ diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.uk.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.uk.png new file mode 100644 index 00000000..e109b4c9 Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.uk.png differ diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.hr.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.hr.png new file mode 100644 index 00000000..d6c3824a Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.hr.png differ diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.lt.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.lt.png new file mode 100644 index 00000000..36e330b1 Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.lt.png differ diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.my.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.my.png new file mode 100644 index 00000000..9cb0a1e2 Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.my.png differ diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sl.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sl.png new file mode 100644 index 00000000..c1c34b00 Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sl.png differ diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sr.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sr.png new file mode 100644 index 00000000..47f513eb Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.sr.png differ diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.uk.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.uk.png new file mode 100644 index 00000000..feab0eac Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.uk.png differ diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hr.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hr.png new file mode 100644 index 00000000..62f23e9f Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hr.png differ diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.lt.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.lt.png new file mode 100644 index 00000000..223e3286 Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.lt.png differ diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.my.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.my.png new file mode 100644 index 00000000..16485f29 Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.my.png differ diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sl.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sl.png new file mode 100644 index 00000000..c8fbd75d Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sl.png differ diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sr.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sr.png new file mode 100644 index 00000000..a262313e Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sr.png differ diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.uk.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.uk.png new file mode 100644 index 00000000..d3164503 Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.uk.png differ diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hr.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hr.png new file mode 100644 index 00000000..0b5ea0c2 Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hr.png differ diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.lt.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.lt.png new file mode 100644 index 00000000..94c5f56b Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.lt.png differ diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.my.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.my.png new file mode 100644 index 00000000..47a960f1 Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.my.png differ diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sl.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sl.png new file mode 100644 index 00000000..8a3e4596 Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sl.png differ diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sr.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sr.png new file mode 100644 index 00000000..c7abf22d Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sr.png differ diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.uk.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.uk.png new file mode 100644 index 00000000..583a26b8 Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.uk.png differ diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hr.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hr.png new file mode 100644 index 00000000..b121ffcd Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hr.png differ diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.lt.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.lt.png new file mode 100644 index 00000000..92227948 Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.lt.png differ diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.my.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.my.png new file mode 100644 index 00000000..a9142782 Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.my.png differ diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sl.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sl.png new file mode 100644 index 00000000..9f20d23c Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sl.png differ diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sr.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sr.png new file mode 100644 index 00000000..ac5ca082 Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sr.png differ diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.uk.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.uk.png new file mode 100644 index 00000000..37eeb87c Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.uk.png differ diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hr.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hr.png new file mode 100644 index 00000000..9773f440 Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hr.png differ diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.lt.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.lt.png new file mode 100644 index 00000000..9773f440 Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.lt.png differ diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.my.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.my.png new file mode 100644 index 00000000..1764a74b Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.my.png differ diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sl.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sl.png new file mode 100644 index 00000000..9773f440 Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sl.png differ diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sr.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sr.png new file mode 100644 index 00000000..9773f440 Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sr.png differ diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.uk.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.uk.png new file mode 100644 index 00000000..9773f440 Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.uk.png differ diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hr.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hr.png new file mode 100644 index 00000000..32d8519c Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hr.png differ diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.lt.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.lt.png new file mode 100644 index 00000000..325f25df Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.lt.png differ diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.my.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.my.png new file mode 100644 index 00000000..15dd6cea Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.my.png differ diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sl.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sl.png new file mode 100644 index 00000000..2c83f123 Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sl.png differ diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sr.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sr.png new file mode 100644 index 00000000..ade33c2e Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sr.png differ diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.uk.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.uk.png new file mode 100644 index 00000000..8078e48f Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.uk.png differ diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.hr.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.hr.png new file mode 100644 index 00000000..26e0ae43 Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.hr.png differ diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.lt.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.lt.png new file mode 100644 index 00000000..26e0ae43 Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.lt.png differ diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.my.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.my.png new file mode 100644 index 00000000..26e0ae43 Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.my.png differ diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sl.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sl.png new file mode 100644 index 00000000..26e0ae43 Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sl.png differ diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sr.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sr.png new file mode 100644 index 00000000..26e0ae43 Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.sr.png differ diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.uk.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.uk.png new file mode 100644 index 00000000..26e0ae43 Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.uk.png differ diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hr.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hr.png new file mode 100644 index 00000000..e8e622c2 Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hr.png differ diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.lt.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.lt.png new file mode 100644 index 00000000..dcef57ff Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.lt.png differ diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.my.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.my.png new file mode 100644 index 00000000..2d809205 Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.my.png differ diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sl.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sl.png new file mode 100644 index 00000000..978e9d6d Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sl.png differ diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sr.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sr.png new file mode 100644 index 00000000..89a06d00 Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sr.png differ diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.uk.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.uk.png new file mode 100644 index 00000000..6de648ec Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.uk.png differ diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hr.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hr.png new file mode 100644 index 00000000..3d9c3d4e Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hr.png differ diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.lt.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.lt.png new file mode 100644 index 00000000..19b49a21 Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.lt.png differ diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.my.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.my.png new file mode 100644 index 00000000..725bcd29 Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.my.png differ diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sl.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sl.png new file mode 100644 index 00000000..4931e33a Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sl.png differ diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sr.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sr.png new file mode 100644 index 00000000..99f93c6f Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sr.png differ diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.uk.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.uk.png new file mode 100644 index 00000000..c6e99931 Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.uk.png differ diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hr.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hr.png new file mode 100644 index 00000000..303f7440 Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hr.png differ diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.lt.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.lt.png new file mode 100644 index 00000000..bd4bd582 Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.lt.png differ diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.my.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.my.png new file mode 100644 index 00000000..857457f6 Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.my.png differ diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sl.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sl.png new file mode 100644 index 00000000..9eb1d372 Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sl.png differ diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sr.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sr.png new file mode 100644 index 00000000..053c4b02 Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sr.png differ diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.uk.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.uk.png new file mode 100644 index 00000000..3f930ebc Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.uk.png differ diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.hr.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.hr.png new file mode 100644 index 00000000..4f25d900 Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.hr.png differ diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.lt.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.lt.png new file mode 100644 index 00000000..1ea29bd8 Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.lt.png differ diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.my.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.my.png new file mode 100644 index 00000000..0024df22 Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.my.png differ diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sl.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sl.png new file mode 100644 index 00000000..a83c4a48 Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sl.png differ diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sr.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sr.png new file mode 100644 index 00000000..a432df50 Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.sr.png differ diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.uk.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.uk.png new file mode 100644 index 00000000..dbebc5e1 Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.uk.png differ diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hr.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hr.png new file mode 100644 index 00000000..0b9111ea Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hr.png differ diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.lt.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.lt.png new file mode 100644 index 00000000..b8291095 Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.lt.png differ diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.my.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.my.png new file mode 100644 index 00000000..48a7c743 Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.my.png differ diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sl.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sl.png new file mode 100644 index 00000000..8271e231 Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sl.png differ diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sr.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sr.png new file mode 100644 index 00000000..e7057d6d Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sr.png differ diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.uk.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.uk.png new file mode 100644 index 00000000..25d9abc8 Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.uk.png differ diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hr.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hr.png new file mode 100644 index 00000000..3e32e79f Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hr.png differ diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.lt.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.lt.png new file mode 100644 index 00000000..6ac7d2a5 Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.lt.png differ diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.my.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.my.png new file mode 100644 index 00000000..1cfb9689 Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.my.png differ diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sl.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sl.png new file mode 100644 index 00000000..21d955a6 Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sl.png differ diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sr.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sr.png new file mode 100644 index 00000000..d5bb0638 Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sr.png differ diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.uk.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.uk.png new file mode 100644 index 00000000..fed03c53 Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.uk.png differ diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.hr.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.hr.png new file mode 100644 index 00000000..09dcc959 Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.hr.png differ diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.lt.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.lt.png new file mode 100644 index 00000000..09dcc959 Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.lt.png differ diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.my.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.my.png new file mode 100644 index 00000000..4d601d69 Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.my.png differ diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sl.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sl.png new file mode 100644 index 00000000..09dcc959 Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sl.png differ diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sr.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sr.png new file mode 100644 index 00000000..09dcc959 Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.sr.png differ diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.uk.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.uk.png new file mode 100644 index 00000000..09dcc959 Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.uk.png differ diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hr.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hr.png new file mode 100644 index 00000000..386e19a4 Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hr.png differ diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.lt.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.lt.png new file mode 100644 index 00000000..c19f0d43 Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.lt.png differ diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.my.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.my.png new file mode 100644 index 00000000..5731d82d Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.my.png differ diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sl.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sl.png new file mode 100644 index 00000000..c461eb1b Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sl.png differ diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sr.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sr.png new file mode 100644 index 00000000..1f376d6a Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sr.png differ diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.uk.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.uk.png new file mode 100644 index 00000000..343fe539 Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.uk.png differ diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.hr.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.hr.png new file mode 100644 index 00000000..d2f38e1b Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.hr.png differ diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.lt.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.lt.png new file mode 100644 index 00000000..d31d6451 Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.lt.png differ diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.my.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.my.png new file mode 100644 index 00000000..10c40a02 Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.my.png differ diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sl.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sl.png new file mode 100644 index 00000000..fb0af9f0 Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sl.png differ diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sr.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sr.png new file mode 100644 index 00000000..aedbae1b Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.sr.png differ diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.uk.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.uk.png new file mode 100644 index 00000000..5eff4a1c Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.uk.png differ diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hr.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hr.png new file mode 100644 index 00000000..0cb57cff Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hr.png differ diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.lt.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.lt.png new file mode 100644 index 00000000..63c0a010 Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.lt.png differ diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.my.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.my.png new file mode 100644 index 00000000..ce34921f Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.my.png differ diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sl.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sl.png new file mode 100644 index 00000000..f01bee49 Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sl.png differ diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sr.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sr.png new file mode 100644 index 00000000..f3f08639 Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sr.png differ diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.uk.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.uk.png new file mode 100644 index 00000000..d765c76b Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.uk.png differ diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hr.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hr.png new file mode 100644 index 00000000..ea0aab31 Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hr.png differ diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.lt.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.lt.png new file mode 100644 index 00000000..fb72f266 Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.lt.png differ diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.my.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.my.png new file mode 100644 index 00000000..676c6ef2 Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.my.png differ diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sl.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sl.png new file mode 100644 index 00000000..e41f5837 Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sl.png differ diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sr.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sr.png new file mode 100644 index 00000000..ded811ef Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sr.png differ diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.uk.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.uk.png new file mode 100644 index 00000000..a1e6781f Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.uk.png differ diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.hr.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.hr.png new file mode 100644 index 00000000..4b748eb8 Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.hr.png differ diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.lt.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.lt.png new file mode 100644 index 00000000..249a087e Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.lt.png differ diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.my.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.my.png new file mode 100644 index 00000000..91c1ebcb Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.my.png differ diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sl.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sl.png new file mode 100644 index 00000000..b192f710 Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sl.png differ diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sr.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sr.png new file mode 100644 index 00000000..ea8af8c8 Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.sr.png differ diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.uk.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.uk.png new file mode 100644 index 00000000..081a9aa0 Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.uk.png differ diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hr.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hr.png new file mode 100644 index 00000000..e369dce6 Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hr.png differ diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.lt.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.lt.png new file mode 100644 index 00000000..f5dea21b Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.lt.png differ diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.my.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.my.png new file mode 100644 index 00000000..fd79a684 Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.my.png differ diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sl.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sl.png new file mode 100644 index 00000000..95365ba9 Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sl.png differ diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sr.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sr.png new file mode 100644 index 00000000..a5094414 Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sr.png differ diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.uk.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.uk.png new file mode 100644 index 00000000..c9b28097 Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.uk.png differ diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hr.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hr.png new file mode 100644 index 00000000..13c067e1 Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hr.png differ diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.lt.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.lt.png new file mode 100644 index 00000000..3a1e3bf1 Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.lt.png differ diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.my.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.my.png new file mode 100644 index 00000000..96c75fe2 Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.my.png differ diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sl.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sl.png new file mode 100644 index 00000000..db02ff58 Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sl.png differ diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sr.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sr.png new file mode 100644 index 00000000..ef496f8d Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sr.png differ diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.uk.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.uk.png new file mode 100644 index 00000000..818c0e63 Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.uk.png differ diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hr.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hr.png new file mode 100644 index 00000000..13c067e1 Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hr.png differ diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.lt.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.lt.png new file mode 100644 index 00000000..917df1f9 Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.lt.png differ diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.my.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.my.png new file mode 100644 index 00000000..2601a9a8 Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.my.png differ diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sl.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sl.png new file mode 100644 index 00000000..db02ff58 Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sl.png differ diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sr.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sr.png new file mode 100644 index 00000000..ef496f8d Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sr.png differ diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.uk.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.uk.png new file mode 100644 index 00000000..818c0e63 Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.uk.png differ diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hr.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hr.png new file mode 100644 index 00000000..e26976ea Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hr.png differ diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.lt.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.lt.png new file mode 100644 index 00000000..476f64b8 Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.lt.png differ diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.my.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.my.png new file mode 100644 index 00000000..52698deb Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.my.png differ diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sl.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sl.png new file mode 100644 index 00000000..ff57e1f1 Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sl.png differ diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sr.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sr.png new file mode 100644 index 00000000..8ea39320 Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sr.png differ diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.uk.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.uk.png new file mode 100644 index 00000000..60458771 Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.uk.png differ diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hr.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hr.png new file mode 100644 index 00000000..fac4f00d Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hr.png differ diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.lt.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.lt.png new file mode 100644 index 00000000..b543cc10 Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.lt.png differ diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.my.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.my.png new file mode 100644 index 00000000..b4895371 Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.my.png differ diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sl.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sl.png new file mode 100644 index 00000000..c0000961 Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sl.png differ diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sr.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sr.png new file mode 100644 index 00000000..ea737347 Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sr.png differ diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.uk.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.uk.png new file mode 100644 index 00000000..c4fe6fbb Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.uk.png differ diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hr.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hr.png new file mode 100644 index 00000000..d792d550 Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hr.png differ diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.lt.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.lt.png new file mode 100644 index 00000000..01755151 Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.lt.png differ diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.my.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.my.png new file mode 100644 index 00000000..1168f05f Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.my.png differ diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sl.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sl.png new file mode 100644 index 00000000..0f69e095 Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sl.png differ diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sr.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sr.png new file mode 100644 index 00000000..f9746d43 Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sr.png differ diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.uk.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.uk.png new file mode 100644 index 00000000..42f7e434 Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.uk.png differ diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hr.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hr.png new file mode 100644 index 00000000..d5c185f2 Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hr.png differ diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.lt.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.lt.png new file mode 100644 index 00000000..2b7963e8 Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.lt.png differ diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.my.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.my.png new file mode 100644 index 00000000..d73fa913 Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.my.png differ diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sl.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sl.png new file mode 100644 index 00000000..52690fdd Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sl.png differ diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sr.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sr.png new file mode 100644 index 00000000..1e59c49a Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sr.png differ diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.uk.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.uk.png new file mode 100644 index 00000000..7b22447e Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.uk.png differ diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hr.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hr.png new file mode 100644 index 00000000..9a597355 Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hr.png differ diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.lt.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.lt.png new file mode 100644 index 00000000..4223a9bd Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.lt.png differ diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.my.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.my.png new file mode 100644 index 00000000..3275142e Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.my.png differ diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sl.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sl.png new file mode 100644 index 00000000..a6383283 Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sl.png differ diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sr.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sr.png new file mode 100644 index 00000000..c8b58272 Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sr.png differ diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.uk.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.uk.png new file mode 100644 index 00000000..a9765576 Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.uk.png differ diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hr.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hr.png new file mode 100644 index 00000000..96713a66 Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hr.png differ diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.lt.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.lt.png new file mode 100644 index 00000000..96713a66 Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.lt.png differ diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.my.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.my.png new file mode 100644 index 00000000..204b7552 Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.my.png differ diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sl.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sl.png new file mode 100644 index 00000000..96713a66 Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sl.png differ diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sr.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sr.png new file mode 100644 index 00000000..96713a66 Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sr.png differ diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.uk.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.uk.png new file mode 100644 index 00000000..96713a66 Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.uk.png differ diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hr.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hr.png new file mode 100644 index 00000000..31c53125 Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hr.png differ diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.lt.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.lt.png new file mode 100644 index 00000000..b51de881 Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.lt.png differ diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.my.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.my.png new file mode 100644 index 00000000..65e42884 Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.my.png differ diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sl.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sl.png new file mode 100644 index 00000000..4c7f0482 Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sl.png differ diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sr.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sr.png new file mode 100644 index 00000000..c3df64de Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sr.png differ diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.uk.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.uk.png new file mode 100644 index 00000000..3dcc3d04 Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.uk.png differ diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.hr.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.hr.png new file mode 100644 index 00000000..0c37ab05 Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.hr.png differ diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.lt.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.lt.png new file mode 100644 index 00000000..0c37ab05 Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.lt.png differ diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.my.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.my.png new file mode 100644 index 00000000..0c37ab05 Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.my.png differ diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sl.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sl.png new file mode 100644 index 00000000..0c37ab05 Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sl.png differ diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sr.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sr.png new file mode 100644 index 00000000..0c37ab05 Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.sr.png differ diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.uk.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.uk.png new file mode 100644 index 00000000..0c37ab05 Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.uk.png differ diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.hr.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.hr.png new file mode 100644 index 00000000..72f5a3e4 Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.hr.png differ diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.lt.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.lt.png new file mode 100644 index 00000000..72f5a3e4 Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.lt.png differ diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.my.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.my.png new file mode 100644 index 00000000..72f5a3e4 Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.my.png differ diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sl.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sl.png new file mode 100644 index 00000000..72f5a3e4 Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sl.png differ diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sr.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sr.png new file mode 100644 index 00000000..72f5a3e4 Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.sr.png differ diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.uk.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.uk.png new file mode 100644 index 00000000..72f5a3e4 Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.uk.png differ diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hr.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hr.png new file mode 100644 index 00000000..d499925c Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hr.png differ diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.lt.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.lt.png new file mode 100644 index 00000000..f82e3cf4 Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.lt.png differ diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.my.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.my.png new file mode 100644 index 00000000..453e61b5 Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.my.png differ diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sl.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sl.png new file mode 100644 index 00000000..9d653555 Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sl.png differ diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sr.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sr.png new file mode 100644 index 00000000..027d252e Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sr.png differ diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.uk.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.uk.png new file mode 100644 index 00000000..c2c9d675 Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.uk.png differ diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.hr.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.hr.png new file mode 100644 index 00000000..c1ed1e64 Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.hr.png differ diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.lt.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.lt.png new file mode 100644 index 00000000..9858471f Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.lt.png differ diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.my.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.my.png new file mode 100644 index 00000000..820dbc53 Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.my.png differ diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sl.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sl.png new file mode 100644 index 00000000..5c222b6c Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sl.png differ diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sr.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sr.png new file mode 100644 index 00000000..a22920b0 Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.sr.png differ diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.uk.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.uk.png new file mode 100644 index 00000000..f0fd2a8e Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.uk.png differ diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hr.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hr.png new file mode 100644 index 00000000..3e9ab8ac Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hr.png differ diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.lt.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.lt.png new file mode 100644 index 00000000..3e9ab8ac Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.lt.png differ diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.my.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.my.png new file mode 100644 index 00000000..ff86d0bc Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.my.png differ diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sl.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sl.png new file mode 100644 index 00000000..3e9ab8ac Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sl.png differ diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sr.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sr.png new file mode 100644 index 00000000..3e9ab8ac Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sr.png differ diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.uk.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.uk.png new file mode 100644 index 00000000..3e9ab8ac Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.uk.png differ diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hr.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hr.png new file mode 100644 index 00000000..8cf37a66 Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hr.png differ diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.lt.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.lt.png new file mode 100644 index 00000000..8a356280 Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.lt.png differ diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.my.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.my.png new file mode 100644 index 00000000..459ad131 Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.my.png differ diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sl.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sl.png new file mode 100644 index 00000000..ef650d7e Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sl.png differ diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sr.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sr.png new file mode 100644 index 00000000..0f105f7b Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sr.png differ diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.uk.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.uk.png new file mode 100644 index 00000000..5e637218 Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.uk.png differ diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hr.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hr.png new file mode 100644 index 00000000..185430fe Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hr.png differ diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.lt.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.lt.png new file mode 100644 index 00000000..4e0a9d53 Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.lt.png differ diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.my.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.my.png new file mode 100644 index 00000000..15296daa Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.my.png differ diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sl.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sl.png new file mode 100644 index 00000000..4f1fd802 Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sl.png differ diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sr.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sr.png new file mode 100644 index 00000000..cc1af62b Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sr.png differ diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.uk.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.uk.png new file mode 100644 index 00000000..3e15530c Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.uk.png differ diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hr.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hr.png new file mode 100644 index 00000000..00145d0b Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hr.png differ diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.lt.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.lt.png new file mode 100644 index 00000000..00145d0b Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.lt.png differ diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.my.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.my.png new file mode 100644 index 00000000..c7452bcf Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.my.png differ diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sl.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sl.png new file mode 100644 index 00000000..00145d0b Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sl.png differ diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sr.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sr.png new file mode 100644 index 00000000..c0f27671 Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sr.png differ diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.uk.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.uk.png new file mode 100644 index 00000000..425ac87d Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.uk.png differ diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hr.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hr.png new file mode 100644 index 00000000..c2ff77ad Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hr.png differ diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.lt.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.lt.png new file mode 100644 index 00000000..cc6d3e17 Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.lt.png differ diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.my.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.my.png new file mode 100644 index 00000000..37ce7d25 Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.my.png differ diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sl.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sl.png new file mode 100644 index 00000000..8ca30479 Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sl.png differ diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sr.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sr.png new file mode 100644 index 00000000..a6350921 Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sr.png differ diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.uk.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.uk.png new file mode 100644 index 00000000..20e4b864 Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.uk.png differ diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hr.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hr.png new file mode 100644 index 00000000..3627278b Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hr.png differ diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.lt.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.lt.png new file mode 100644 index 00000000..527784e1 Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.lt.png differ diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.my.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.my.png new file mode 100644 index 00000000..ffc1dd12 Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.my.png differ diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sl.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sl.png new file mode 100644 index 00000000..31e35d01 Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sl.png differ diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sr.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sr.png new file mode 100644 index 00000000..bc02af45 Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sr.png differ diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.uk.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.uk.png new file mode 100644 index 00000000..6b489b1c Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.uk.png differ diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.hr.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.hr.png new file mode 100644 index 00000000..e386c23b Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.hr.png differ diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.lt.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.lt.png new file mode 100644 index 00000000..2e049267 Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.lt.png differ diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.my.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.my.png new file mode 100644 index 00000000..e01e7937 Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.my.png differ diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sl.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sl.png new file mode 100644 index 00000000..0fb82353 Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sl.png differ diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sr.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sr.png new file mode 100644 index 00000000..958308ee Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.sr.png differ diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.uk.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.uk.png new file mode 100644 index 00000000..effaa9b9 Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.uk.png differ diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hr.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hr.png new file mode 100644 index 00000000..fe5fb80b Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hr.png differ diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.lt.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.lt.png new file mode 100644 index 00000000..207b0c2c Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.lt.png differ diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.my.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.my.png new file mode 100644 index 00000000..3af91563 Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.my.png differ diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sl.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sl.png new file mode 100644 index 00000000..30a33ddc Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sl.png differ diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sr.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sr.png new file mode 100644 index 00000000..27c3ae4f Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sr.png differ diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.uk.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.uk.png new file mode 100644 index 00000000..f031677d Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.uk.png differ diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hr.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hr.png new file mode 100644 index 00000000..276636a0 Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.hr.png differ diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.lt.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.lt.png new file mode 100644 index 00000000..276636a0 Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.lt.png differ diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.my.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.my.png new file mode 100644 index 00000000..3448bcdf Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.my.png differ diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sl.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sl.png new file mode 100644 index 00000000..276636a0 Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sl.png differ diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sr.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sr.png new file mode 100644 index 00000000..276636a0 Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.sr.png differ diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.uk.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.uk.png new file mode 100644 index 00000000..b829ce3f Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.uk.png differ diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hr.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hr.png new file mode 100644 index 00000000..9b94d143 Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hr.png differ diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.lt.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.lt.png new file mode 100644 index 00000000..ce8b34e0 Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.lt.png differ diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.my.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.my.png new file mode 100644 index 00000000..ca36a144 Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.my.png differ diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sl.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sl.png new file mode 100644 index 00000000..773f5ec8 Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sl.png differ diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sr.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sr.png new file mode 100644 index 00000000..86530d05 Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sr.png differ diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.uk.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.uk.png new file mode 100644 index 00000000..6b9ffe4b Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.uk.png differ diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hr.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hr.png new file mode 100644 index 00000000..9b94d143 Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hr.png differ diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.lt.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.lt.png new file mode 100644 index 00000000..ce8b34e0 Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.lt.png differ diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.my.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.my.png new file mode 100644 index 00000000..31c7885b Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.my.png differ diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sl.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sl.png new file mode 100644 index 00000000..c77eda99 Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sl.png differ diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sr.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sr.png new file mode 100644 index 00000000..58f4e9f0 Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sr.png differ diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.uk.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.uk.png new file mode 100644 index 00000000..6b9ffe4b Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.uk.png differ diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hr.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hr.png new file mode 100644 index 00000000..a77bd3e0 Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hr.png differ diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.lt.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.lt.png new file mode 100644 index 00000000..e439a363 Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.lt.png differ diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.my.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.my.png new file mode 100644 index 00000000..ff19bf0f Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.my.png differ diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sl.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sl.png new file mode 100644 index 00000000..44cbad82 Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sl.png differ diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sr.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sr.png new file mode 100644 index 00000000..4fdc7e69 Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sr.png differ diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.uk.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.uk.png new file mode 100644 index 00000000..90ce96ae Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.uk.png differ diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.hr.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.hr.png new file mode 100644 index 00000000..4b96709c Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.hr.png differ diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.lt.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.lt.png new file mode 100644 index 00000000..4b96709c Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.lt.png differ diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.my.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.my.png new file mode 100644 index 00000000..178a32bf Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.my.png differ diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sl.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sl.png new file mode 100644 index 00000000..4b96709c Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sl.png differ diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sr.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sr.png new file mode 100644 index 00000000..4b96709c Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.sr.png differ diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.uk.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.uk.png new file mode 100644 index 00000000..4b96709c Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.uk.png differ diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hr.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hr.png new file mode 100644 index 00000000..7326297e Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hr.png differ diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.lt.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.lt.png new file mode 100644 index 00000000..da6a578b Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.lt.png differ diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.my.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.my.png new file mode 100644 index 00000000..2b886e6a Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.my.png differ diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sl.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sl.png new file mode 100644 index 00000000..da6a578b Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sl.png differ diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sr.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sr.png new file mode 100644 index 00000000..92be6b81 Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sr.png differ diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.uk.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.uk.png new file mode 100644 index 00000000..2b886e6a Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.uk.png differ diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hr.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hr.png new file mode 100644 index 00000000..ddbe9ccf Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hr.png differ diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.lt.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.lt.png new file mode 100644 index 00000000..ca93179a Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.lt.png differ diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.my.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.my.png new file mode 100644 index 00000000..e321be4f Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.my.png differ diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sl.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sl.png new file mode 100644 index 00000000..bf21cefc Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sl.png differ diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sr.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sr.png new file mode 100644 index 00000000..8ae2e62b Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sr.png differ diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.uk.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.uk.png new file mode 100644 index 00000000..29adc011 Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.uk.png differ diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hr.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hr.png new file mode 100644 index 00000000..d9528810 Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hr.png differ diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.lt.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.lt.png new file mode 100644 index 00000000..cfc20d3d Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.lt.png differ diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.my.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.my.png new file mode 100644 index 00000000..57ac229d Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.my.png differ diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sl.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sl.png new file mode 100644 index 00000000..c365ffbe Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sl.png differ diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sr.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sr.png new file mode 100644 index 00000000..c3199b87 Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sr.png differ diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.uk.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.uk.png new file mode 100644 index 00000000..ba2db680 Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.uk.png differ diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hr.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hr.png new file mode 100644 index 00000000..6bdeb419 Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hr.png differ diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.lt.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.lt.png new file mode 100644 index 00000000..dbc8eb5a Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.lt.png differ diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.my.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.my.png new file mode 100644 index 00000000..dbc8eb5a Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.my.png differ diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sl.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sl.png new file mode 100644 index 00000000..dbc8eb5a Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sl.png differ diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sr.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sr.png new file mode 100644 index 00000000..dbc8eb5a Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sr.png differ diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.uk.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.uk.png new file mode 100644 index 00000000..dbc8eb5a Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.uk.png differ diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hr.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hr.png new file mode 100644 index 00000000..27565447 Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hr.png differ diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.lt.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.lt.png new file mode 100644 index 00000000..4fa47953 Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.lt.png differ diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.my.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.my.png new file mode 100644 index 00000000..eb86e1f3 Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.my.png differ diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sl.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sl.png new file mode 100644 index 00000000..c6159cef Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sl.png differ diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sr.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sr.png new file mode 100644 index 00000000..4aef28ca Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sr.png differ diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.uk.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.uk.png new file mode 100644 index 00000000..eb86e1f3 Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.uk.png differ diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hr.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hr.png new file mode 100644 index 00000000..a241683f Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hr.png differ diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.lt.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.lt.png new file mode 100644 index 00000000..478d04dd Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.lt.png differ diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.my.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.my.png new file mode 100644 index 00000000..5494428a Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.my.png differ diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sl.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sl.png new file mode 100644 index 00000000..378fa4c4 Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sl.png differ diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sr.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sr.png new file mode 100644 index 00000000..e50504a5 Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sr.png differ diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.uk.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.uk.png new file mode 100644 index 00000000..e5a6a631 Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.uk.png differ diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hr.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hr.png new file mode 100644 index 00000000..b76a7304 Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hr.png differ diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.lt.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.lt.png new file mode 100644 index 00000000..83214ec5 Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.lt.png differ diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.my.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.my.png new file mode 100644 index 00000000..a40a8b35 Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.my.png differ diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sl.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sl.png new file mode 100644 index 00000000..58ecec40 Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sl.png differ diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sr.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sr.png new file mode 100644 index 00000000..16ff1f6f Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sr.png differ diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.uk.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.uk.png new file mode 100644 index 00000000..13b120e1 Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.uk.png differ diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.hr.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.hr.png new file mode 100644 index 00000000..420674b6 Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.hr.png differ diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.lt.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.lt.png new file mode 100644 index 00000000..420674b6 Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.lt.png differ diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.my.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.my.png new file mode 100644 index 00000000..420674b6 Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.my.png differ diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sl.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sl.png new file mode 100644 index 00000000..420674b6 Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sl.png differ diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sr.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sr.png new file mode 100644 index 00000000..420674b6 Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.sr.png differ diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.uk.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.uk.png new file mode 100644 index 00000000..420674b6 Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.uk.png differ diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hr.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hr.png new file mode 100644 index 00000000..d103cef4 Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hr.png differ diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.lt.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.lt.png new file mode 100644 index 00000000..d565bd9e Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.lt.png differ diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.my.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.my.png new file mode 100644 index 00000000..753e1831 Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.my.png differ diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sl.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sl.png new file mode 100644 index 00000000..efaba735 Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sl.png differ diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sr.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sr.png new file mode 100644 index 00000000..626eca2f Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sr.png differ diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.uk.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.uk.png new file mode 100644 index 00000000..c14edce0 Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.uk.png differ diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hr.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hr.png new file mode 100644 index 00000000..ebe21544 Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hr.png differ diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.lt.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.lt.png new file mode 100644 index 00000000..d1421805 Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.lt.png differ diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.my.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.my.png new file mode 100644 index 00000000..de1cf186 Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.my.png differ diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sl.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sl.png new file mode 100644 index 00000000..bef289ca Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sl.png differ diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sr.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sr.png new file mode 100644 index 00000000..2eb8dee2 Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sr.png differ diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.uk.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.uk.png new file mode 100644 index 00000000..f706e223 Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.uk.png differ diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hr.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hr.png new file mode 100644 index 00000000..e983abfe Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hr.png differ diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.lt.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.lt.png new file mode 100644 index 00000000..a41a7369 Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.lt.png differ diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.my.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.my.png new file mode 100644 index 00000000..de28d192 Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.my.png differ diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sl.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sl.png new file mode 100644 index 00000000..c58b1101 Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sl.png differ diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sr.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sr.png new file mode 100644 index 00000000..5c4d5faf Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sr.png differ diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.uk.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.uk.png new file mode 100644 index 00000000..5e598fd6 Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.uk.png differ diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.hr.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.hr.png new file mode 100644 index 00000000..462346a6 Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.hr.png differ diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.lt.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.lt.png new file mode 100644 index 00000000..462346a6 Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.lt.png differ diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.my.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.my.png new file mode 100644 index 00000000..462346a6 Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.my.png differ diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sl.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sl.png new file mode 100644 index 00000000..462346a6 Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sl.png differ diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sr.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sr.png new file mode 100644 index 00000000..462346a6 Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.sr.png differ diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.uk.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.uk.png new file mode 100644 index 00000000..462346a6 Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.uk.png differ diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hr.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hr.png new file mode 100644 index 00000000..a9614bfe Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hr.png differ diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.lt.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.lt.png new file mode 100644 index 00000000..aa6b1803 Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.lt.png differ diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.my.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.my.png new file mode 100644 index 00000000..87ee9373 Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.my.png differ diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sl.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sl.png new file mode 100644 index 00000000..e4b26365 Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sl.png differ diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sr.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sr.png new file mode 100644 index 00000000..8ce34dfa Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sr.png differ diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.uk.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.uk.png new file mode 100644 index 00000000..86b09876 Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.uk.png differ diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hr.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hr.png new file mode 100644 index 00000000..1c31f8ae Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hr.png differ diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.lt.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.lt.png new file mode 100644 index 00000000..bd4ac9d5 Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.lt.png differ diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.my.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.my.png new file mode 100644 index 00000000..a1ecc6a9 Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.my.png differ diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sl.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sl.png new file mode 100644 index 00000000..683eadb5 Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sl.png differ diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sr.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sr.png new file mode 100644 index 00000000..b0c2f79d Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sr.png differ diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.uk.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.uk.png new file mode 100644 index 00000000..fd601cb8 Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.uk.png differ diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hr.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hr.png new file mode 100644 index 00000000..a27c7202 Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hr.png differ diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.lt.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.lt.png new file mode 100644 index 00000000..db271f2e Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.lt.png differ diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.my.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.my.png new file mode 100644 index 00000000..2d7e6fc7 Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.my.png differ diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sl.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sl.png new file mode 100644 index 00000000..249681a1 Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sl.png differ diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sr.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sr.png new file mode 100644 index 00000000..f28aaa5d Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sr.png differ diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.uk.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.uk.png new file mode 100644 index 00000000..e7e68126 Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.uk.png differ diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hr.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hr.png new file mode 100644 index 00000000..7eef9319 Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hr.png differ diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.lt.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.lt.png new file mode 100644 index 00000000..dc0d4d90 Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.lt.png differ diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.my.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.my.png new file mode 100644 index 00000000..dadae6dc Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.my.png differ diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sl.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sl.png new file mode 100644 index 00000000..a6562b47 Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sl.png differ diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sr.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sr.png new file mode 100644 index 00000000..d43ffaa7 Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sr.png differ diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.uk.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.uk.png new file mode 100644 index 00000000..f39edb7f Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.uk.png differ diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hr.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hr.png new file mode 100644 index 00000000..b3bfb20c Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hr.png differ diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.lt.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.lt.png new file mode 100644 index 00000000..a60f3d35 Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.lt.png differ diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.my.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.my.png new file mode 100644 index 00000000..f7b77e99 Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.my.png differ diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sl.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sl.png new file mode 100644 index 00000000..187461a9 Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sl.png differ diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sr.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sr.png new file mode 100644 index 00000000..4b9a43a7 Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sr.png differ diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.uk.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.uk.png new file mode 100644 index 00000000..ac9a81be Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.uk.png differ diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hr.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hr.png new file mode 100644 index 00000000..b3bfb20c Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hr.png differ diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.lt.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.lt.png new file mode 100644 index 00000000..a60f3d35 Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.lt.png differ diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.my.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.my.png new file mode 100644 index 00000000..b66da6dc Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.my.png differ diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sl.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sl.png new file mode 100644 index 00000000..e913b65a Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sl.png differ diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sr.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sr.png new file mode 100644 index 00000000..4b9a43a7 Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sr.png differ diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.uk.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.uk.png new file mode 100644 index 00000000..5890458f Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.uk.png differ diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.hr.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.hr.png new file mode 100644 index 00000000..92568be0 Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.hr.png differ diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.lt.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.lt.png new file mode 100644 index 00000000..e541f04f Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.lt.png differ diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.my.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.my.png new file mode 100644 index 00000000..9d75261f Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.my.png differ diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sl.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sl.png new file mode 100644 index 00000000..6aa0bb13 Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sl.png differ diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sr.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sr.png new file mode 100644 index 00000000..91e3fc60 Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sr.png differ diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.uk.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.uk.png new file mode 100644 index 00000000..55ee1ea5 Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.uk.png differ diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hr.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hr.png new file mode 100644 index 00000000..c3d5419e Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hr.png differ diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.lt.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.lt.png new file mode 100644 index 00000000..e573b7a7 Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.lt.png differ diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.my.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.my.png new file mode 100644 index 00000000..155ba0e9 Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.my.png differ diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sl.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sl.png new file mode 100644 index 00000000..84915c95 Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sl.png differ diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sr.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sr.png new file mode 100644 index 00000000..56b482d6 Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sr.png differ diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.uk.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.uk.png new file mode 100644 index 00000000..71caf000 Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.uk.png differ diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hr.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hr.png new file mode 100644 index 00000000..4aee77f8 Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hr.png differ diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.lt.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.lt.png new file mode 100644 index 00000000..3871f126 Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.lt.png differ diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.my.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.my.png new file mode 100644 index 00000000..05a05ed2 Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.my.png differ diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sl.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sl.png new file mode 100644 index 00000000..e3ed3e6a Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sl.png differ diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sr.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sr.png new file mode 100644 index 00000000..7f681935 Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sr.png differ diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.uk.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.uk.png new file mode 100644 index 00000000..87dc029f Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.uk.png differ diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hr.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hr.png new file mode 100644 index 00000000..1e5b6739 Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hr.png differ diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.lt.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.lt.png new file mode 100644 index 00000000..9f233247 Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.lt.png differ diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.my.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.my.png new file mode 100644 index 00000000..4907eeae Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.my.png differ diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sl.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sl.png new file mode 100644 index 00000000..85a0b513 Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sl.png differ diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sr.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sr.png new file mode 100644 index 00000000..e31d3bce Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sr.png differ diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.uk.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.uk.png new file mode 100644 index 00000000..1e996c31 Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.uk.png differ diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hr.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hr.png new file mode 100644 index 00000000..021bde54 Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hr.png differ diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.lt.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.lt.png new file mode 100644 index 00000000..944da833 Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.lt.png differ diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.my.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.my.png new file mode 100644 index 00000000..8b008ee9 Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.my.png differ diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sl.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sl.png new file mode 100644 index 00000000..b90a2bb7 Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sl.png differ diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sr.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sr.png new file mode 100644 index 00000000..ccb1331d Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sr.png differ diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.uk.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.uk.png new file mode 100644 index 00000000..b1b00d11 Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.uk.png differ diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hr.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hr.png new file mode 100644 index 00000000..c3128ec7 Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hr.png differ diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.lt.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.lt.png new file mode 100644 index 00000000..c3128ec7 Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.lt.png differ diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.my.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.my.png new file mode 100644 index 00000000..832545ec Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.my.png differ diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sl.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sl.png new file mode 100644 index 00000000..c3128ec7 Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sl.png differ diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sr.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sr.png new file mode 100644 index 00000000..c3128ec7 Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sr.png differ diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.uk.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.uk.png new file mode 100644 index 00000000..c3128ec7 Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.uk.png differ diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hr.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hr.png new file mode 100644 index 00000000..506c180d Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hr.png differ diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.lt.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.lt.png new file mode 100644 index 00000000..ea90e026 Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.lt.png differ diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.my.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.my.png new file mode 100644 index 00000000..69dd0e26 Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.my.png differ diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sl.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sl.png new file mode 100644 index 00000000..72ad270b Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sl.png differ diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sr.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sr.png new file mode 100644 index 00000000..9a7dab57 Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sr.png differ diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.uk.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.uk.png new file mode 100644 index 00000000..6acdc940 Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.uk.png differ diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hr.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hr.png new file mode 100644 index 00000000..218d373d Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hr.png differ diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.lt.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.lt.png new file mode 100644 index 00000000..4ff1357e Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.lt.png differ diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.my.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.my.png new file mode 100644 index 00000000..dca81269 Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.my.png differ diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sl.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sl.png new file mode 100644 index 00000000..b760a04e Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sl.png differ diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sr.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sr.png new file mode 100644 index 00000000..2180840e Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sr.png differ diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.uk.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.uk.png new file mode 100644 index 00000000..a0483360 Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.uk.png differ diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hr.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hr.png new file mode 100644 index 00000000..13710645 Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hr.png differ diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.lt.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.lt.png new file mode 100644 index 00000000..1c8709a7 Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.lt.png differ diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.my.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.my.png new file mode 100644 index 00000000..37c289da Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.my.png differ diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sl.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sl.png new file mode 100644 index 00000000..949299be Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sl.png differ diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sr.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sr.png new file mode 100644 index 00000000..598298e0 Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sr.png differ diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.uk.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.uk.png new file mode 100644 index 00000000..ab9878e4 Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.uk.png differ diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hr.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hr.png new file mode 100644 index 00000000..7a6b0916 Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hr.png differ diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.lt.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.lt.png new file mode 100644 index 00000000..2e537f76 Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.lt.png differ diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.my.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.my.png new file mode 100644 index 00000000..e0ec0b1c Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.my.png differ diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sl.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sl.png new file mode 100644 index 00000000..5ab7505d Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sl.png differ diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sr.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sr.png new file mode 100644 index 00000000..dad1f778 Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sr.png differ diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.uk.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.uk.png new file mode 100644 index 00000000..bdf922fe Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.uk.png differ diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hr.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hr.png new file mode 100644 index 00000000..4e8de40a Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hr.png differ diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.lt.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.lt.png new file mode 100644 index 00000000..8de04dd5 Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.lt.png differ diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.my.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.my.png new file mode 100644 index 00000000..7f7783cd Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.my.png differ diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sl.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sl.png new file mode 100644 index 00000000..3a39a772 Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sl.png differ diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sr.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sr.png new file mode 100644 index 00000000..867aa378 Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sr.png differ diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.uk.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.uk.png new file mode 100644 index 00000000..d836d0d1 Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.uk.png differ diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hr.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hr.png new file mode 100644 index 00000000..60ba3b24 Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hr.png differ diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.lt.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.lt.png new file mode 100644 index 00000000..8266e0ea Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.lt.png differ diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.my.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.my.png new file mode 100644 index 00000000..2487ab08 Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.my.png differ diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sl.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sl.png new file mode 100644 index 00000000..8d01ff04 Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sl.png differ diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sr.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sr.png new file mode 100644 index 00000000..d7b74dc3 Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sr.png differ diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.uk.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.uk.png new file mode 100644 index 00000000..80a45037 Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.uk.png differ diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hr.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hr.png new file mode 100644 index 00000000..87c12333 Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hr.png differ diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.lt.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.lt.png new file mode 100644 index 00000000..583bfda2 Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.lt.png differ diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.my.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.my.png new file mode 100644 index 00000000..721e924e Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.my.png differ diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sl.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sl.png new file mode 100644 index 00000000..2f410288 Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sl.png differ diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sr.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sr.png new file mode 100644 index 00000000..ca331025 Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sr.png differ diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.uk.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.uk.png new file mode 100644 index 00000000..4e34a27c Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.uk.png differ diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hr.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hr.png new file mode 100644 index 00000000..9d969f8f Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hr.png differ diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.lt.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.lt.png new file mode 100644 index 00000000..2f7274ef Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.lt.png differ diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.my.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.my.png new file mode 100644 index 00000000..7cdd2ed4 Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.my.png differ diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sl.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sl.png new file mode 100644 index 00000000..be21b846 Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sl.png differ diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sr.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sr.png new file mode 100644 index 00000000..e54320fd Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sr.png differ diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.uk.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.uk.png new file mode 100644 index 00000000..e468b990 Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.uk.png differ diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hr.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hr.png new file mode 100644 index 00000000..2869edce Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hr.png differ diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.lt.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.lt.png new file mode 100644 index 00000000..381a5f1e Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.lt.png differ diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.my.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.my.png new file mode 100644 index 00000000..93bb4924 Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.my.png differ diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sl.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sl.png new file mode 100644 index 00000000..eafbc827 Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sl.png differ diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sr.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sr.png new file mode 100644 index 00000000..a64f34bb Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sr.png differ diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.uk.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.uk.png new file mode 100644 index 00000000..26df733b Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.uk.png differ diff --git a/translations/bg/README.md b/translations/bg/README.md index 6d3c2615..86518719 100644 --- a/translations/bg/README.md +++ b/translations/bg/README.md @@ -1,55 +1,52 @@ # Наука за данни за начинаещи - Учебна програма -Azure Cloud Advocates в Microsoft с удоволствие предлагат 10-седмична, 20-урочна учебна програма, посветена на науката за данни. Всеки урок включва предварителни и последващи тестове, писмени инструкции за изпълнение на урока, решение и задача. Нашият подход, базиран на проекти, ви позволява да учите, докато създавате, доказан начин за усвояване на нови умения. +Azure Cloud Advocates в Microsoft с удоволствие предлагат 10-седмична учебна програма с 20 урока, посветена на науката за данни. Всеки урок включва тестове преди и след урока, писмени инструкции за изпълнение на урока, решение и задача. Нашият подход, базиран на проекти, ви позволява да учите, докато създавате, доказан метод за усвояване на нови умения. **Сърдечни благодарности на нашите автори:** [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). **🙏 Специални благодарности 🙏 на нашите [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) автори, рецензенти и сътрудници на съдържание,** включително 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/) -|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)| +|![Скица от @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.bg.png)| |:---:| -| Наука за данни за начинаещи - _Скетч от [@nitya](https://twitter.com/nitya)_ | +| Наука за данни за начинаещи - _Скица от [@nitya](https://twitter.com/nitya)_ | -## Съобщение - Нова учебна програма за Генеративен AI е вече налична! +### 🌐 Поддръжка на много езици -Току-що пуснахме 12-урочна учебна програма за генеративен AI. Научете неща като: +#### Поддържано чрез GitHub Action (Автоматизирано и винаги актуално) -- създаване на заявки и инженеринг на заявки -- генериране на текстови и визуални приложения -- приложения за търсене +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](./README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) -Както обикновено, има урок, задачи за изпълнение, проверки на знанията и предизвикателства. +**Ако желаете да добавите допълнителни преводи, списъкът с поддържани езици е [тук](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** -Вижте тук: - -> https://aka.ms/genai-beginners +#### Присъединете се към нашата общност +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) # Студент ли сте? Започнете с тези ресурси: -- [Студентска страница](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На тази страница ще намерите ресурси за начинаещи, студентски пакети и дори начини да получите безплатен ваучер за сертификат. Това е страница, която си струва да запазите и проверявате редовно, тъй като съдържанието се обновява поне веднъж месечно. +- [Студентска страница](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На тази страница ще намерите ресурси за начинаещи, студентски пакети и дори начини да получите безплатен ваучер за сертификат. Това е страница, която трябва да запазите и проверявате от време на време, тъй като съдържанието се обновява поне веднъж месечно. - [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Присъединете се към глобална общност от студентски посланици, това може да бъде вашият път към Microsoft. # Започнете -> **Учители**: [включили сме някои предложения](for-teachers.md) за това как да използвате тази учебна програма. Ще се радваме на вашата обратна връзка [в нашия форум за дискусии](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! +> **Учители**: включили сме [някои предложения](for-teachers.md) за това как да използвате тази учебна програма. Ще се радваме на вашата обратна връзка [в нашия форум за дискусии](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! -> **[Студенти](https://aka.ms/student-page)**: за да използвате тази учебна програма самостоятелно, клонирайте цялото хранилище и изпълнете упражненията самостоятелно, започвайки с предварителен тест. След това прочетете урока и завършете останалите дейности. Опитайте се да създадете проектите, като разбирате уроците, вместо да копирате кода на решенията; въпреки това, този код е наличен в папките /solutions във всеки проектно-ориентиран урок. Друга идея е да създадете учебна група с приятели и да преминете през съдържанието заедно. За допълнително обучение препоръчваме [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). +> **[Студенти](https://aka.ms/student-page)**: за да използвате тази учебна програма самостоятелно, клонирайте цялото хранилище и изпълнете упражненията самостоятелно, започвайки с тест преди лекцията. След това прочетете лекцията и завършете останалите дейности. Опитайте се да създадете проектите, като разбирате уроците, вместо да копирате кода на решенията; въпреки това, този код е наличен в папките /solutions във всеки урок, базиран на проект. Друга идея е да създадете учебна група с приятели и да преминете през съдържанието заедно. За допълнително обучение препоръчваме [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). ## Запознайте се с екипа -[![Промо видео](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Промо видео") +[![Промо видео](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") **Gif от** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) @@ -57,55 +54,53 @@ Azure Cloud Advocates в Microsoft с удоволствие предлагат ## Педагогика -Избрахме два педагогически принципа при създаването на тази учебна програма: да гарантираме, че тя е базирана на проекти и че включва чести тестове. До края на тази серия студентите ще са научили основни принципи на науката за данни, включително етични концепции, подготовка на данни, различни начини за работа с данни, визуализация на данни, анализ на данни, реални приложения на науката за данни и други. - -Освен това, тест с нисък риск преди урока насочва вниманието на студента към изучаването на дадена тема, докато втори тест след урока гарантира по-добро запаметяване. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да бъде взета изцяло или частично. Проектите започват малки и стават все по-сложни до края на 10-седмичния цикъл. - -> Намерете нашите [Правила за поведение](CODE_OF_CONDUCT.md), [Принос](CONTRIBUTING.md), [Превод](TRANSLATIONS.md) насоки. Ще се радваме на вашата конструктивна обратна връзка! +При изграждането на тази учебна програма избрахме два педагогически принципа: да бъде базирана на проекти и да включва чести тестове. До края на тази серия студентите ще са научили основни принципи на науката за данни, включително етични концепции, подготовка на данни, различни начини за работа с данни, визуализация на данни, анализ на данни, реални приложения на науката за данни и други. -## Всеки урок включва: +Освен това, тест с нисък риск преди урока насочва вниманието на студента към изучаването на дадена тема, докато втори тест след урока осигурява допълнително задържане на информацията. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да бъде взета изцяло или частично. Проектите започват малки и стават все по-сложни до края на 10-седмичния цикъл. +Намерете нашия [Кодекс за поведение](CODE_OF_CONDUCT.md), [Принос](CONTRIBUTING.md), [Превод](TRANSLATIONS.md) насоки. Очакваме с нетърпение вашата конструктивна обратна връзка! +## Всяка лекция включва: -- По избор скетч -- По избор допълнително видео -- Предварителен тест за загряване -- Писмен урок -- За уроци, базирани на проекти, ръководства стъпка по стъпка за изграждане на проекта -- Проверки на знанията +- По избор: скица +- По избор: допълнително видео +- Въпросник за загрявка преди лекцията +- Писмена лекция +- За лекции, базирани на проекти: ръководства стъпка по стъпка за изграждане на проекта +- Проверка на знанията - Предизвикателство -- Допълнително четене +- Допълнителни материали за четене - Задача -- Последващ тест +- [Въпросник след лекцията](https://ff-quizzes.netlify.app/en/) -> **Бележка за тестовете**: Всички тестове се намират в папката Quiz-App, за общо 40 теста с по три въпроса всеки. Те са свързани от уроците, но приложението за тестове може да се изпълнява локално или да се разположи в Azure; следвайте инструкциите в папката `quiz-app`. Постепенно се локализират. +> **Бележка относно въпросниците**: Всички въпросници се намират в папката Quiz-App, като общо има 40 въпросника с по три въпроса всеки. Те са свързани с лекциите, но приложението за въпросници може да се стартира локално или да се разположи в Azure; следвайте инструкциите в папката `quiz-app`. Постепенно се локализират. -## Уроци +## Лекции -|![ Скетч от [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)| +|![Скица от @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.bg.png)| |:---:| -| Наука за данни за начинаещи: Пътна карта - _Скетч от [@nitya](https://twitter.com/nitya)_ | +| Наука за данни за начинаещи: Пътна карта - _Скица от [@nitya](https://twitter.com/nitya)_ | -| Номер на урока | Тема | Групиране на урока | Цели на обучението | Свързан урок | Автор | +| Номер на лекция | Тема | Групиране на лекции | Учебни цели | Свързана лекция | Автор | | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | -| 01 | Определяне на науката за данни | [Въведение](1-Introduction/README.md) | Научете основните концепции зад науката за данни и как тя е свързана с изкуствения интелект, машинното обучение и големите данни. | [урок](1-Introduction/01-defining-data-science/README.md) [видео](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | -| 02 | Етика в науката за данни | [Въведение](1-Introduction/README.md) | Концепции за етика на данните, предизвикателства и рамки. | [урок](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | -| 03 | Определяне на данни | [Въведение](1-Introduction/README.md) | Как се класифицират данните и техните общи източници. | [урок](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | -| 04 | Въведение в статистиката и вероятността | [Въведение](1-Introduction/README.md) | Математическите техники на вероятността и статистиката за разбиране на данни. | [урок](1-Introduction/04-stats-and-probability/README.md) [видео](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | -| 05 | Работа с релационни данни | [Работа с данни](2-Working-With-Data/README.md) | Въведение в релационните данни и основите на изследването и анализа на релационни данни със Structured Query Language, известен като SQL (произнася се „си-квел“). | [урок](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | -| 06 | Работа с NoSQL данни | [Работа с данни](2-Working-With-Data/README.md) | Въведение в нерелационните данни, техните различни типове и основите на изследването и анализа на документни бази данни. | [урок](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| -| 07 | Работа с Python | [Работа с данни](2-Working-With-Data/README.md) | Основи на използването на Python за изследване на данни с библиотеки като Pandas. Препоръчва се основно разбиране на програмирането с Python. | [урок](2-Working-With-Data/07-python/README.md) [видео](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | -| 08 | Подготовка на данни | [Работа с данни](2-Working-With-Data/README.md) | Теми за техники за почистване и трансформиране на данни, за справяне с предизвикателства като липсващи, неточни или непълни данни. | [урок](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | -| 09 | Визуализиране на количества | [Визуализация на данни](3-Data-Visualization/README.md) | Научете как да използвате Matplotlib за визуализиране на данни за птици 🦆 | [урок](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | -| 10 | Визуализиране на разпределения на данни | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на наблюдения и тенденции в рамките на интервал. | [урок](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | -| 11 | Визуализиране на пропорции | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на дискретни и групирани проценти. | [урок](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | -| 12 | Визуализиране на взаимоотношения | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на връзки и корелации между набори от данни и техните променливи. | [урок](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | -| 13 | Значими визуализации | [Визуализация на данни](3-Data-Visualization/README.md) | Техники и насоки за създаване на визуализации, които са ценни за ефективно решаване на проблеми и извличане на прозрения. | [урок](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | -| 14 | Въведение в жизнения цикъл на науката за данни | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Въведение в жизнения цикъл на науката за данни и първата му стъпка - придобиване и извличане на данни. | [урок](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | -| 15 | Анализиране | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Тази фаза от жизнения цикъл на науката за данни се фокусира върху техники за анализ на данни. | [урок](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | -| 16 | Комуникация | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Тази фаза от жизнения цикъл на науката за данни се фокусира върху представянето на прозренията от данните по начин, който улеснява разбирането от страна на вземащите решения. | [урок](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | -| 17 | Наука за данни в облака | [Облачни данни](5-Data-Science-In-Cloud/README.md) | Тази серия от уроци представя науката за данни в облака и нейните предимства. | [урок](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) и [Maud](https://twitter.com/maudstweets) | -| 18 | Наука за данни в облака | [Облачни данни](5-Data-Science-In-Cloud/README.md) | Обучение на модели с помощта на инструменти за нисък код. | [урок](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) и [Maud](https://twitter.com/maudstweets) | -| 19 | Наука за данни в облака | [Облачни данни](5-Data-Science-In-Cloud/README.md) | Деплойване на модели с Azure Machine Learning Studio. | [урок](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) и [Maud](https://twitter.com/maudstweets) | -| 20 | Наука за данни в реалния свят | [В реалния свят](6-Data-Science-In-Wild/README.md) | Проекти, базирани на науката за данни, в реалния свят. | [урок](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | +| 01 | Дефиниране на науката за данни | [Въведение](1-Introduction/README.md) | Научете основните концепции зад науката за данни и как тя е свързана с изкуствения интелект, машинното обучение и големите данни. | [лекция](1-Introduction/01-defining-data-science/README.md) [видео](https://youtu.be/beZ7Mb_oz9I) | [Дмитрий](http://soshnikov.com) | +| 02 | Етика в науката за данни | [Въведение](1-Introduction/README.md) | Концепции, предизвикателства и рамки за етика в данните. | [лекция](1-Introduction/02-ethics/README.md) | [Нитя](https://twitter.com/nitya) | +| 03 | Дефиниране на данни | [Въведение](1-Introduction/README.md) | Как се класифицират данните и какви са техните често срещани източници. | [лекция](1-Introduction/03-defining-data/README.md) | [Жасмин](https://www.twitter.com/paladique) | +| 04 | Въведение в статистиката и вероятностите | [Въведение](1-Introduction/README.md) | Математически техники за вероятности и статистика за разбиране на данни. | [лекция](1-Introduction/04-stats-and-probability/README.md) [видео](https://youtu.be/Z5Zy85g4Yjw) | [Дмитрий](http://soshnikov.com) | +| 05 | Работа с релационни данни | [Работа с данни](2-Working-With-Data/README.md) | Въведение в релационните данни и основите на изследването и анализа на релационни данни с езика за структурирани заявки, известен като SQL (произнася се „си-квел“). | [лекция](2-Working-With-Data/05-relational-databases/README.md) | [Кристофър](https://www.twitter.com/geektrainer) | | | +| 06 | Работа с NoSQL данни | [Работа с данни](2-Working-With-Data/README.md) | Въведение в нерелационните данни, техните различни видове и основите на изследването и анализа на документни бази данни. | [лекция](2-Working-With-Data/06-non-relational/README.md) | [Жасмин](https://twitter.com/paladique)| +| 07 | Работа с Python | [Работа с данни](2-Working-With-Data/README.md) | Основи на използването на Python за изследване на данни с библиотеки като Pandas. Препоръчва се основно разбиране на програмирането с Python. | [лекция](2-Working-With-Data/07-python/README.md) [видео](https://youtu.be/dZjWOGbsN4Y) | [Дмитрий](http://soshnikov.com) | +| 08 | Подготовка на данни | [Работа с данни](2-Working-With-Data/README.md) | Теми за техники за почистване и трансформиране на данни за справяне с предизвикателства като липсващи, неточни или непълни данни. | [лекция](2-Working-With-Data/08-data-preparation/README.md) | [Жасмин](https://www.twitter.com/paladique) | +| 09 | Визуализиране на количества | [Визуализация на данни](3-Data-Visualization/README.md) | Научете как да използвате Matplotlib за визуализиране на данни за птици 🦆 | [лекция](3-Data-Visualization/09-visualization-quantities/README.md) | [Джен](https://twitter.com/jenlooper) | +| 10 | Визуализиране на разпределения на данни | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на наблюдения и тенденции в рамките на интервал. | [лекция](3-Data-Visualization/10-visualization-distributions/README.md) | [Джен](https://twitter.com/jenlooper) | +| 11 | Визуализиране на пропорции | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на дискретни и групирани проценти. | [лекция](3-Data-Visualization/11-visualization-proportions/README.md) | [Джен](https://twitter.com/jenlooper) | +| 12 | Визуализиране на връзки | [Визуализация на данни](3-Data-Visualization/README.md) | Визуализиране на връзки и корелации между набори от данни и техните променливи. | [лекция](3-Data-Visualization/12-visualization-relationships/README.md) | [Джен](https://twitter.com/jenlooper) | +| 13 | Смислени визуализации | [Визуализация на данни](3-Data-Visualization/README.md) | Техники и насоки за създаване на визуализации, които са ценни за ефективно решаване на проблеми и извличане на прозрения. | [лекция](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Джен](https://twitter.com/jenlooper) | +| 14 | Въведение в жизнения цикъл на науката за данни | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Въведение в жизнения цикъл на науката за данни и първата му стъпка - придобиване и извличане на данни. | [лекция](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Жасмин](https://twitter.com/paladique) | +| 15 | Анализиране | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Тази фаза от жизнения цикъл на науката за данни се фокусира върху техники за анализ на данни. | [лекция](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Жасмин](https://twitter.com/paladique) | | | +| 16 | Комуникация | [Жизнен цикъл](4-Data-Science-Lifecycle/README.md) | Тази фаза от жизнения цикъл на науката за данни се фокусира върху представянето на прозренията от данните по начин, който улеснява разбирането от страна на вземащите решения. | [лекция](4-Data-Science-Lifecycle/16-communication/README.md) | [Джейлън](https://twitter.com/JalenMcG) | | | +| 17 | Наука за данни в облака | [Данни в облака](5-Data-Science-In-Cloud/README.md) | Тази серия от лекции представя науката за данни в облака и нейните предимства. | [лекция](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Тифани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) | +| 18 | Наука за данни в облака | [Данни в облака](5-Data-Science-In-Cloud/README.md) | Обучение на модели с помощта на инструменти с нисък код. |[лекция](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Тифани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) | +| 19 | Наука за данни в облака | [Данни в облака](5-Data-Science-In-Cloud/README.md) | Разполагане на модели с Azure Machine Learning Studio. | [лекция](5-Data-Science-In-Cloud/19-Azure/README.md)| [Тифани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) | +| 20 | Наука за данни в реалния свят | [В реалния свят](6-Data-Science-In-Wild/README.md) | Проекти, базирани на науката за данни, в реалния свят. | [лекция](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Нитя](https://twitter.com/nitya) | ## GitHub Codespaces @@ -115,50 +110,46 @@ Azure Cloud Advocates в Microsoft с удоволствие предлагат За повече информация, вижте [документацията на GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). ## VSCode Remote - Containers -Следвайте тези стъпки, за да отворите това хранилище в контейнер, използвайки вашата локална машина и VSCode с разширението VS Code Remote - Containers: +Следвайте тези стъпки, за да отворите това хранилище в контейнер, използвайки вашия локален компютър и VSCode с разширението VS Code Remote - Containers: 1. Ако за първи път използвате контейнер за разработка, уверете се, че вашата система отговаря на предварителните изисквания (например, инсталиран Docker) в [документацията за започване](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). -За да използвате това хранилище, можете да го отворите в изолиран Docker обем: +За да използвате това хранилище, можете или да го отворите в изолиран Docker обем: -**Забележка**: В основата си това ще използва командата Remote-Containers: **Clone Repository in Container Volume...**, за да клонира изходния код в Docker обем вместо в локалната файлова система. [Обемите](https://docs.docker.com/storage/volumes/) са предпочитаният механизъм за запазване на данни в контейнера. +**Забележка**: В основата си това ще използва командата Remote-Containers: **Clone Repository in Container Volume...**, за да клонира изходния код в Docker обем вместо в локалната файлова система. [Обемите](https://docs.docker.com/storage/volumes/) са предпочитаният механизъм за съхранение на данни в контейнер. Или да отворите локално клонирана или изтеглена версия на хранилището: - Клонирайте това хранилище на вашата локална файлова система. - Натиснете F1 и изберете командата **Remote-Containers: Open Folder in Container...**. -- Изберете клонираното копие на тази папка, изчакайте контейнерът да стартира и опитайте. +- Изберете клонираното копие на тази папка, изчакайте контейнерът да стартира и изпробвайте нещата. ## Офлайн достъп -Можете да стартирате тази документация офлайн, използвайки [Docsify](https://docsify.js.org/#/). Форкнете това хранилище, [инсталирайте Docsify](https://docsify.js.org/#/quickstart) на вашата локална машина, след това в основната папка на това хранилище въведете `docsify serve`. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: `localhost:3000`. - -> Забележка: тетрадките няма да бъдат визуализирани чрез Docsify, така че когато трябва да стартирате тетрадка, направете го отделно в VS Code, използвайки Python kernel. - -## Търсим помощ! +Можете да стартирате тази документация офлайн, като използвате [Docsify](https://docsify.js.org/#/). Форкнете това хранилище, [инсталирайте Docsify](https://docsify.js.org/#/quickstart) на вашия локален компютър, след това в основната папка на това хранилище въведете `docsify serve`. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost: `localhost:3000`. -Ако искате да преведете цялата или част от учебната програма, моля, следвайте нашето ръководство [Translations](TRANSLATIONS.md). +> Забележка: тетрадките няма да се визуализират чрез Docsify, така че когато трябва да стартирате тетрадка, направете го отделно в VS Code с работещ Python kernel. ## Други учебни програми -Нашият екип създава и други учебни програми! Вижте: - -- [Generative AI for Beginners](https://aka.ms/genai-beginners) -- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) -- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript) -- [Generative AI with Java](https://aka.ms/genaijava) -- [AI for Beginners](https://aka.ms/ai-beginners) -- [Data Science for Beginners](https://aka.ms/datascience-beginners) -- [ML for Beginners](https://aka.ms/ml-beginners) -- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) -- [Web Dev for Beginners](https://aka.ms/webdev-beginners) -- [IoT for Beginners](https://aka.ms/iot-beginners) -- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners) -- [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) -- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) -- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) +Нашият екип създава и други учебни програми! Разгледайте: + +- [Генеративен AI за начинаещи](https://aka.ms/genai-beginners) +- [Генеративен AI за начинаещи .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Генеративен AI с JavaScript](https://github.com/microsoft/generative-ai-with-javascript) +- [Генеративен AI с Java](https://aka.ms/genaijava) +- [AI за начинаещи](https://aka.ms/ai-beginners) +- [Наука за данни за начинаещи](https://aka.ms/datascience-beginners) +- [Машинно обучение за начинаещи](https://aka.ms/ml-beginners) +- [Киберсигурност за начинаещи](https://github.com/microsoft/Security-101) +- [Уеб разработка за начинаещи](https://aka.ms/webdev-beginners) +- [IoT за начинаещи](https://aka.ms/iot-beginners) +- [Разработка на XR за начинаещи](https://github.com/microsoft/xr-development-for-beginners) +- [Овладяване на GitHub Copilot за съвместно програмиране](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Овладяване на GitHub Copilot за C#/.NET разработчици](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Избери своето приключение с Copilot](https://github.com/microsoft/CopilotAdventures) --- **Отказ от отговорност**: -Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод. \ No newline at end of file +Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод. \ No newline at end of file diff --git a/translations/hr/1-Introduction/01-defining-data-science/README.md b/translations/hr/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..4ea9ed52 --- /dev/null +++ b/translations/hr/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,80 @@ + +## Vrste podataka + +Kao što smo već spomenuli, podaci su svugdje oko nas. Samo ih trebamo pravilno zabilježiti! Korisno je razlikovati **strukturirane** i **nestrukturirane** podatke. Prvi su obično predstavljeni u nekom dobro strukturiranom obliku, često kao tablica ili niz tablica, dok su potonji samo zbirka datoteka. Ponekad možemo govoriti i o **polustrukturiranim** podacima, koji imaju neku vrstu strukture koja može značajno varirati. + +| Strukturirani | Polustrukturirani | Nestrukturirani | +| -------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------- | -------------------------------------- | +| Popis ljudi s njihovim telefonskim brojevima | Wikipedijine stranice s poveznicama | Tekst Enciklopedije Britannica | +| Temperatura u svim sobama zgrade svake minute tijekom posljednjih 20 godina | Zbirka znanstvenih radova u JSON formatu s autorima, datumima objave i sažecima | Datoteke s korporativnim dokumentima | +| Podaci o dobi i spolu svih ljudi koji ulaze u zgradu | Internetske stranice | Sirovi videozapis s nadzorne kamere | + +## Gdje pronaći podatke + +Postoji mnogo mogućih izvora podataka, i bilo bi nemoguće nabrojati ih sve! Međutim, spomenimo neka od tipičnih mjesta gdje možete pronaći podatke: + +* **Strukturirani** + - **Internet stvari** (IoT), uključujući podatke s različitih senzora, poput senzora temperature ili tlaka, pruža mnogo korisnih podataka. Na primjer, ako je poslovna zgrada opremljena IoT senzorima, možemo automatski kontrolirati grijanje i rasvjetu kako bismo smanjili troškove. + - **Ankete** koje tražimo od korisnika da ispune nakon kupnje ili posjeta web stranici. + - **Analiza ponašanja** može nam, primjerice, pomoći razumjeti koliko duboko korisnik ulazi na stranicu i koji je tipičan razlog za napuštanje stranice. +* **Nestrukturirani** + - **Tekstovi** mogu biti bogat izvor uvida, poput ukupnog **sentiment skora** ili izdvajanja ključnih riječi i semantičkog značenja. + - **Slike** ili **videozapisi**. Videozapis s nadzorne kamere može se koristiti za procjenu prometa na cesti i informiranje ljudi o mogućim gužvama. + - **Zapisi web poslužitelja** mogu se koristiti za razumijevanje koje stranice naše web stranice se najčešće posjećuju i koliko dugo. +* **Polustrukturirani** + - **Grafovi društvenih mreža** mogu biti izvrsni izvori podataka o osobnostima korisnika i potencijalnoj učinkovitosti u širenju informacija. + - Kada imamo niz fotografija s neke zabave, možemo pokušati izvući podatke o **dinamici grupe** izgradnjom grafa ljudi koji se fotografiraju zajedno. + +Poznavanjem različitih mogućih izvora podataka, možete razmisliti o različitim scenarijima u kojima se tehnike znanosti o podacima mogu primijeniti kako biste bolje razumjeli situaciju i poboljšali poslovne procese. + +## Što možete učiniti s podacima + +U znanosti o podacima fokusiramo se na sljedeće korake u radu s podacima: + +Naravno, ovisno o stvarnim podacima, neki koraci mogu nedostajati (npr. kada već imamo podatke u bazi podataka ili kada nije potrebno treniranje modela), ili se neki koraci mogu ponavljati nekoliko puta (poput obrade podataka). + +## Digitalizacija i digitalna transformacija + +U posljednjem desetljeću mnoge su tvrtke počele shvaćati važnost podataka pri donošenju poslovnih odluka. Kako bi se primijenili principi znanosti o podacima na vođenje poslovanja, prvo je potrebno prikupiti neke podatke, tj. prevesti poslovne procese u digitalni oblik. To se naziva **digitalizacija**. Primjena tehnika znanosti o podacima na te podatke za donošenje odluka može dovesti do značajnog povećanja produktivnosti (ili čak promjene poslovnog smjera), što nazivamo **digitalnom transformacijom**. + +Razmotrimo primjer. Pretpostavimo da imamo tečaj znanosti o podacima (poput ovog) koji se održava online za studente, i želimo koristiti znanost o podacima kako bismo ga poboljšali. Kako to možemo učiniti? + +Možemo započeti pitanjem "Što se može digitalizirati?" Najjednostavniji način bio bi mjeriti vrijeme koje je svakom studentu potrebno za završetak svakog modula i mjeriti stečeno znanje davanjem testa s višestrukim izborom na kraju svakog modula. Prosječnim vremenom završetka za sve studente možemo otkriti koji moduli uzrokuju najviše poteškoća studentima i raditi na njihovom pojednostavljivanju. +Možete tvrditi da ovaj pristup nije idealan, jer moduli mogu biti različitih duljina. Vjerojatno je pravednije podijeliti vrijeme s duljinom modula (u broju znakova) i usporediti te vrijednosti umjesto toga. +Kada počnemo analizirati rezultate testova s višestrukim izborom, možemo pokušati utvrditi koje koncepte učenici teško razumiju i koristiti te informacije za poboljšanje sadržaja. Da bismo to postigli, trebamo osmisliti testove na način da svako pitanje odgovara određenom konceptu ili dijelu znanja. + +Ako želimo ići još dalje, možemo usporediti vrijeme potrebno za svaki modul s dobnim kategorijama učenika. Možda ćemo otkriti da za neke dobne kategorije treba neproporcionalno dugo da završe modul ili da učenici odustaju prije nego što ga završe. To nam može pomoći da damo preporuke za dobne skupine za modul i smanjimo nezadovoljstvo zbog pogrešnih očekivanja. + +## 🚀 Izazov + +U ovom izazovu pokušat ćemo pronaći koncepte relevantne za područje Data Science analizirajući tekstove. Uzet ćemo članak s Wikipedije o Data Science, preuzeti i obraditi tekst, a zatim izraditi oblak riječi poput ovog: + +![Oblak riječi za Data Science](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.hr.png) + +Posjetite [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') kako biste pregledali kod. Također možete pokrenuti kod i vidjeti kako u stvarnom vremenu provodi sve transformacije podataka. + +> Ako ne znate kako pokrenuti kod u Jupyter Notebooku, pogledajte [ovaj članak](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1) + +## Zadaci + +* **Zadatak 1**: Izmijenite gornji kod kako biste pronašli povezane koncepte za područja **Big Data** i **Machine Learning** +* **Zadatak 2**: [Razmislite o scenarijima za Data Science](assignment.md) + +## Zahvale + +Ovu lekciju s ljubavlju je napisao [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/01-defining-data-science/assignment.md b/translations/hr/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..71f47f5f --- /dev/null +++ b/translations/hr/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,46 @@ + +# Zadatak: Scenariji za Data Science + +U ovom prvom zadatku tražimo od vas da razmislite o nekom stvarnom procesu ili problemu u različitim domenama problema i kako ga možete poboljšati koristeći Data Science proces. Razmislite o sljedećem: + +1. Koje podatke možete prikupiti? +1. Kako biste ih prikupili? +1. Kako biste pohranili podatke? Koliko bi podaci mogli biti veliki? +1. Koje uvide biste mogli dobiti iz tih podataka? Koje odluke bismo mogli donijeti na temelju tih podataka? + +Pokušajte razmisliti o 3 različita problema/procesa i opisati svaku od gore navedenih točaka za svaki domen problema. + +Evo nekih domena problema i problema koji vam mogu pomoći da započnete razmišljati: + +1. Kako možete koristiti podatke za poboljšanje obrazovnog procesa za djecu u školama? +1. Kako možete koristiti podatke za kontrolu cijepljenja tijekom pandemije? +1. Kako možete koristiti podatke kako biste osigurali da ste produktivni na poslu? + +## Upute + +Ispunite sljedeću tablicu (zamijenite predložene domene problema vlastitima ako je potrebno): + +| Domena problema | Problem | Koje podatke prikupiti | Kako pohraniti podatke | Koje uvide/odluke možemo donijeti | +|------------------|---------|------------------------|-------------------------|-----------------------------------| +| Obrazovanje | | | | | +| Cijepljenje | | | | | +| Produktivnost | | | | | + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | +Identificirani su razumni izvori podataka, načini pohrane podataka i moguće odluke/uvidi za sve domene problema | Neki aspekti rješenja nisu detaljno opisani, pohrana podataka nije razmotrena, opisane su barem 2 domene problema | Opisani su samo dijelovi rješenja za podatke, razmotrena je samo jedna domena problema. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/hr/1-Introduction/01-defining-data-science/solution/assignment.md new file mode 100644 index 00000000..2666c05e --- /dev/null +++ b/translations/hr/1-Introduction/01-defining-data-science/solution/assignment.md @@ -0,0 +1,48 @@ + +# Zadatak: Scenariji za Data Science + +U ovom prvom zadatku tražimo od vas da razmislite o nekom stvarnom procesu ili problemu u različitim domenama problema i kako ga možete poboljšati koristeći Data Science proces. Razmislite o sljedećem: + +1. Koje podatke možete prikupiti? +1. Kako biste ih prikupili? +1. Kako biste pohranili podatke? Koliko su podaci vjerojatno veliki? +1. Koje uvide biste mogli dobiti iz tih podataka? Koje odluke bismo mogli donijeti na temelju tih podataka? + +Pokušajte razmisliti o 3 različita problema/procesa i opisati svaku od gore navedenih točaka za svaki domen problema. + +Evo nekih domena problema i problema koji vam mogu pomoći da započnete razmišljati: + +1. Kako možete koristiti podatke za poboljšanje obrazovnog procesa za djecu u školama? +1. Kako možete koristiti podatke za kontrolu cijepljenja tijekom pandemije? +1. Kako možete koristiti podatke kako biste osigurali da ste produktivni na poslu? + +## Upute + +Ispunite sljedeću tablicu (zamijenite predložene domene problema vlastitima ako je potrebno): + +| Domena problema | Problem | Koje podatke prikupiti | Kako pohraniti podatke | Koje uvide/odluke možemo donijeti | +|------------------|---------|------------------------|------------------------|-----------------------------------| +| Obrazovanje | Na sveučilištu obično imamo nisku posjećenost predavanjima, a imamo hipotezu da studenti koji pohađaju predavanja u prosjeku bolje prolaze na ispitima. Želimo potaknuti posjećenost i testirati hipotezu. | Možemo pratiti posjećenost putem fotografija snimljenih sigurnosnom kamerom u učionici ili praćenjem bluetooth/wifi adresa mobilnih telefona studenata u učionici. Podaci o ispitima već su dostupni u bazi podataka sveučilišta. | Ako pratimo slike sigurnosnih kamera - trebamo pohraniti nekoliko (5-10) fotografija tijekom predavanja (nestrukturirani podaci), a zatim koristiti AI za prepoznavanje lica studenata (pretvaranje podataka u strukturirani oblik). | Možemo izračunati prosječne podatke o posjećenosti za svakog studenta i vidjeti postoji li korelacija s ocjenama na ispitima. Više ćemo govoriti o korelaciji u odjeljku [vjerojatnost i statistika](../../04-stats-and-probability/README.md). Kako bismo potaknuli posjećenost studenata, možemo objaviti tjedni rejting posjećenosti na školskom portalu i organizirati nagradne igre među onima s najvećom posjećenosti. | +| Cijepljenje | | | | | +| Produktivnost | | | | | + +> *Dajemo samo jedan odgovor kao primjer kako biste dobili ideju što se očekuje u ovom zadatku.* + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | +Osoba je uspjela identificirati razumne izvore podataka, načine pohrane podataka i moguće odluke/uvide za sve domene problema | Neki aspekti rješenja nisu detaljno opisani, pohrana podataka nije razrađena, opisane su barem 2 domene problema | Opisani su samo dijelovi rješenja za podatke, razmatrana je samo jedna domena problema. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešne interpretacije koje mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/02-ethics/README.md b/translations/hr/1-Introduction/02-ethics/README.md new file mode 100644 index 00000000..38f302f3 --- /dev/null +++ b/translations/hr/1-Introduction/02-ethics/README.md @@ -0,0 +1,267 @@ + +# Uvod u etiku podataka + +|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| +|:---:| +| Etika znanosti o podacima - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | + +--- + +Svi smo mi građani podataka koji živimo u svijetu prepunom podataka. + +Tržišni trendovi pokazuju da će do 2022. godine 1 od 3 velike organizacije kupovati i prodavati svoje podatke putem online [tržnica i razmjena](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kao **razvijatelji aplikacija**, lakše ćemo i jeftinije integrirati uvide temeljene na podacima i automatizaciju vođenu algoritmima u svakodnevna korisnička iskustva. No, kako umjetna inteligencija (AI) postaje sveprisutna, morat ćemo razumjeti i potencijalne štete uzrokovane [oružavanjem](https://www.youtube.com/watch?v=TQHs8SA1qpk) takvih algoritama u velikim razmjerima. + +Trendovi također pokazuju da ćemo do 2025. godine stvoriti i konzumirati preko [180 zettabajta](https://www.statista.com/statistics/871513/worldwide-data-created/) podataka. Kao **znanstvenici o podacima**, to nam daje neviđenu razinu pristupa osobnim podacima. To znači da možemo graditi profile ponašanja korisnika i utjecati na donošenje odluka na načine koji stvaraju [iluziju slobodnog izbora](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), dok potencijalno usmjeravamo korisnike prema ishodima koji nama odgovaraju. To također otvara šira pitanja o privatnosti podataka i zaštiti korisnika. + +Etika podataka sada su _nužne smjernice_ za znanost o podacima i inženjering, pomažući nam da minimiziramo potencijalne štete i nenamjerne posljedice naših akcija temeljenih na podacima. [Gartnerov Hype Cycle za AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identificira relevantne trendove u digitalnoj etici, odgovornoj AI i upravljanju AI-jem kao ključne pokretače većih megatrendova oko _demokratizacije_ i _industrijalizacije_ AI-ja. + +![Gartnerov Hype Cycle za AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) + +U ovoj lekciji istražit ćemo fascinantno područje etike podataka - od osnovnih koncepata i izazova, do studija slučaja i primijenjenih AI koncepata poput upravljanja - koji pomažu uspostaviti kulturu etike u timovima i organizacijama koje rade s podacima i AI-jem. + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 + +## Osnovne definicije + +Počnimo s razumijevanjem osnovne terminologije. + +Riječ "etika" dolazi od [grčke riječi "ethikos"](https://en.wikipedia.org/wiki/Ethics) (i njenog korijena "ethos") što znači _karakter ili moralna priroda_. + +**Etika** se odnosi na zajedničke vrijednosti i moralna načela koja upravljaju našim ponašanjem u društvu. Etika se ne temelji na zakonima, već na široko prihvaćenim normama o tome što je "ispravno naspram pogrešnog". Međutim, etička razmatranja mogu utjecati na inicijative korporativnog upravljanja i vladine regulative koje stvaraju više poticaja za usklađenost. + +**Etika podataka** je [nova grana etike](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) koja "proučava i procjenjuje moralne probleme povezane s _podacima, algoritmima i odgovarajućim praksama_". Ovdje se **"podaci"** fokusiraju na radnje povezane s generiranjem, bilježenjem, kuriranjem, obradom, širenjem, dijeljenjem i korištenjem, **"algoritmi"** na AI, agente, strojno učenje i robote, a **"prakse"** na teme poput odgovorne inovacije, programiranja, hakiranja i etičkih kodeksa. + +**Primijenjena etika** je [praktična primjena moralnih razmatranja](https://en.wikipedia.org/wiki/Applied_ethics). To je proces aktivnog istraživanja etičkih pitanja u kontekstu _stvarnih radnji, proizvoda i procesa_ te poduzimanja korektivnih mjera kako bi se osiguralo da ostanu usklađeni s našim definiranim etičkim vrijednostima. + +**Kultura etike** odnosi se na [_operacionalizaciju_ primijenjene etike](https://hbr.org/2019/05/how-to-design-an-ethical-organization) kako bi se osiguralo da se naši etički principi i prakse dosljedno i skalabilno usvajaju u cijeloj organizaciji. Uspješne kulture etike definiraju etičke principe na razini organizacije, pružaju značajne poticaje za usklađenost i jačaju norme etike poticanjem i pojačavanjem željenih ponašanja na svakoj razini organizacije. + +## Koncepti etike + +U ovom ćemo odjeljku raspraviti koncepte poput **zajedničkih vrijednosti** (principa) i **etičkih izazova** (problema) za etiku podataka - te istražiti **studije slučaja** koje vam pomažu razumjeti te koncepte u stvarnim kontekstima. + +### 1. Etički principi + +Svaka strategija etike podataka započinje definiranjem _etičkih principa_ - "zajedničkih vrijednosti" koje opisuju prihvatljiva ponašanja i vode usklađene radnje u našim projektima s podacima i AI-jem. Možete ih definirati na individualnoj ili timskoj razini. Međutim, većina velikih organizacija ih navodi u misiji ili okviru _etičkog AI-ja_ koji je definiran na korporativnoj razini i dosljedno proveden u svim timovima. + +**Primjer:** Microsoftova [Misija odgovornog AI-ja](https://www.microsoft.com/en-us/ai/responsible-ai) glasi: _"Predani smo razvoju AI-ja vođenog etičkim principima koji stavljaju ljude na prvo mjesto"_ - identificirajući 6 etičkih principa u okviru ispod: + +![Odgovorni AI u Microsoftu](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) + +Pogledajmo ukratko ove principe. _Transparentnost_ i _odgovornost_ su temeljne vrijednosti na kojima se grade ostali principi - pa krenimo od njih: + +* [**Odgovornost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) čini praktičare _odgovornima_ za njihove operacije s podacima i AI-jem te usklađenost s ovim etičkim principima. +* [**Transparentnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) osigurava da su radnje s podacima i AI-jem _razumljive_ (interpretabilne) korisnicima, objašnjavajući što i zašto iza odluka. +* [**Pravednost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - fokusira se na osiguravanje da AI tretira _sve ljude_ pravedno, rješavajući bilo kakve sustavne ili implicitne socio-tehničke pristranosti u podacima i sustavima. +* [**Pouzdanost i sigurnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - osigurava da se AI ponaša _dosljedno_ s definiranim vrijednostima, minimizirajući potencijalne štete ili nenamjerne posljedice. +* [**Privatnost i sigurnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - odnosi se na razumijevanje porijekla podataka i pružanje _privatnosti podataka i povezanih zaštita_ korisnicima. +* [**Uključivost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - odnosi se na dizajniranje AI rješenja s namjerom, prilagođavajući ih kako bi zadovoljila _širok raspon ljudskih potreba_ i sposobnosti. + +> 🚨 Razmislite o tome kakva bi mogla biti vaša misija etike podataka. Istražite okvire etičkog AI-ja drugih organizacija - ovdje su primjeri iz [IBM-a](https://www.ibm.com/cloud/learn/ai-ethics), [Googlea](https://ai.google/principles) i [Facebooka](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Koje zajedničke vrijednosti dijele? Kako se ti principi odnose na AI proizvod ili industriju u kojoj djeluju? + +### 2. Etički izazovi + +Nakon što definiramo etičke principe, sljedeći korak je procijeniti naše radnje s podacima i AI-jem kako bismo vidjeli jesu li usklađene s tim zajedničkim vrijednostima. Razmislite o svojim radnjama u dvije kategorije: _prikupljanje podataka_ i _dizajn algoritama_. + +Kod prikupljanja podataka, radnje će vjerojatno uključivati **osobne podatke** ili osobno prepoznatljive informacije (PII) za identificirane žive pojedince. To uključuje [različite stavke neosobnih podataka](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) koje _zajedno_ identificiraju pojedinca. Etički izazovi mogu se odnositi na _privatnost podataka_, _vlasništvo nad podacima_ i povezane teme poput _informiranog pristanka_ i _prava intelektualnog vlasništva_ korisnika. + +Kod dizajna algoritama, radnje će uključivati prikupljanje i kuriranje **skupova podataka**, a zatim njihovo korištenje za treniranje i implementaciju **modela podataka** koji predviđaju ishode ili automatiziraju odluke u stvarnim kontekstima. Etički izazovi mogu proizaći iz _pristranosti skupa podataka_, problema s _kvalitetom podataka_, _nepravednosti_ i _pogrešnog predstavljanja_ u algoritmima - uključujući neke probleme koji su sustavne prirode. + +U oba slučaja, etički izazovi ističu područja gdje naše radnje mogu doći u sukob s našim zajedničkim vrijednostima. Kako bismo otkrili, ublažili, minimizirali ili eliminirali te zabrinutosti, trebamo postavljati moralna "da/ne" pitanja vezana uz naše radnje, a zatim poduzeti korektivne mjere prema potrebi. Pogledajmo neke etičke izazove i moralna pitanja koja postavljaju: + +#### 2.1 Vlasništvo nad podacima + +Prikupljanje podataka često uključuje osobne podatke koji mogu identificirati subjekte podataka. [Vlasništvo nad podacima](https://permission.io/blog/data-ownership) odnosi se na _kontrolu_ i [_prava korisnika_](https://permission.io/blog/data-ownership) vezana uz stvaranje, obradu i širenje podataka. + +Moralna pitanja koja trebamo postaviti su: +* Tko posjeduje podatke? (korisnik ili organizacija) +* Koja prava imaju subjekti podataka? (npr. pristup, brisanje, prenosivost) +* Koja prava imaju organizacije? (npr. ispravljanje zlonamjernih korisničkih recenzija) + +#### 2.2 Informirani pristanak + +[Informirani pristanak](https://legaldictionary.net/informed-consent/) definira čin korisnika koji pristaju na radnju (poput prikupljanja podataka) uz _potpuno razumijevanje_ relevantnih činjenica, uključujući svrhu, potencijalne rizike i alternative. + +Pitanja za istraživanje ovdje su: +* Je li korisnik (subjekt podataka) dao dopuštenje za prikupljanje i korištenje podataka? +* Je li korisnik razumio svrhu za koju su ti podaci prikupljeni? +* Je li korisnik razumio potencijalne rizike od svog sudjelovanja? + +#### 2.3 Intelektualno vlasništvo + +[Intelektualno vlasništvo](https://en.wikipedia.org/wiki/Intellectual_property) odnosi se na nematerijalne kreacije koje proizlaze iz ljudske inicijative, a koje mogu _imati ekonomsku vrijednost_ za pojedince ili tvrtke. + +Pitanja za istraživanje ovdje su: +* Jesu li prikupljeni podaci imali ekonomsku vrijednost za korisnika ili tvrtku? +* Ima li **korisnik** intelektualno vlasništvo ovdje? +* Ima li **organizacija** intelektualno vlasništvo ovdje? +* Ako ta prava postoje, kako ih štitimo? + +#### 2.4 Privatnost podataka + +[Privatnost podataka](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ili informacijska privatnost odnosi se na očuvanje privatnosti korisnika i zaštitu identiteta korisnika u vezi s osobno prepoznatljivim informacijama. + +Pitanja za istraživanje ovdje su: +* Jesu li korisnički (osobni) podaci zaštićeni od hakiranja i curenja? +* Jesu li korisnički podaci dostupni samo ovlaštenim korisnicima i kontekstima? +* Je li anonimnost korisnika očuvana kada se podaci dijele ili šire? +* Može li se korisnik deidentificirati iz anonimiziranih skupova podataka? + +#### 2.5 Pravo na zaborav + +[Pravo na zaborav](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ili [Pravo na brisanje](https://www.gdpreu.org/right-to-be-forgotten/) pruža dodatnu zaštitu osobnih podataka korisnicima. Konkretno, daje korisnicima pravo da zatraže brisanje ili uklanjanje osobnih podataka iz internetskih pretraživanja i drugih lokacija, _pod određenim okolnostima_ - omogućujući im novi početak online bez da ih prošle radnje opterećuju. + +Pitanja za istraživanje ovdje su: +* Omogućuje li sustav subjektima podataka da zatraže brisanje? +* Treba li povlačenje korisničkog pristanka automatski pokrenuti brisanje? +* Jesu li podaci prikupljeni bez pristanka ili nezakonitim sredstvima? +* Jesmo li usklađeni s vladinim regulativama za privatnost podataka? + +#### 2.6 Pristranost skupa podataka + +Pristranost skupa podataka ili [pristranost prikupljanja](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) odnosi se na odabir _nereprezentativnog_ podskupa podataka za razvoj algoritama, stvarajući potencijalnu nepravednost u ishodima za različite skupine. Vrste pristranosti uključuju pristranost odabira ili uzorkovanja, pristranost volontera i pristranost instrumenata. + +Pitanja za istraživanje ovdje su: +* Jesmo li regrutirali reprezentativan skup subjekata podataka? +* Jesmo li testirali naš prikupljeni ili kurirani skup podataka na razne pristranosti? +* Možemo li ublažiti ili ukloniti otkrivene pristranosti? + +#### 2.7 Kvaliteta podataka + +[Kvaliteta podataka](https://lakefs.io/data-quality-testing/) odnosi se na valjanost kuriranog skupa podataka korištenog za razvoj naših algoritama, provjeravajući zadovoljavaju li značajke i zapisi zahtjeve za razinom točnosti i dosljednosti potrebnom za našu AI svrhu. + +Pitanja za istraživanje ovdje su: +* Jesmo li uhvatili valjane _značajke_ za naš slučaj upotrebe? +* Jesu li podaci dosljedno prikupljeni iz različitih izvora podataka? +* Je li skup podataka _potpun_ za različite uvjete ili scenarije? +* Jesu li informacije točno zabilježene u odražavanju stvarnosti? + +#### 2.8 Pravednost algoritama +[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) provjerava dizajn algoritma kako bi se utvrdilo diskriminira li sustavno određene podskupine ispitanika, što može dovesti do [potencijalnih šteta](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) u _raspodjeli_ (kada se resursi uskraćuju ili odbijaju toj skupini) i _kvaliteti usluge_ (kada AI nije jednako precizan za neke podskupine kao za druge). + +Pitanja za istraživanje: + * Jesmo li procijenili točnost modela za različite podskupine i uvjete? + * Jesmo li detaljno analizirali sustav zbog potencijalnih šteta (npr. stereotipiziranja)? + * Možemo li revidirati podatke ili ponovno trenirati modele kako bismo ublažili identificirane štete? + +Istražite resurse poput [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) za više informacija. + +#### 2.9 Pogrešno predstavljanje + +[Pogrešno predstavljanje podataka](https://www.sciencedirect.com/topics/computer-science/misrepresentation) odnosi se na pitanje jesmo li komunikaciju utemeljenu na iskreno prijavljenim podacima koristili na obmanjujući način kako bismo podržali željeni narativ. + +Pitanja za istraživanje: + * Prijavljujemo li nepotpune ili netočne podatke? + * Vizualiziramo li podatke na način koji vodi do pogrešnih zaključaka? + * Koristimo li selektivne statističke tehnike za manipulaciju rezultatima? + * Postoje li alternativna objašnjenja koja mogu ponuditi drugačiji zaključak? + +#### 2.10 Slobodan izbor +[Iluzija slobodnog izbora](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) događa se kada sustavi "arhitekture izbora" koriste algoritme za donošenje odluka kako bi usmjerili ljude prema preferiranom ishodu, dok im se pritom čini da imaju opcije i kontrolu. Ovi [tamni obrasci](https://www.darkpatterns.org/) mogu uzrokovati društvene i ekonomske štete korisnicima. Budući da odluke korisnika utječu na profile ponašanja, te radnje potencijalno oblikuju buduće izbore, što može pojačati ili proširiti utjecaj tih šteta. + +Pitanja za istraživanje: + * Je li korisnik razumio implikacije donošenja tog izbora? + * Je li korisnik bio svjestan (alternativnih) izbora i prednosti i nedostataka svakog? + * Može li korisnik kasnije poništiti automatizirani ili utjecani izbor? + +### 3. Studije slučaja + +Kako bismo ove etičke izazove stavili u kontekst stvarnog svijeta, korisno je pogledati studije slučaja koje ističu potencijalne štete i posljedice za pojedince i društvo kada se zanemaruju etička kršenja. + +Evo nekoliko primjera: + +| Etički izazov | Studija slučaja | +|--- |--- | +| **Informirani pristanak** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroameričkim muškarcima koji su sudjelovali u studiji obećana je besplatna medicinska skrb _ali su ih istraživači obmanuli_ ne informirajući ih o dijagnozi ili dostupnosti liječenja. Mnogi su umrli, a partneri i djeca su bili pogođeni; studija je trajala 40 godina. | +| **Privatnost podataka** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) omogućio je istraživačima pristup _10M anonimnih ocjena filmova od 50K korisnika_ kako bi poboljšali algoritme preporuka. Međutim, istraživači su uspjeli povezati anonimne podatke s osobno identificirajućim podacima u _vanjskim skupovima podataka_ (npr. IMDb komentari) - učinkovito "deanonimizirajući" neke Netflix pretplatnike.| +| **Pristranost u prikupljanju podataka** | 2013 - Grad Boston [razvio Street Bump](https://www.boston.gov/transportation/street-bump), aplikaciju koja je omogućila građanima da prijave rupe na cestama, dajući gradu bolje podatke o cestama za pronalaženje i popravak problema. Međutim, [ljudi s nižim prihodima imali su manje pristupa automobilima i telefonima](https://hbr.org/2013/04/the-hidden-biases-in-big-data), čineći njihove probleme s cestama nevidljivima u ovoj aplikaciji. Programeri su surađivali s akademicima na pitanjima _pravednog pristupa i digitalnih podjela_ radi pravednosti. | +| **Pravednost algoritma** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) procijenio je točnost AI proizvoda za klasifikaciju spola, otkrivajući nedostatke u točnosti za žene i osobe tamnije boje kože. [Apple Card iz 2019.](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) činilo se da nudi manje kredita ženama nego muškarcima. Oba primjera ilustriraju probleme pristranosti algoritma koji dovode do socio-ekonomskih šteta.| +| **Pogrešno predstavljanje podataka** | 2020 - [Odjel za javno zdravstvo Georgije objavio COVID-19 grafikone](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) koji su izgledali kao da obmanjuju građane o trendovima potvrđenih slučajeva s ne-kronološkim redoslijedom na x-osi. Ovo ilustrira pogrešno predstavljanje kroz trikove vizualizacije. | +| **Iluzija slobodnog izbora** | 2020 - Edukacijska aplikacija [ABCmouse platila je $10M za nagodbu s FTC-om](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) gdje su roditelji bili zarobljeni u plaćanju pretplata koje nisu mogli otkazati. Ovo ilustrira tamne obrasce u arhitekturi izbora, gdje su korisnici bili usmjereni prema potencijalno štetnim izborima. | +| **Privatnost podataka i prava korisnika** | 2021 - Facebook [curenje podataka](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) otkrilo je podatke 530M korisnika, što je rezultiralo nagodbom od $5B s FTC-om. Međutim, odbili su obavijestiti korisnike o curenju, kršeći prava korisnika na transparentnost i pristup podacima. | + +Želite istražiti više studija slučaja? Pogledajte ove resurse: +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etičke dileme u raznim industrijama. +* [Tečaj o etici u znanosti o podacima](https://www.coursera.org/learn/data-science-ethics#syllabus) - ključne studije slučaja. +* [Primjeri gdje su stvari krenule po zlu](https://deon.drivendata.org/examples/) - Deon popis s primjerima. + +> 🚨 Razmislite o studijama slučaja koje ste vidjeli - jeste li doživjeli ili bili pogođeni sličnim etičkim izazovom u svom životu? Možete li se sjetiti barem jedne druge studije slučaja koja ilustrira jedan od etičkih izazova koje smo raspravili u ovom odjeljku? + +## Primijenjena etika + +Razgovarali smo o konceptima etike, izazovima i studijama slučaja u kontekstu stvarnog svijeta. No kako započeti _primjenu_ etičkih načela i praksi u našim projektima? I kako _operacionalizirati_ ove prakse za bolju upravu? Istražimo neka rješenja iz stvarnog svijeta: + +### 1. Profesionalni kodeksi + +Profesionalni kodeksi nude jednu opciju za organizacije da "potaknu" članove na podršku njihovim etičkim načelima i misiji. Kodeksi su _moralne smjernice_ za profesionalno ponašanje, pomažući zaposlenicima ili članovima da donose odluke koje su u skladu s načelima njihove organizacije. Oni su učinkoviti koliko i dobrovoljna usklađenost članova; međutim, mnoge organizacije nude dodatne nagrade i kazne kako bi motivirale članove na usklađenost. + +Primjeri uključuju: + + * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Kodeks etike + * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kodeks ponašanja (kreiran 2013.) + * [ACM Kodeks etike i profesionalnog ponašanja](https://www.acm.org/code-of-ethics) (od 1993.) + +> 🚨 Pripadate li profesionalnoj organizaciji za inženjering ili znanost o podacima? Istražite njihovu stranicu kako biste vidjeli definiraju li profesionalni kodeks etike. Što to govori o njihovim etičkim načelima? Kako "potiču" članove na pridržavanje kodeksa? + +### 2. Etički popisi za provjeru + +Dok profesionalni kodeksi definiraju potrebna _etička ponašanja_ od praktičara, oni [imaju poznata ograničenja](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) u provedbi, posebno u projektima velikih razmjera. Umjesto toga, mnogi stručnjaci za znanost o podacima [zagovaraju popise za provjeru](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), koji mogu **povezati načela s praksama** na deterministički i provediv način. + +Popisi za provjeru pretvaraju pitanja u zadatke "da/ne" koji se mogu operacionalizirati, omogućujući njihovo praćenje kao dio standardnih tijekova rada za izdavanje proizvoda. + +Primjeri uključuju: + * [Deon](https://deon.drivendata.org/) - opći popis za provjeru etike podataka kreiran prema [preporukama industrije](https://deon.drivendata.org/#checklist-citations) s alatom naredbenog retka za jednostavnu integraciju. + * [Popis za provjeru privatnosti](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - pruža opće smjernice za praksu rukovanja informacijama iz pravne i društvene perspektive. + * [Popis za provjeru pravednosti AI-a](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - kreiran od strane AI praktičara za podršku usvajanju i integraciji provjera pravednosti u razvojne cikluse AI-a. + * [22 pitanja za etiku u podacima i AI-u](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - otvoreniji okvir, strukturiran za početno istraživanje etičkih pitanja u dizajnu, implementaciji i organizacijskim kontekstima. + +### 3. Etičke regulative + +Etika se odnosi na definiranje zajedničkih vrijednosti i činjenje ispravnih stvari _dobrovoljno_. **Usklađenost** se odnosi na _poštivanje zakona_ ako i gdje je definiran. **Upravljanje** općenito pokriva sve načine na koje organizacije djeluju kako bi provele etička načela i uskladile se s utvrđenim zakonima. + +Danas upravljanje ima dva oblika unutar organizacija. Prvo, radi se o definiranju načela **etičkog AI-a** i uspostavljanju praksi za operacionalizaciju usvajanja u svim AI projektima organizacije. Drugo, radi se o usklađivanju sa svim vladinim propisima o **zaštiti podataka** za regije u kojima djeluje. + +Primjeri propisa o zaštiti podataka i privatnosti: + + * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - regulira _saveznu vladu_ u prikupljanju, korištenju i otkrivanju osobnih podataka. + * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - štiti osobne zdravstvene podatke. + * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - štiti privatnost podataka djece mlađe od 13 godina. + * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - pruža prava korisnicima, zaštitu podataka i privatnost. + * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) daje potrošačima više _prava_ nad njihovim (osobnim) podacima. + * `2021`, Kineski [Zakon o zaštiti osobnih podataka](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) upravo je usvojen, stvarajući jedan od najjačih propisa o privatnosti podataka na internetu u svijetu. + +> 🚨 Europska unija definirala je GDPR (Opća uredba o zaštiti podataka), koji ostaje jedan od najutjecajnijih propisa o privatnosti podataka danas. Jeste li znali da također definira [8 prava korisnika](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) za zaštitu digitalne privatnosti i osobnih podataka građana? Saznajte koja su to prava i zašto su važna. + +### 4. Kultura etike + +Napominjemo da i dalje postoji nematerijalni jaz između _usklađenosti_ (činjenja dovoljno da se zadovolji "slovo zakona") i rješavanja [sustavnih problema](https://www.coursera.org/learn/data-science-ethics/home/week/4) (poput osifikacije, asimetrije informacija i distribucijske nepravednosti) koji mogu ubrzati upotrebu AI-a u štetne svrhe. + +Potonje zahtijeva [suradničke pristupe za definiranje kultura etike](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) koje grade emocionalne veze i dosljedne zajedničke vrijednosti _među organizacijama_ u industriji. To poziva na više [formaliziranih kultura etike podataka](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) u organizacijama - omogućujući _svima_ da [povuku Andon kabel](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (kako bi rano ukazali na etičke probleme) i čineći _etičke procjene_ (npr. pri zapošljavanju) ključnim kriterijem za formiranje timova u AI projektima. + +--- +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯 +## Pregled i samostalno učenje + +Tečajevi i knjige pomažu u razumijevanju osnovnih etičkih koncepata i izazova, dok studije slučaja i alati pomažu u primjeni etičkih praksi u stvarnim kontekstima. Evo nekoliko resursa za početak. + +* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lekcija o pravednosti, od Microsofta. +* [Principi odgovorne umjetne inteligencije](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - besplatni obrazovni put na Microsoft Learn platformi. +* [Etika i znanost o podacima](https://resources.oreilly.com/examples/0636920203964) - O'Reilly e-knjiga (M. Loukides, H. Mason i dr.) +* [Etika u znanosti o podacima](https://www.coursera.org/learn/data-science-ethics#syllabus) - online tečaj Sveučilišta Michigan. +* [Etika razotkrivena](https://ethicsunwrapped.utexas.edu/case-studies) - studije slučaja sa Sveučilišta Texas. + +# Zadatak + +[Napišite studiju slučaja o etici podataka](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije proizašle iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/02-ethics/assignment.md b/translations/hr/1-Introduction/02-ethics/assignment.md new file mode 100644 index 00000000..dc8c6cc9 --- /dev/null +++ b/translations/hr/1-Introduction/02-ethics/assignment.md @@ -0,0 +1,35 @@ + +## Napišite studiju slučaja o etici podataka + +## Upute + +Naučili ste o raznim [Izazovima etike podataka](README.md#2-ethics-challenges) i vidjeli primjere [Studija slučaja](README.md#3-case-studies) koji odražavaju izazove etike podataka u stvarnim kontekstima. + +U ovom zadatku napisat ćete vlastitu studiju slučaja koja odražava izazov etike podataka iz vašeg vlastitog iskustva ili iz relevantnog stvarnog konteksta s kojim ste upoznati. Samo slijedite ove korake: + +1. `Odaberite izazov etike podataka`. Pogledajte [primjere iz lekcije](README.md#2-ethics-challenges) ili istražite online primjere poput [Deon Checklist](https://deon.drivendata.org/examples/) za inspiraciju. + +2. `Opišite stvarni primjer`. Razmislite o situaciji za koju ste čuli (naslovi, istraživačka studija itd.) ili koju ste doživjeli (lokalna zajednica), gdje se dogodio ovaj specifični izazov. Razmislite o pitanjima etike podataka vezanim uz izazov - i raspravite o potencijalnim štetama ili nenamjernim posljedicama koje proizlaze iz ovog problema. Bonus bodovi: razmislite o potencijalnim rješenjima ili procesima koji bi se ovdje mogli primijeniti kako bi se eliminirao ili ublažio negativan utjecaj ovog izazova. + +3. `Pružite popis povezanih resursa`. Podijelite jedan ili više resursa (linkovi na članak, osobni blog post ili sliku, online istraživački rad itd.) kako biste dokazali da se ovo dogodilo u stvarnom svijetu. Bonus bodovi: podijelite resurse koji također prikazuju potencijalne štete i posljedice incidenta ili ističu pozitivne korake poduzete kako bi se spriječilo njegovo ponavljanje. + + + +## Rubrika + +Primjeran | Zadovoljavajući | Potrebno poboljšanje +--- | --- | -- | +Jedan ili više izazova etike podataka su identificirani.

Studija slučaja jasno opisuje stvarni incident koji odražava taj izazov i ističe neželjene posljedice ili štete koje je prouzročio.

Postoji barem jedan povezan resurs koji dokazuje da se to dogodilo. | Jedan izazov etike podataka je identificiran.

Barem jedna relevantna šteta ili posljedica je kratko raspravljena.

Međutim, rasprava je ograničena ili nedostaje dokaz stvarnog događaja. | Izazov etike podataka je identificiran.

Međutim, opis ili resursi ne adekvatno odražavaju izazov ili dokazuju da se dogodio u stvarnom svijetu. | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije proizašle iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/03-defining-data/README.md b/translations/hr/1-Introduction/03-defining-data/README.md new file mode 100644 index 00000000..29ef4a7f --- /dev/null +++ b/translations/hr/1-Introduction/03-defining-data/README.md @@ -0,0 +1,85 @@ + +# Definiranje Podataka + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)| +|:---:| +|Definiranje Podataka - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Podaci su činjenice, informacije, opažanja i mjerenja koja se koriste za otkrivanja i donošenje informiranih odluka. Točka podataka je pojedinačna jedinica podataka unutar skupa podataka, koji je zbirka točaka podataka. Skupovi podataka mogu dolaziti u različitim formatima i strukturama, a obično se temelje na svom izvoru, odnosno odakle podaci dolaze. Na primjer, mjesečni prihodi tvrtke mogu biti u proračunskoj tablici, dok podaci o otkucajima srca po satu s pametnog sata mogu biti u formatu [JSON](https://stackoverflow.com/a/383699). Uobičajeno je da znanstvenici koji se bave podacima rade s različitim vrstama podataka unutar skupa podataka. + +Ova lekcija usredotočuje se na prepoznavanje i klasifikaciju podataka prema njihovim karakteristikama i izvorima. + +## [Pre-Lekcijski Kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4) + +## Kako se Podaci Opisuju + +### Sirovi Podaci +Sirovi podaci su podaci koji dolaze iz svog izvora u početnom stanju i nisu analizirani ili organizirani. Kako bi se razumjelo što se događa sa skupom podataka, potrebno ih je organizirati u format koji je razumljiv ljudima, kao i tehnologiji koju mogu koristiti za daljnju analizu. Struktura skupa podataka opisuje kako je organiziran i može se klasificirati kao strukturiran, nestrukturiran i polustrukturiran. Ove vrste struktura variraju ovisno o izvoru, ali će se na kraju uklopiti u ove tri kategorije. + +### Kvantitativni Podaci +Kvantitativni podaci su numerička opažanja unutar skupa podataka i obično se mogu analizirati, mjeriti i koristiti matematički. Neki primjeri kvantitativnih podataka su: populacija zemlje, visina osobe ili kvartalni prihodi tvrtke. Uz dodatnu analizu, kvantitativni podaci mogli bi se koristiti za otkrivanje sezonskih trendova indeksa kvalitete zraka (AQI) ili procjenu vjerojatnosti prometne gužve u tipičnom radnom danu. + +### Kvalitativni Podaci +Kvalitativni podaci, također poznati kao kategorijski podaci, su podaci koji se ne mogu objektivno mjeriti poput opažanja kvantitativnih podataka. Općenito su to različiti formati subjektivnih podataka koji bilježe kvalitetu nečega, poput proizvoda ili procesa. Ponekad su kvalitativni podaci numerički, ali se obično ne koriste matematički, poput telefonskih brojeva ili vremenskih oznaka. Neki primjeri kvalitativnih podataka su: komentari na videozapise, marka i model automobila ili omiljena boja vaših najbližih prijatelja. Kvalitativni podaci mogli bi se koristiti za razumijevanje koji proizvodi potrošačima najviše odgovaraju ili za identifikaciju popularnih ključnih riječi u životopisima za prijave na posao. + +### Strukturirani Podaci +Strukturirani podaci su podaci organizirani u redove i stupce, gdje svaki red ima isti skup stupaca. Stupci predstavljaju vrijednost određenog tipa i identificiraju se imenom koje opisuje što vrijednost predstavlja, dok redovi sadrže stvarne vrijednosti. Stupci često imaju određeni skup pravila ili ograničenja za vrijednosti kako bi se osiguralo da vrijednosti točno predstavljaju stupac. Na primjer, zamislite proračunsku tablicu kupaca gdje svaki red mora imati telefonski broj, a telefonski brojevi nikada ne sadrže abecedne znakove. Mogu postojati pravila primijenjena na stupac telefonskog broja kako bi se osiguralo da nikada nije prazan i da sadrži samo brojeve. + +Prednost strukturiranih podataka je ta što se mogu organizirati na način da se mogu povezati s drugim strukturiranim podacima. Međutim, budući da su podaci dizajnirani da budu organizirani na specifičan način, promjene u njihovoj ukupnoj strukturi mogu zahtijevati puno truda. Na primjer, dodavanje stupca za e-mail u proračunsku tablicu kupaca koji ne može biti prazan znači da ćete morati smisliti kako dodati te vrijednosti postojećim redovima kupaca u skupu podataka. + +Primjeri strukturiranih podataka: proračunske tablice, relacijske baze podataka, telefonski brojevi, bankovni izvodi. + +### Nestrukturirani Podaci +Nestrukturirani podaci obično se ne mogu kategorizirati u redove ili stupce i ne sadrže format ili skup pravila koja treba slijediti. Budući da nestrukturirani podaci imaju manje ograničenja u svojoj strukturi, lakše je dodati nove informacije u usporedbi sa strukturiranim skupom podataka. Ako senzor koji bilježi podatke o barometarskom tlaku svake 2 minute dobije ažuriranje koje mu omogućuje mjerenje i bilježenje temperature, to ne zahtijeva izmjenu postojećih podataka ako su nestrukturirani. Međutim, to može učiniti analizu ili istraživanje ovakvih podataka dugotrajnijim. Na primjer, znanstvenik koji želi pronaći prosječnu temperaturu prošlog mjeseca iz podataka senzora, ali otkriva da je senzor zabilježio "e" u nekim svojim podacima kako bi označio da je bio pokvaren umjesto tipičnog broja, što znači da su podaci nepotpuni. + +Primjeri nestrukturiranih podataka: tekstualne datoteke, tekstualne poruke, video datoteke. + +### Polustrukturirani Podaci +Polustrukturirani podaci imaju značajke koje ih čine kombinacijom strukturiranih i nestrukturiranih podataka. Obično ne odgovaraju formatu redova i stupaca, ali su organizirani na način koji se smatra strukturiranim i mogu slijediti fiksni format ili skup pravila. Struktura će varirati između izvora, od dobro definirane hijerarhije do nečega fleksibilnijeg što omogućuje jednostavnu integraciju novih informacija. Metapodaci su pokazatelji koji pomažu odlučiti kako su podaci organizirani i pohranjeni te će imati različita imena, ovisno o vrsti podataka. Neka uobičajena imena za metapodatke su oznake, elementi, entiteti i atributi. Na primjer, tipična e-mail poruka imat će predmet, tijelo i skup primatelja te se može organizirati prema tome tko ju je poslao ili kada je poslana. + +Primjeri polustrukturiranih podataka: HTML, CSV datoteke, JavaScript Object Notation (JSON). + +## Izvori Podataka + +Izvor podataka je početna lokacija gdje su podaci generirani ili gdje "žive" i varirat će ovisno o tome kako i kada su prikupljeni. Podaci generirani od strane korisnika poznati su kao primarni podaci, dok sekundarni podaci dolaze iz izvora koji je prikupio podatke za opću upotrebu. Na primjer, skupina znanstvenika koja prikuplja opažanja u prašumi smatrala bi se primarnim izvorom, a ako odluče podijeliti podatke s drugim znanstvenicima, to bi se smatralo sekundarnim za one koji ih koriste. + +Baze podataka su uobičajeni izvor i oslanjaju se na sustav za upravljanje bazama podataka za hosting i održavanje podataka, gdje korisnici koriste naredbe zvane upiti za istraživanje podataka. Datoteke kao izvori podataka mogu biti audio, slikovne i video datoteke, kao i proračunske tablice poput Excela. Internetski izvori su uobičajena lokacija za hosting podataka, gdje se baze podataka kao i datoteke mogu pronaći. Programski sučelji aplikacija, također poznata kao API-ji, omogućuju programerima stvaranje načina za dijeljenje podataka s vanjskim korisnicima putem interneta, dok proces web scraping-a izvlači podatke s web stranice. [Lekcije u radu s podacima](../../../../../../../../../2-Working-With-Data) usredotočuju se na to kako koristiti različite izvore podataka. + +## Zaključak + +U ovoj lekciji naučili smo: + +- Što su podaci +- Kako se podaci opisuju +- Kako se podaci klasificiraju i kategoriziraju +- Gdje se podaci mogu pronaći + +## 🚀 Izazov + +Kaggle je izvrstan izvor otvorenih skupova podataka. Koristite [alat za pretraživanje skupova podataka](https://www.kaggle.com/datasets) kako biste pronašli nekoliko zanimljivih skupova podataka i klasificirali 3-5 skupova podataka prema ovim kriterijima: + +- Jesu li podaci kvantitativni ili kvalitativni? +- Jesu li podaci strukturirani, nestrukturirani ili polustrukturirani? + +## [Post-Lekcijski Kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5) + +## Pregled i Samostalno Učenje + +- Ova jedinica na Microsoft Learn-u, pod nazivom [Klasificirajte svoje podatke](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), ima detaljan pregled strukturiranih, polustrukturiranih i nestrukturiranih podataka. + +## Zadatak + +[Klasifikacija Skupova Podataka](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/03-defining-data/assignment.md b/translations/hr/1-Introduction/03-defining-data/assignment.md new file mode 100644 index 00000000..f3faf004 --- /dev/null +++ b/translations/hr/1-Introduction/03-defining-data/assignment.md @@ -0,0 +1,79 @@ + +# Klasifikacija Skupova Podataka + +## Upute + +Slijedite upute u ovom zadatku kako biste identificirali i klasificirali podatke prema jednoj od svake od sljedećih vrsta podataka: + +**Vrste strukture**: Strukturirani, Polustrukturirani ili Nestrukturirani + +**Vrste vrijednosti**: Kvalitativni ili Kvantitativni + +**Vrste izvora**: Primarni ili Sekundarni + +1. Tvrtka je preuzeta i sada ima matičnu tvrtku. Znanstvenici za podatke dobili su proračunsku tablicu s telefonskim brojevima kupaca od matične tvrtke. + +Vrsta strukture: + +Vrsta vrijednosti: + +Vrsta izvora: + +--- + +2. Pametni sat prikuplja podatke o otkucajima srca svog korisnika, a sirovi podaci su u JSON formatu. + +Vrsta strukture: + +Vrsta vrijednosti: + +Vrsta izvora: + +--- + +3. Istraživanje radnog mjesta o moralu zaposlenika pohranjeno je u CSV datoteci. + +Vrsta strukture: + +Vrsta vrijednosti: + +Vrsta izvora: + +--- + +4. Astrofizičari pristupaju bazi podataka o galaksijama koju je prikupila svemirska sonda. Podaci sadrže broj planeta unutar svake galaksije. + +Vrsta strukture: + +Vrsta vrijednosti: + +Vrsta izvora: + +--- + +5. Aplikacija za osobne financije koristi API-je za povezivanje s financijskim računima korisnika kako bi izračunala njihovu neto vrijednost. Korisnici mogu vidjeti sve svoje transakcije u formatu redaka i stupaca, slično proračunskoj tablici. + +Vrsta strukture: + +Vrsta vrijednosti: + +Vrsta izvora: + +## Rubrika + +Primjeran | Zadovoljavajući | Potrebno Poboljšanje +--- | --- | -- | +Točno identificira sve vrste strukture, vrijednosti i izvora | Točno identificira 3 vrste strukture, vrijednosti i izvora | Točno identificira 2 ili manje vrsta strukture, vrijednosti i izvora | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/04-stats-and-probability/README.md b/translations/hr/1-Introduction/04-stats-and-probability/README.md new file mode 100644 index 00000000..49985fe2 --- /dev/null +++ b/translations/hr/1-Introduction/04-stats-and-probability/README.md @@ -0,0 +1,276 @@ + +# Kratki uvod u statistiku i teoriju vjerojatnosti + +|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)| +|:---:| +| Statistika i vjerojatnost - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | + +Statistika i teorija vjerojatnosti su dva usko povezana područja matematike koja su izuzetno važna za znanost o podacima. Iako je moguće raditi s podacima bez dubokog poznavanja matematike, ipak je korisno razumjeti barem osnovne koncepte. Ovdje ćemo predstaviti kratki uvod koji će vam pomoći da započnete. + +[![Uvodni video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.hr.png)](https://youtu.be/Z5Zy85g4Yjw) + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) + +## Vjerojatnost i slučajne varijable + +**Vjerojatnost** je broj između 0 i 1 koji izražava koliko je neki **događaj** vjerojatan. Definira se kao omjer broja pozitivnih ishoda (koji vode do događaja) i ukupnog broja ishoda, pod uvjetom da su svi ishodi jednako vjerojatni. Na primjer, kada bacimo kocku, vjerojatnost da dobijemo paran broj je 3/6 = 0.5. + +Kada govorimo o događajima, koristimo **slučajne varijable**. Na primjer, slučajna varijabla koja predstavlja broj dobiven bacanjem kocke može poprimiti vrijednosti od 1 do 6. Skup brojeva od 1 do 6 naziva se **prostor uzorka**. Možemo govoriti o vjerojatnosti da slučajna varijabla poprimi određenu vrijednost, na primjer P(X=3)=1/6. + +Slučajna varijabla u prethodnom primjeru naziva se **diskretna**, jer ima prebrojiv prostor uzorka, tj. postoje odvojene vrijednosti koje se mogu nabrojati. Postoje slučajevi kada je prostor uzorka raspon realnih brojeva ili cijeli skup realnih brojeva. Takve varijable nazivaju se **kontinuirane**. Dobar primjer je vrijeme dolaska autobusa. + +## Raspodjela vjerojatnosti + +U slučaju diskretnih slučajnih varijabli, lako je opisati vjerojatnost svakog događaja pomoću funkcije P(X). Za svaku vrijednost *s* iz prostora uzorka *S* funkcija daje broj između 0 i 1, tako da zbroj svih vrijednosti P(X=s) za sve događaje iznosi 1. + +Najpoznatija diskretna raspodjela je **uniformna raspodjela**, u kojoj prostor uzorka ima N elemenata, s jednakom vjerojatnošću od 1/N za svaki od njih. + +Teže je opisati raspodjelu vjerojatnosti kontinuirane varijable, s vrijednostima iz nekog intervala [a,b] ili cijelog skupa realnih brojeva ℝ. Razmotrimo slučaj vremena dolaska autobusa. Zapravo, za svako točno vrijeme dolaska *t*, vjerojatnost da autobus stigne točno u to vrijeme je 0! + +> Sada znate da se događaji s vjerojatnošću 0 ipak događaju, i to vrlo često! Barem svaki put kad autobus stigne! + +Možemo govoriti samo o vjerojatnosti da varijabla padne u određeni interval vrijednosti, npr. P(t1≤X2). U ovom slučaju, raspodjela vjerojatnosti opisana je **funkcijom gustoće vjerojatnosti** p(x), tako da + +![P(t_1\le X1, x2, ..., xn. Možemo definirati **srednju vrijednost** (ili **aritmetičku sredinu**) niza na tradicionalan način kao (x1+x2+xn)/n. Kako povećavamo veličinu uzorka (tj. uzimamo granicu s n→∞), dobivamo srednju vrijednost (također nazvanu **očekivanje**) raspodjele. Očekivanje ćemo označiti s **E**(x). + +> Može se pokazati da za bilo koju diskretnu raspodjelu s vrijednostima {x1, x2, ..., xN} i odgovarajućim vjerojatnostima p1, p2, ..., pN, očekivanje iznosi E(X)=x1p1+x2p2+...+xNpN. + +Kako bismo utvrdili koliko su vrijednosti raspršene, možemo izračunati varijancu σ2 = ∑(xi - μ)2/n, gdje je μ srednja vrijednost niza. Vrijednost σ naziva se **standardna devijacija**, a σ2 naziva se **varijanca**. + +## Mod, medijan i kvartili + +Ponekad srednja vrijednost ne predstavlja adekvatno "tipičnu" vrijednost za podatke. Na primjer, kada postoje ekstremne vrijednosti koje su potpuno izvan raspona, one mogu utjecati na srednju vrijednost. Drugi dobar pokazatelj je **medijan**, vrijednost takva da je polovica podataka manja od nje, a druga polovica veća. + +Kako bismo bolje razumjeli raspodjelu podataka, korisno je govoriti o **kvartilima**: + +* Prvi kvartil, ili Q1, je vrijednost takva da 25% podataka pada ispod nje +* Treći kvartil, ili Q3, je vrijednost takva da 75% podataka pada ispod nje + +Grafički možemo prikazati odnos između medijana i kvartila u dijagramu zvanom **box plot**: + + + +Ovdje također izračunavamo **međukvartilni raspon** IQR=Q3-Q1 i tzv. **outliere** - vrijednosti koje leže izvan granica [Q1-1.5*IQR,Q3+1.5*IQR]. + +Za konačnu raspodjelu koja sadrži mali broj mogućih vrijednosti, dobra "tipična" vrijednost je ona koja se najčešće pojavljuje, a naziva se **mod**. Često se primjenjuje na kategorijske podatke, poput boja. Razmotrite situaciju kada imamo dvije skupine ljudi - jedni koji snažno preferiraju crvenu boju, a drugi plavu. Ako kodiramo boje brojevima, srednja vrijednost za omiljenu boju bila bi negdje u spektru narančasto-zelene, što ne odražava stvarne preferencije nijedne skupine. Međutim, mod bi bio ili jedna od boja, ili obje boje, ako je broj ljudi koji glasaju za njih jednak (u tom slučaju uzorak nazivamo **multimodalnim**). + +## Podaci iz stvarnog svijeta + +Kada analiziramo podatke iz stvarnog života, oni često nisu slučajne varijable u pravom smislu, u smislu da ne provodimo eksperimente s nepoznatim ishodom. Na primjer, razmotrite tim bejzbol igrača i njihove tjelesne podatke, poput visine, težine i dobi. Ti brojevi nisu baš slučajni, ali i dalje možemo primijeniti iste matematičke koncepte. Na primjer, niz težina ljudi može se smatrati nizom vrijednosti izvučenih iz neke slučajne varijable. Ispod je niz težina stvarnih bejzbol igrača iz [Major League Baseball](http://mlb.mlb.com/index.jsp), preuzet iz [ovog skupa podataka](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (za vašu udobnost, prikazane su samo prve 20 vrijednosti): + +``` +[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] +``` + +> **Napomena**: Za primjer rada s ovim skupom podataka, pogledajte [prateću bilježnicu](notebook.ipynb). Tijekom ove lekcije postoji i niz izazova koje možete riješiti dodavanjem koda u tu bilježnicu. Ako niste sigurni kako raditi s podacima, ne brinite - kasnije ćemo se vratiti radu s podacima koristeći Python. Ako ne znate kako pokrenuti kod u Jupyter Notebooku, pogledajte [ovaj članak](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +Evo box plota koji prikazuje srednju vrijednost, medijan i kvartile za naše podatke: + +![Box plot težine](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.hr.png) + +Budući da naši podaci sadrže informacije o različitim **ulogama** igrača, možemo napraviti i box plot prema ulozi - to će nam omogućiti da steknemo uvid u to kako se vrijednosti parametara razlikuju među ulogama. Ovaj put razmotrit ćemo visinu: + +![Box plot prema ulozi](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.hr.png) + +Ovaj dijagram sugerira da je, u prosjeku, visina igrača na prvoj bazi veća od visine igrača na drugoj bazi. Kasnije u ovoj lekciji naučit ćemo kako možemo formalnije testirati ovu hipotezu i kako pokazati da su naši podaci statistički značajni za to. + +> Kada radimo s podacima iz stvarnog svijeta, pretpostavljamo da su svi podaci uzorci izvučeni iz neke raspodjele vjerojatnosti. Ova pretpostavka omogućuje nam primjenu tehnika strojnog učenja i izgradnju funkcionalnih prediktivnih modela. + +Kako bismo vidjeli kakva je raspodjela naših podataka, možemo nacrtati grafikon zvan **histogram**. X-os bi sadržavala broj različitih intervala težine (tzv. **binova**), a Y-os bi prikazivala broj puta kada je uzorak naše slučajne varijable bio unutar određenog intervala. + +![Histogram stvarnih podataka](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.hr.png) + +Iz ovog histograma možete vidjeti da su sve vrijednosti centrirane oko određene srednje težine, a što se više udaljavamo od te težine, to se rjeđe susreću težine te vrijednosti. Drugim riječima, vrlo je malo vjerojatno da će težina bejzbol igrača biti vrlo različita od srednje težine. Varijanca težina pokazuje u kojoj mjeri težine odstupaju od srednje vrijednosti. + +> Ako uzmemo težine drugih ljudi, koji nisu iz bejzbol lige, raspodjela će vjerojatno biti drugačija. Međutim, oblik raspodjele ostat će isti, ali srednja vrijednost i varijanca će se promijeniti. Dakle, ako treniramo naš model na bejzbol igračima, vjerojatno će dati pogrešne rezultate kada se primijeni na studente sveučilišta, jer je osnovna raspodjela drugačija. + +## Normalna raspodjela + +Raspodjela težina koju smo vidjeli gore vrlo je tipična, i mnoge mjere iz stvarnog svijeta slijede isti tip raspodjele, ali s različitim srednjim vrijednostima i varijancama. Ova raspodjela naziva se **normalna raspodjela**, i igra vrlo važnu ulogu u statistici. + +Korištenje normalne raspodjele ispravan je način za generiranje slučajnih težina potencijalnih bejzbol igrača. Kada znamo srednju težinu `mean` i standardnu devijaciju `std`, možemo generirati 1000 uzoraka težine na sljedeći način: +```python +samples = np.random.normal(mean,std,1000) +``` + +Ako nacrtamo histogram generiranih uzoraka, vidjet ćemo sliku vrlo sličnu onoj prikazanoj gore. A ako povećamo broj uzoraka i broj binova, možemo generirati sliku normalne raspodjele koja je bliža idealnoj: + +![Normalna raspodjela sa srednjom vrijednošću=0 i std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.hr.png) + +*Normalna raspodjela sa srednjom vrijednošću=0 i std.dev=1* + +## Intervali pouzdanosti + +Kada govorimo o težinama bejzbol igrača, pretpostavljamo da postoji određena **slučajna varijabla W** koja odgovara idealnoj raspodjeli vjerojatnosti težina svih bejzbol igrača (tzv. **populacija**). Naš niz težina odgovara podskupu svih bejzbol igrača koji nazivamo **uzorak**. Zanimljivo pitanje je, možemo li znati parametre raspodjele W, tj. srednju vrijednost i varijancu populacije? + +Najjednostavniji odgovor bio bi izračunati srednju vrijednost i varijancu našeg uzorka. Međutim, moglo bi se dogoditi da naš slučajni uzorak ne predstavlja točno cijelu populaciju. Stoga ima smisla govoriti o **intervalu pouzdanosti**. +> **Interval pouzdanosti** predstavlja procjenu stvarnog srednjeg vrijednosti populacije na temelju našeg uzorka, koja je točna s određenom vjerojatnošću (ili **razinom pouzdanosti**). +Pretpostavimo da imamo uzorak X1, ..., Xn iz naše distribucije. Svaki put kada uzmemo uzorak iz distribucije, dobit ćemo različitu srednju vrijednost μ. Stoga se μ može smatrati slučajnom varijablom. **Interval pouzdanosti** s pouzdanošću p je par vrijednosti (Lp, Rp), takav da **P**(Lp≤μ≤Rp) = p, tj. vjerojatnost da izmjerena srednja vrijednost padne unutar intervala jednaka je p. + +Detaljna rasprava o tome kako se ti intervali pouzdanosti izračunavaju prelazi okvire ovog kratkog uvoda. Više detalja možete pronaći [na Wikipediji](https://en.wikipedia.org/wiki/Confidence_interval). Ukratko, definiramo distribuciju izračunate srednje vrijednosti uzorka u odnosu na stvarnu srednju vrijednost populacije, što se naziva **Studentova distribucija**. + +> **Zanimljiva činjenica**: Studentova distribucija nazvana je po matematičaru Williamu Sealyju Gossetu, koji je svoj rad objavio pod pseudonimom "Student". Radio je u pivovari Guinness, a prema jednoj verziji, njegov poslodavac nije želio da šira javnost zna da koriste statističke testove za određivanje kvalitete sirovina. + +Ako želimo procijeniti srednju vrijednost μ naše populacije s pouzdanošću p, trebamo uzeti *(1-p)/2-ti percentil* Studentove distribucije A, koji se može pronaći u tablicama ili izračunati pomoću ugrađenih funkcija statističkog softvera (npr. Python, R, itd.). Tada bi interval za μ bio X±A*D/√n, gdje je X dobivena srednja vrijednost uzorka, a D standardna devijacija. + +> **Napomena**: Također izostavljamo raspravu o važnom konceptu [stupnjeva slobode](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), koji je važan u vezi sa Studentovom distribucijom. Za dublje razumijevanje ovog koncepta možete se obratiti potpunijim knjigama o statistici. + +Primjer izračuna intervala pouzdanosti za težine i visine dan je u [priloženim bilježnicama](notebook.ipynb). + +| p | Srednja težina | +|-----|-----------| +| 0.85 | 201.73±0.94 | +| 0.90 | 201.73±1.08 | +| 0.95 | 201.73±1.28 | + +Primijetite da što je veća vjerojatnost pouzdanosti, to je širi interval pouzdanosti. + +## Testiranje hipoteza + +U našem skupu podataka o igračima bejzbola postoje različite uloge igrača, koje se mogu sažeti u tablici ispod (pogledajte [priloženu bilježnicu](notebook.ipynb) kako biste vidjeli kako se ova tablica može izračunati): + +| Uloga | Visina | Težina | Broj | +|------|--------|--------|-------| +| Catcher | 72.723684 | 204.328947 | 76 | +| Designated_Hitter | 74.222222 | 220.888889 | 18 | +| First_Baseman | 74.000000 | 213.109091 | 55 | +| Outfielder | 73.010309 | 199.113402 | 194 | +| Relief_Pitcher | 74.374603 | 203.517460 | 315 | +| Second_Baseman | 71.362069 | 184.344828 | 58 | +| Shortstop | 71.903846 | 182.923077 | 52 | +| Starting_Pitcher | 74.719457 | 205.163636 | 221 | +| Third_Baseman | 73.044444 | 200.955556 | 45 | + +Možemo primijetiti da je prosječna visina igrača na prvoj bazi veća od one na drugoj bazi. Stoga bismo mogli zaključiti da su **igrači na prvoj bazi viši od igrača na drugoj bazi**. + +> Ova izjava naziva se **hipoteza**, jer ne znamo je li činjenica zapravo istinita ili ne. + +Međutim, nije uvijek očito možemo li donijeti ovaj zaključak. Iz prethodne rasprave znamo da svaka srednja vrijednost ima pridruženi interval pouzdanosti, pa ta razlika može biti samo statistička pogreška. Potrebno nam je formalniji način za testiranje naše hipoteze. + +Izračunajmo intervale pouzdanosti zasebno za visine igrača na prvoj i drugoj bazi: + +| Pouzdanost | Prva baza | Druga baza | +|------------|---------------|----------------| +| 0.85 | 73.62..74.38 | 71.04..71.69 | +| 0.90 | 73.56..74.44 | 70.99..71.73 | +| 0.95 | 73.47..74.53 | 70.92..71.81 | + +Možemo vidjeti da se intervali ne preklapaju ni pod jednom razinom pouzdanosti. To dokazuje našu hipotezu da su igrači na prvoj bazi viši od igrača na drugoj bazi. + +Formalnije, problem koji rješavamo je utvrditi jesu li **dvije distribucije vjerojatnosti iste**, ili barem imaju li iste parametre. Ovisno o distribuciji, za to trebamo koristiti različite testove. Ako znamo da su naše distribucije normalne, možemo primijeniti **[Studentov t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)**. + +U Studentovom t-testu izračunavamo tzv. **t-vrijednost**, koja pokazuje razliku između srednjih vrijednosti, uzimajući u obzir varijancu. Pokazano je da t-vrijednost slijedi **Studentovu distribuciju**, što nam omogućuje dobivanje granične vrijednosti za zadanu razinu pouzdanosti **p** (to se može izračunati ili pronaći u numeričkim tablicama). Zatim uspoređujemo t-vrijednost s ovom granicom kako bismo prihvatili ili odbacili hipotezu. + +U Pythonu možemo koristiti paket **SciPy**, koji uključuje funkciju `ttest_ind` (uz mnoge druge korisne statističke funkcije!). Ona za nas izračunava t-vrijednost i također obavlja obrnuto traženje p-vrijednosti pouzdanosti, tako da možemo samo pogledati pouzdanost kako bismo donijeli zaključak. + +Na primjer, naša usporedba visina igrača na prvoj i drugoj bazi daje nam sljedeće rezultate: +```python +from scipy.stats import ttest_ind + +tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) +print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") +``` +``` +T-value = 7.65 +P-value: 9.137321189738925e-12 +``` +U našem slučaju, p-vrijednost je vrlo niska, što znači da postoje snažni dokazi koji podupiru tvrdnju da su igrači na prvoj bazi viši. + +Postoje i druge vrste hipoteza koje bismo mogli testirati, na primjer: +* Dokazati da određeni uzorak slijedi neku distribuciju. U našem slučaju pretpostavili smo da su visine normalno distribuirane, ali to treba formalno statistički provjeriti. +* Dokazati da srednja vrijednost uzorka odgovara nekoj unaprijed definiranoj vrijednosti +* Usporediti srednje vrijednosti više uzoraka (npr. koja je razlika u razinama sreće među različitim dobnim skupinama) + +## Zakon velikih brojeva i centralni granični teorem + +Jedan od razloga zašto je normalna distribucija toliko važna je tzv. **centralni granični teorem**. Pretpostavimo da imamo veliki uzorak neovisnih N vrijednosti X1, ..., XN, uzorkovanih iz bilo koje distribucije sa srednjom vrijednošću μ i varijancom σ2. Tada, za dovoljno velik N (drugim riječima, kada N→∞), srednja vrijednost ΣiXi bit će normalno distribuirana, sa srednjom vrijednošću μ i varijancom σ2/N. + +> Drugi način interpretacije centralnog graničnog teorema je reći da, bez obzira na distribuciju, kada izračunate srednju vrijednost zbroja bilo kojih slučajnih varijabli, završavate s normalnom distribucijom. + +Iz centralnog graničnog teorema također slijedi da, kada N→∞, vjerojatnost da srednja vrijednost uzorka bude jednaka μ postaje 1. Ovo je poznato kao **zakon velikih brojeva**. + +## Kovarijanca i korelacija + +Jedna od stvari koje Data Science radi je pronalaženje odnosa između podataka. Kažemo da se dvije sekvence **koreliraju** kada pokazuju slično ponašanje u isto vrijeme, tj. ili rastu/padaju istovremeno, ili jedna sekvenca raste dok druga pada i obrnuto. Drugim riječima, čini se da postoji neka veza između dvije sekvence. + +> Korelacija ne mora nužno ukazivati na uzročnu vezu između dvije sekvence; ponekad obje varijable mogu ovisiti o nekom vanjskom uzroku, ili može biti čista slučajnost da se dvije sekvence koreliraju. Međutim, jaka matematička korelacija dobar je pokazatelj da su dvije varijable na neki način povezane. + +Matematički, glavni koncept koji pokazuje odnos između dvije slučajne varijable je **kovarijanca**, koja se izračunava ovako: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Izračunavamo odstupanje obje varijable od njihovih srednjih vrijednosti, a zatim produkt tih odstupanja. Ako obje varijable odstupaju zajedno, produkt će uvijek biti pozitivna vrijednost, što će rezultirati pozitivnom kovarijansom. Ako obje varijable odstupaju nesinkronizirano (tj. jedna pada ispod prosjeka dok druga raste iznad prosjeka), uvijek ćemo dobiti negativne brojeve, što će rezultirati negativnom kovarijansom. Ako odstupanja nisu ovisna, zbrojit će se na približno nulu. + +Apsolutna vrijednost kovarijance ne govori nam mnogo o tome koliko je jaka korelacija, jer ovisi o veličini stvarnih vrijednosti. Da bismo je normalizirali, možemo podijeliti kovarijancu sa standardnom devijacijom obje varijable kako bismo dobili **korelaciju**. Dobra stvar je što je korelacija uvijek u rasponu [-1,1], gdje 1 označava jaku pozitivnu korelaciju između vrijednosti, -1 jaku negativnu korelaciju, a 0 nikakvu korelaciju (varijable su neovisne). + +**Primjer**: Možemo izračunati korelaciju između težina i visina igrača bejzbola iz gore spomenutog skupa podataka: +```python +print(np.corrcoef(weights,heights)) +``` +Kao rezultat, dobivamo **matricu korelacije** poput ove: +``` +array([[1. , 0.52959196], + [0.52959196, 1. ]]) +``` + +> Matrica korelacije C može se izračunati za bilo koji broj ulaznih sekvenci S1, ..., Sn. Vrijednost Cij je korelacija između Si i Sj, a dijagonalni elementi su uvijek 1 (što je također samokorelacija Si). + +U našem slučaju, vrijednost 0.53 ukazuje na to da postoji određena korelacija između težine i visine osobe. Također možemo napraviti scatter plot jedne vrijednosti u odnosu na drugu kako bismo vizualno vidjeli odnos: + +![Odnos između težine i visine](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.hr.png) + +> Više primjera korelacije i kovarijance možete pronaći u [priloženoj bilježnici](notebook.ipynb). + +## Zaključak + +U ovom odjeljku naučili smo: + +* osnovna statistička svojstva podataka, poput srednje vrijednosti, varijance, moda i kvartila +* različite distribucije slučajnih varijabli, uključujući normalnu distribuciju +* kako pronaći korelaciju između različitih svojstava +* kako koristiti matematički i statistički aparat za dokazivanje hipoteza +* kako izračunati intervale pouzdanosti za slučajnu varijablu na temelju uzorka podataka + +Iako ovo definitivno nije iscrpan popis tema unutar vjerojatnosti i statistike, trebao bi biti dovoljan za dobar početak ovog tečaja. + +## 🚀 Izazov + +Koristite uzorak koda u bilježnici za testiranje drugih hipoteza: +1. Igrači na prvoj bazi su stariji od igrača na drugoj bazi +2. Igrači na prvoj bazi su viši od igrača na trećoj bazi +3. Shortstopovi su viši od igrača na drugoj bazi + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7) + +## Pregled i samostalno učenje + +Vjerojatnost i statistika su toliko široka tema da zaslužuju vlastiti tečaj. Ako želite dublje ući u teoriju, možda biste željeli nastaviti čitati neke od sljedećih knjiga: + +1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) s New York University ima odlične bilješke s predavanja [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (dostupno online) +1. [Peter i Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[uzorak koda u R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. +1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[uzorak koda u R](https://github.com/PacktPublishing/Statistics-for-Data-Science)] + +## Zadatak + +[Mala studija o dijabetesu](assignment.md) + +## Zasluge + +Ovu lekciju napisao je s ♥️ [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/04-stats-and-probability/assignment.md b/translations/hr/1-Introduction/04-stats-and-probability/assignment.md new file mode 100644 index 00000000..831214fb --- /dev/null +++ b/translations/hr/1-Introduction/04-stats-and-probability/assignment.md @@ -0,0 +1,40 @@ + +# Mala studija o dijabetesu + +U ovom zadatku radit ćemo s malim skupom podataka o pacijentima s dijabetesom preuzetim s [ovdje](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html). + +| | DOB | SPOL | BMI | KR | S1 | S2 | S3 | S4 | S5 | S6 | Y | +|---|-----|------|-----|----|----|----|----|----|----|----|----| +| 0 | 59 | 2 | 32.1| 101.| 157| 93.2| 38.0| 4. | 4.8598| 87 | 151 | +| 1 | 48 | 1 | 21.6| 87.0| 183| 103.2| 70. | 3. | 3.8918| 69 | 75 | +| 2 | 72 | 2 | 30.5| 93.0| 156| 93.6| 41.0| 4.0| 4. | 85 | 141 | +| ... | ... | ... | ... | ... | ...| ... | ... | ...| ... | ...| ... | + +## Upute + +* Otvorite [bilježnicu zadatka](assignment.ipynb) u jupyter notebook okruženju +* Dovršite sve zadatke navedene u bilježnici, i to: + * [ ] Izračunajte srednje vrijednosti i varijancu za sve vrijednosti + * [ ] Nacrtajte boxplotove za BMI, KR i Y ovisno o spolu + * [ ] Koja je distribucija varijabli Dob, Spol, BMI i Y? + * [ ] Testirajte korelaciju između različitih varijabli i progresije bolesti (Y) + * [ ] Testirajte hipotezu da se stupanj progresije dijabetesa razlikuje između muškaraca i žena + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebna poboljšanja +--- | --- | -- | +Svi zadaci su dovršeni, grafički prikazani i objašnjeni | Većina zadataka je dovršena, ali nedostaju objašnjenja ili zaključci iz grafova i/ili dobivenih vrijednosti | Dovršeni su samo osnovni zadaci poput izračuna srednje vrijednosti/varijance i osnovnih grafova, bez zaključaka iz podataka + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/1-Introduction/README.md b/translations/hr/1-Introduction/README.md new file mode 100644 index 00000000..84c6fbf6 --- /dev/null +++ b/translations/hr/1-Introduction/README.md @@ -0,0 +1,31 @@ + +# Uvod u podatkovnu znanost + +![podaci u akciji](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.hr.jpg) +> Fotografija autora Stephen Dawson na Unsplash + +U ovim lekcijama otkrit ćete kako se definira podatkovna znanost i upoznati se s etičkim razmatranjima koja mora uzeti u obzir podatkovni znanstvenik. Također ćete naučiti kako se definiraju podaci te steći osnovno razumijevanje statistike i vjerojatnosti, ključnih akademskih područja podatkovne znanosti. + +### Teme + +1. [Definiranje podatkovne znanosti](01-defining-data-science/README.md) +2. [Etika podatkovne znanosti](02-ethics/README.md) +3. [Definiranje podataka](03-defining-data/README.md) +4. [Uvod u statistiku i vjerojatnost](04-stats-and-probability/README.md) + +### Zasluge + +Ove lekcije napisali su s ❤️ [Nitya Narasimhan](https://twitter.com/nitya) i [Dmitry Soshnikov](https://twitter.com/shwars). + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/05-relational-databases/README.md b/translations/hr/2-Working-With-Data/05-relational-databases/README.md new file mode 100644 index 00000000..2692fe4d --- /dev/null +++ b/translations/hr/2-Working-With-Data/05-relational-databases/README.md @@ -0,0 +1,195 @@ + +# Rad s podacima: Relacijske baze podataka + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)| +|:---:| +| Rad s podacima: Relacijske baze podataka - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Velike su šanse da ste u prošlosti koristili proračunsku tablicu za pohranu informacija. Imali ste skup redaka i stupaca, gdje su redci sadržavali informacije (ili podatke), a stupci opisivali te informacije (ponekad nazvane metapodaci). Relacijska baza podataka temelji se na ovom osnovnom principu stupaca i redaka u tablicama, omogućujući vam da informacije rasporedite u više tablica. To vam omogućuje rad s kompleksnijim podacima, izbjegavanje dupliciranja i fleksibilnost u istraživanju podataka. Pogledajmo koncepte relacijske baze podataka. + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8) + +## Sve počinje s tablicama + +Relacijska baza podataka u svojoj osnovi ima tablice. Kao i kod proračunske tablice, tablica je zbirka stupaca i redaka. Redak sadrži podatke ili informacije s kojima želimo raditi, poput imena grada ili količine padalina. Stupci opisuju podatke koje pohranjuju. + +Započnimo našu analizu stvaranjem tablice za pohranu informacija o gradovima. Možda ćemo početi s njihovim imenom i državom. To biste mogli pohraniti u tablicu kao što je sljedeća: + +| Grad | Država | +| -------- | ------------- | +| Tokio | Japan | +| Atlanta | Sjedinjene Države | +| Auckland | Novi Zeland | + +Primijetite da nazivi stupaca **grad**, **država** i **populacija** opisuju podatke koji se pohranjuju, a svaki redak sadrži informacije o jednom gradu. + +## Nedostaci pristupa jednoj tablici + +Velike su šanse da vam gornja tablica izgleda prilično poznato. Dodajmo dodatne podatke našoj rastućoj bazi podataka - godišnju količinu padalina (u milimetrima). Usredotočit ćemo se na godine 2018., 2019. i 2020. Ako bismo to dodali za Tokio, moglo bi izgledati ovako: + +| Grad | Država | Godina | Količina | +| ----- | -------| ------ | -------- | +| Tokio | Japan | 2020 | 1690 | +| Tokio | Japan | 2019 | 1874 | +| Tokio | Japan | 2018 | 1445 | + +Što primjećujete kod naše tablice? Možda primjećujete da ponavljamo ime i državu grada iznova i iznova. To bi moglo zauzeti dosta prostora za pohranu, a uglavnom je nepotrebno imati više kopija. Uostalom, Tokio ima samo jedno ime koje nas zanima. + +OK, pokušajmo nešto drugo. Dodajmo nove stupce za svaku godinu: + +| Grad | Država | 2018 | 2019 | 2020 | +| -------- | ------------- | ---- | ---- | ---- | +| Tokio | Japan | 1445 | 1874 | 1690 | +| Atlanta | Sjedinjene Države | 1779 | 1111 | 1683 | +| Auckland | Novi Zeland | 1386 | 942 | 1176 | + +Iako ovo izbjegava dupliciranje redaka, dodaje nekoliko drugih izazova. Morali bismo mijenjati strukturu naše tablice svaki put kad se pojavi nova godina. Osim toga, kako naši podaci rastu, imati godine kao stupce otežat će dohvaćanje i izračunavanje vrijednosti. + +Zbog toga su nam potrebne višestruke tablice i odnosi. Razdvajanjem podataka možemo izbjeći dupliciranje i imati veću fleksibilnost u radu s podacima. + +## Koncepti odnosa + +Vratimo se našim podacima i odredimo kako ih želimo podijeliti. Znamo da želimo pohraniti ime i državu za naše gradove, pa će to vjerojatno najbolje funkcionirati u jednoj tablici. + +| Grad | Država | +| -------- | ------------- | +| Tokio | Japan | +| Atlanta | Sjedinjene Države | +| Auckland | Novi Zeland | + +No prije nego što stvorimo sljedeću tablicu, moramo smisliti kako referencirati svaki grad. Trebamo neki oblik identifikatora, ID-a ili (u tehničkim terminima baze podataka) primarnog ključa. Primarni ključ je vrijednost koja se koristi za identifikaciju jednog specifičnog retka u tablici. Iako bi se to moglo temeljiti na samoj vrijednosti (mogli bismo koristiti ime grada, na primjer), gotovo uvijek bi to trebao biti broj ili neki drugi identifikator. Ne želimo da se ID ikada promijeni jer bi to prekinulo odnos. U većini slučajeva primarni ključ ili ID bit će automatski generirani broj. + +> ✅ Primarni ključ često se skraćuje kao PK + +### gradovi + +| grad_id | Grad | Država | +| ------- | -------- | ------------- | +| 1 | Tokio | Japan | +| 2 | Atlanta | Sjedinjene Države | +| 3 | Auckland | Novi Zeland | + +> ✅ Primijetit ćete da tijekom ove lekcije koristimo izraze "id" i "primarni ključ" naizmjenično. Koncepti ovdje vrijede i za DataFrame-ove, koje ćete kasnije istražiti. DataFrame-ovi ne koriste terminologiju "primarni ključ", no primijetit ćete da se ponašaju na vrlo sličan način. + +S našom tablicom gradova stvorenom, pohranimo podatke o padalinama. Umjesto dupliciranja punih informacija o gradu, možemo koristiti ID. Također bismo trebali osigurati da novostvorena tablica ima *id* stupac, jer sve tablice trebaju imati ID ili primarni ključ. + +### padaline + +| padaline_id | grad_id | Godina | Količina | +| ----------- | ------- | ------ | -------- | +| 1 | 1 | 2018 | 1445 | +| 2 | 1 | 2019 | 1874 | +| 3 | 1 | 2020 | 1690 | +| 4 | 2 | 2018 | 1779 | +| 5 | 2 | 2019 | 1111 | +| 6 | 2 | 2020 | 1683 | +| 7 | 3 | 2018 | 1386 | +| 8 | 3 | 2019 | 942 | +| 9 | 3 | 2020 | 1176 | + +Primijetite stupac **grad_id** unutar novostvorene tablice **padaline**. Ovaj stupac sadrži vrijednosti koje referenciraju ID-ove u tablici **gradovi**. U tehničkim terminima relacijskih podataka, ovo se naziva **strani ključ**; to je primarni ključ iz druge tablice. Možete ga jednostavno smatrati referencom ili pokazivačem. **grad_id** 1 referencira Tokio. + +> [!NOTE] Strani ključ često se skraćuje kao FK + +## Dohvaćanje podataka + +S našim podacima podijeljenim u dvije tablice, možda se pitate kako ih dohvatiti. Ako koristimo relacijsku bazu podataka poput MySQL-a, SQL Servera ili Oracle-a, možemo koristiti jezik nazvan Structured Query Language ili SQL. SQL (ponekad izgovaran kao "sequel") je standardni jezik koji se koristi za dohvaćanje i izmjenu podataka u relacijskoj bazi podataka. + +Za dohvaćanje podataka koristite naredbu `SELECT`. U svojoj osnovi, **odaberete** stupce koje želite vidjeti **iz** tablice u kojoj se nalaze. Ako želite prikazati samo imena gradova, mogli biste koristiti sljedeće: + +```sql +SELECT city +FROM cities; + +-- Output: +-- Tokyo +-- Atlanta +-- Auckland +``` + +`SELECT` je mjesto gdje navodite stupce, a `FROM` je mjesto gdje navodite tablice. + +> [NOTE] SQL sintaksa nije osjetljiva na velika i mala slova, što znači da `select` i `SELECT` znače isto. Međutim, ovisno o vrsti baze podataka koju koristite, stupci i tablice mogu biti osjetljivi na velika i mala slova. Kao rezultat toga, najbolje je uvijek tretirati sve u programiranju kao da je osjetljivo na velika i mala slova. Kada pišete SQL upite, uobičajena konvencija je da ključne riječi budu napisane velikim slovima. + +Gornji upit prikazat će sve gradove. Zamislimo da želimo prikazati samo gradove u Novom Zelandu. Trebamo neki oblik filtra. SQL ključna riječ za to je `WHERE`, ili "gdje je nešto istinito". + +```sql +SELECT city +FROM cities +WHERE country = 'New Zealand'; + +-- Output: +-- Auckland +``` + +## Spajanje podataka + +Do sada smo dohvaćali podatke iz jedne tablice. Sada želimo spojiti podatke iz tablica **gradovi** i **padaline**. To se radi *spajanjem* tablica. Učinkovito ćete stvoriti vezu između dvije tablice i uskladiti vrijednosti iz stupca svake tablice. + +U našem primjeru, uskladit ćemo stupac **grad_id** u tablici **padaline** sa stupcem **grad_id** u tablici **gradovi**. Ovo će povezati vrijednost padalina s odgovarajućim gradom. Vrsta spajanja koju ćemo izvesti naziva se *unutarnje* spajanje, što znači da se redci koji se ne podudaraju s ničim iz druge tablice neće prikazati. U našem slučaju svaki grad ima podatke o padalinama, pa će se sve prikazati. + +Dohvatimo podatke o padalinama za 2019. za sve naše gradove. + +To ćemo učiniti u koracima. Prvi korak je spajanje podataka označavanjem stupaca za vezu - **grad_id** kao što je prethodno istaknuto. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +``` + +Istaknuli smo dva stupca koja želimo, i činjenicu da želimo spojiti tablice prema **grad_id**. Sada možemo dodati `WHERE` izjavu kako bismo filtrirali samo godinu 2019. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +WHERE rainfall.year = 2019 + +-- Output + +-- city | amount +-- -------- | ------ +-- Tokyo | 1874 +-- Atlanta | 1111 +-- Auckland | 942 +``` + +## Sažetak + +Relacijske baze podataka temelje se na podjeli informacija između više tablica koje se zatim ponovno spajaju radi prikaza i analize. To pruža visok stupanj fleksibilnosti za izvođenje izračuna i manipulaciju podacima. Vidjeli ste osnovne koncepte relacijske baze podataka i kako izvesti spajanje između dvije tablice. + +## 🚀 Izazov + +Na internetu postoji mnogo relacijskih baza podataka. Možete istraživati podatke koristeći vještine koje ste naučili. + +## Kviz nakon predavanja + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9) + +## Pregled i samostalno učenje + +Postoji nekoliko resursa dostupnih na [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) za nastavak vašeg istraživanja SQL-a i koncepata relacijskih baza podataka. + +- [Opis koncepata relacijskih podataka](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum) +- [Početak rada s upitima u Transact-SQL-u](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL je verzija SQL-a) +- [SQL sadržaj na Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum) + +## Zadatak + +[Naslov zadatka](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/05-relational-databases/assignment.md b/translations/hr/2-Working-With-Data/05-relational-databases/assignment.md new file mode 100644 index 00000000..bf12d827 --- /dev/null +++ b/translations/hr/2-Working-With-Data/05-relational-databases/assignment.md @@ -0,0 +1,73 @@ + +# Prikaz podataka o zračnim lukama + +Dobili ste [bazu podataka](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) izgrađenu na [SQLite](https://sqlite.org/index.html) koja sadrži informacije o zračnim lukama. Shema baze podataka prikazana je dolje. Koristit ćete [SQLite ekstenziju](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) u [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) za prikaz informacija o zračnim lukama u različitim gradovima. + +## Upute + +Kako biste započeli zadatak, potrebno je izvršiti nekoliko koraka. Trebat ćete instalirati potrebne alate i preuzeti primjer baze podataka. + +### Postavljanje sustava + +Možete koristiti Visual Studio Code i SQLite ekstenziju za interakciju s bazom podataka. + +1. Posjetite [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) i slijedite upute za instalaciju Visual Studio Code-a +1. Instalirajte [SQLite ekstenziju](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) prema uputama na stranici Marketplace-a + +### Preuzimanje i otvaranje baze podataka + +Sljedeće, preuzmite i otvorite bazu podataka. + +1. Preuzmite [datoteku baze podataka s GitHuba](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) i spremite je u direktorij +1. Otvorite Visual Studio Code +1. Otvorite bazu podataka u SQLite ekstenziji odabirom **Ctl-Shift-P** (ili **Cmd-Shift-P** na Macu) i upisivanjem `SQLite: Open database` +1. Odaberite **Choose database from file** i otvorite datoteku **airports.db** koju ste prethodno preuzeli +1. Nakon otvaranja baze podataka (nećete vidjeti ažuriranje na ekranu), kreirajte novi prozor za upite odabirom **Ctl-Shift-P** (ili **Cmd-Shift-P** na Macu) i upisivanjem `SQLite: New query` + +Kada je otvoren, novi prozor za upite može se koristiti za izvršavanje SQL naredbi nad bazom podataka. Možete koristiti naredbu **Ctl-Shift-Q** (ili **Cmd-Shift-Q** na Macu) za pokretanje upita nad bazom podataka. + +> [!NOTE] Za više informacija o SQLite ekstenziji, možete konzultirati [dokumentaciju](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) + +## Shema baze podataka + +Shema baze podataka predstavlja dizajn i strukturu tablica. Baza podataka **airports** ima dvije tablice, `cities`, koja sadrži popis gradova u Ujedinjenom Kraljevstvu i Irskoj, i `airports`, koja sadrži popis svih zračnih luka. Budući da neki gradovi mogu imati više zračnih luka, kreirane su dvije tablice za pohranu informacija. U ovom zadatku koristit ćete spajanja (joins) za prikaz informacija o različitim gradovima. + +| Gradovi | +| ----------------- | +| id (PK, integer) | +| city (text) | +| country (text) | + +| Zračne luke | +| ------------------------------- | +| id (PK, integer) | +| name (text) | +| code (text) | +| city_id (FK prema id u **Gradovi**) | + +## Zadatak + +Kreirajte upite za prikaz sljedećih informacija: + +1. sva imena gradova u tablici `Cities` +1. svi gradovi u Irskoj u tablici `Cities` +1. sva imena zračnih luka s njihovim gradom i državom +1. sve zračne luke u Londonu, Ujedinjeno Kraljevstvo + +## Rubrika + +| Izvrsno | Zadovoljavajuće | Potrebno poboljšanje | +| ----------- | --------------- | -------------------- | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/06-non-relational/README.md b/translations/hr/2-Working-With-Data/06-non-relational/README.md new file mode 100644 index 00000000..e0a76b0a --- /dev/null +++ b/translations/hr/2-Working-With-Data/06-non-relational/README.md @@ -0,0 +1,158 @@ + +# Rad s podacima: Nerelacijski podaci + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)| +|:---:| +|Rad s NoSQL podacima - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10) + +Podaci nisu ograničeni na relacijske baze podataka. Ova lekcija fokusira se na nerelacijske podatke i pokriva osnove proračunskih tablica i NoSQL-a. + +## Proračunske tablice + +Proračunske tablice popularan su način za pohranu i istraživanje podataka jer zahtijevaju manje rada za postavljanje i početak rada. U ovoj lekciji naučit ćete osnovne komponente proračunske tablice, kao i formule i funkcije. Primjeri će biti ilustrirani pomoću Microsoft Excela, ali većina dijelova i tema imat će slične nazive i korake u usporedbi s drugim softverom za proračunske tablice. + +![Prazna Microsoft Excel radna knjiga s dva radna lista](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.hr.png) + +Proračunska tablica je datoteka i bit će dostupna u datotečnom sustavu računala, uređaja ili sustava za pohranu u oblaku. Sam softver može biti temeljen na pregledniku ili aplikacija koja se mora instalirati na računalo ili preuzeti kao aplikacija. U Excelu se te datoteke također definiraju kao **radne knjige**, a ovaj termin će se koristiti u ostatku lekcije. + +Radna knjiga sadrži jedan ili više **radnih listova**, gdje su svaki radni list označeni karticama. Unutar radnog lista nalaze se pravokutnici zvani **ćelije**, koje sadrže stvarne podatke. Ćelija je presjek retka i stupca, gdje su stupci označeni abecednim znakovima, a retci numerički. Neke proračunske tablice sadrže zaglavlja u prvih nekoliko redaka kako bi opisale podatke u ćeliji. + +S ovim osnovnim elementima Excel radne knjige, koristit ćemo primjer iz [Microsoft Templates](https://templates.office.com/) fokusiran na inventar kako bismo prošli kroz dodatne dijelove proračunske tablice. + +### Upravljanje inventarom + +Datoteka proračunske tablice nazvana "InventoryExample" je formatirana proračunska tablica stavki unutar inventara koja sadrži tri radna lista, gdje su kartice označene "Inventory List", "Inventory Pick List" i "Bin Lookup". Redak 4 radnog lista Inventory List je zaglavlje koje opisuje vrijednost svake ćelije u stupcu zaglavlja. + +![Istaknuta formula iz primjera popisa inventara u Microsoft Excelu](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.hr.png) + +Postoje slučajevi kada je vrijednost ćelije ovisna o vrijednostima drugih ćelija kako bi generirala svoju vrijednost. Proračunska tablica Inventory List prati trošak svake stavke u svom inventaru, ali što ako trebamo znati vrijednost svega u inventaru? [**Formule**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) izvode radnje na podacima ćelija i koriste se za izračunavanje troška inventara u ovom primjeru. Ova proračunska tablica koristi formulu u stupcu Inventory Value za izračunavanje vrijednosti svake stavke množenjem količine pod zaglavljem QTY i troškova pod ćelijama zaglavlja COST. Dvostrukim klikom ili označavanjem ćelije prikazuje se formula. Primijetit ćete da formule počinju znakom jednakosti, nakon čega slijedi izračun ili operacija. + +![Istaknuta funkcija iz primjera popisa inventara u Microsoft Excelu](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.hr.png) + +Možemo koristiti drugu formulu za zbrajanje svih vrijednosti stupca Inventory Value kako bismo dobili ukupnu vrijednost. To bi se moglo izračunati zbrajanjem svake ćelije kako bi se generirao zbroj, ali to može biti zamoran zadatak. Excel ima [**funkcije**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), ili unaprijed definirane formule za izvođenje izračuna na vrijednostima ćelija. Funkcije zahtijevaju argumente, koji su potrebne vrijednosti za izvođenje tih izračuna. Kada funkcije zahtijevaju više od jednog argumenta, moraju biti navedene određenim redoslijedom ili funkcija možda neće izračunati ispravnu vrijednost. Ovaj primjer koristi funkciju SUM i koristi vrijednosti stupca Inventory Value kao argument za zbrajanje, generirajući ukupnu vrijednost navedenu u retku 3, stupcu B (također poznatom kao B3). + +## NoSQL + +NoSQL je krovni pojam za različite načine pohrane nerelacijskih podataka i može se interpretirati kao "ne-SQL", "nerelacijski" ili "ne samo SQL". Ove vrste sustava baza podataka mogu se kategorizirati u 4 vrste. + +![Grafički prikaz baze podataka ključ-vrijednost koji prikazuje 4 jedinstvena numerička ključa povezana s 4 različite vrijednosti](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.hr.png) +> Izvor: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) + +[Ključ-vrijednost](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) baze podataka povezuju jedinstvene ključeve, koji su jedinstveni identifikatori povezani s vrijednošću. Ovi parovi se pohranjuju pomoću [hash tablice](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) s odgovarajućom hash funkcijom. + +![Grafički prikaz baze podataka grafa koji prikazuje odnose između ljudi, njihovih interesa i lokacija](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.hr.png) +> Izvor: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) + +[Graf](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) baze podataka opisuju odnose u podacima i predstavljeni su kao zbirka čvorova i bridova. Čvor predstavlja entitet, nešto što postoji u stvarnom svijetu, poput studenta ili bankovnog izvoda. Bridovi predstavljaju odnos između dva entiteta. Svaki čvor i brid imaju svojstva koja pružaju dodatne informacije o svakom čvoru i bridovima. + +![Grafički prikaz stupčaste baze podataka koji prikazuje bazu podataka kupaca s dvije obitelji stupaca nazvane Identity i Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.hr.png) + +[Stupčaste](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) baze podataka organiziraju podatke u stupce i retke poput relacijske strukture podataka, ali svaki stupac je podijeljen u grupe zvane obitelj stupaca, gdje su svi podaci pod jednim stupcem povezani i mogu se dohvatiti i mijenjati kao jedna jedinica. + +### Pohrana dokumenata s Azure Cosmos DB + +[Dokument](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) baze podataka temelje se na konceptu baze podataka ključ-vrijednost i sastoje se od niza polja i objekata. Ovaj odjeljak istražuje baze podataka dokumenata pomoću emulatora Cosmos DB. + +Baza podataka Cosmos DB odgovara definiciji "ne samo SQL", gdje se dokument baza podataka Cosmos DB-a oslanja na SQL za upite podataka. [Prethodna lekcija](../05-relational-databases/README.md) o SQL-u pokriva osnove jezika, a neke od istih upita moći ćemo primijeniti na bazu podataka dokumenata ovdje. Koristit ćemo emulator Cosmos DB-a, koji nam omogućuje stvaranje i istraživanje baze podataka dokumenata lokalno na računalu. Više o emulatoru pročitajte [ovdje](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21). + +Dokument je zbirka polja i vrijednosti objekata, gdje polja opisuju što vrijednost objekta predstavlja. Ispod je primjer dokumenta. + +```json +{ + "firstname": "Eva", + "age": 44, + "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5", + "_rid": "bHwDAPQz8s0BAAAAAAAAAA==", + "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"", + "_attachments": "attachments/", + "_ts": 1630544034 +} +``` + +Polja od interesa u ovom dokumentu su: `firstname`, `id` i `age`. Ostala polja s podvlakama generirana su od strane Cosmos DB-a. + +#### Istraživanje podataka s emulatorom Cosmos DB + +Možete preuzeti i instalirati emulator [za Windows ovdje](https://aka.ms/cosmosdb-emulator). Pogledajte ovu [dokumentaciju](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) za opcije kako pokrenuti emulator za macOS i Linux. + +Emulator pokreće prozor preglednika, gdje vam prikaz Explorer omogućuje istraživanje dokumenata. + +![Prikaz Explorer emulatora Cosmos DB-a](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.hr.png) + +Ako pratite, kliknite na "Start with Sample" kako biste generirali primjer baze podataka nazvane SampleDB. Ako proširite SampleDB klikom na strelicu, pronaći ćete spremnik nazvan `Persons`. Spremnik sadrži zbirku stavki, koje su dokumenti unutar spremnika. Možete istražiti četiri pojedinačna dokumenta pod `Items`. + +![Istraživanje uzoraka podataka u emulatoru Cosmos DB-a](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.hr.png) + +#### Upiti podataka dokumenata s emulatorom Cosmos DB + +Također možemo izvršavati upite na uzorcima podataka klikom na gumb New SQL Query (drugi gumb s lijeve strane). + +`SELECT * FROM c` vraća sve dokumente u spremniku. Dodajmo klauzulu WHERE i pronađimo sve mlađe od 40 godina. + +`SELECT * FROM c where c.age < 40` + +![Izvršavanje SELECT upita na uzorcima podataka u emulatoru Cosmos DB-a za pronalaženje dokumenata koji imaju vrijednost polja age manju od 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.hr.png) + +Upit vraća dva dokumenta, primijetite da je vrijednost polja age za svaki dokument manja od 40. + +#### JSON i dokumenti + +Ako ste upoznati s JavaScript Object Notation (JSON), primijetit ćete da dokumenti izgledaju slično JSON-u. U ovoj se mapi nalazi datoteka `PersonsData.json` s više podataka koje možete prenijeti u spremnik Persons u emulatoru putem gumba `Upload Item`. + +U većini slučajeva, API-ji koji vraćaju JSON podatke mogu se izravno prenijeti i pohraniti u baze podataka dokumenata. Ispod je još jedan dokument, koji predstavlja tweetove s Microsoftovog Twitter računa koji su dohvaćeni pomoću Twitter API-ja, a zatim umetnuti u Cosmos DB. + +```json +{ + "created_at": "2021-08-31T19:03:01.000Z", + "id": "1432780985872142341", + "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK", + "_rid": "dhAmAIUsA4oHAAAAAAAAAA==", + "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"", + "_attachments": "attachments/", + "_ts": 1630537000 +``` + +Polja od interesa u ovom dokumentu su: `created_at`, `id` i `text`. + +## 🚀 Izazov + +Postoji datoteka `TwitterData.json` koju možete prenijeti u bazu podataka SampleDB. Preporučuje se da je dodate u zaseban spremnik. To se može učiniti na sljedeći način: + +1. Kliknite gumb New Container u gornjem desnom kutu +1. Odaberite postojeću bazu podataka (SampleDB) i stvorite ID spremnika za spremnik +1. Postavite particijski ključ na `/id` +1. Kliknite OK (možete zanemariti ostatak informacija u ovom prikazu jer je ovo mali skup podataka koji se pokreće lokalno na vašem računalu) +1. Otvorite svoj novi spremnik i prenesite datoteku Twitter Data pomoću gumba `Upload Item` + +Pokušajte izvršiti nekoliko SELECT upita kako biste pronašli dokumente koji imaju riječ Microsoft u polju text. Savjet: pokušajte koristiti [ključnu riječ LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character). + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11) + +## Pregled i samostalno učenje + +- Postoje dodatni formati i značajke dodane ovoj proračunskoj tablici koje ova lekcija ne pokriva. Microsoft ima [veliku biblioteku dokumentacije i videozapisa](https://support.microsoft.com/excel) o Excelu ako želite naučiti više. + +- Ova arhitektonska dokumentacija detaljno opisuje karakteristike različitih vrsta nerelacijskih podataka: [Nerelacijski podaci i NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data). + +- Cosmos DB je baza podataka u oblaku koja također može pohraniti različite vrste NoSQL-a spomenute u ovoj lekciji. Saznajte više o tim vrstama u ovom [Microsoft Learn modulu o Cosmos DB-u](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/). + +## Zadatak + +[Soda Profits](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/06-non-relational/assignment.md b/translations/hr/2-Working-With-Data/06-non-relational/assignment.md new file mode 100644 index 00000000..ca233ea3 --- /dev/null +++ b/translations/hr/2-Working-With-Data/06-non-relational/assignment.md @@ -0,0 +1,33 @@ + +# Dobit od sode + +## Upute + +[Tablica Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) nedostaje nekih izračuna. Vaš zadatak je: + +1. Izračunati bruto dobit za fiskalne godine '15, '16, '17 i '18 + - Bruto dobit = Neto operativni prihodi - Trošak prodane robe +1. Izračunati prosjek svih bruto dobiti. Pokušajte to učiniti pomoću funkcije. + - Prosjek = Zbroj bruto dobiti podijeljen s brojem fiskalnih godina (10) + - Dokumentacija o [funkciji AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) +1. Ovo je Excel datoteka, ali bi trebala biti uređiva u bilo kojoj platformi za proračunske tablice + +[Izvor podataka zahvaljujući Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel) + +## Rubrika + +Primjerno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/07-python/README.md b/translations/hr/2-Working-With-Data/07-python/README.md new file mode 100644 index 00000000..4525d1bf --- /dev/null +++ b/translations/hr/2-Working-With-Data/07-python/README.md @@ -0,0 +1,290 @@ + +# Rad s podacima: Python i biblioteka Pandas + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) | +| :-------------------------------------------------------------------------------------------------------: | +| Rad s Pythonom - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[![Uvodni video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.hr.png)](https://youtu.be/dZjWOGbsN4Y) + +Iako baze podataka nude vrlo efikasne načine za pohranu podataka i njihovo pretraživanje pomoću jezika za upite, najfleksibilniji način obrade podataka je pisanje vlastitog programa za manipulaciju podacima. U mnogim slučajevima, upit u bazi podataka bio bi učinkovitiji način. Međutim, u nekim slučajevima kada je potrebna složenija obrada podataka, to se ne može lako postići pomoću SQL-a. +Obrada podataka može se programirati u bilo kojem programskom jeziku, ali postoje određeni jezici koji su na višoj razini kada je riječ o radu s podacima. Znanstvenici koji se bave podacima obično preferiraju jedan od sljedećih jezika: + +* **[Python](https://www.python.org/)**, programski jezik opće namjene, koji se često smatra jednom od najboljih opcija za početnike zbog svoje jednostavnosti. Python ima mnogo dodatnih biblioteka koje vam mogu pomoći riješiti mnoge praktične probleme, poput izdvajanja podataka iz ZIP arhive ili pretvaranja slike u nijanse sive. Osim za znanost o podacima, Python se često koristi i za razvoj weba. +* **[R](https://www.r-project.org/)** je tradicionalni alat razvijen s obzirom na statističku obradu podataka. Također sadrži veliki repozitorij biblioteka (CRAN), što ga čini dobrim izborom za obradu podataka. Međutim, R nije programski jezik opće namjene i rijetko se koristi izvan domene znanosti o podacima. +* **[Julia](https://julialang.org/)** je još jedan jezik razvijen posebno za znanost o podacima. Namijenjen je pružanju bolje performanse od Pythona, što ga čini izvrsnim alatom za znanstvene eksperimente. + +U ovoj lekciji fokusirat ćemo se na korištenje Pythona za jednostavnu obradu podataka. Pretpostavit ćemo osnovno poznavanje jezika. Ako želite dublji uvod u Python, možete se obratiti jednom od sljedećih resursa: + +* [Naučite Python na zabavan način uz Turtle Graphics i fraktale](https://github.com/shwars/pycourse) - Brzi uvodni tečaj na GitHubu o programiranju u Pythonu +* [Napravite prve korake s Pythonom](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) - Putanja učenja na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +Podaci mogu dolaziti u mnogim oblicima. U ovoj lekciji razmotrit ćemo tri oblika podataka - **tablični podaci**, **tekst** i **slike**. + +Fokusirat ćemo se na nekoliko primjera obrade podataka, umjesto da pružimo potpuni pregled svih povezanih biblioteka. Ovo će vam omogućiti da steknete osnovnu ideju o tome što je moguće, te da razumijete gdje pronaći rješenja za svoje probleme kada vam zatrebaju. + +> **Najkorisniji savjet**. Kada trebate izvesti određenu operaciju na podacima, a ne znate kako to učiniti, pokušajte to potražiti na internetu. [Stackoverflow](https://stackoverflow.com/) obično sadrži mnogo korisnih primjera koda u Pythonu za mnoge tipične zadatke. + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12) + +## Tablični podaci i DataFrame-ovi + +Već ste se susreli s tabličnim podacima kada smo govorili o relacijskim bazama podataka. Kada imate puno podataka koji su sadržani u mnogim različitim povezanim tablicama, definitivno ima smisla koristiti SQL za rad s njima. Međutim, postoje mnogi slučajevi kada imamo tablicu podataka i trebamo steći neko **razumijevanje** ili **uvid** u te podatke, poput distribucije, korelacije između vrijednosti itd. U znanosti o podacima često trebamo izvesti neke transformacije izvornih podataka, nakon čega slijedi vizualizacija. Oba ta koraka mogu se lako izvesti pomoću Pythona. + +Postoje dvije najkorisnije biblioteke u Pythonu koje vam mogu pomoći u radu s tabličnim podacima: +* **[Pandas](https://pandas.pydata.org/)** omogućuje manipulaciju takozvanim **DataFrame-ovima**, koji su analogni relacijskim tablicama. Možete imati imenovane stupce i izvoditi različite operacije na redovima, stupcima i DataFrame-ovima općenito. +* **[Numpy](https://numpy.org/)** je biblioteka za rad s **tenzorima**, tj. višedimenzionalnim **poljima**. Polje ima vrijednosti istog osnovnog tipa i jednostavnije je od DataFrame-a, ali nudi više matematičkih operacija i stvara manje opterećenja. + +Postoji i nekoliko drugih biblioteka koje biste trebali znati: +* **[Matplotlib](https://matplotlib.org/)** je biblioteka koja se koristi za vizualizaciju podataka i crtanje grafova +* **[SciPy](https://www.scipy.org/)** je biblioteka s nekim dodatnim znanstvenim funkcijama. Već smo se susreli s ovom bibliotekom kada smo govorili o vjerojatnosti i statistici. + +Evo dijela koda koji biste obično koristili za uvoz tih biblioteka na početku svog Python programa: +```python +import numpy as np +import pandas as pd +import matplotlib.pyplot as plt +from scipy import ... # you need to specify exact sub-packages that you need +``` + +Pandas se temelji na nekoliko osnovnih koncepata. + +### Series + +**Series** je niz vrijednosti, sličan listi ili numpy polju. Glavna razlika je što Series također ima **indeks**, i kada radimo s Series (npr. zbrajamo ih), indeks se uzima u obzir. Indeks može biti jednostavan kao broj retka (to je zadani indeks kada se Series stvara iz liste ili polja), ili može imati složenu strukturu, poput vremenskog intervala. + +> **Napomena**: U pratećoj bilježnici [`notebook.ipynb`](notebook.ipynb) nalazi se uvodni kod za Pandas. Ovdje ćemo samo navesti neke primjere, a svakako ste dobrodošli provjeriti cijelu bilježnicu. + +Razmotrimo primjer: želimo analizirati prodaju u našem kiosku za sladoled. Generirat ćemo niz brojeva prodaje (broj prodanih artikala svaki dan) za određeni vremenski period: + +```python +start_date = "Jan 1, 2020" +end_date = "Mar 31, 2020" +idx = pd.date_range(start_date,end_date) +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() +``` +![Grafikon vremenskog niza](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.hr.png) + +Sada pretpostavimo da svaki tjedan organiziramo zabavu za prijatelje i uzimamo dodatnih 10 paketa sladoleda za zabavu. Možemo stvoriti još jedan niz, indeksiran po tjednima, kako bismo to prikazali: +```python +additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W")) +``` +Kada zbrojimo dva niza, dobit ćemo ukupni broj: +```python +total_items = items_sold.add(additional_items,fill_value=0) +total_items.plot() +``` +![Grafikon vremenskog niza](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.hr.png) + +> **Napomena** da ne koristimo jednostavnu sintaksu `total_items+additional_items`. Da jesmo, dobili bismo mnogo `NaN` (*Not a Number*) vrijednosti u rezultirajućem nizu. To je zato što nedostaju vrijednosti za neke točke indeksa u nizu `additional_items`, a zbrajanje `NaN` s bilo čim rezultira `NaN`. Stoga trebamo specificirati parametar `fill_value` tijekom zbrajanja. + +S vremenskim nizovima također možemo **ponovno uzorkovati** nizove s različitim vremenskim intervalima. Na primjer, pretpostavimo da želimo izračunati prosječni obujam prodaje mjesečno. Možemo koristiti sljedeći kod: +```python +monthly = total_items.resample("1M").mean() +ax = monthly.plot(kind='bar') +``` +![Mjesečni prosjeci vremenskog niza](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.hr.png) + +### DataFrame + +DataFrame je u suštini zbirka Series s istim indeksom. Možemo kombinirati nekoliko Series u jedan DataFrame: +```python +a = pd.Series(range(1,10)) +b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9)) +df = pd.DataFrame([a,b]) +``` +Ovo će stvoriti horizontalnu tablicu poput ove: +| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | +| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- | +| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | +| 1 | I | like | to | use | Python | and | Pandas | very | much | + +Također možemo koristiti Series kao stupce i specificirati nazive stupaca pomoću rječnika: +```python +df = pd.DataFrame({ 'A' : a, 'B' : b }) +``` +Ovo će nam dati tablicu poput ove: + +| | A | B | +| --- | --- | ------ | +| 0 | 1 | I | +| 1 | 2 | like | +| 2 | 3 | to | +| 3 | 4 | use | +| 4 | 5 | Python | +| 5 | 6 | and | +| 6 | 7 | Pandas | +| 7 | 8 | very | +| 8 | 9 | much | + +**Napomena** da ovu tablicu možemo dobiti i transponiranjem prethodne tablice, npr. pisanjem +```python +df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' }) +``` +Ovdje `.T` označava operaciju transponiranja DataFrame-a, tj. zamjenu redaka i stupaca, a operacija `rename` omogućuje nam preimenovanje stupaca kako bi odgovarali prethodnom primjeru. + +Evo nekoliko najvažnijih operacija koje možemo izvesti na DataFrame-ovima: + +**Odabir stupaca**. Možemo odabrati pojedinačne stupce pisanjem `df['A']` - ova operacija vraća Series. Također možemo odabrati podskup stupaca u drugi DataFrame pisanjem `df[['B','A']]` - ovo vraća drugi DataFrame. + +**Filtriranje** samo određenih redaka prema kriterijima. Na primjer, da bismo ostavili samo retke sa stupcem `A` većim od 5, možemo napisati `df[df['A']>5]`. + +> **Napomena**: Način na koji filtriranje funkcionira je sljedeći. Izraz `df['A']<5` vraća boolean Series, koji označava je li izraz `True` ili `False` za svaki element izvornog niza `df['A']`. Kada se boolean Series koristi kao indeks, vraća podskup redaka u DataFrame-u. Stoga nije moguće koristiti proizvoljan Python boolean izraz, na primjer, pisanje `df[df['A']>5 and df['A']<7]` bilo bi pogrešno. Umjesto toga, trebali biste koristiti posebnu `&` operaciju na boolean Series, pisanjem `df[(df['A']>5) & (df['A']<7)]` (*zagrade su ovdje važne*). + +**Stvaranje novih izračunatih stupaca**. Možemo lako stvoriti nove izračunate stupce za naš DataFrame koristeći intuitivne izraze poput ovog: +```python +df['DivA'] = df['A']-df['A'].mean() +``` +Ovaj primjer izračunava odstupanje A od njegove srednje vrijednosti. Ono što se zapravo događa ovdje je da izračunavamo Series, a zatim taj Series dodjeljujemo lijevoj strani, stvarajući novi stupac. Stoga ne možemo koristiti operacije koje nisu kompatibilne sa Series, na primjer, sljedeći kod je pogrešan: +```python +# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi" +df['LenB'] = len(df['B']) # <- Wrong result +``` +Posljednji primjer, iako sintaktički ispravan, daje pogrešan rezultat jer dodjeljuje duljinu niza `B` svim vrijednostima u stupcu, a ne duljinu pojedinačnih elemenata kako smo namjeravali. + +Ako trebamo izračunati složene izraze poput ovog, možemo koristiti funkciju `apply`. Posljednji primjer može se napisati na sljedeći način: +```python +df['LenB'] = df['B'].apply(lambda x : len(x)) +# or +df['LenB'] = df['B'].apply(len) +``` + +Nakon gore navedenih operacija, završit ćemo s DataFrame-om poput ovog: + +| | A | B | DivA | LenB | +| --- | --- | ------ | ---- | ---- | +| 0 | 1 | I | -4.0 | 1 | +| 1 | 2 | like | -3.0 | 4 | +| 2 | 3 | to | -2.0 | 2 | +| 3 | 4 | use | -1.0 | 3 | +| 4 | 5 | Python | 0.0 | 6 | +| 5 | 6 | and | 1.0 | 3 | +| 6 | 7 | Pandas | 2.0 | 6 | +| 7 | 8 | very | 3.0 | 4 | +| 8 | 9 | much | 4.0 | 4 | + +**Odabir redaka prema brojevima** može se izvesti pomoću konstrukta `iloc`. Na primjer, za odabir prvih 5 redaka iz DataFrame-a: +```python +df.iloc[:5] +``` + +**Grupiranje** se često koristi za dobivanje rezultata sličnih *pivot tablicama* u Excelu. Pretpostavimo da želimo izračunati srednju vrijednost stupca `A` za svaki dani broj `LenB`. Tada možemo grupirati naš DataFrame prema `LenB` i pozvati `mean`: +```python +df.groupby(by='LenB').mean() +``` +Ako trebamo izračunati srednju vrijednost i broj elemenata u grupi, tada možemo koristiti složeniju funkciju `aggregate`: +```python +df.groupby(by='LenB') \ + .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \ + .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'}) +``` +Ovo nam daje sljedeću tablicu: + +| LenB | Count | Mean | +| ---- | ----- | -------- | +| 1 | 1 | 1.000000 | +| 2 | 1 | 3.000000 | +| 3 | 2 | 5.000000 | +| 4 | 3 | 6.333333 | +| 6 | 2 | 6.000000 | + +### Dobivanje podataka +Vidjeli smo koliko je jednostavno konstruirati Series i DataFrame iz Python objekata. Međutim, podaci obično dolaze u obliku tekstualne datoteke ili Excel tablice. Srećom, Pandas nam nudi jednostavan način za učitavanje podataka s diska. Na primjer, čitanje CSV datoteke je jednostavno kao ovo: +```python +df = pd.read_csv('file.csv') +``` +Vidjet ćemo više primjera učitavanja podataka, uključujući dohvaćanje s vanjskih web stranica, u odjeljku "Izazov". + +### Ispisivanje i Grafički Prikaz + +Data Scientist često mora istraživati podatke, stoga je važno moći ih vizualizirati. Kada je DataFrame velik, često želimo samo provjeriti radimo li sve ispravno ispisivanjem prvih nekoliko redaka. To se može učiniti pozivanjem `df.head()`. Ako ga pokrećete iz Jupyter Notebooka, ispisat će DataFrame u lijepom tabličnom obliku. + +Također smo vidjeli upotrebu funkcije `plot` za vizualizaciju nekih stupaca. Iako je `plot` vrlo koristan za mnoge zadatke i podržava mnoge različite vrste grafova putem parametra `kind=`, uvijek možete koristiti osnovnu biblioteku `matplotlib` za crtanje nečeg složenijeg. Detaljno ćemo obraditi vizualizaciju podataka u zasebnim lekcijama. + +Ovaj pregled pokriva najvažnije koncepte Pandasa, no biblioteka je vrlo bogata i nema ograničenja što možete učiniti s njom! Sada primijenimo ovo znanje za rješavanje specifičnog problema. + +## 🚀 Izazov 1: Analiza Širenja COVID-a + +Prvi problem na koji ćemo se fokusirati je modeliranje širenja epidemije COVID-19. Da bismo to učinili, koristit ćemo podatke o broju zaraženih osoba u različitim zemljama, koje pruža [Centar za sustavnu znanost i inženjering](https://systems.jhu.edu/) (CSSE) na [Sveučilištu Johns Hopkins](https://jhu.edu/). Skup podataka dostupan je u [ovom GitHub repozitoriju](https://github.com/CSSEGISandData/COVID-19). + +Budući da želimo demonstrirati kako raditi s podacima, pozivamo vas da otvorite [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) i pročitate ga od početka do kraja. Također možete izvršavati ćelije i riješiti neke izazove koje smo ostavili na kraju. + +![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.hr.png) + +> Ako ne znate kako pokrenuti kod u Jupyter Notebooku, pogledajte [ovaj članak](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## Rad s Nestrukturiranim Podacima + +Iako podaci vrlo često dolaze u tabličnom obliku, u nekim slučajevima moramo raditi s manje strukturiranim podacima, poput teksta ili slika. U tom slučaju, kako bismo primijenili tehnike obrade podataka koje smo vidjeli ranije, moramo nekako **izvući** strukturirane podatke. Evo nekoliko primjera: + +* Izvlačenje ključnih riječi iz teksta i praćenje koliko se često pojavljuju +* Korištenje neuronskih mreža za izvlačenje informacija o objektima na slici +* Dobivanje informacija o emocijama ljudi na video snimci + +## 🚀 Izazov 2: Analiza COVID Radova + +U ovom izazovu nastavljamo s temom pandemije COVID-a i fokusiramo se na obradu znanstvenih radova na tu temu. Postoji [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) s više od 7000 (u trenutku pisanja) radova o COVID-u, dostupnih s metapodacima i sažecima (a za otprilike polovicu njih dostupan je i puni tekst). + +Potpuni primjer analize ovog skupa podataka koristeći [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) kognitivnu uslugu opisan je [u ovom blog postu](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Razmotrit ćemo pojednostavljenu verziju ove analize. + +> **NOTE**: Ne pružamo kopiju skupa podataka kao dio ovog repozitorija. Možda ćete prvo trebati preuzeti datoteku [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) iz [ovog skupa podataka na Kaggleu](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Može biti potrebna registracija na Kaggle. Također možete preuzeti skup podataka bez registracije [odavde](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), ali će uključivati sve pune tekstove uz datoteku metapodataka. + +Otvorite [`notebook-papers.ipynb`](notebook-papers.ipynb) i pročitajte ga od početka do kraja. Također možete izvršavati ćelije i riješiti neke izazove koje smo ostavili na kraju. + +![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.hr.png) + +## Obrada Podataka o Slikama + +U posljednje vrijeme razvijeni su vrlo moćni AI modeli koji nam omogućuju razumijevanje slika. Postoji mnogo zadataka koji se mogu riješiti koristeći unaprijed istrenirane neuronske mreže ili cloud usluge. Neki primjeri uključuju: + +* **Klasifikaciju Slika**, koja vam može pomoći kategorizirati sliku u jednu od unaprijed definiranih klasa. Lako možete istrenirati vlastite klasifikatore slika koristeći usluge poput [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) +* **Detekciju Objekata** za otkrivanje različitih objekata na slici. Usluge poput [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) mogu detektirati brojne uobičajene objekte, a možete istrenirati [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) model za detekciju specifičnih objekata od interesa. +* **Detekciju Lica**, uključujući dob, spol i emocije. Ovo se može postići putem [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum). + +Sve te cloud usluge mogu se pozivati koristeći [Python SDK-ove](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), i tako se lako mogu integrirati u vaš tijek istraživanja podataka. + +Evo nekoliko primjera istraživanja podataka iz izvora slika: +* U blog postu [Kako Naučiti Data Science bez Kodiranja](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) istražujemo Instagram fotografije, pokušavajući razumjeti što ljude potiče da daju više lajkova na fotografiju. Prvo izvlačimo što je više moguće informacija iz slika koristeći [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), a zatim koristimo [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) za izradu interpretabilnog modela. +* U [Radionici o Studijama Lica](https://github.com/CloudAdvocacy/FaceStudies) koristimo [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) za izvlačenje emocija ljudi na fotografijama s događaja, kako bismo pokušali razumjeti što ljude čini sretnima. + +## Zaključak + +Bez obzira imate li već strukturirane ili nestrukturirane podatke, koristeći Python možete izvesti sve korake vezane uz obradu i razumijevanje podataka. To je vjerojatno najfleksibilniji način obrade podataka, i zato većina data scientista koristi Python kao svoj primarni alat. Učenje Pythona u dubinu vjerojatno je dobra ideja ako ste ozbiljni u vezi svog puta u data scienceu! + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13) + +## Pregled i Samostalno Učenje + +**Knjige** +* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662) + +**Online Resursi** +* Službeni [10 minuta do Pandasa](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) vodič +* [Dokumentacija o Pandas Vizualizaciji](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) + +**Učenje Pythona** +* [Naučite Python na Zabavan Način s Turtle Grafikom i Fraktalima](https://github.com/shwars/pycourse) +* [Napravite Prve Korake s Pythonom](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Put učenja na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +## Zadatak + +[Provedite detaljniju studiju podataka za gore navedene izazove](assignment.md) + +## Zasluge + +Ovu lekciju napisao je s ♥️ [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/07-python/assignment.md b/translations/hr/2-Working-With-Data/07-python/assignment.md new file mode 100644 index 00000000..e68a14ca --- /dev/null +++ b/translations/hr/2-Working-With-Data/07-python/assignment.md @@ -0,0 +1,37 @@ + +# Zadatak za obradu podataka u Pythonu + +U ovom zadatku tražimo od vas da razradite kod koji smo započeli razvijati u našim izazovima. Zadatak se sastoji od dva dijela: + +## Modeliranje širenja COVID-19 + + - [ ] Nacrtajte *R* grafove za 5-6 različitih zemalja na jednom grafu radi usporedbe, ili koristite nekoliko grafova jedan pored drugog. + - [ ] Pogledajte kako broj smrtnih slučajeva i oporavaka korelira s brojem zaraženih slučajeva. + - [ ] Utvrdite koliko dugo tipična bolest traje vizualno korelirajući stopu zaraze i stopu smrtnosti te tražeći neke anomalije. Možda ćete morati pogledati različite zemlje kako biste to otkrili. + - [ ] Izračunajte stopu smrtnosti i kako se ona mijenja tijekom vremena. *Možda ćete htjeti uzeti u obzir trajanje bolesti u danima kako biste pomaknuli jednu vremensku seriju prije nego što napravite izračune.* + +## Analiza radova o COVID-19 + +- [ ] Izgradite matricu ko-pojavljivanja različitih lijekova i pogledajte koji se lijekovi često pojavljuju zajedno (tj. spominju se u jednom sažetku). Možete modificirati kod za izgradnju matrice ko-pojavljivanja lijekova i dijagnoza. +- [ ] Vizualizirajte ovu matricu koristeći toplinsku kartu. +- [ ] Kao dodatni cilj, vizualizirajte ko-pojavljivanje lijekova koristeći [chord dijagram](https://en.wikipedia.org/wiki/Chord_diagram). [Ova biblioteka](https://pypi.org/project/chord/) može vam pomoći nacrtati chord dijagram. +- [ ] Kao još jedan dodatni cilj, izdvojite doze različitih lijekova (kao što je **400mg** u *uzimajte 400mg klorokina dnevno*) koristeći regularne izraze, i izgradite dataframe koji prikazuje različite doze za različite lijekove. **Napomena**: uzmite u obzir numeričke vrijednosti koje su u bliskom tekstualnom okruženju naziva lijeka. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | +Svi zadaci su dovršeni, grafički ilustrirani i objašnjeni, uključujući barem jedan od dva dodatna cilja | Više od 5 zadataka je dovršeno, dodatni ciljevi nisu pokušani, ili rezultati nisu jasni | Manje od 5 (ali više od 3) zadataka je dovršeno, vizualizacije ne pomažu u demonstraciji poante + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/08-data-preparation/README.md b/translations/hr/2-Working-With-Data/08-data-preparation/README.md new file mode 100644 index 00000000..2e4fc526 --- /dev/null +++ b/translations/hr/2-Working-With-Data/08-data-preparation/README.md @@ -0,0 +1,346 @@ + +# Rad s podacima: Priprema podataka + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)| +|:---:| +|Priprema podataka - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14) + +Ovisno o izvoru, sirovi podaci mogu sadržavati neke nedosljednosti koje će uzrokovati poteškoće u analizi i modeliranju. Drugim riječima, ti podaci mogu biti kategorizirani kao "nečisti" i potrebno ih je očistiti. Ova lekcija fokusira se na tehnike čišćenja i transformacije podataka kako bi se riješili problemi s nedostajućim, netočnim ili nepotpunim podacima. Teme obrađene u ovoj lekciji koriste Python i biblioteku Pandas te će biti [prikazane u bilježnici](notebook.ipynb) unutar ovog direktorija. + +## Važnost čišćenja podataka + +- **Jednostavnost korištenja i ponovne upotrebe**: Kada su podaci pravilno organizirani i normalizirani, lakše ih je pretraživati, koristiti i dijeliti s drugima. + +- **Dosljednost**: Znanost o podacima često zahtijeva rad s više skupova podataka, gdje se skupovi podataka iz različitih izvora moraju spojiti. Osiguravanje da svaki pojedini skup podataka ima zajedničku standardizaciju osigurava da podaci ostanu korisni kada se svi spoje u jedan skup podataka. + +- **Točnost modela**: Očišćeni podaci poboljšavaju točnost modela koji se na njih oslanjaju. + +## Uobičajeni ciljevi i strategije čišćenja + +- **Istraživanje skupa podataka**: Istraživanje podataka, koje je obrađeno u [kasnijoj lekciji](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), može vam pomoći otkriti podatke koje treba očistiti. Vizualno promatranje vrijednosti unutar skupa podataka može postaviti očekivanja o tome kako ostatak izgleda ili pružiti ideju o problemima koje treba riješiti. Istraživanje može uključivati osnovne upite, vizualizacije i uzorkovanje. + +- **Formatiranje**: Ovisno o izvoru, podaci mogu imati nedosljednosti u načinu na koji su predstavljeni. To može uzrokovati probleme u pretraživanju i prikazivanju vrijednosti, gdje se vidi unutar skupa podataka, ali nije pravilno prikazano u vizualizacijama ili rezultatima upita. Uobičajeni problemi s formatiranjem uključuju rješavanje razmaka, datuma i tipova podataka. Rješavanje problema s formatiranjem obično je odgovornost korisnika podataka. Na primjer, standardi o tome kako se datumi i brojevi prikazuju mogu se razlikovati od zemlje do zemlje. + +- **Duplikati**: Podaci koji se pojavljuju više puta mogu proizvesti netočne rezultate i obično ih treba ukloniti. Ovo je česta pojava kada se spajaju dva ili više skupa podataka. Međutim, postoje slučajevi kada duplikati u spojenim skupovima podataka sadrže dijelove koji mogu pružiti dodatne informacije i možda ih treba sačuvati. + +- **Nedostajući podaci**: Nedostajući podaci mogu uzrokovati netočnosti, kao i slabe ili pristrane rezultate. Ponekad se to može riješiti "ponovnim učitavanjem" podataka, popunjavanjem nedostajućih vrijednosti pomoću izračuna i koda poput Pythona ili jednostavno uklanjanjem vrijednosti i pripadajućih podataka. Postoji mnogo razloga zašto podaci mogu nedostajati, a radnje koje se poduzimaju za rješavanje tih nedostajućih vrijednosti mogu ovisiti o tome kako i zašto su nestali. + +## Istraživanje informacija o DataFrameu +> **Cilj učenja:** Na kraju ovog pododjeljka trebali biste biti ugodni u pronalaženju općih informacija o podacima pohranjenim u pandas DataFrameovima. + +Kada učitate svoje podatke u pandas, oni će najvjerojatnije biti u DataFrameu (pogledajte prethodnu [lekciju](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) za detaljan pregled). Međutim, ako skup podataka u vašem DataFrameu ima 60.000 redaka i 400 stupaca, kako uopće početi dobivati osjećaj za ono s čime radite? Srećom, [pandas](https://pandas.pydata.org/) pruža neke praktične alate za brzo pregledavanje općih informacija o DataFrameu, uz prve i posljednje retke. + +Kako bismo istražili ovu funkcionalnost, uvest ćemo Python biblioteku scikit-learn i koristiti poznati skup podataka: **Iris dataset**. + +```python +import pandas as pd +from sklearn.datasets import load_iris + +iris = load_iris() +iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names']) +``` +| |dužina čaške (cm)|širina čaške (cm)|dužina latice (cm)|širina latice (cm)| +|----------------------------------------|-----------------|-----------------|------------------|------------------| +|0 |5.1 |3.5 |1.4 |0.2 | +|1 |4.9 |3.0 |1.4 |0.2 | +|2 |4.7 |3.2 |1.3 |0.2 | +|3 |4.6 |3.1 |1.5 |0.2 | +|4 |5.0 |3.6 |1.4 |0.2 | + +- **DataFrame.info**: Za početak, metoda `info()` koristi se za ispis sažetka sadržaja prisutnog u `DataFrameu`. Pogledajmo ovaj skup podataka kako bismo vidjeli što imamo: +```python +iris_df.info() +``` +``` +RangeIndex: 150 entries, 0 to 149 +Data columns (total 4 columns): + # Column Non-Null Count Dtype +--- ------ -------------- ----- + 0 sepal length (cm) 150 non-null float64 + 1 sepal width (cm) 150 non-null float64 + 2 petal length (cm) 150 non-null float64 + 3 petal width (cm) 150 non-null float64 +dtypes: float64(4) +memory usage: 4.8 KB +``` +Iz ovoga znamo da *Iris* skup podataka ima 150 unosa u četiri stupca bez null unosa. Svi podaci pohranjeni su kao 64-bitni brojevi s pomičnim zarezom. + +- **DataFrame.head()**: Zatim, kako bismo provjerili stvarni sadržaj `DataFramea`, koristimo metodu `head()`. Pogledajmo kako izgledaju prvih nekoliko redaka našeg `iris_df`: +```python +iris_df.head() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +0 5.1 3.5 1.4 0.2 +1 4.9 3.0 1.4 0.2 +2 4.7 3.2 1.3 0.2 +3 4.6 3.1 1.5 0.2 +4 5.0 3.6 1.4 0.2 +``` +- **DataFrame.tail()**: Suprotno tome, kako bismo provjerili posljednjih nekoliko redaka `DataFramea`, koristimo metodu `tail()`: +```python +iris_df.tail() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +145 6.7 3.0 5.2 2.3 +146 6.3 2.5 5.0 1.9 +147 6.5 3.0 5.2 2.0 +148 6.2 3.4 5.4 2.3 +149 5.9 3.0 5.1 1.8 +``` +> **Zaključak:** Već samo promatranjem metapodataka o informacijama u DataFrameu ili prvih i posljednjih nekoliko vrijednosti u njemu, možete odmah dobiti ideju o veličini, obliku i sadržaju podataka s kojima radite. + +## Rješavanje nedostajućih podataka +> **Cilj učenja:** Na kraju ovog pododjeljka trebali biste znati kako zamijeniti ili ukloniti null vrijednosti iz DataFrameova. + +Većinu vremena skupovi podataka koje želite koristiti (ili morate koristiti) imaju nedostajuće vrijednosti. Način na koji se nedostajući podaci obrađuju nosi suptilne kompromise koji mogu utjecati na vašu konačnu analizu i stvarne rezultate. + +Pandas obrađuje nedostajuće vrijednosti na dva načina. Prvi ste već vidjeli u prethodnim odjeljcima: `NaN`, ili Not a Number. Ovo je zapravo posebna vrijednost koja je dio IEEE specifikacije za brojeve s pomičnim zarezom i koristi se samo za označavanje nedostajućih vrijednosti s pomičnim zarezom. + +Za nedostajuće vrijednosti osim brojeva s pomičnim zarezom, pandas koristi Python objekt `None`. Iako se može činiti zbunjujućim da ćete naići na dvije različite vrste vrijednosti koje u osnovi govore isto, postoje valjani programerski razlozi za ovaj dizajnerski izbor i, u praksi, ovaj pristup omogućuje pandas biblioteci da pruži dobar kompromis za veliku većinu slučajeva. Bez obzira na to, i `None` i `NaN` imaju ograničenja koja morate imati na umu u vezi s načinom na koji se mogu koristiti. + +Pogledajte više o `NaN` i `None` u [bilježnici](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)! + +- **Otkrivanje null vrijednosti**: U `pandas`, metode `isnull()` i `notnull()` su vaše primarne metode za otkrivanje null podataka. Obje vraćaju Booleanske maske nad vašim podacima. Koristit ćemo `numpy` za `NaN` vrijednosti: +```python +import numpy as np + +example1 = pd.Series([0, np.nan, '', None]) +example1.isnull() +``` +``` +0 False +1 True +2 False +3 True +dtype: bool +``` +Pažljivo pogledajte izlaz. Iznenađuje li vas nešto? Iako je `0` aritmetički null, ipak je savršeno dobar cijeli broj i pandas ga tako tretira. `''` je malo suptilniji. Iako smo ga koristili u odjeljku 1 za predstavljanje prazne vrijednosti niza, ipak je objekt niza, a ne predstavljanje null vrijednosti prema pandas biblioteci. + +Sada, okrenimo ovo i koristimo ove metode na način koji je sličniji onome kako ćete ih koristiti u praksi. Možete koristiti Booleanske maske izravno kao indeks ``Series`` ili ``DataFrame``, što može biti korisno kada pokušavate raditi s izoliranim nedostajućim (ili prisutnim) vrijednostima. + +> **Zaključak**: Obje metode `isnull()` i `notnull()` proizvode slične rezultate kada ih koristite u `DataFrameovima`: prikazuju rezultate i indeks tih rezultata, što će vam uvelike pomoći dok se borite s vašim podacima. + +- **Uklanjanje null vrijednosti**: Osim identificiranja nedostajućih vrijednosti, pandas pruža praktičan način za uklanjanje null vrijednosti iz `Series` i `DataFrameova`. (Posebno kod velikih skupova podataka, često je preporučljivije jednostavno ukloniti nedostajuće [NA] vrijednosti iz vaše analize nego se nositi s njima na druge načine.) Kako bismo to vidjeli u praksi, vratimo se na `example1`: +```python +example1 = example1.dropna() +example1 +``` +``` +0 0 +2 +dtype: object +``` +Primijetite da bi ovo trebalo izgledati kao vaš izlaz iz `example3[example3.notnull()]`. Razlika ovdje je u tome što, umjesto da samo indeksira na maskirane vrijednosti, `dropna` je uklonio te nedostajuće vrijednosti iz `Series` `example1`. + +Budući da `DataFrameovi` imaju dvije dimenzije, pružaju više opcija za uklanjanje podataka. + +```python +example2 = pd.DataFrame([[1, np.nan, 7], + [2, 5, 8], + [np.nan, 6, 9]]) +example2 +``` +| | 0 | 1 | 2 | +|------|---|---|---| +|0 |1.0|NaN|7 | +|1 |2.0|5.0|8 | +|2 |NaN|6.0|9 | + +(Jeste li primijetili da je pandas promijenio dva stupca u brojeve s pomičnim zarezom kako bi prilagodio `NaN`?) + +Ne možete ukloniti jednu vrijednost iz `DataFramea`, pa morate ukloniti cijele retke ili stupce. Ovisno o tome što radite, možda ćete htjeti učiniti jedno ili drugo, pa pandas daje opcije za oba. Budući da u znanosti o podacima stupci općenito predstavljaju varijable, a redovi predstavljaju opažanja, vjerojatnije je da ćete ukloniti retke podataka; zadana postavka za `dropna()` je uklanjanje svih redaka koji sadrže bilo koje null vrijednosti: + +```python +example2.dropna() +``` +``` + 0 1 2 +1 2.0 5.0 8 +``` +Ako je potrebno, možete ukloniti NA vrijednosti iz stupaca. Koristite `axis=1` za to: +```python +example2.dropna(axis='columns') +``` +``` + 2 +0 7 +1 8 +2 9 +``` +Primijetite da ovo može ukloniti puno podataka koje možda želite zadržati, posebno u manjim skupovima podataka. Što ako želite ukloniti samo retke ili stupce koji sadrže nekoliko ili čak sve null vrijednosti? Te postavke možete odrediti u `dropna` pomoću parametara `how` i `thresh`. + +Prema zadanim postavkama, `how='any'` (ako želite provjeriti sami ili vidjeti koje druge parametre metoda ima, pokrenite `example4.dropna?` u ćeliji koda). Alternativno, možete odrediti `how='all'` kako biste uklonili samo retke ili stupce koji sadrže sve null vrijednosti. Proširimo naš primjer `DataFrame` kako bismo to vidjeli u praksi. + +```python +example2[3] = np.nan +example2 +``` +| |0 |1 |2 |3 | +|------|---|---|---|---| +|0 |1.0|NaN|7 |NaN| +|1 |2.0|5.0|8 |NaN| +|2 |NaN|6.0|9 |NaN| + +Parametar `thresh` daje vam precizniju kontrolu: postavljate broj *ne-null* vrijednosti koje redak ili stupac mora imati kako bi se zadržao: +```python +example2.dropna(axis='rows', thresh=3) +``` +``` + 0 1 2 3 +1 2.0 5.0 8 NaN +``` +Ovdje su prvi i posljednji redak uklonjeni jer sadrže samo dvije ne-null vrijednosti. + +- **Popunjavanje null vrijednosti**: Ovisno o vašem skupu podataka, ponekad može imati više smisla popuniti null vrijednosti valjanima nego ih ukloniti. Mogli biste koristiti `isnull` za to na licu mjesta, ali to može biti zamorno, posebno ako imate puno vrijednosti za popuniti. Budući da je ovo tako čest zadatak u znanosti o podacima, pandas pruža `fillna`, koji vraća kopiju `Series` ili `DataFramea` s nedostajućim vrijednostima zamijenjenim onima koje odaberete. Stvorimo još jedan primjer `Series` kako bismo vidjeli kako ovo funkcionira u praksi. +```python +example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde')) +example3 +``` +``` +a 1.0 +b NaN +c 2.0 +d NaN +e 3.0 +dtype: float64 +``` +Možete popuniti sve null unose jednom vrijednošću, poput `0`: +```python +example3.fillna(0) +``` +``` +a 1.0 +b 0.0 +c 2.0 +d 0.0 +e 3.0 +dtype: float64 +``` +Možete **popuniti unaprijed** null vrijednosti, koristeći posljednju valjanu vrijednost za popunjavanje null: +```python +example3.fillna(method='ffill') +``` +``` +a 1.0 +b 1.0 +c 2.0 +d 2.0 +e 3.0 +dtype: float64 +``` +Također možete **popuniti unatrag** kako biste propagirali sljedeću valjanu vrijednost unatrag za popunjavanje null: +```python +example3.fillna(method='bfill') +``` +``` +a 1.0 +b 2.0 +c 2.0 +d 3.0 +e 3.0 +dtype: float64 +``` +Kao što možete pretpostaviti, ovo funkcionira isto s `DataFrameovima`, ali također možete odrediti `axis` duž kojeg želite popuniti null vrijednosti. Koristeći ponovno prethodno korišteni `example2`: +```python +example2.fillna(method='ffill', axis=1) +``` +``` + 0 1 2 3 +0 1.0 1.0 7.0 7.0 +1 2.0 5.0 8.0 8.0 +2 NaN 6.0 9.0 9.0 +``` +Primijetite da kada prethodna vrijednost nije dostupna za popunjavanje unaprijed, null vrijednost ostaje. +> **Ključna poruka:** Postoji više načina za rješavanje nedostajućih vrijednosti u vašim skupovima podataka. Specifična strategija koju koristite (uklanjanje, zamjena ili način na koji ih zamjenjujete) trebala bi biti određena karakteristikama tih podataka. Razvijat ćete bolji osjećaj za rješavanje nedostajućih vrijednosti što više radite s podacima i analizirate ih. + +## Uklanjanje dupliciranih podataka + +> **Cilj učenja:** Na kraju ovog pododjeljka trebali biste se osjećati ugodno u prepoznavanju i uklanjanju dupliciranih vrijednosti iz DataFrameova. + +Osim nedostajućih podataka, često ćete naići na duplicirane podatke u stvarnim skupovima podataka. Srećom, `pandas` pruža jednostavan način za otkrivanje i uklanjanje dupliciranih unosa. + +- **Prepoznavanje duplikata: `duplicated`**: Lako možete uočiti duplicirane vrijednosti koristeći metodu `duplicated` u pandas biblioteci, koja vraća Booleovu masku koja pokazuje je li unos u `DataFrameu` duplikat ranijeg unosa. Napravimo još jedan primjer `DataFramea` kako bismo vidjeli kako to funkcionira. +```python +example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'], + 'numbers': [1, 2, 1, 3, 3]}) +example4 +``` +| |letters|numbers| +|------|-------|-------| +|0 |A |1 | +|1 |B |2 | +|2 |A |1 | +|3 |B |3 | +|4 |B |3 | + +```python +example4.duplicated() +``` +``` +0 False +1 False +2 True +3 False +4 True +dtype: bool +``` +- **Uklanjanje duplikata: `drop_duplicates`:** jednostavno vraća kopiju podataka za koje su sve `duplicated` vrijednosti `False`: +```python +example4.drop_duplicates() +``` +``` + letters numbers +0 A 1 +1 B 2 +3 B 3 +``` +Obje metode, `duplicated` i `drop_duplicates`, prema zadanim postavkama uzimaju u obzir sve stupce, ali možete specificirati da pregledaju samo podskup stupaca u vašem `DataFrameu`: +```python +example4.drop_duplicates(['letters']) +``` +``` +letters numbers +0 A 1 +1 B 2 +``` + +> **Ključna poruka:** Uklanjanje dupliciranih podataka ključni je dio gotovo svakog projekta u području znanosti o podacima. Duplicirani podaci mogu promijeniti rezultate vaših analiza i dovesti do netočnih zaključaka! + + +## 🚀 Izazov + +Svi materijali koji su obrađeni dostupni su kao [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Osim toga, nakon svakog odjeljka nalaze se vježbe – isprobajte ih! + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15) + + + +## Pregled i samostalno učenje + +Postoji mnogo načina za otkrivanje i pristup pripremi vaših podataka za analizu i modeliranje, a čišćenje podataka važan je korak koji zahtijeva praktično iskustvo. Isprobajte ove izazove na Kaggleu kako biste istražili tehnike koje nisu obrađene u ovoj lekciji. + +- [Izazov čišćenja podataka: Parsiranje datuma](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/) + +- [Izazov čišćenja podataka: Skaliranje i normalizacija podataka](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data) + + +## Zadatak + +[Procjena podataka iz obrasca](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/08-data-preparation/assignment.md b/translations/hr/2-Working-With-Data/08-data-preparation/assignment.md new file mode 100644 index 00000000..9f4ac9d0 --- /dev/null +++ b/translations/hr/2-Working-With-Data/08-data-preparation/assignment.md @@ -0,0 +1,28 @@ + +# Procjena podataka iz obrasca + +Klijent je testirao [mali obrazac](../../../../2-Working-With-Data/08-data-preparation/index.html) za prikupljanje osnovnih podataka o svojoj bazi klijenata. Donijeli su vam svoje nalaze kako biste provjerili podatke koje su prikupili. Možete otvoriti stranicu `index.html` u pregledniku kako biste pogledali obrazac. + +Dobili ste [skup podataka s csv zapisima](../../../../data/form.csv) koji sadrže unose iz obrasca, kao i neke osnovne vizualizacije. Klijent je istaknuo da neke od vizualizacija izgledaju netočno, ali nisu sigurni kako to riješiti. Možete ih istražiti u [bilježnici zadatka](assignment.ipynb). + +## Upute + +Koristite tehnike iz ove lekcije kako biste dali preporuke o obrascu tako da prikuplja točne i dosljedne informacije. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | --- + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakva pogrešna shvaćanja ili tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/2-Working-With-Data/README.md b/translations/hr/2-Working-With-Data/README.md new file mode 100644 index 00000000..cc3da4c5 --- /dev/null +++ b/translations/hr/2-Working-With-Data/README.md @@ -0,0 +1,31 @@ + +# Rad s podacima + +![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.hr.jpg) +> Fotografija autora Alexander Sinn na Unsplash + +U ovim lekcijama naučit ćete neke od načina na koje se podaci mogu upravljati, manipulirati i koristiti u aplikacijama. Naučit ćete o relacijskim i nerelacijskim bazama podataka te kako se podaci mogu pohranjivati u njima. Upoznat ćete osnove rada s Pythonom za upravljanje podacima i otkriti neke od brojnih načina na koje možete koristiti Python za upravljanje i analizu podataka. + +### Teme + +1. [Relacijske baze podataka](05-relational-databases/README.md) +2. [Nerelacijske baze podataka](06-non-relational/README.md) +3. [Rad s Pythonom](07-python/README.md) +4. [Priprema podataka](08-data-preparation/README.md) + +### Zasluge + +Ove lekcije napisane su s ❤️ od strane [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) i [Jasmine Greenaway](https://twitter.com/paladique) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/09-visualization-quantities/README.md b/translations/hr/3-Data-Visualization/09-visualization-quantities/README.md new file mode 100644 index 00000000..05f9ca68 --- /dev/null +++ b/translations/hr/3-Data-Visualization/09-visualization-quantities/README.md @@ -0,0 +1,217 @@ + +# Vizualizacija količina + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Vizualizacija količina - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +U ovoj lekciji istražit ćete kako koristiti jednu od mnogih dostupnih Python biblioteka za stvaranje zanimljivih vizualizacija vezanih uz koncept količine. Koristeći očišćeni skup podataka o pticama Minnesote, možete naučiti mnoge zanimljive činjenice o lokalnom životinjskom svijetu. +## [Prethodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Promatranje raspona krila pomoću Matplotliba + +Izvrsna biblioteka za stvaranje jednostavnih i sofisticiranih grafova i dijagrama različitih vrsta je [Matplotlib](https://matplotlib.org/stable/index.html). Općenito, proces crtanja podataka pomoću ovih biblioteka uključuje identificiranje dijelova vašeg dataframea koje želite ciljati, provođenje potrebnih transformacija na tim podacima, dodjeljivanje vrijednosti za x i y osi, odlučivanje o vrsti grafikona koji želite prikazati, te zatim prikazivanje grafikona. Matplotlib nudi veliki izbor vizualizacija, ali za ovu lekciju fokusirat ćemo se na one najprikladnije za vizualizaciju količine: linijski grafikoni, raspršeni grafikoni i stupčasti grafikoni. + +> ✅ Koristite najbolji grafikon koji odgovara strukturi vaših podataka i priči koju želite ispričati. +> - Za analizu trendova kroz vrijeme: linijski +> - Za usporedbu vrijednosti: stupčasti, kolonski, tortni, raspršeni grafikoni +> - Za prikaz odnosa dijelova prema cjelini: tortni +> - Za prikaz distribucije podataka: raspršeni, stupčasti grafikoni +> - Za prikaz trendova: linijski, kolonski +> - Za prikaz odnosa između vrijednosti: linijski, raspršeni, mjehuričasti grafikoni + +Ako imate skup podataka i trebate otkriti koliko je određene stavke uključeno, jedan od prvih zadataka bit će inspekcija njegovih vrijednosti. + +✅ Dostupni su vrlo dobri 'cheat sheets' za Matplotlib [ovdje](https://matplotlib.org/cheatsheets/cheatsheets.pdf). + +## Izradite linijski grafikon o vrijednostima raspona krila ptica + +Otvorite datoteku `notebook.ipynb` u korijenu ove mape lekcije i dodajte ćeliju. + +> Napomena: podaci se nalaze u korijenu ovog repozitorija u mapi `/data`. + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` +Ovi podaci su mješavina teksta i brojeva: + +| | Ime | ZnanstvenoIme | Kategorija | Red | Porodica | Rod | StatusOčuvanja | MinDužina | MaxDužina | MinTjelesnaMasa | MaxTjelesnaMasa | MinRasponKrila | MaxRasponKrila | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | -------------: | -------------: | -------------: | -------------: | +| 0 | Crno-trbušni zviždukavi patak | Dendrocygna autumnalis | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Žuto-smeđi zviždukavi patak | Dendrocygna bicolor | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snježna guska | Anser caerulescens | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova guska | Anser rossii | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Veća bijelo-čelna guska | Anser albifrons | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Započnimo s crtanjem nekih numeričkih podataka koristeći osnovni linijski grafikon. Pretpostavimo da želite vidjeti maksimalni raspon krila ovih zanimljivih ptica. + +```python +wingspan = birds['MaxWingspan'] +wingspan.plot() +``` +![Max Raspon Krila](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.hr.png) + +Što odmah primjećujete? Čini se da postoji barem jedan izniman podatak - to je prilično velik raspon krila! Raspon krila od 2300 centimetara iznosi 23 metra - postoje li Pterodaktili u Minnesoti? Istražimo. + +Iako biste mogli brzo sortirati podatke u Excelu kako biste pronašli te iznimne podatke, koji su vjerojatno tipografske greške, nastavite proces vizualizacije radeći iz grafikona. + +Dodajte oznake na x-os kako biste prikazali o kojim se pticama radi: + +``` +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.xticks(rotation=45) +x = birds['Name'] +y = birds['MaxWingspan'] + +plt.plot(x, y) + +plt.show() +``` +![raspon krila s oznakama](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.hr.png) + +Čak i s rotacijom oznaka postavljenom na 45 stupnjeva, previše ih je za čitanje. Pokušajmo drugačiju strategiju: označimo samo te iznimne podatke i postavimo oznake unutar grafikona. Možete koristiti raspršeni grafikon kako biste napravili više prostora za označavanje: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) + +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + plt.plot(x, y, 'bo') + if birds['MaxWingspan'][i] > 500: + plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12) + +plt.show() +``` +Što se ovdje događa? Koristili ste `tick_params` za skrivanje donjih oznaka, a zatim ste stvorili petlju preko vašeg skupa podataka o pticama. Crtajući grafikon s malim plavim točkama pomoću `bo`, provjerili ste ima li ptica s maksimalnim rasponom krila većim od 500 i prikazali njihovu oznaku pored točke ako je tako. Malo ste pomaknuli oznake na y osi (`y * (1 - 0.05)`) i koristili ime ptice kao oznaku. + +Što ste otkrili? + +![iznimni podaci](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.hr.png) +## Filtrirajte svoje podatke + +I ćelavi orao i prerijski sokol, iako vjerojatno vrlo velike ptice, čini se da su pogrešno označeni, s dodatnom `0` dodanom njihovom maksimalnom rasponu krila. Malo je vjerojatno da ćete sresti ćelavog orla s rasponom krila od 25 metara, ali ako se to dogodi, molimo vas da nas obavijestite! Stvorimo novi dataframe bez ta dva iznimna podatka: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']: + plt.plot(x, y, 'bo') +plt.show() +``` + +Filtriranjem iznimnih podataka, vaši podaci sada su kohezivniji i razumljiviji. + +![raspršeni grafikon raspona krila](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.hr.png) + +Sada kada imamo čišći skup podataka barem u smislu raspona krila, istražimo više o ovim pticama. + +Dok linijski i raspršeni grafikoni mogu prikazati informacije o vrijednostima podataka i njihovim distribucijama, želimo razmišljati o vrijednostima inherentnim u ovom skupu podataka. Mogli biste stvoriti vizualizacije kako biste odgovorili na sljedeća pitanja o količini: + +> Koliko kategorija ptica postoji i koji su njihovi brojevi? +> Koliko ptica je izumrlo, ugroženo, rijetko ili uobičajeno? +> Koliko ih ima u različitim rodovima i redovima prema Linnaeusovoj terminologiji? +## Istražite stupčaste grafikone + +Stupčasti grafikoni su praktični kada trebate prikazati grupiranje podataka. Istražimo kategorije ptica koje postoje u ovom skupu podataka kako bismo vidjeli koja je najčešća po broju. + +U datoteci notebook stvorite osnovni stupčasti grafikon. + +✅ Napomena, možete ili filtrirati dvije iznimne ptice koje smo identificirali u prethodnom odjeljku, urediti tipografske greške u njihovom rasponu krila, ili ih ostaviti za ove vježbe koje ne ovise o vrijednostima raspona krila. + +Ako želite stvoriti stupčasti grafikon, možete odabrati podatke na koje se želite fokusirati. Stupčasti grafikoni mogu se stvoriti iz sirovih podataka: + +```python +birds.plot(x='Category', + kind='bar', + stacked=True, + title='Birds of Minnesota') + +``` +![svi podaci kao stupčasti grafikon](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.hr.png) + +Ovaj stupčasti grafikon, međutim, nije čitljiv jer ima previše negrupiranih podataka. Trebate odabrati samo podatke koje želite prikazati, pa pogledajmo duljinu ptica na temelju njihove kategorije. + +Filtrirajte svoje podatke kako biste uključili samo kategoriju ptica. + +✅ Primijetite da koristite Pandas za upravljanje podacima, a zatim dopuštate Matplotlibu da obavi crtanje. + +Budući da postoji mnogo kategorija, možete prikazati ovaj grafikon vertikalno i prilagoditi njegovu visinu kako bi obuhvatio sve podatke: + +```python +category_count = birds.value_counts(birds['Category'].values, sort=True) +plt.rcParams['figure.figsize'] = [6, 12] +category_count.plot.barh() +``` +![kategorija i duljina](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.hr.png) + +Ovaj stupčasti grafikon pruža dobar pregled broja ptica u svakoj kategoriji. Na prvi pogled vidite da je najveći broj ptica u ovoj regiji u kategoriji Patke/Guske/Vodene ptice. Minnesota je 'zemlja 10.000 jezera', pa to nije iznenađujuće! + +✅ Isprobajte neke druge brojeve na ovom skupu podataka. Iznenađuje li vas nešto? + +## Usporedba podataka + +Možete isprobati različite usporedbe grupiranih podataka stvaranjem novih osi. Isprobajte usporedbu MaxDužine ptice, na temelju njezine kategorije: + +```python +maxlength = birds['MaxLength'] +plt.barh(y=birds['Category'], width=maxlength) +plt.rcParams['figure.figsize'] = [6, 12] +plt.show() +``` +![usporedba podataka](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.hr.png) + +Ništa ovdje nije iznenađujuće: kolibrići imaju najmanju MaxDužinu u usporedbi s pelikanima ili guskama. Dobro je kada podaci imaju logičan smisao! + +Možete stvoriti zanimljivije vizualizacije stupčastih grafikona superponiranjem podataka. Superponirajmo Minimalnu i Maksimalnu Dužinu na određenu kategoriju ptica: + +```python +minLength = birds['MinLength'] +maxLength = birds['MaxLength'] +category = birds['Category'] + +plt.barh(category, maxLength) +plt.barh(category, minLength) + +plt.show() +``` +Na ovom grafikonu možete vidjeti raspon po kategoriji ptica za Minimalnu Dužinu i Maksimalnu Dužinu. Možete sigurno reći da, prema ovim podacima, što je ptica veća, veći je njezin raspon duljine. Fascinantno! + +![superponirane vrijednosti](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.hr.png) + +## 🚀 Izazov + +Ovaj skup podataka o pticama nudi bogatstvo informacija o različitim vrstama ptica unutar određenog ekosustava. Pretražite internet i provjerite možete li pronaći druge skupove podataka o pticama. Vježbajte izradu grafikona i dijagrama o ovim pticama kako biste otkrili činjenice koje niste znali. +## [Kviz nakon lekcije](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Pregled i samostalno učenje + +Ova prva lekcija dala vam je neke informacije o tome kako koristiti Matplotlib za vizualizaciju količina. Istražite druge načine rada s skupovima podataka za vizualizaciju. [Plotly](https://github.com/plotly/plotly.py) je jedan od alata koji nećemo pokriti u ovim lekcijama, pa pogledajte što vam može ponuditi. +## Zadatak + +[Linije, Raspršeni grafikoni i Stupčasti grafikoni](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/hr/3-Data-Visualization/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..d536e7da --- /dev/null +++ b/translations/hr/3-Data-Visualization/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Linije, Raspršenja i Stupci + +## Upute + +U ovoj lekciji radili ste s linijskim grafikonima, raspršenim grafikonima i stupčastim grafikonima kako biste prikazali zanimljive činjenice o ovom skupu podataka. U ovom zadatku istražite dublje skup podataka kako biste otkrili činjenicu o određenoj vrsti ptice. Na primjer, izradite bilježnicu koja vizualizira sve zanimljive podatke koje možete pronaći o snježnim guskama. Koristite tri gore navedena grafikona kako biste ispričali priču u svojoj bilježnici. + +## Rubrika + +Primjeran | Zadovoljavajući | Potrebno poboljšanje +--- | --- | -- | +Bilježnica je predstavljena s dobrim bilješkama, čvrstom pričom i privlačnim grafikonima | Bilježnici nedostaje jedan od ovih elemenata | Bilježnici nedostaju dva od ovih elemenata + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/10-visualization-distributions/README.md b/translations/hr/3-Data-Visualization/10-visualization-distributions/README.md new file mode 100644 index 00000000..da563859 --- /dev/null +++ b/translations/hr/3-Data-Visualization/10-visualization-distributions/README.md @@ -0,0 +1,217 @@ + +# Vizualizacija distribucija + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Vizualizacija distribucija - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +U prethodnoj lekciji naučili ste neke zanimljive činjenice o skupu podataka o pticama Minnesote. Pronašli ste pogrešne podatke vizualizacijom odstupanja i pogledali razlike između kategorija ptica prema njihovoj maksimalnoj duljini. + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Istražite skup podataka o pticama + +Još jedan način za istraživanje podataka je promatranje njihove distribucije, odnosno kako su podaci organizirani duž osi. Možda, na primjer, želite saznati opću distribuciju maksimalnog raspona krila ili maksimalne tjelesne mase ptica Minnesote u ovom skupu podataka. + +Otkrijmo neke činjenice o distribucijama podataka u ovom skupu podataka. U datoteci _notebook.ipynb_ koja se nalazi u korijenskoj mapi ove lekcije, uvezite Pandas, Matplotlib i svoje podatke: + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` + +| | Ime | ZnanstvenoIme | Kategorija | Red | Porodica | Rod | StatusOčuvanja | MinDuljina | MaxDuljina | MinTjelesnaMasa | MaxTjelesnaMasa | MinRasponKrila | MaxRasponKrila | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Crno-trbušni zviždukavi patak | Dendrocygna autumnalis | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Žuto-smeđi zviždukavi patak | Dendrocygna bicolor | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snježna guska | Anser caerulescens | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova guska | Anser rossii | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Veća bijelo-čela guska | Anser albifrons | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Općenito, možete brzo pogledati način na koji su podaci raspoređeni pomoću raspršenog grafikona, kao što smo to učinili u prethodnoj lekciji: + +```python +birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8)) + +plt.title('Max Length per Order') +plt.ylabel('Order') +plt.xlabel('Max Length') + +plt.show() +``` +![maksimalna duljina po redu](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.hr.png) + +Ovo daje pregled opće distribucije duljine tijela po redu ptica, ali nije optimalan način za prikaz stvarnih distribucija. Taj zadatak obično se obavlja stvaranjem histograma. + +## Rad s histogramima + +Matplotlib nudi vrlo dobre načine za vizualizaciju distribucije podataka pomoću histograma. Ova vrsta grafikona je poput stupčastog grafikona gdje se distribucija može vidjeti kroz porast i pad stupaca. Za izradu histograma potrebni su vam numerički podaci. Za izradu histograma možete nacrtati grafikon definirajući vrstu kao 'hist' za histogram. Ovaj grafikon prikazuje distribuciju MaxBodyMass za cijeli raspon numeričkih podataka u skupu podataka. Dijeljenjem niza podataka na manje binove, može prikazati distribuciju vrijednosti podataka: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12)) +plt.show() +``` +![distribucija cijelog skupa podataka](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.hr.png) + +Kao što možete vidjeti, većina od 400+ ptica u ovom skupu podataka spada u raspon ispod 2000 za njihovu maksimalnu tjelesnu masu. Dobijte više uvida u podatke promjenom parametra `bins` na veći broj, nešto poput 30: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12)) +plt.show() +``` +![distribucija cijelog skupa podataka s većim binovima](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.hr.png) + +Ovaj grafikon prikazuje distribuciju na malo detaljniji način. Grafikon manje nagnut ulijevo mogao bi se stvoriti osiguravanjem da odaberete samo podatke unutar određenog raspona: + +Filtrirajte svoje podatke kako biste dobili samo one ptice čija je tjelesna masa ispod 60 i prikažite 40 `bins`: + +```python +filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] +filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12)) +plt.show() +``` +![filtrirani histogram](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.hr.png) + +✅ Isprobajte neke druge filtre i podatkovne točke. Da biste vidjeli punu distribuciju podataka, uklonite filter `['MaxBodyMass']` kako biste prikazali označene distribucije. + +Histogram nudi i neke lijepe mogućnosti za boje i označavanje: + +Napravite 2D histogram za usporedbu odnosa između dvije distribucije. Usporedimo `MaxBodyMass` i `MaxLength`. Matplotlib nudi ugrađeni način prikazivanja konvergencije pomoću svjetlijih boja: + +```python +x = filteredBirds['MaxBodyMass'] +y = filteredBirds['MaxLength'] + +fig, ax = plt.subplots(tight_layout=True) +hist = ax.hist2d(x, y) +``` +Čini se da postoji očekivana korelacija između ovih dvaju elemenata duž očekivane osi, s jednom posebno jakom točkom konvergencije: + +![2D grafikon](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.hr.png) + +Histograme je po defaultu lako koristiti za numeričke podatke. Što ako trebate vidjeti distribucije prema tekstualnim podacima? +## Istražite skup podataka za distribucije koristeći tekstualne podatke + +Ovaj skup podataka također uključuje dobre informacije o kategoriji ptica, njihovom rodu, vrsti i porodici, kao i o njihovom statusu očuvanja. Istražimo ove informacije o očuvanju. Kakva je distribucija ptica prema njihovom statusu očuvanja? + +> ✅ U skupu podataka koristi se nekoliko akronima za opisivanje statusa očuvanja. Ovi akronimi dolaze iz [IUCN Red List Categories](https://www.iucnredlist.org/), organizacije koja katalogizira status vrsta. +> +> - CR: Kritično ugrožene +> - EN: Ugrožene +> - EX: Izumrle +> - LC: Najmanje zabrinjavajuće +> - NT: Blizu ugroženosti +> - VU: Ranjive + +Ovo su tekstualne vrijednosti pa ćete morati napraviti transformaciju kako biste stvorili histogram. Koristeći filtriraniBirds dataframe, prikažite njegov status očuvanja uz njegov minimalni raspon krila. Što vidite? + +```python +x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] +x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] +x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] +x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] +x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] +x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] + +kwargs = dict(alpha=0.5, bins=20) + +plt.hist(x1, **kwargs, color='red', label='Extinct') +plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') +plt.hist(x3, **kwargs, color='yellow', label='Endangered') +plt.hist(x4, **kwargs, color='green', label='Near Threatened') +plt.hist(x5, **kwargs, color='blue', label='Vulnerable') +plt.hist(x6, **kwargs, color='gray', label='Least Concern') + +plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') +plt.legend(); +``` + +![raspon krila i status očuvanja](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.hr.png) + +Čini se da ne postoji dobra korelacija između minimalnog raspona krila i statusa očuvanja. Testirajte druge elemente skupa podataka koristeći ovu metodu. Možete isprobati i različite filtre. Nalazite li neku korelaciju? + +## Grafovi gustoće + +Možda ste primijetili da su histogrami koje smo dosad gledali 'stepeni' i ne teku glatko u luku. Da biste prikazali glatkiji grafikon gustoće, možete isprobati graf gustoće. + +Za rad s grafovima gustoće, upoznajte se s novom bibliotekom za crtanje, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). + +Učitajte Seaborn i isprobajte osnovni graf gustoće: + +```python +import seaborn as sns +import matplotlib.pyplot as plt +sns.kdeplot(filteredBirds['MinWingspan']) +plt.show() +``` +![Graf gustoće](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.hr.png) + +Možete vidjeti kako grafikon odražava prethodni za podatke o minimalnom rasponu krila; samo je malo glatkiji. Prema dokumentaciji Seaborna, "U usporedbi s histogramom, KDE može proizvesti grafikon koji je manje zagušen i lakše razumljiv, posebno kada se crtaju više distribucija. Ali ima potencijal za uvođenje distorzija ako je osnovna distribucija ograničena ili nije glatka. Kao i histogram, kvaliteta prikaza također ovisi o odabiru dobrih parametara za zaglađivanje." [izvor](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Drugim riječima, odstupanja će, kao i uvijek, loše utjecati na vaše grafikone. + +Ako želite ponovno pogledati onu nazubljenu liniju MaxBodyMass u drugom grafikonu koji ste izradili, mogli biste je vrlo dobro izgladiti koristeći ovu metodu: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass']) +plt.show() +``` +![glatka linija tjelesne mase](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.hr.png) + +Ako želite glatku, ali ne previše glatku liniju, uredite parametar `bw_adjust`: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) +plt.show() +``` +![manje glatka linija tjelesne mase](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.hr.png) + +✅ Pročitajte o dostupnim parametrima za ovu vrstu grafikona i eksperimentirajte! + +Ova vrsta grafikona nudi prekrasno objašnjavajuće vizualizacije. S nekoliko linija koda, na primjer, možete prikazati gustoću maksimalne tjelesne mase po redu ptica: + +```python +sns.kdeplot( + data=filteredBirds, x="MaxBodyMass", hue="Order", + fill=True, common_norm=False, palette="crest", + alpha=.5, linewidth=0, +) +``` + +![tjelesna masa po redu](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.hr.png) + +Također možete mapirati gustoću nekoliko varijabli na jednom grafikonu. Testirajte maksimalnu i minimalnu duljinu ptice u usporedbi s njihovim statusom očuvanja: + +```python +sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus") +``` + +![više gustoća, preklopljene](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.hr.png) + +Možda vrijedi istražiti je li skupina 'Ranjivih' ptica prema njihovim duljinama značajna ili ne. + +## 🚀 Izazov + +Histogrami su sofisticiranija vrsta grafikona od osnovnih raspršenih grafikona, stupčastih grafikona ili linijskih grafikona. Potražite na internetu dobre primjere korištenja histograma. Kako se koriste, što pokazuju i u kojim područjima ili područjima istraživanja se obično koriste? + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Pregled i samostalno učenje + +U ovoj lekciji koristili ste Matplotlib i počeli raditi sa Seabornom kako biste prikazali sofisticiranije grafikone. Istražite `kdeplot` u Seabornu, "kontinuiranu krivulju gustoće vjerojatnosti u jednoj ili više dimenzija". Pročitajte [dokumentaciju](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) kako biste razumjeli kako funkcionira. + +## Zadatak + +[Primijenite svoje vještine](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/hr/3-Data-Visualization/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..166d7251 --- /dev/null +++ b/translations/hr/3-Data-Visualization/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Primijenite svoje vještine + +## Upute + +Do sada ste radili s podacima o pticama iz Minnesote kako biste otkrili informacije o količinama ptica i gustoći populacije. Vježbajte primjenu ovih tehnika koristeći neki drugi skup podataka, možda preuzet s [Kaggle](https://www.kaggle.com/). Izradite bilježnicu koja priča priču o ovom skupu podataka i obavezno koristite histograme prilikom analize. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | +Bilježnica je predstavljena s bilješkama o ovom skupu podataka, uključujući njegov izvor, i koristi najmanje 5 histograma za otkrivanje činjenica o podacima. | Bilježnica je predstavljena s nepotpunim bilješkama ili greškama. | Bilježnica je predstavljena bez bilješki i sadrži greške. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/11-visualization-proportions/README.md b/translations/hr/3-Data-Visualization/11-visualization-proportions/README.md new file mode 100644 index 00000000..4833218a --- /dev/null +++ b/translations/hr/3-Data-Visualization/11-visualization-proportions/README.md @@ -0,0 +1,205 @@ + +# Vizualizacija proporcija + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Vizualizacija proporcija - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +U ovoj lekciji koristit ćete drugačiji dataset fokusiran na prirodu kako biste vizualizirali proporcije, poput broja različitih vrsta gljiva u datasetu o gljivama. Istražimo ove fascinantne gljive koristeći dataset preuzet od Audubona koji sadrži detalje o 23 vrste gljiva s listićima iz obitelji Agaricus i Lepiota. Eksperimentirat ćete s ukusnim vizualizacijama poput: + +- Tortnih grafikona 🥧 +- Grafičkih prikaza u obliku prstena 🍩 +- Waffle grafikona 🧇 + +> 💡 Vrlo zanimljiv projekt pod nazivom [Charticulator](https://charticulator.com) od Microsoft Researcha nudi besplatno sučelje za vizualizaciju podataka putem povlačenja i ispuštanja. U jednom od njihovih tutorijala također koriste ovaj dataset o gljivama! Tako možete istraživati podatke i učiti o biblioteci istovremeno: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Upoznajte svoje gljive 🍄 + +Gljive su vrlo zanimljive. Uvezimo dataset kako bismo ih proučili: + +```python +import pandas as pd +import matplotlib.pyplot as plt +mushrooms = pd.read_csv('../../data/mushrooms.csv') +mushrooms.head() +``` +Ispisuje se tablica s odličnim podacima za analizu: + + +| klasa | oblik klobuka | površina klobuka | boja klobuka | modrice | miris | pričvršćenje listića | razmak listića | veličina listića | boja listića | oblik stručka | korijen stručka | površina iznad prstena | površina ispod prstena | boja iznad prstena | boja ispod prstena | vrsta vela | boja vela | broj prstena | vrsta prstena | boja spora | populacija | stanište | +| --------- | ------------- | ---------------- | ------------ | ------- | -------- | -------------------- | --------------- | ---------------- | ------------ | ------------- | ---------------- | --------------------- | --------------------- | ----------------- | ----------------- | ---------- | --------- | ------------ | ------------ | ---------- | ---------- | ------- | +| Otrovna | Konveksan | Glatka | Smeđa | Modrice | Oštar | Slobodan | Blizu | Uski | Crna | Širi se | Jednaka | Glatka | Glatka | Bijela | Bijela | Djelomičan | Bijela | Jedan | Viseći | Crna | Raspršena | Urbano | +| Jestiva | Konveksan | Glatka | Žuta | Modrice | Badem | Slobodan | Blizu | Široki | Crna | Širi se | Klub | Glatka | Glatka | Bijela | Bijela | Djelomičan | Bijela | Jedan | Viseći | Smeđa | Brojna | Trava | +| Jestiva | Zvono | Glatka | Bijela | Modrice | Anis | Slobodan | Blizu | Široki | Smeđa | Širi se | Klub | Glatka | Glatka | Bijela | Bijela | Djelomičan | Bijela | Jedan | Viseći | Smeđa | Brojna | Livade | +| Otrovna | Konveksan | Ljuskava | Bijela | Modrice | Oštar | Slobodan | Blizu | Uski | Smeđa | Širi se | Jednaka | Glatka | Glatka | Bijela | Bijela | Djelomičan | Bijela | Jedan | Viseći | Crna | Raspršena | Urbano | + +Odmah primjećujete da su svi podaci tekstualni. Morat ćete ih konvertirati kako biste ih mogli koristiti u grafikonu. Većina podataka, zapravo, predstavljena je kao objekt: + +```python +print(mushrooms.select_dtypes(["object"]).columns) +``` + +Rezultat je: + +```output +Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', + 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', + 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', + 'stalk-surface-below-ring', 'stalk-color-above-ring', + 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', + 'ring-type', 'spore-print-color', 'population', 'habitat'], + dtype='object') +``` +Uzmite ove podatke i konvertirajte stupac 'klasa' u kategoriju: + +```python +cols = mushrooms.select_dtypes(["object"]).columns +mushrooms[cols] = mushrooms[cols].astype('category') +``` + +```python +edibleclass=mushrooms.groupby(['class']).count() +edibleclass +``` + +Sada, ako ispišete podatke o gljivama, možete vidjeti da su grupirani u kategorije prema klasi jestivosti/otrovnosti: + + +| | oblik klobuka | površina klobuka | boja klobuka | modrice | miris | pričvršćenje listića | razmak listića | veličina listića | boja listića | oblik stručka | ... | površina ispod prstena | boja iznad prstena | boja ispod prstena | vrsta vela | boja vela | broj prstena | vrsta prstena | boja spora | populacija | stanište | +| --------- | ------------- | ---------------- | ------------ | ------- | ----- | -------------------- | --------------- | ---------------- | ------------ | ------------- | --- | --------------------- | ----------------- | ----------------- | ---------- | --------- | ------------ | ------------ | ---------- | ---------- | ------- | +| klasa | | | | | | | | | | | | | | | | | | | | | | +| Jestiva | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | +| Otrovna | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | + +Ako slijedite redoslijed prikazan u ovoj tablici za kreiranje oznaka kategorija klase, možete izraditi tortni grafikon: + +## Torta! + +```python +labels=['Edible','Poisonous'] +plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') +plt.title('Edible?') +plt.show() +``` +Voila, tortni grafikon koji prikazuje proporcije ovih podataka prema dvjema klasama gljiva. Vrlo je važno pravilno odrediti redoslijed oznaka, posebno ovdje, pa svakako provjerite redoslijed kojim je niz oznaka kreiran! + +![tortni grafikon](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.hr.png) + +## Prstenovi! + +Vizualno zanimljiviji tortni grafikon je grafikon u obliku prstena, koji je tortni grafikon s rupom u sredini. Pogledajmo naše podatke koristeći ovu metodu. + +Pogledajte različita staništa u kojima gljive rastu: + +```python +habitat=mushrooms.groupby(['habitat']).count() +habitat +``` +Ovdje grupirate podatke prema staništu. Ima ih 7, pa ih koristite kao oznake za grafikon u obliku prstena: + +```python +labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] + +plt.pie(habitat['class'], labels=labels, + autopct='%1.1f%%', pctdistance=0.85) + +center_circle = plt.Circle((0, 0), 0.40, fc='white') +fig = plt.gcf() + +fig.gca().add_artist(center_circle) + +plt.title('Mushroom Habitats') + +plt.show() +``` + +![grafikon u obliku prstena](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.hr.png) + +Ovaj kod crta grafikon i središnji krug, a zatim dodaje taj središnji krug u grafikon. Uredite širinu središnjeg kruga promjenom vrijednosti `0.40`. + +Grafikoni u obliku prstena mogu se prilagoditi na nekoliko načina kako bi se promijenile oznake. Oznake se posebno mogu istaknuti radi bolje čitljivosti. Saznajte više u [dokumentaciji](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut). + +Sada kada znate kako grupirati podatke i prikazati ih kao tortu ili prsten, možete istražiti druge vrste grafikona. Isprobajte waffle grafikon, koji je samo drugačiji način istraživanja količine. +## Waffle! + +Grafikon tipa 'waffle' je drugačiji način vizualizacije količina kao 2D niz kvadrata. Pokušajte vizualizirati različite količine boja klobuka gljiva u ovom datasetu. Za to trebate instalirati pomoćnu biblioteku pod nazivom [PyWaffle](https://pypi.org/project/pywaffle/) i koristiti Matplotlib: + +```python +pip install pywaffle +``` + +Odaberite segment svojih podataka za grupiranje: + +```python +capcolor=mushrooms.groupby(['cap-color']).count() +capcolor +``` + +Izradite waffle grafikon kreiranjem oznaka i zatim grupiranjem podataka: + +```python +import pandas as pd +import matplotlib.pyplot as plt +from pywaffle import Waffle + +data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], + 'amount': capcolor['class'] + } + +df = pd.DataFrame(data) + +fig = plt.figure( + FigureClass = Waffle, + rows = 100, + values = df.amount, + labels = list(df.color), + figsize = (30,30), + colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], +) +``` + +Koristeći waffle grafikon, jasno možete vidjeti proporcije boja klobuka u ovom datasetu gljiva. Zanimljivo je da postoji mnogo gljiva sa zelenim klobukom! + +![waffle grafikon](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.hr.png) + +✅ Pywaffle podržava ikone unutar grafikona koje koriste bilo koju ikonu dostupnu u [Font Awesome](https://fontawesome.com/). Eksperimentirajte kako biste kreirali još zanimljiviji waffle grafikon koristeći ikone umjesto kvadrata. + +U ovoj lekciji naučili ste tri načina za vizualizaciju proporcija. Prvo, trebate grupirati svoje podatke u kategorije, a zatim odlučiti koji je najbolji način za prikaz podataka - torta, prsten ili waffle. Svi su ukusni i korisniku pružaju trenutni pregled dataset-a. + +## 🚀 Izazov + +Pokušajte ponovno kreirati ove ukusne grafikone u [Charticulator](https://charticulator.com). +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Pregled i samostalno učenje + +Ponekad nije očito kada koristiti tortni, prstenasti ili waffle grafikon. Evo nekoliko članaka za čitanje na ovu temu: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Istražite kako biste pronašli više informacija o ovoj odluci. + +## Zadatak + +[Pokušajte u Excelu](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/hr/3-Data-Visualization/11-visualization-proportions/assignment.md new file mode 100644 index 00000000..d548a5c2 --- /dev/null +++ b/translations/hr/3-Data-Visualization/11-visualization-proportions/assignment.md @@ -0,0 +1,25 @@ + +# Isprobajte u Excelu + +## Upute + +Jeste li znali da možete kreirati grafove u obliku krafne, pite i vafla u Excelu? Koristeći skup podataka po vašem izboru, izradite ova tri grafika direktno u Excel proračunskoj tablici. + +## Kriteriji ocjenjivanja + +| Izvrsno | Zadovoljavajuće | Potrebno poboljšanje | +| ------------------------------------------------------ | ------------------------------------------------ | ----------------------------------------------------- | +| Excel proračunska tablica prikazuje sva tri grafikona | Excel proračunska tablica prikazuje dva grafikona | Excel proračunska tablica prikazuje samo jedan grafikon | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/12-visualization-relationships/README.md b/translations/hr/3-Data-Visualization/12-visualization-relationships/README.md new file mode 100644 index 00000000..e2d857e7 --- /dev/null +++ b/translations/hr/3-Data-Visualization/12-visualization-relationships/README.md @@ -0,0 +1,186 @@ + +# Vizualizacija odnosa: Sve o medu 🍯 + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Vizualizacija odnosa - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Nastavljajući s prirodnim fokusom našeg istraživanja, otkrijmo zanimljive vizualizacije koje prikazuju odnose između različitih vrsta meda, prema skupu podataka dobivenom od [Ministarstva poljoprivrede Sjedinjenih Američkih Država](https://www.nass.usda.gov/About_NASS/index.php). + +Ovaj skup podataka, koji sadrži oko 600 stavki, prikazuje proizvodnju meda u mnogim američkim saveznim državama. Na primjer, možete pogledati broj kolonija, prinos po koloniji, ukupnu proizvodnju, zalihe, cijenu po funti i vrijednost proizvedenog meda u određenoj državi od 1998. do 2012., s jednim redom po godini za svaku državu. + +Bit će zanimljivo vizualizirati odnos između proizvodnje određene države po godini i, na primjer, cijene meda u toj državi. Alternativno, mogli biste vizualizirati odnos između prinosa meda po koloniji u različitim državama. Ovo vremensko razdoblje obuhvaća razarajući 'CCD' ili 'Colony Collapse Disorder', prvi put zabilježen 2006. (http://npic.orst.edu/envir/ccd.html), što čini ovaj skup podataka značajnim za proučavanje. 🐝 + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +U ovoj lekciji možete koristiti Seaborn, koji ste već koristili, kao dobru biblioteku za vizualizaciju odnosa između varijabli. Posebno je zanimljiva upotreba Seabornove funkcije `relplot`, koja omogućuje scatter plotove i line plotove za brzu vizualizaciju '[statističkih odnosa](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', što omogućuje data znanstveniku bolje razumijevanje kako se varijable međusobno odnose. + +## Scatterplotovi + +Koristite scatterplot za prikaz kako se cijena meda razvijala iz godine u godinu, po državama. Seaborn, koristeći `relplot`, praktično grupira podatke po državama i prikazuje točke podataka za kategorijske i numeričke podatke. + +Započnimo s uvozom podataka i Seaborna: + +```python +import pandas as pd +import matplotlib.pyplot as plt +import seaborn as sns +honey = pd.read_csv('../../data/honey.csv') +honey.head() +``` +Primijetit ćete da podaci o medu imaju nekoliko zanimljivih stupaca, uključujući godinu i cijenu po funti. Istražimo ove podatke, grupirane po američkim državama: + +| država | brojkol | prinospokol | ukupnaprod | zalihe | cijenapofunti | vrijednostprod | godina | +| ------ | --------| ----------- | ---------- | -------- | ------------- | -------------- | ------ | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | + +Napravite osnovni scatterplot za prikaz odnosa između cijene po funti meda i države podrijetla. Napravite `y` os dovoljno visokom da prikaže sve države: + +```python +sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); +``` +![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.hr.png) + +Sada prikažite iste podatke s medenom shemom boja kako biste pokazali kako se cijena razvija tijekom godina. To možete učiniti dodavanjem parametra 'hue' za prikaz promjena iz godine u godinu: + +> ✅ Saznajte više o [paletama boja koje možete koristiti u Seabornu](https://seaborn.pydata.org/tutorial/color_palettes.html) - isprobajte prekrasnu shemu boja duginih boja! + +```python +sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); +``` +![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.hr.png) + +S ovom promjenom sheme boja možete vidjeti da postoji očigledan snažan napredak tijekom godina u smislu cijene meda po funti. Doista, ako pogledate uzorak podataka za provjeru (odaberite određenu državu, na primjer Arizonu), možete vidjeti obrazac povećanja cijene iz godine u godinu, uz nekoliko iznimaka: + +| država | brojkol | prinospokol | ukupnaprod | zalihe | cijenapofunti | vrijednostprod | godina | +| ------ | --------| ----------- | ---------- | ------- | ------------- | -------------- | ------ | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Drugi način vizualizacije ovog napretka je korištenje veličine umjesto boje. Za korisnike s poteškoćama u razlikovanju boja, ovo bi mogla biti bolja opcija. Uredite svoju vizualizaciju kako biste prikazali povećanje cijene povećanjem opsega točaka: + +```python +sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); +``` +Možete vidjeti kako se veličina točaka postupno povećava. + +![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.hr.png) + +Je li ovo jednostavan slučaj ponude i potražnje? Zbog faktora poput klimatskih promjena i kolapsa kolonija, je li dostupno manje meda za kupnju iz godine u godinu, pa se cijena povećava? + +Kako biste otkrili korelaciju između nekih varijabli u ovom skupu podataka, istražimo neke linijske grafikone. + +## Linijski grafikoni + +Pitanje: Postoji li jasan porast cijene meda po funti iz godine u godinu? To možete najlakše otkriti stvaranjem jednog linijskog grafikona: + +```python +sns.relplot(x="year", y="priceperlb", kind="line", data=honey); +``` +Odgovor: Da, uz neke iznimke oko 2003. godine: + +![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.hr.png) + +✅ Budući da Seaborn agregira podatke oko jedne linije, prikazuje "višestruka mjerenja za svaku vrijednost x tako što crta srednju vrijednost i 95% interval pouzdanosti oko srednje vrijednosti". [Izvor](https://seaborn.pydata.org/tutorial/relational.html). Ovo vremenski zahtjevno ponašanje može se onemogućiti dodavanjem `ci=None`. + +Pitanje: Pa, možemo li također vidjeti porast u opskrbi medom oko 2003. godine? Što ako pogledate ukupnu proizvodnju iz godine u godinu? + +```python +sns.relplot(x="year", y="totalprod", kind="line", data=honey); +``` + +![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.hr.png) + +Odgovor: Ne baš. Ako pogledate ukupnu proizvodnju, zapravo se čini da je povećana u toj godini, iako općenito gledano količina proizvedenog meda opada tijekom ovih godina. + +Pitanje: U tom slučaju, što je moglo uzrokovati taj skok u cijeni meda oko 2003. godine? + +Kako biste to otkrili, možete istražiti facet grid. + +## Facet gridovi + +Facet gridovi uzimaju jedan aspekt vašeg skupa podataka (u našem slučaju, možete odabrati 'godinu' kako biste izbjegli previše proizvedenih faceta). Seaborn tada može napraviti grafikon za svaki od tih aspekata vaših odabranih x i y koordinata za lakšu vizualnu usporedbu. Ističe li se 2003. godina u ovoj vrsti usporedbe? + +Napravite facet grid koristeći `relplot` kako je preporučeno u [Seabornovoj dokumentaciji](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). + +```python +sns.relplot( + data=honey, + x="yieldpercol", y="numcol", + col="year", + col_wrap=3, + kind="line" +``` +U ovoj vizualizaciji možete usporediti prinos po koloniji i broj kolonija iz godine u godinu, jedno uz drugo, s postavkom wrap na 3 za stupce: + +![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.hr.png) + +Za ovaj skup podataka, ništa posebno ne ističe se u vezi s brojem kolonija i njihovim prinosom iz godine u godinu i država po država. Postoji li drugačiji način za pronalaženje korelacije između ove dvije varijable? + +## Dvostruki linijski grafikoni + +Isprobajte višelinijski grafikon superponiranjem dva linijska grafikona jedan na drugi, koristeći Seabornov 'despine' za uklanjanje njihovih gornjih i desnih rubova, i koristeći `ax.twinx` [preuzet iz Matplotliba](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx omogućuje grafikonu dijeljenje x osi i prikazivanje dvije y osi. Dakle, prikažite prinos po koloniji i broj kolonija, superponirano: + +```python +fig, ax = plt.subplots(figsize=(12,6)) +lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, + label = 'Number of bee colonies', legend=False) +sns.despine() +plt.ylabel('# colonies') +plt.title('Honey Production Year over Year'); + +ax2 = ax.twinx() +lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", + label ='Yield per colony', legend=False) +sns.despine(right=False) +plt.ylabel('colony yield') +ax.figure.legend(); +``` +![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.hr.png) + +Iako ništa ne iskače oko 2003. godine, ovo nam omogućuje da završimo ovu lekciju na malo sretnijoj noti: iako je ukupno broj kolonija u opadanju, broj kolonija se stabilizira čak i ako njihov prinos po koloniji opada. + +Naprijed, pčele, naprijed! + +🐝❤️ +## 🚀 Izazov + +U ovoj lekciji naučili ste nešto više o drugim upotrebama scatterplotova i line gridova, uključujući facet gridove. Izazovite se da napravite facet grid koristeći neki drugi skup podataka, možda onaj koji ste koristili prije ovih lekcija. Primijetite koliko dugo traje njihovo stvaranje i kako morate biti oprezni s brojem gridova koje trebate nacrtati koristeći ove tehnike. +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Pregled i samostalno učenje + +Linijski grafikoni mogu biti jednostavni ili prilično složeni. Malo istražite [Seaborn dokumentaciju](https://seaborn.pydata.org/generated/seaborn.lineplot.html) o raznim načinima na koje ih možete izgraditi. Pokušajte poboljšati linijske grafikone koje ste izradili u ovoj lekciji koristeći druge metode navedene u dokumentaciji. +## Zadatak + +[Zaronite u košnicu](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/hr/3-Data-Visualization/12-visualization-relationships/assignment.md new file mode 100644 index 00000000..48340efd --- /dev/null +++ b/translations/hr/3-Data-Visualization/12-visualization-relationships/assignment.md @@ -0,0 +1,25 @@ + +# Zaronite u košnicu + +## Upute + +U ovoj lekciji počeli ste istraživati skup podataka o pčelama i njihovoj proizvodnji meda tijekom razdoblja u kojem je došlo do gubitaka u populaciji pčelinjih kolonija. Dublje istražite ovaj skup podataka i izradite bilježnicu koja može ispričati priču o zdravlju populacije pčela, država po državu i godina po godinu. Otkrivate li nešto zanimljivo u ovom skupu podataka? + +## Rubrika + +| Izvrsno | Zadovoljavajuće | Potrebno poboljšanje | +| -------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- | +| Predstavljena je bilježnica s pričom koja sadrži najmanje tri različita grafikona koji prikazuju aspekte skupa podataka, država po državu i godina po godinu | Bilježnica nedostaje jedan od ovih elemenata | Bilježnica nedostaje dva od ovih elemenata | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/README.md new file mode 100644 index 00000000..5066db1d --- /dev/null +++ b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/README.md @@ -0,0 +1,182 @@ + +# Izrada Smislenih Vizualizacija + +|![ Sketchnote autor [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Smislene Vizualizacije - _Sketchnote autor [@nitya](https://twitter.com/nitya)_ | + +> "Ako dovoljno dugo mučite podatke, priznat će bilo što" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +Jedna od osnovnih vještina podatkovnog znanstvenika je sposobnost stvaranja smislene vizualizacije podataka koja pomaže odgovoriti na postavljena pitanja. Prije nego što vizualizirate svoje podatke, morate osigurati da su očišćeni i pripremljeni, kao što ste to radili u prethodnim lekcijama. Nakon toga možete početi odlučivati kako najbolje predstaviti podatke. + +U ovoj lekciji pregledat ćete: + +1. Kako odabrati pravi tip grafikona +2. Kako izbjeći obmanjujuće grafikone +3. Kako raditi s bojama +4. Kako stilizirati grafikone za čitljivost +5. Kako izraditi animirane ili 3D grafičke prikaze +6. Kako izraditi kreativnu vizualizaciju + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Odaberite pravi tip grafikona + +U prethodnim lekcijama eksperimentirali ste s izradom raznih zanimljivih vizualizacija podataka koristeći Matplotlib i Seaborn za izradu grafikona. Općenito, možete odabrati [pravi tip grafikona](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) za pitanje koje postavljate koristeći ovu tablicu: + +| Trebate: | Trebali biste koristiti: | +| -------------------------- | ------------------------------- | +| Prikazati trendove kroz vrijeme | Linijski grafikon | +| Usporediti kategorije | Stupčasti, Tortni | +| Usporediti ukupne vrijednosti | Tortni, Složeni stupčasti | +| Prikazati odnose | Raspršeni, Linijski, Facet, Dvostruki linijski | +| Prikazati distribucije | Raspršeni, Histogram, Box | +| Prikazati proporcije | Tortni, Prstenasti, Waffle | + +> ✅ Ovisno o strukturi vaših podataka, možda ćete ih trebati pretvoriti iz teksta u numeričke vrijednosti kako bi grafikon podržao prikaz. + +## Izbjegnite obmanu + +Čak i ako podatkovni znanstvenik pažljivo odabere pravi grafikon za prave podatke, postoji mnogo načina na koje se podaci mogu prikazati kako bi se dokazala određena točka, često na štetu samih podataka. Postoji mnogo primjera obmanjujućih grafikona i infografika! + +[![Kako grafikoni lažu, autor Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.hr.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Kako grafikoni lažu") + +> 🎥 Kliknite na sliku iznad za konferencijsko predavanje o obmanjujućim grafikonima + +Ovaj grafikon obrće X os kako bi prikazao suprotnost istini, temeljem datuma: + +![loš grafikon 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.hr.png) + +[Ovaj grafikon](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) još je obmanjujući jer oko prati desnu stranu i zaključuje da su slučajevi COVID-a opali tijekom vremena u raznim okruzima. Međutim, ako pažljivo pogledate datume, otkrit ćete da su preuređeni kako bi se stvorio obmanjujući trend pada. + +![loš grafikon 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.hr.jpg) + +Ovaj zloglasni primjer koristi boju I obrnutu Y os kako bi obmanuo: umjesto zaključka da su smrtni slučajevi od vatrenog oružja porasli nakon donošenja zakona koji pogoduje oružju, oko je zavarano da misli suprotno: + +![loš grafikon 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.hr.jpg) + +Ovaj neobičan grafikon pokazuje kako se proporcije mogu manipulirati, na smiješan način: + +![loš grafikon 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.hr.jpg) + +Uspoređivanje neusporedivog još je jedan sumnjiv trik. Postoji [sjajna web stranica](https://tylervigen.com/spurious-correlations) posvećena 'lažnim korelacijama' koja prikazuje 'činjenice' koje povezuju, primjerice, stopu razvoda u Maineu i potrošnju margarina. Reddit grupa također prikuplja [ružne primjere](https://www.reddit.com/r/dataisugly/top/?t=all) korištenja podataka. + +Važno je razumjeti koliko lako oko može biti zavarano obmanjujućim grafikonima. Čak i ako je namjera podatkovnog znanstvenika dobra, odabir lošeg tipa grafikona, poput tortnog grafikona s previše kategorija, može biti obmanjujući. + +## Boje + +Vidjeli ste u grafikonu 'Florida gun violence' kako boja može dodati dodatni sloj značenja grafikonima, posebno onima koji nisu dizajnirani pomoću biblioteka poput Matplotlib i Seaborn koje dolaze s raznim provjerenim bibliotekama boja i paletama. Ako izrađujete grafikon ručno, proučite malo [teoriju boja](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Budite svjesni, prilikom dizajniranja grafikona, da je pristupačnost važan aspekt vizualizacije. Neki od vaših korisnika mogu biti daltonisti - prikazuje li vaš grafikon dobro podatke za korisnike s oštećenjima vida? + +Budite oprezni pri odabiru boja za svoj grafikon, jer boja može prenijeti značenje koje možda niste namjeravali. 'Ružičaste dame' u grafikonu 'visina' iznad prenose izrazito 'žensko' značenje koje dodatno doprinosi bizarnosti samog grafikona. + +Iako [značenje boja](https://colormatters.com/color-symbolism/the-meanings-of-colors) može biti različito u različitim dijelovima svijeta i obično se mijenja ovisno o nijansi, općenito značenja boja uključuju: + +| Boja | Značenje | +| ------ | ------------------- | +| crvena | moć | +| plava | povjerenje, lojalnost | +| žuta | sreća, oprez | +| zelena | ekologija, sreća, zavist | +| ljubičasta | sreća | +| narančasta | živahnost | + +Ako trebate izraditi grafikon s prilagođenim bojama, osigurajte da su vaši grafikoni i pristupačni i da boja koju odaberete odgovara značenju koje želite prenijeti. + +## Stiliziranje grafikona za čitljivost + +Grafikoni nisu smisleni ako nisu čitljivi! Odvojite trenutak da razmislite o stiliziranju širine i visine svog grafikona kako bi se dobro prilagodili vašim podacima. Ako je potrebno prikazati jednu varijablu (poput svih 50 država), prikažite ih vertikalno na Y osi ako je moguće kako biste izbjegli horizontalno pomicanje grafikona. + +Označite svoje osi, osigurajte legendu ako je potrebno i ponudite alate za bolju interpretaciju podataka. + +Ako su vaši podaci tekstualni i opširni na X osi, možete zakrenuti tekst radi bolje čitljivosti. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) nudi 3D grafičko prikazivanje, ako vaši podaci to podržavaju. Sofisticirane vizualizacije podataka mogu se izraditi pomoću `mpl_toolkits.mplot3d`. + +![3D grafikoni](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.hr.png) + +## Animacija i 3D prikaz grafikona + +Neke od najboljih vizualizacija podataka danas su animirane. Shirley Wu ima nevjerojatne primjere izrađene pomoću D3, poput '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', gdje svaki cvijet predstavlja vizualizaciju filma. Drugi primjer za Guardian je 'bussed out', interaktivno iskustvo koje kombinira vizualizacije s Greensockom i D3 te formatom članka za prikaz kako NYC rješava problem beskućnika premještanjem ljudi izvan grada. + +![bussing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.hr.png) + +> "Bussed Out: Kako Amerika premješta svoje beskućnike" iz [Guardiana](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizacije autorice Nadieh Bremer & Shirley Wu + +Iako ova lekcija nije dovoljno opsežna da bi vas naučila ovim moćnim bibliotekama za vizualizaciju, okušajte se u D3 u Vue.js aplikaciji koristeći biblioteku za prikaz vizualizacije knjige "Opasne veze" kao animirane društvene mreže. + +> "Les Liaisons Dangereuses" je epistolarni roman, odnosno roman predstavljen kao niz pisama. Napisao ga je 1782. godine Choderlos de Laclos, a priča govori o zlobnim, moralno bankrotiranim društvenim manevrima dvoje suparnika iz francuskog plemstva kasnog 18. stoljeća, vikonta de Valmonta i markize de Merteuil. Oboje na kraju doživljavaju propast, ali ne prije nego što nanesu veliku društvenu štetu. Roman se odvija kao niz pisama napisanih raznim osobama iz njihovih krugova, planirajući osvetu ili jednostavno stvarajući probleme. Izradite vizualizaciju ovih pisama kako biste otkrili glavne aktere priče, vizualno. + +Dovršit ćete web aplikaciju koja će prikazati animirani prikaz ove društvene mreže. Koristi biblioteku koja je izrađena za stvaranje [vizualizacije mreže](https://github.com/emiliorizzo/vue-d3-network) koristeći Vue.js i D3. Kada aplikacija radi, možete povlačiti čvorove po ekranu kako biste premještali podatke. + +![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.hr.png) + +## Projekt: Izradite grafikon za prikaz mreže koristeći D3.js + +> Ova mapa lekcije uključuje mapu `solution` gdje možete pronaći dovršeni projekt za referencu. + +1. Slijedite upute u README.md datoteci u korijenu mape starter. Provjerite imate li instalirane NPM i Node.js na svom računalu prije instalacije ovisnosti projekta. + +2. Otvorite mapu `starter/src`. Pronaći ćete mapu `assets` gdje se nalazi .json datoteka sa svim pismima iz romana, numeriranim, s oznakama 'to' i 'from'. + +3. Dovršite kod u datoteci `components/Nodes.vue` kako biste omogućili vizualizaciju. Pronađite metodu pod nazivom `createLinks()` i dodajte sljedeću ugniježđenu petlju. + +Prođite kroz .json objekt kako biste dohvatili podatke 'to' i 'from' za pisma i izgradili objekt `links` kako bi ga biblioteka za vizualizaciju mogla koristiti: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Pokrenite svoju aplikaciju iz terminala (npm run serve) i uživajte u vizualizaciji! + +## 🚀 Izazov + +Prođite internetom i otkrijte obmanjujuće vizualizacije. Kako autor zavarava korisnika i je li to namjerno? Pokušajte ispraviti vizualizacije kako biste prikazali kako bi trebale izgledati. + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Pregled i samostalno učenje + +Evo nekoliko članaka o obmanjujućim vizualizacijama podataka: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Pogledajte ove zanimljive vizualizacije povijesnih artefakata: + +https://handbook.pubpub.org/ + +Pročitajte ovaj članak o tome kako animacija može poboljšati vaše vizualizacije: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Zadatak + +[Izradite vlastitu prilagođenu vizualizaciju](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/assignment.md new file mode 100644 index 00000000..2bdaa29d --- /dev/null +++ b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/assignment.md @@ -0,0 +1,25 @@ + +# Izradite vlastiti prilagođeni vizualizator + +## Upute + +Koristeći uzorak koda iz ovog projekta za stvaranje društvene mreže, osmislite vlastite podatke o društvenim interakcijama. Možete mapirati svoje korištenje društvenih mreža ili napraviti dijagram članova svoje obitelji. Izradite zanimljivu web aplikaciju koja prikazuje jedinstvenu vizualizaciju društvene mreže. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | --- | +GitHub repozitorij je predstavljen s kodom koji ispravno radi (pokušajte ga objaviti kao statičku web aplikaciju) i ima komentirani README koji objašnjava projekt | Repozitorij ne radi ispravno ili nije dobro dokumentiran | Repozitorij ne radi ispravno i nije dobro dokumentiran + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md new file mode 100644 index 00000000..9fba3b18 --- /dev/null +++ b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md @@ -0,0 +1,40 @@ + +# Projekt vizualizacije podataka Dangerous Liaisons + +Za početak, potrebno je osigurati da imate NPM i Node instalirane na svom računalu. Instalirajte ovisnosti (npm install) i zatim pokrenite projekt lokalno (npm run serve): + +## Postavljanje projekta +``` +npm install +``` + +### Kompajlira i automatski osvježava za razvoj +``` +npm run serve +``` + +### Kompajlira i minimizira za produkciju +``` +npm run build +``` + +### Provjerava i popravlja datoteke +``` +npm run lint +``` + +### Prilagodba konfiguracije +Pogledajte [Referencu konfiguracije](https://cli.vuejs.org/config/). + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md new file mode 100644 index 00000000..acea108e --- /dev/null +++ b/translations/hr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md @@ -0,0 +1,40 @@ + +# Projekt vizualizacije podataka Dangerous Liaisons + +Za početak, potrebno je osigurati da imate instalirane NPM i Node na svom računalu. Instalirajte ovisnosti (npm install) i zatim pokrenite projekt lokalno (npm run serve): + +## Postavljanje projekta +``` +npm install +``` + +### Kompajlira i automatski osvježava za razvoj +``` +npm run serve +``` + +### Kompajlira i minimizira za produkciju +``` +npm run build +``` + +### Provjerava i popravlja datoteke +``` +npm run lint +``` + +### Prilagodba konfiguracije +Pogledajte [Referencu konfiguracije](https://cli.vuejs.org/config/). + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne snosimo odgovornost za nesporazume ili pogrešne interpretacije koje mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/hr/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..f313bb55 --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,231 @@ + +# Vizualizacija Količina +|![ Sketchnote autora [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Vizualizacija Količina - _Sketchnote autora [@nitya](https://twitter.com/nitya)_ | + +U ovoj lekciji istražit ćete kako koristiti neke od mnogih dostupnih R paketa za stvaranje zanimljivih vizualizacija vezanih uz koncept količine. Koristeći očišćeni skup podataka o pticama Minnesote, možete naučiti mnoge zanimljive činjenice o lokalnom životinjskom svijetu. +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Promatranje raspona krila s ggplot2 +Izvrsna knjižnica za stvaranje jednostavnih i sofisticiranih grafova i dijagrama različitih vrsta je [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Općenito, proces crtanja podataka pomoću ovih knjižnica uključuje identificiranje dijelova vašeg dataframe-a koje želite analizirati, provođenje potrebnih transformacija podataka, dodjeljivanje vrijednosti za x i y osi, odlučivanje o vrsti grafa i zatim prikazivanje grafa. + +`ggplot2` je sustav za deklarativno stvaranje grafika, temeljen na "Gramatiki grafike". [Gramatika grafike](https://en.wikipedia.org/wiki/Ggplot2) je opći okvir za vizualizaciju podataka koji dijeli grafove na semantičke komponente poput skala i slojeva. Drugim riječima, jednostavnost stvaranja grafova za univarijatne ili multivarijatne podatke s malo koda čini `ggplot2` najpopularnijim paketom za vizualizacije u R-u. Korisnik određuje kako `ggplot2` mapira varijable na estetiku, koje grafičke primitive koristi, a `ggplot2` se brine za ostalo. + +> ✅ Graf = Podaci + Estetika + Geometrija +> - Podaci se odnose na skup podataka +> - Estetika označava varijable koje se proučavaju (x i y varijable) +> - Geometrija se odnosi na vrstu grafa (linijski graf, stupčasti graf itd.) + +Odaberite najbolju geometriju (vrstu grafa) prema vašim podacima i priči koju želite ispričati putem grafa. + +> - Za analizu trendova: linijski, stupčasti +> - Za usporedbu vrijednosti: stupčasti, tortni, raspršeni graf +> - Za prikaz odnosa dijelova prema cjelini: tortni graf +> - Za prikaz distribucije podataka: raspršeni, stupčasti graf +> - Za prikaz odnosa između vrijednosti: linijski, raspršeni, mjehuričasti graf + +✅ Također možete pogledati ovaj opisni [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) za ggplot2. + +## Izrada linijskog grafa za vrijednosti raspona krila ptica + +Otvorite R konzolu i uvezite skup podataka. +> Napomena: Skup podataka nalazi se u korijenu ovog repozitorija u mapi `/data`. + +Uvezimo skup podataka i pogledajmo prvih 5 redaka podataka. + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +Prvih nekoliko redaka podataka sadrži mješavinu teksta i brojeva: + +| | Ime | ZnanstvenoIme | Kategorija | Red | Porodica | Rod | StatusOčuvanja | MinDuljina | MaxDuljina | MinTjelesnaMasa | MaxTjelesnaMasa | MinRasponKrila | MaxRasponKrila | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | ----------: | ----------: | --------------: | --------------: | --------------: | --------------: | +| 0 | Crno-trbušni zviždukavac | Dendrocygna autumnalis | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Smeđi zviždukavac | Dendrocygna bicolor | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Bijela guska | Anser caerulescens | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova guska | Anser rossii | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Velika bijela guska | Anser albifrons | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Započnimo s crtanjem nekih numeričkih podataka koristeći osnovni linijski graf. Pretpostavimo da želite prikazati maksimalni raspon krila ovih zanimljivih ptica. + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +Ovdje instalirate paket `ggplot2` i zatim ga uvozite u radni prostor pomoću naredbe `library("ggplot2")`. Za crtanje bilo kojeg grafa u ggplot-u koristi se funkcija `ggplot()`, a vi specificirate skup podataka, x i y varijable kao atribute. U ovom slučaju koristimo funkciju `geom_line()` jer želimo nacrtati linijski graf. + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.hr.png) + +Što odmah primjećujete? Čini se da postoji barem jedan outlier - to je prilično velik raspon krila! Raspon krila od preko 2000 centimetara jednak je više od 20 metara - lutaju li Pterodaktili Minnesotom? Istražimo. + +Iako biste mogli brzo sortirati podatke u Excelu kako biste pronašli te outliere, koji su vjerojatno tipografske pogreške, nastavite proces vizualizacije radeći unutar grafa. + +Dodajte oznake na x-os kako biste prikazali o kojim se pticama radi: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +U temi specificiramo kut, a oznake za x i y osi specificiramo pomoću `xlab()` i `ylab()` funkcija. Funkcija `ggtitle()` daje naziv grafu. + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.hr.png) + +Čak i s rotacijom oznaka postavljenom na 45 stupnjeva, previše ih je za čitanje. Pokušajmo drugačiju strategiju: označimo samo outliere i postavimo oznake unutar grafa. Možete koristiti raspršeni graf kako biste napravili više prostora za označavanje: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +Što se ovdje događa? Koristili ste funkciju `geom_point()` za crtanje raspršenih točaka. Uz to, dodali ste oznake za ptice čiji je `MaxWingspan > 500` i također sakrili oznake na x-osi kako biste smanjili nered na grafu. + +Što otkrivate? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.hr.png) + +## Filtriranje podataka + +I Ćelavi orao i Stepski sokol, iako vjerojatno vrlo velike ptice, čini se da su pogrešno označeni, s dodatnom nulom dodanom njihovom maksimalnom rasponu krila. Malo je vjerojatno da ćete sresti Ćelavog orla s rasponom krila od 25 metara, ali ako se to dogodi, javite nam! Stvorimo novi dataframe bez ta dva outliera: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +Napravili smo novi dataframe `birds_filtered` i zatim nacrtali raspršeni graf. Filtriranjem outliera, vaši podaci sada su kohezivniji i razumljiviji. + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.hr.png) + +Sada kada imamo čišći skup podataka barem u smislu raspona krila, istražimo više o ovim pticama. + +Dok linijski i raspršeni grafovi mogu prikazati informacije o vrijednostima podataka i njihovim distribucijama, želimo razmisliti o vrijednostima inherentnim u ovom skupu podataka. Mogli biste stvoriti vizualizacije kako biste odgovorili na sljedeća pitanja o količini: + +> Koliko kategorija ptica postoji i koliko ih ima? +> Koliko ptica je izumrlo, ugroženo, rijetko ili uobičajeno? +> Koliko ima različitih rodova i redova prema Linnaeusovoj terminologiji? +## Istraživanje stupčastih grafova + +Stupčasti grafovi su praktični kada trebate prikazati grupiranje podataka. Istražimo kategorije ptica koje postoje u ovom skupu podataka kako bismo vidjeli koja je najčešća po broju. +Nacrtajmo stupčasti graf na filtriranim podacima. + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +U sljedećem isječku instaliramo pakete [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) i [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) kako bismo manipulirali i grupirali podatke za crtanje složenog stupčastog grafa. Prvo grupirate podatke prema `Category` ptica i zatim sažimate stupce `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Zatim crtate stupčasti graf koristeći `ggplot2` i specificirate boje za različite kategorije i oznake. + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.hr.png) + +Ovaj stupčasti graf, međutim, nije čitljiv jer ima previše negrupiranih podataka. Trebate odabrati samo podatke koje želite prikazati, pa pogledajmo duljinu ptica na temelju njihove kategorije. + +Filtrirajte svoje podatke kako biste uključili samo kategoriju ptica. + +Budući da postoji mnogo kategorija, ovaj graf možete prikazati okomito i prilagoditi njegovu visinu kako biste obuhvatili sve podatke: + +```r +birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE) +birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) +ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip() +``` +Prvo brojite jedinstvene vrijednosti u stupcu `Category` i zatim ih sortirate u novi dataframe `birds_count`. Ovi sortirani podaci zatim se faktoriziraju na istoj razini kako bi se prikazali na sortirani način. Koristeći `ggplot2`, zatim crtate podatke u stupčastom grafu. Funkcija `coord_flip()` prikazuje horizontalne stupce. + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.hr.png) + +Ovaj stupčasti graf pruža dobar pregled broja ptica u svakoj kategoriji. Na prvi pogled vidite da je najveći broj ptica u ovoj regiji u kategoriji Patke/Guske/Vodene ptice. Minnesota je 'zemlja 10.000 jezera', pa to nije iznenađujuće! + +✅ Isprobajte neka druga brojanja na ovom skupu podataka. Iznenađuje li vas nešto? + +## Usporedba podataka + +Možete isprobati različite usporedbe grupiranih podataka stvaranjem novih osi. Isprobajte usporedbu maksimalne duljine ptice na temelju njene kategorije: + +```r +birds_grouped <- birds_filtered %>% + group_by(Category) %>% + summarise( + MaxLength = max(MaxLength, na.rm = T), + MinLength = max(MinLength, na.rm = T) + ) %>% + arrange(Category) + +ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip() +``` +Grupiramo `birds_filtered` podatke prema `Category` i zatim crtamo stupčasti graf. + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.hr.png) + +Ništa ovdje nije iznenađujuće: kolibrići imaju najmanju maksimalnu duljinu u usporedbi s pelikanima ili guskama. Dobro je kada podaci imaju logičan smisao! + +Možete stvoriti zanimljivije vizualizacije stupčastih grafova preklapanjem podataka. Preklopimo minimalnu i maksimalnu duljinu na određenu kategoriju ptica: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.hr.png) + +## 🚀 Izazov + +Ovaj skup podataka o pticama nudi bogatstvo informacija o različitim vrstama ptica unutar određenog ekosustava. Pretražite internet i provjerite možete li pronaći druge skupove podataka o pticama. Vježbajte izradu grafova i dijagrama o ovim pticama kako biste otkrili činjenice koje niste znali. + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Pregled i Samostalno Učenje + +Ova prva lekcija dala vam je neke informacije o tome kako koristiti `ggplot2` za vizualizaciju količina. Istražite druge načine rada s podacima za vizualizaciju. Istražite i potražite skupove podataka koje biste mogli vizualizirati koristeći druge pakete poput [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) i [Plotly](https://github.com/plotly/plotly.R#readme). + +## Zadatak +[Linije, Raspršeni Grafovi i Stupci](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/hr/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..43d1e5be --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Linije, Raspršeni Grafovi i Stupčasti Grafovi + +## Upute + +U ovoj lekciji radili ste s linijskim grafovima, raspršenim grafovima i stupčastim grafovima kako biste prikazali zanimljive činjenice o ovom skupu podataka. U ovom zadatku, dublje istražite skup podataka kako biste otkrili činjenicu o određenoj vrsti ptice. Na primjer, izradite skriptu koja vizualizira sve zanimljive podatke koje možete pronaći o snježnim guskama. Koristite tri gore spomenuta grafička prikaza kako biste ispričali priču u svom bilježniku. + +## Rubrika + +Primjeran | Zadovoljavajući | Potrebno Poboljšanje +--- | --- | -- | +Skripta je predstavljena s dobrim bilješkama, čvrstom pričom i privlačnim grafovima | Skripta nedostaje jedan od ovih elemenata | Skripta nedostaje dva od ovih elemenata + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/hr/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..83e0d91f --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,183 @@ + +# Vizualizacija distribucija + +|![ Sketchnote autora [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Vizualizacija distribucija - _Sketchnote autora [@nitya](https://twitter.com/nitya)_ | + +U prethodnoj lekciji naučili ste zanimljive činjenice o skupu podataka o pticama Minnesote. Otkrili ste pogrešne podatke vizualizacijom odstupanja i proučili razlike između kategorija ptica prema njihovoj maksimalnoj duljini. + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Istražite skup podataka o pticama + +Još jedan način za dublju analizu podataka je proučavanje njihove distribucije, odnosno kako su podaci organizirani duž neke osi. Možda, na primjer, želite saznati opću distribuciju maksimalnog raspona krila ili maksimalne tjelesne mase ptica Minnesote u ovom skupu podataka. + +Otkrijmo neke činjenice o distribucijama podataka u ovom skupu. U vašem R konzoli, uvezite `ggplot2` i bazu podataka. Uklonite odstupanja iz baze podataka kao što ste to učinili u prethodnoj temi. + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | Ime | ZnanstvenoIme | Kategorija | Red | Porodica | Rod | StatusOčuvanosti | MinDuljina | MaxDuljina | MinTjelesnaMasa | MaxTjelesnaMasa | MinRasponKrila | MaxRasponKrila | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | ----------: | ----------: | --------------: | --------------: | -------------: | -------------: | +| 0 | Crnoprsi zviždač | Dendrocygna autumnalis | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Riđi zviždač | Dendrocygna bicolor | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snježna guska | Anser caerulescens | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova guska | Anser rossii | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Velika bijeloprsa guska | Anser albifrons | Patke/Guske/Vodene ptice | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Općenito, distribuciju podataka možete brzo pregledati pomoću raspršenog dijagrama, kao što smo to učinili u prethodnoj lekciji: + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![maksimalna duljina po redu](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.hr.png) + +Ovo daje pregled opće distribucije duljine tijela po redu ptica, ali nije optimalan način za prikaz stvarnih distribucija. Taj zadatak obično se rješava izradom histograma. +## Rad s histogramima + +`ggplot2` nudi vrlo dobre načine za vizualizaciju distribucije podataka pomoću histograma. Ova vrsta grafikona slična je stupčastom grafikonu gdje se distribucija može vidjeti kroz porast i pad stupaca. Za izradu histograma potrebni su numerički podaci. Za izradu histograma možete nacrtati grafikon definirajući vrstu kao 'hist' za histogram. Ovaj grafikon prikazuje distribuciju MaxBodyMass za cijeli raspon numeričkih podataka u skupu. Dijeljenjem niza podataka na manje segmente (bins), može prikazati distribuciju vrijednosti podataka: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![distribucija cijelog skupa podataka](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.hr.png) + +Kao što možete vidjeti, većina od 400+ ptica u ovom skupu podataka spada u raspon ispod 2000 za njihovu maksimalnu tjelesnu masu. Dobijte više uvida u podatke promjenom parametra `bins` na veći broj, poput 30: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![distribucija-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.hr.png) + +Ovaj grafikon prikazuje distribuciju na malo detaljniji način. Grafikon manje nagnut ulijevo mogao bi se stvoriti osiguravanjem da odaberete samo podatke unutar određenog raspona: + +Filtrirajte svoje podatke kako biste dobili samo one ptice čija je tjelesna masa ispod 60 i prikažite 30 `bins`: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![filtrirani histogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.hr.png) + +✅ Isprobajte neke druge filtre i točke podataka. Da biste vidjeli punu distribuciju podataka, uklonite filter `['MaxBodyMass']` kako biste prikazali označene distribucije. + +Histogram također nudi zanimljive mogućnosti za boje i označavanje: + +Napravite 2D histogram za usporedbu odnosa između dvije distribucije. Usporedimo `MaxBodyMass` i `MaxLength`. `ggplot2` nudi ugrađen način za prikaz konvergencije pomoću svjetlijih boja: + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +Čini se da postoji očekivana korelacija između ova dva elementa duž očekivane osi, s jednom posebno jakom točkom konvergencije: + +![2d grafikon](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.hr.png) + +Histograme je lako koristiti za numeričke podatke. Što ako trebate vidjeti distribucije prema tekstualnim podacima? +## Istražite skup podataka za distribucije koristeći tekstualne podatke + +Ovaj skup podataka također uključuje korisne informacije o kategoriji ptica, njihovom rodu, vrsti i porodici, kao i o njihovom statusu očuvanosti. Istražimo informacije o očuvanosti. Kakva je distribucija ptica prema njihovom statusu očuvanosti? + +> ✅ U skupu podataka koristi se nekoliko akronima za opis statusa očuvanosti. Ovi akronimi dolaze iz [IUCN Crvene liste kategorija](https://www.iucnredlist.org/), organizacije koja katalogizira status vrsta. +> +> - CR: Kritično ugrožena +> - EN: Ugrožena +> - EX: Izumrla +> - LC: Najmanje zabrinjavajuća +> - NT: Blizu ugroženosti +> - VU: Ranjiva + +Ovo su tekstualne vrijednosti pa ćete trebati napraviti transformaciju kako biste stvorili histogram. Koristeći filtriraniBirds dataframe, prikažite njegov status očuvanosti uz minimalni raspon krila. Što primjećujete? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![raspon krila i status očuvanosti](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.hr.png) + +Čini se da ne postoji dobra korelacija između minimalnog raspona krila i statusa očuvanosti. Testirajte druge elemente skupa podataka koristeći ovu metodu. Možete isprobati i različite filtre. Nalazite li neku korelaciju? + +## Grafovi gustoće + +Možda ste primijetili da su histogrami koje smo do sada pregledali 'stepeni' i ne teku glatko u luku. Da biste prikazali glatkiji grafikon gustoće, možete isprobati graf gustoće. + +Radimo sada s grafovima gustoće! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![graf gustoće](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.hr.png) + +Možete vidjeti kako grafikon odražava prethodni za podatke o minimalnom rasponu krila; samo je malo glađi. Ako želite ponovno pogledati onaj nazubljeni grafikon MaxBodyMass iz drugog grafikona koji ste izradili, mogli biste ga vrlo dobro izgladiti koristeći ovu metodu: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![gustoća tjelesne mase](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.hr.png) + +Ako želite glatku, ali ne previše glatku liniju, uredite parametar `adjust`: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![manje glatka tjelesna masa](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.hr.png) + +✅ Pročitajte o parametrima dostupnim za ovu vrstu grafikona i eksperimentirajte! + +Ova vrsta grafikona nudi vizualizacije koje lijepo objašnjavaju podatke. Na primjer, s nekoliko linija koda možete prikazati gustoću maksimalne tjelesne mase po redu ptica: + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![tjelesna masa po redu](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.hr.png) + +## 🚀 Izazov + +Histogrami su sofisticiranija vrsta grafikona od osnovnih raspršenih dijagrama, stupčastih grafikona ili linijskih grafikona. Potražite na internetu dobre primjere korištenja histograma. Kako se koriste, što prikazuju i u kojim područjima ili poljima se obično koriste? + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Pregled i samostalno učenje + +U ovoj lekciji koristili ste `ggplot2` i počeli raditi na prikazivanju sofisticiranijih grafikona. Istražite `geom_density_2d()` - "kontinuiranu krivulju gustoće vjerojatnosti u jednoj ili više dimenzija". Pročitajte [dokumentaciju](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) kako biste razumjeli kako funkcionira. + +## Zadatak + +[Primijenite svoje vještine](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva pogrešna shvaćanja ili tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/hr/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..5bf82cee --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Primijenite svoje vještine + +## Upute + +Do sada ste radili s datasetom o pticama iz Minnesote kako biste otkrili informacije o količinama ptica i gustoći populacije. Vježbajte primjenu ovih tehnika koristeći neki drugi dataset, možda preuzet s [Kaggle](https://www.kaggle.com/). Napravite R skriptu koja priča priču o ovom datasetu i obavezno koristite histogram prilikom analize. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | +Predstavljena je skripta s bilješkama o ovom datasetu, uključujući njegov izvor, i koristi najmanje 5 histograma za otkrivanje činjenica o podacima. | Predstavljena je skripta s nepotpunim bilješkama ili greškama. | Predstavljena je skripta bez bilješki i sadrži greške. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/hr/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..41c8d040 --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,202 @@ + +# Vizualizacija proporcija + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Vizualizacija proporcija - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +U ovoj lekciji koristit ćete drugačiji dataset fokusiran na prirodu kako biste vizualizirali proporcije, poput broja različitih vrsta gljiva u datasetu o gljivama. Istražimo ove fascinantne gljive koristeći dataset preuzet od Audubona koji sadrži detalje o 23 vrste gljiva s listićima iz obitelji Agaricus i Lepiota. Eksperimentirat ćete s ukusnim vizualizacijama poput: + +- Tortnih grafikona 🥧 +- Grafičkih prikaza u obliku prstena 🍩 +- Grafičkih prikaza u obliku vafla 🧇 + +> 💡 Vrlo zanimljiv projekt pod nazivom [Charticulator](https://charticulator.com) od Microsoft Researcha nudi besplatno sučelje za vizualizaciju podataka putem povlačenja i ispuštanja. U jednom od njihovih tutorijala također koriste ovaj dataset o gljivama! Tako možete istražiti podatke i istovremeno naučiti koristiti biblioteku: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Upoznajte svoje gljive 🍄 + +Gljive su vrlo zanimljive. Uvezimo dataset kako bismo ih proučili: + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +Ispisuje se tablica s odličnim podacima za analizu: + + +| klasa | oblik klobuka | površina klobuka | boja klobuka | modrice | miris | pričvršćenje listića | razmak listića | veličina listića | boja listića | oblik stručka | korijen stručka | površina iznad prstena | površina ispod prstena | boja iznad prstena | boja ispod prstena | vrsta vela | boja vela | broj prstena | vrsta prstena | boja spora | populacija | stanište | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| Otrovna | Konveksna | Glatka | Smeđa | Modrice | Oštar miris | Slobodni | Blizu | Uski | Crna | Širi se | Jednaka | Glatka | Glatka | Bijela | Bijela | Djelomični | Bijela | Jedan | Viseći | Crna | Raspršena | Urbano | +| Jestiva | Konveksna | Glatka | Žuta | Modrice | Badem | Slobodni | Blizu | Široki | Crna | Širi se | Klub | Glatka | Glatka | Bijela | Bijela | Djelomični | Bijela | Jedan | Viseći | Smeđa | Brojna | Trava | +| Jestiva | Zvono | Glatka | Bijela | Modrice | Anis | Slobodni | Blizu | Široki | Smeđa | Širi se | Klub | Glatka | Glatka | Bijela | Bijela | Djelomični | Bijela | Jedan | Viseći | Smeđa | Brojna | Livade | +| Otrovna | Konveksna | Ljuskava | Bijela | Modrice | Oštar miris | Slobodni | Blizu | Uski | Smeđa | Širi se | Jednaka | Glatka | Glatka | Bijela | Bijela | Djelomični | Bijela | Jedan | Viseći | Crna | Raspršena | Urbano +| Jestiva | Konveksna |Glatka | Zelena | Bez modrica| Bez mirisa |Slobodni | Zbijeni | Široki | Crna | Sužava se | Jednaka | Glatka | Glatka | Bijela | Bijela | Djelomični | Bijela | Jedan | Nestajući | Smeđa | Obilna | Trava +|Jestiva | Konveksna | Ljuskava | Žuta | Modrice | Badem | Slobodni | Blizu | Široki | Smeđa | Širi se | Klub | Glatka | Glatka | Bijela | Bijela | Djelomični | Bijela | Jedan | Viseći | Crna | Brojna | Trava + +Odmah primjećujete da su svi podaci tekstualni. Morat ćete ih konvertirati kako biste ih mogli koristiti u grafičkom prikazu. Većina podataka, zapravo, predstavljena je kao objekt: + +```r +names(mushrooms) +``` + +Rezultat je: + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` +Uzmite ove podatke i konvertirajte stupac 'klasa' u kategoriju: + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + + +Sada, ako ispišete podatke o gljivama, možete vidjeti da su grupirani u kategorije prema klasi otrovno/jestivo: +```r +View(grouped) +``` + + +| klasa | broj | +| --------- | --------- | +| Jestiva | 4208 | +| Otrovna| 3916 | + + + +Ako slijedite redoslijed prikazan u ovoj tablici za kreiranje oznaka kategorija klase, možete izraditi tortni grafikon. + +## Torta! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +Voila, tortni grafikon koji prikazuje proporcije ovih podataka prema ove dvije klase gljiva. Vrlo je važno dobiti redoslijed oznaka točno, posebno ovdje, pa svakako provjerite redoslijed kojim je niz oznaka izgrađen! + +![tortni grafikon](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.hr.png) + +## Prstenovi! + +Vizualno zanimljiviji tortni grafikon je grafikon u obliku prstena, koji je tortni grafikon s rupom u sredini. Pogledajmo naše podatke koristeći ovu metodu. + +Pogledajte različita staništa u kojima gljive rastu: + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` +Rezultat je: +| stanište| broj | +| --------- | --------- | +| Trava | 2148 | +| Lišće| 832 | +| Livade | 292 | +| Staze| 1144 | +| Urbano | 368 | +| Otpad| 192 | +| Drvo| 3148 | + + +Ovdje grupirate svoje podatke prema staništu. Ima ih 7 navedenih, pa ih koristite kao oznake za grafikon u obliku prstena: + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![grafikon u obliku prstena](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.hr.png) + +Ovaj kod koristi dvije biblioteke - ggplot2 i webr. Koristeći funkciju PieDonut iz webr biblioteke, lako možemo kreirati grafikon u obliku prstena! + +Grafikoni u obliku prstena u R-u mogu se izraditi koristeći samo ggplot2 biblioteku. Više o tome možete naučiti [ovdje](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) i isprobati sami. + +Sada kada znate kako grupirati svoje podatke i prikazati ih kao tortu ili prsten, možete istražiti druge vrste grafikona. Isprobajte grafikon u obliku vafla, koji je samo drugačiji način istraživanja količine. +## Vafli! + +Grafikon tipa 'vafla' je drugačiji način vizualizacije količina kao 2D niz kvadrata. Pokušajte vizualizirati različite količine boja klobuka gljiva u ovom datasetu. Da biste to učinili, trebate instalirati pomoćnu biblioteku pod nazivom [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) i koristiti je za generiranje svoje vizualizacije: + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +Odaberite segment svojih podataka za grupiranje: + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +Izradite grafikon u obliku vafla kreiranjem oznaka i zatim grupiranjem svojih podataka: + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +Koristeći grafikon u obliku vafla, jasno možete vidjeti proporcije boja klobuka u ovom datasetu gljiva. Zanimljivo je da postoji mnogo gljiva sa zelenim klobukom! + +![grafikon u obliku vafla](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.hr.png) + +U ovoj lekciji naučili ste tri načina za vizualizaciju proporcija. Prvo, trebate grupirati svoje podatke u kategorije, a zatim odlučiti koji je najbolji način za prikaz podataka - torta, prsten ili vafl. Svi su ukusni i pružaju korisniku trenutni pregled dataset-a. + +## 🚀 Izazov + +Pokušajte ponovno kreirati ove ukusne grafikone u [Charticulator](https://charticulator.com). +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Pregled i samostalno učenje + +Ponekad nije očito kada koristiti tortu, prsten ili vafl grafikon. Evo nekoliko članaka za čitanje na ovu temu: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Provedite istraživanje kako biste pronašli više informacija o ovoj odluci. + +## Zadatak + +[Pokušajte u Excelu](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/hr/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..c9908ddd --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,177 @@ + +# Vizualizacija odnosa: Sve o medu 🍯 + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Vizualizacija odnosa - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Nastavljajući s prirodnim fokusom našeg istraživanja, otkrijmo zanimljive vizualizacije koje prikazuju odnose između različitih vrsta meda, prema skupu podataka dobivenom od [Ministarstva poljoprivrede Sjedinjenih Američkih Država](https://www.nass.usda.gov/About_NASS/index.php). + +Ovaj skup podataka, koji sadrži oko 600 stavki, prikazuje proizvodnju meda u mnogim američkim saveznim državama. Na primjer, možete pogledati broj kolonija, prinos po koloniji, ukupnu proizvodnju, zalihe, cijenu po funti i vrijednost proizvedenog meda u određenoj državi od 1998. do 2012., s jednim redom po godini za svaku državu. + +Bit će zanimljivo vizualizirati odnos između proizvodnje određene države po godini i, na primjer, cijene meda u toj državi. Alternativno, mogli biste vizualizirati odnos između prinosa meda po koloniji u različitim državama. Ovo vremensko razdoblje obuhvaća razarajući 'CCD' ili 'Colony Collapse Disorder', prvi put zabilježen 2006. (http://npic.orst.edu/envir/ccd.html), što čini ovaj skup podataka dirljivim za proučavanje. 🐝 + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +U ovoj lekciji možete koristiti ggplot2, koji ste već koristili, kao dobru biblioteku za vizualizaciju odnosa između varijabli. Posebno je zanimljiva upotreba ggplot2 funkcija `geom_point` i `qplot`, koje omogućuju scatter plotove i linijske grafove za brzu vizualizaciju '[statističkih odnosa](https://ggplot2.tidyverse.org/)', što omogućuje data znanstveniku bolje razumijevanje kako se varijable međusobno odnose. + +## Scatterplotovi + +Koristite scatterplot za prikaz kako se cijena meda razvijala iz godine u godinu, po državama. ggplot2, koristeći `ggplot` i `geom_point`, praktično grupira podatke po državama i prikazuje točke za kategorijske i numeričke podatke. + +Započnimo s uvozom podataka i Seaborn-a: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +Primijetit ćete da podaci o medu imaju nekoliko zanimljivih stupaca, uključujući godinu i cijenu po funti. Istražimo ove podatke, grupirane po američkim državama: + +| država | brojkol | prinospokol | ukupnaprod | zalihe | cijenapofunti | vrijednostprod | godina | +| ------ | ------- | ----------- | ---------- | -------- | ------------- | -------------- | ------ | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 | 22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +Napravite osnovni scatterplot za prikaz odnosa između cijene po funti meda i države podrijetla. Napravite `y` os dovoljno visokom da prikaže sve države: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.hr.png) + +Sada prikažite iste podatke s paletom boja meda kako biste pokazali kako se cijena razvija tijekom godina. To možete učiniti dodavanjem parametra 'scale_color_gradientn' za prikaz promjena iz godine u godinu: + +> ✅ Saznajte više o [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - isprobajte prekrasnu paletu boja duge! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.hr.png) + +S ovom promjenom palete boja možete vidjeti očigledan snažan napredak tijekom godina u smislu cijene meda po funti. Doista, ako pogledate uzorak podataka za provjeru (odaberite određenu državu, na primjer Arizonu), možete vidjeti obrazac povećanja cijene iz godine u godinu, s nekoliko iznimaka: + +| država | brojkol | prinospokol | ukupnaprod | zalihe | cijenapofunti | vrijednostprod | godina | +| ------ | ------- | ----------- | ---------- | ------- | ------------- | -------------- | ------ | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Drugi način za vizualizaciju ovog napretka je korištenje veličine, umjesto boje. Za korisnike s poteškoćama u razlikovanju boja, ovo bi mogla biti bolja opcija. Uredite svoju vizualizaciju kako biste prikazali povećanje cijene povećanjem opsega točaka: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +Možete vidjeti kako se veličina točaka postupno povećava. + +![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.hr.png) + +Je li ovo jednostavan slučaj ponude i potražnje? Zbog faktora poput klimatskih promjena i kolapsa kolonija, je li dostupno manje meda za kupnju iz godine u godinu, pa cijena raste? + +Kako biste otkrili korelaciju između nekih varijabli u ovom skupu podataka, istražimo neke linijske grafove. + +## Linijski grafovi + +Pitanje: Postoji li jasan porast cijene meda po funti iz godine u godinu? To možete najlakše otkriti stvaranjem jednog linijskog grafova: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +Odgovor: Da, s nekim iznimkama oko 2003. godine: + +![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.hr.png) + +Pitanje: Pa, možemo li 2003. također vidjeti skok u zalihama meda? Što ako pogledate ukupnu proizvodnju iz godine u godinu? + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.hr.png) + +Odgovor: Ne baš. Ako pogledate ukupnu proizvodnju, čini se da je zapravo porasla te godine, iako općenito količina proizvedenog meda opada tijekom tih godina. + +Pitanje: U tom slučaju, što je moglo uzrokovati taj skok u cijeni meda oko 2003. godine? + +Kako biste to otkrili, možete istražiti facet grid. + +## Facet gridovi + +Facet gridovi uzimaju jedan aspekt vašeg skupa podataka (u našem slučaju, možete odabrati 'godinu' kako biste izbjegli previše proizvedenih faceta). Seaborn zatim može napraviti graf za svaki od tih aspekata vaših odabranih x i y koordinata za lakšu vizualnu usporedbu. Ističe li se 2003. u ovoj vrsti usporedbe? + +Napravite facet grid koristeći `facet_wrap` kako preporučuje [ggplot2 dokumentacija](https://ggplot2.tidyverse.org/reference/facet_wrap.html). + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +U ovoj vizualizaciji možete usporediti prinos po koloniji i broj kolonija iz godine u godinu, usporedno s wrap postavljenim na 3 za stupce: + +![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.hr.png) + +Za ovaj skup podataka, ništa posebno ne ističe se u vezi s brojem kolonija i njihovim prinosom, iz godine u godinu i iz države u državu. Postoji li drugačiji način za pronalaženje korelacije između ove dvije varijable? + +## Dvostruki linijski grafovi + +Isprobajte višelinijski graf superponiranjem dvaju linijskih grafova jedan na drugi, koristeći R-ove funkcije `par` i `plot`. Grafirat ćemo godinu na x osi i prikazati dvije y osi. Dakle, prikazat ćemo prinos po koloniji i broj kolonija, superponirano: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.hr.png) + +Iako ništa ne iskače oko 2003. godine, ovo nam omogućuje da završimo ovu lekciju na malo sretnijoj noti: iako ukupno broj kolonija opada, broj kolonija se stabilizira čak i ako njihov prinos po koloniji opada. + +Naprijed, pčele, naprijed! + +🐝❤️ +## 🚀 Izazov + +U ovoj lekciji naučili ste nešto više o drugim upotrebama scatterplotova i linijskih gridova, uključujući facet gridove. Izazovite se da napravite facet grid koristeći drugačiji skup podataka, možda onaj koji ste koristili prije ovih lekcija. Zabilježite koliko dugo traje njihovo stvaranje i kako morate biti oprezni s brojem gridova koje trebate nacrtati koristeći ove tehnike. +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Pregled i samostalno učenje + +Linijski grafovi mogu biti jednostavni ili prilično složeni. Malo istražite [ggplot2 dokumentaciju](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) o raznim načinima na koje ih možete izgraditi. Pokušajte poboljšati linijske grafove koje ste izradili u ovoj lekciji koristeći druge metode navedene u dokumentaciji. +## Zadatak + +[Zaronite u košnicu](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/hr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..e092a750 --- /dev/null +++ b/translations/hr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,182 @@ + +# Izrada Smislenih Vizualizacija + +|![ Sketchnote autor [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Smislene Vizualizacije - _Sketchnote autor [@nitya](https://twitter.com/nitya)_ | + +> "Ako dovoljno dugo mučite podatke, priznat će bilo što" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +Jedna od osnovnih vještina podatkovnog znanstvenika je sposobnost stvaranja smislene vizualizacije podataka koja pomaže odgovoriti na postavljena pitanja. Prije nego što vizualizirate svoje podatke, morate osigurati da su očišćeni i pripremljeni, kao što ste to radili u prethodnim lekcijama. Nakon toga možete početi odlučivati kako najbolje prikazati podatke. + +U ovoj lekciji pregledat ćete: + +1. Kako odabrati pravi tip grafikona +2. Kako izbjeći obmanjujuće grafikone +3. Kako raditi s bojama +4. Kako stilizirati grafikone za čitljivost +5. Kako izraditi animirane ili 3D grafičke prikaze +6. Kako izraditi kreativnu vizualizaciju + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Odaberite pravi tip grafikona + +U prethodnim lekcijama eksperimentirali ste s izradom raznih zanimljivih vizualizacija podataka koristeći Matplotlib i Seaborn za izradu grafikona. Općenito, možete odabrati [pravi tip grafikona](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) za pitanje koje postavljate koristeći ovu tablicu: + +| Trebate: | Trebali biste koristiti: | +| -------------------------- | ------------------------------- | +| Prikazati trendove kroz vrijeme | Linijski grafikon | +| Usporediti kategorije | Stupčasti, Pita | +| Usporediti ukupne vrijednosti | Pita, Složeni stupčasti | +| Prikazati odnose | Raspršeni, Linijski, Facet, Dvostruki linijski | +| Prikazati distribucije | Raspršeni, Histogram, Box | +| Prikazati proporcije | Pita, Prstenasti, Waffle | + +> ✅ Ovisno o strukturi vaših podataka, možda ćete ih trebati pretvoriti iz teksta u numeričke vrijednosti kako bi grafikon podržao prikaz. + +## Izbjegavajte obmanu + +Čak i ako podatkovni znanstvenik pažljivo odabere pravi grafikon za prave podatke, postoji mnogo načina na koje se podaci mogu prikazati kako bi se dokazala određena točka, često na štetu samih podataka. Postoji mnogo primjera obmanjujućih grafikona i infografika! + +[![Kako grafikoni lažu, autor Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.hr.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Kako grafikoni lažu") + +> 🎥 Kliknite na sliku iznad za konferencijsko predavanje o obmanjujućim grafikonima + +Ovaj grafikon obrće X os kako bi prikazao suprotnost istini, temeljenoj na datumu: + +![loš grafikon 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.hr.png) + +[Ovaj grafikon](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) još je obmanjujući jer oko privlači desna strana, sugerirajući da su slučajevi COVID-a opali tijekom vremena u raznim okruzima. Međutim, ako pažljivo pogledate datume, otkrit ćete da su preuređeni kako bi stvorili obmanjujući trend pada. + +![loš grafikon 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.hr.jpg) + +Ovaj zloglasni primjer koristi boju I obrnutu Y os kako bi obmanuo: umjesto zaključka da su smrtni slučajevi od vatrenog oružja porasli nakon donošenja zakona koji pogoduje oružju, oko je zavarano da misli suprotno: + +![loš grafikon 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.hr.jpg) + +Ovaj neobičan grafikon pokazuje kako se proporcije mogu manipulirati, na smiješan način: + +![loš grafikon 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.hr.jpg) + +Uspoređivanje neusporedivog još je jedan sumnjiv trik. Postoji [sjajna web stranica](https://tylervigen.com/spurious-correlations) posvećena 'lažnim korelacijama' koja prikazuje 'činjenice' koje povezuju, primjerice, stopu razvoda u Maineu i potrošnju margarina. Reddit grupa također prikuplja [ružne primjere](https://www.reddit.com/r/dataisugly/top/?t=all) korištenja podataka. + +Važno je razumjeti koliko lako oko može biti zavarano obmanjujućim grafikonima. Čak i ako su namjere podatkovnog znanstvenika dobre, odabir lošeg tipa grafikona, poput pita grafikona s previše kategorija, može biti obmanjujući. + +## Boje + +Vidjeli ste u grafikonu o 'nasilju vatrenim oružjem na Floridi' kako boja može dodati dodatni sloj značenja grafikonima, posebno onima koji nisu dizajnirani pomoću biblioteka poput ggplot2 i RColorBrewer koje dolaze s raznim provjerenim bibliotekama boja i paletama. Ako sami izrađujete grafikon, proučite malo [teoriju boja](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Budite svjesni, prilikom dizajniranja grafikona, da je pristupačnost važan aspekt vizualizacije. Neki od vaših korisnika mogu biti daltonisti - prikazuje li vaš grafikon dobro podatke za korisnike s oštećenjima vida? + +Budite oprezni pri odabiru boja za svoj grafikon, jer boje mogu prenijeti značenje koje možda niste namjeravali. 'Ružičaste dame' u grafikonu o 'visini' iznad prenose izrazito 'žensko' značenje koje dodatno doprinosi bizarnosti samog grafikona. + +Iako [značenje boja](https://colormatters.com/color-symbolism/the-meanings-of-colors) može biti različito u različitim dijelovima svijeta i obično se mijenja ovisno o nijansi, općenito značenja boja uključuju: + +| Boja | Značenje | +| ------ | ------------------- | +| crvena | moć | +| plava | povjerenje, lojalnost | +| žuta | sreća, oprez | +| zelena | ekologija, sreća, zavist | +| ljubičasta | sreća | +| narančasta | živahnost | + +Ako trebate izraditi grafikon s prilagođenim bojama, osigurajte da su vaši grafikoni i pristupačni i da boja koju odaberete odgovara značenju koje želite prenijeti. + +## Stiliziranje grafikona za čitljivost + +Grafikoni nisu smisleni ako nisu čitljivi! Odvojite trenutak da razmislite o stiliziranju širine i visine svog grafikona kako bi se dobro prilagodili vašim podacima. Ako je potrebno prikazati jednu varijablu (poput svih 50 država), prikažite ih vertikalno na Y osi ako je moguće, kako biste izbjegli grafikon koji se horizontalno pomiče. + +Označite svoje osi, osigurajte legendu ako je potrebno i ponudite alate za bolju interpretaciju podataka. + +Ako su vaši podaci tekstualni i opširni na X osi, možete zakrenuti tekst radi bolje čitljivosti. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) nudi 3D grafičke prikaze, ako vaši podaci to podržavaju. Sofisticirane vizualizacije podataka mogu se izraditi pomoću njega. + +![3D grafikoni](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.hr.png) + +## Animacija i 3D prikaz grafikona + +Neke od najboljih vizualizacija podataka danas su animirane. Shirley Wu ima nevjerojatne primjere izrađene pomoću D3, poput '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', gdje svaki cvijet predstavlja vizualizaciju filma. Drugi primjer za Guardian je 'bussed out', interaktivno iskustvo koje kombinira vizualizacije s Greensockom i D3 te formatom članka za prikaz kako NYC rješava problem beskućnika premještanjem ljudi izvan grada. + +![bussing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.hr.png) + +> "Bussed Out: Kako Amerika premješta svoje beskućnike" iz [Guardiana](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizacije autorice Nadieh Bremer & Shirley Wu + +Iako ova lekcija nije dovoljno detaljna da vas nauči ovim moćnim bibliotekama za vizualizaciju, okušajte se u D3 u Vue.js aplikaciji koristeći biblioteku za prikaz vizualizacije knjige "Opasne veze" kao animirane društvene mreže. + +> "Les Liaisons Dangereuses" je epistolarni roman, odnosno roman predstavljen kao niz pisama. Napisao ga je 1782. godine Choderlos de Laclos, a priča govori o zlobnim, moralno-bankrotiranim društvenim manevrima dvoje suparnika iz francuskog plemstva u kasnom 18. stoljeću, vikonta de Valmonta i markize de Merteuil. Oboje na kraju dožive propast, ali ne prije nego što nanesu veliku društvenu štetu. Roman se odvija kao niz pisama napisanih raznim osobama iz njihovog kruga, planirajući osvetu ili jednostavno stvarajući probleme. Izradite vizualizaciju ovih pisama kako biste otkrili glavne aktere priče, vizualno. + +Dovršit ćete web aplikaciju koja će prikazati animirani prikaz ove društvene mreže. Koristi biblioteku koja je izrađena za stvaranje [vizualizacije mreže](https://github.com/emiliorizzo/vue-d3-network) koristeći Vue.js i D3. Kada aplikacija radi, možete povlačiti čvorove po ekranu kako biste premještali podatke. + +![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.hr.png) + +## Projekt: Izradite grafikon za prikaz mreže koristeći D3.js + +> Ova mapa lekcije uključuje mapu `solution` gdje možete pronaći dovršeni projekt za referencu. + +1. Slijedite upute u README.md datoteci u korijenu mape starter. Provjerite imate li instalirane NPM i Node.js na svom računalu prije instalacije ovisnosti projekta. + +2. Otvorite mapu `starter/src`. Pronaći ćete mapu `assets` gdje se nalazi .json datoteka sa svim pismima iz romana, numeriranim, s oznakama 'to' i 'from'. + +3. Dovršite kod u `components/Nodes.vue` kako biste omogućili vizualizaciju. Potražite metodu pod nazivom `createLinks()` i dodajte sljedeću ugniježđenu petlju. + +Prođite kroz .json objekt kako biste uhvatili podatke 'to' i 'from' za pisma i izgradili objekt `links` kako bi ga biblioteka za vizualizaciju mogla koristiti: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Pokrenite svoju aplikaciju iz terminala (npm run serve) i uživajte u vizualizaciji! + +## 🚀 Izazov + +Prošećite internetom i otkrijte obmanjujuće vizualizacije. Kako autor zavarava korisnika i je li to namjerno? Pokušajte ispraviti vizualizacije kako biste prikazali kako bi trebale izgledati. + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Pregled i samostalno učenje + +Evo nekoliko članaka o obmanjujućim vizualizacijama podataka: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Pogledajte ove zanimljive vizualizacije povijesnih artefakata: + +https://handbook.pubpub.org/ + +Pročitajte ovaj članak o tome kako animacija može poboljšati vaše vizualizacije: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Zadatak + +[Izradite vlastitu prilagođenu vizualizaciju](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešne interpretacije koje mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/3-Data-Visualization/README.md b/translations/hr/3-Data-Visualization/README.md new file mode 100644 index 00000000..e733e66d --- /dev/null +++ b/translations/hr/3-Data-Visualization/README.md @@ -0,0 +1,42 @@ + +# Vizualizacije + +![pčela na cvijetu lavande](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.hr.jpg) +> Fotografija od Jenna Lee na Unsplash + +Vizualizacija podataka jedna je od najvažnijih zadaća data scientista. Slike vrijede više od 1000 riječi, a vizualizacija vam može pomoći da identificirate razne zanimljive dijelove vaših podataka, poput vrhunaca, odstupanja, grupiranja, tendencija i još mnogo toga, što vam može pomoći da razumijete priču koju vaši podaci žele ispričati. + +U ovih pet lekcija istražit ćete podatke iz prirode i kreirati zanimljive i prekrasne vizualizacije koristeći razne tehnike. + +| Broj teme | Tema | Povezana lekcija | Autor | +| :-----------: | :--: | :-----------: | :----: | +| 1. | Vizualizacija količina | | | +| 2. | Vizualizacija distribucije | | | +| 3. | Vizualizacija proporcija | | | +| 4. | Vizualizacija odnosa | | | +| 5. | Kreiranje smislenih vizualizacija | | | + +### Zasluge + +Ove lekcije o vizualizaciji napisane su s 🌸 od strane [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) i [Vidushi Gupta](https://github.com/Vidushi-Gupta). + +🍯 Podaci o proizvodnji meda u SAD-u preuzeti su iz projekta Jessice Li na [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Podaci](https://usda.library.cornell.edu/concern/publications/rn301137d) su izvedeni iz [Ministarstva poljoprivrede Sjedinjenih Američkih Država](https://www.nass.usda.gov/About_NASS/index.php). + +🍄 Podaci o gljivama također su preuzeti s [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) i revidirani od strane Hatterasa Duntona. Ovaj skup podataka uključuje opise hipotetskih uzoraka koji odgovaraju 23 vrste gljiva s listićima iz obitelji Agaricus i Lepiota. Gljive su preuzete iz vodiča The Audubon Society Field Guide to North American Mushrooms (1981). Ovaj skup podataka doniran je UCI ML 27 1987. godine. + +🦆 Podaci o pticama Minnesote preuzeti su s [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) i prikupljeni s [Wikipedije](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) od strane Hannah Collins. + +Svi ovi skupovi podataka licencirani su kao [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/). + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/hr/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..ab1c334b --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,123 @@ + +# Uvod u životni ciklus podatkovne znanosti + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| Uvod u životni ciklus podatkovne znanosti - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lekcija Kviz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26) + +Do sada ste vjerojatno shvatili da je podatkovna znanost proces. Taj proces može se podijeliti u 5 faza: + +- Prikupljanje +- Obrada +- Analiza +- Komunikacija +- Održavanje + +Ova lekcija fokusira se na 3 dijela životnog ciklusa: prikupljanje, obrada i održavanje. + +![Dijagram životnog ciklusa podatkovne znanosti](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.hr.jpg) +> Fotografija od [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) + +## Prikupljanje + +Prva faza životnog ciklusa vrlo je važna jer su sljedeće faze ovisne o njoj. Praktično, to su dvije faze spojene u jednu: prikupljanje podataka i definiranje svrhe i problema koji se trebaju riješiti. +Definiranje ciljeva projekta zahtijeva dublji kontekst problema ili pitanja. Prvo, potrebno je identificirati i angažirati one kojima je potrebno rješenje problema. To mogu biti dionici u poslovanju ili sponzori projekta, koji mogu pomoći u identificiranju tko ili što će imati koristi od ovog projekta, kao i što i zašto im je to potrebno. Dobro definiran cilj trebao bi biti mjerljiv i kvantificiran kako bi se odredio prihvatljiv rezultat. + +Pitanja koja podatkovni znanstvenik može postaviti: +- Je li ovaj problem već bio obrađivan? Što je otkriveno? +- Je li svrha i cilj razumljiv svima uključenima? +- Postoji li nejasnoća i kako je smanjiti? +- Koja su ograničenja? +- Kako bi potencijalno mogao izgledati krajnji rezultat? +- Koliko resursa (vrijeme, ljudi, računalni) je dostupno? + +Sljedeći korak je identificiranje, prikupljanje, a zatim istraživanje podataka potrebnih za postizanje definiranih ciljeva. U ovoj fazi prikupljanja, podatkovni znanstvenici također moraju procijeniti količinu i kvalitetu podataka. To zahtijeva određeno istraživanje podataka kako bi se potvrdilo da će prikupljeni podaci podržati postizanje željenog rezultata. + +Pitanja koja podatkovni znanstvenik može postaviti o podacima: +- Koji podaci su mi već dostupni? +- Tko je vlasnik tih podataka? +- Koji su problemi privatnosti? +- Imam li dovoljno podataka za rješavanje ovog problema? +- Jesu li podaci prihvatljive kvalitete za ovaj problem? +- Ako otkrijem dodatne informacije kroz ove podatke, trebamo li razmotriti promjenu ili redefiniranje ciljeva? + +## Obrada + +Faza obrade u životnom ciklusu fokusira se na otkrivanje obrazaca u podacima kao i na modeliranje. Neke tehnike korištene u fazi obrade zahtijevaju statističke metode za otkrivanje obrazaca. Tipično, ovo bi bio zamoran zadatak za čovjeka s velikim skupom podataka, pa se oslanjamo na računala kako bi ubrzala proces. Ova faza također je mjesto gdje se podatkovna znanost i strojno učenje preklapaju. Kao što ste naučili u prvoj lekciji, strojno učenje je proces izgradnje modela za razumijevanje podataka. Modeli su prikaz odnosa između varijabli u podacima koji pomažu u predviđanju ishoda. + +Uobičajene tehnike korištene u ovoj fazi pokrivene su u kurikulumu ML za početnike. Slijedite poveznice kako biste saznali više o njima: + +- [Klasifikacija](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organiziranje podataka u kategorije za učinkovitiju upotrebu. +- [Grupiranje](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Grupiranje podataka u slične skupine. +- [Regresija](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Utvrđivanje odnosa između varijabli za predviđanje ili prognozu vrijednosti. + +## Održavanje + +Na dijagramu životnog ciklusa možda ste primijetili da održavanje stoji između prikupljanja i obrade. Održavanje je kontinuirani proces upravljanja, pohrane i osiguravanja podataka tijekom cijelog procesa projekta i treba ga uzeti u obzir tijekom cijelog trajanja projekta. + +### Pohrana podataka + +Razmatranja o tome kako i gdje se podaci pohranjuju mogu utjecati na trošak njihove pohrane kao i na performanse brzine pristupa podacima. Odluke poput ovih vjerojatno neće donositi samo podatkovni znanstvenik, ali se može naći u situaciji da donosi odluke o tome kako raditi s podacima na temelju načina njihove pohrane. + +Evo nekih aspekata modernih sustava za pohranu podataka koji mogu utjecati na te odluke: + +**Na lokaciji vs izvan lokacije vs javni ili privatni oblak** + +Na lokaciji odnosi se na upravljanje podacima na vlastitoj opremi, poput posjedovanja servera s tvrdim diskovima koji pohranjuju podatke, dok se izvan lokacije oslanja na opremu koju ne posjedujete, poput podatkovnog centra. Javni oblak popularan je izbor za pohranu podataka koji ne zahtijeva znanje o tome kako ili gdje su točno podaci pohranjeni, gdje se javni odnosi na jedinstvenu infrastrukturu koja je zajednička svima koji koriste oblak. Neke organizacije imaju stroge sigurnosne politike koje zahtijevaju da imaju potpuni pristup opremi na kojoj su podaci pohranjeni i oslanjaju se na privatni oblak koji pruža vlastite usluge oblaka. Više o podacima u oblaku naučit ćete u [kasnijim lekcijama](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud). + +**Hladni vs vrući podaci** + +Kada trenirate svoje modele, možda će vam trebati više podataka za treniranje. Ako ste zadovoljni svojim modelom, dolazit će novi podaci kako bi model služio svojoj svrsi. U svakom slučaju, trošak pohrane i pristupa podacima povećavat će se kako ih akumulirate. Razdvajanje rijetko korištenih podataka, poznatih kao hladni podaci, od često korištenih vrućih podataka može biti jeftinija opcija za pohranu podataka putem hardverskih ili softverskih usluga. Ako je potrebno pristupiti hladnim podacima, može potrajati malo duže u usporedbi s vrućim podacima. + +### Upravljanje podacima + +Dok radite s podacima, možete otkriti da neke od njih treba očistiti koristeći neke od tehnika pokrivenih u lekciji o [pripremi podataka](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) kako biste izgradili točne modele. Kada stignu novi podaci, bit će potrebne iste primjene kako bi se održala dosljednost u kvaliteti. Neki projekti uključuju korištenje automatiziranog alata za čišćenje, agregaciju i kompresiju prije nego što se podaci premjeste na svoje konačno mjesto. Azure Data Factory je primjer jednog od tih alata. + +### Osiguravanje podataka + +Jedan od glavnih ciljeva osiguravanja podataka je osigurati da oni koji rade s podacima kontroliraju što se prikuplja i u kojem kontekstu se koristi. Održavanje sigurnosti podataka uključuje ograničavanje pristupa samo onima koji ga trebaju, pridržavanje lokalnih zakona i propisa, kao i održavanje etičkih standarda, kao što je pokriveno u [lekciji o etici](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics). + +Evo nekih stvari koje tim može učiniti s obzirom na sigurnost: +- Potvrditi da su svi podaci šifrirani +- Pružiti korisnicima informacije o tome kako se njihovi podaci koriste +- Ukloniti pristup podacima onima koji su napustili projekt +- Dopustiti samo određenim članovima projekta da mijenjaju podatke + +## 🚀 Izazov + +Postoji mnogo verzija životnog ciklusa podatkovne znanosti, gdje svaki korak može imati različita imena i broj faza, ali će sadržavati iste procese spomenute u ovoj lekciji. + +Istražite [Team Data Science Process lifecycle](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) i [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/). Navedite 3 sličnosti i razlike između njih. + +|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)| +|--|--| +|![Team Data Science Lifecycle](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.hr.png) | ![Data Science Process Alliance Image](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.hr.png) | +| Slika od [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Slika od [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) | + +## [Post-Lekcija Kviz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27) + +## Pregled i samostalno učenje + +Primjena životnog ciklusa podatkovne znanosti uključuje više uloga i zadataka, gdje se neki mogu fokusirati na određene dijelove svake faze. Team Data Science Process pruža nekoliko resursa koji objašnjavaju vrste uloga i zadataka koje netko može imati u projektu. + +* [Team Data Science Process uloge i zadaci](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [Izvršavanje zadataka podatkovne znanosti: istraživanje, modeliranje i implementacija](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## Zadatak + +[Procjena skupa podataka](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/hr/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..2f671b7b --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,37 @@ + +# Procjena skupa podataka + +Klijent se obratio vašem timu za pomoć u istraživanju sezonskih potrošačkih navika taksi korisnika u New Yorku. + +Žele znati: **Daju li putnici žutih taksija u New Yorku vozačima veće napojnice zimi ili ljeti?** + +Vaš tim se nalazi u fazi [Prikupljanja](Readme.md#Capturing) životnog ciklusa podatkovne znanosti, a vi ste zaduženi za obradu skupa podataka. Dobiveni su vam bilježnica i [podaci](../../../../data/taxi.csv) za istraživanje. + +U ovom direktoriju nalazi se [bilježnica](notebook.ipynb) koja koristi Python za učitavanje podataka o vožnjama žutih taksija iz [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). +Također možete otvoriti datoteku s podacima o taksijima u tekstualnom editoru ili softveru za proračunske tablice poput Excela. + +## Upute + +- Procijenite može li ovaj skup podataka pomoći u odgovoru na postavljeno pitanje. +- Istražite [NYC Open Data katalog](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Identificirajte dodatni skup podataka koji bi mogao biti koristan za odgovor na pitanje klijenta. +- Napišite 3 pitanja koja biste postavili klijentu radi dodatnog pojašnjenja i boljeg razumijevanja problema. + +Pogledajte [rječnik skupa podataka](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) i [korisnički vodič](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) za više informacija o podacima. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | --- + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/hr/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..4d6670f0 --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,60 @@ + +# Životni ciklus podatkovne znanosti: Analiza + +|![ Sketchnote autor [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| Životni ciklus podatkovne znanosti: Analiza - _Sketchnote autor [@nitya](https://twitter.com/nitya)_ | + +## Kviz prije predavanja + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28) + +Analiza u životnom ciklusu podataka potvrđuje da podaci mogu odgovoriti na postavljena pitanja ili riješiti određeni problem. Ova faza također može biti usmjerena na potvrđivanje da model ispravno odgovara na ta pitanja i probleme. Ova lekcija fokusira se na istraživačku analizu podataka (Exploratory Data Analysis ili EDA), koja uključuje tehnike za definiranje značajki i odnosa unutar podataka te pripremu podataka za modeliranje. + +Koristit ćemo primjer skupa podataka s [Kagglea](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) kako bismo pokazali kako se to može primijeniti uz pomoć Pythona i biblioteke Pandas. Ovaj skup podataka sadrži brojanje nekih uobičajenih riječi pronađenih u e-mailovima, a izvori tih e-mailova su anonimni. Koristite [bilježnicu](notebook.ipynb) u ovom direktoriju za praćenje. + +## Istraživačka analiza podataka + +Faza prikupljanja u životnom ciklusu je mjesto gdje se podaci prikupljaju, kao i problemi i pitanja koja treba riješiti, ali kako znamo da podaci mogu podržati krajnji rezultat? +Podsjetimo se da podatkovni znanstvenik može postaviti sljedeća pitanja kada dobije podatke: +- Imam li dovoljno podataka za rješavanje ovog problema? +- Jesu li podaci prihvatljive kvalitete za ovaj problem? +- Ako otkrijem dodatne informacije kroz ove podatke, trebamo li razmotriti promjenu ili redefiniranje ciljeva? +Istraživačka analiza podataka je proces upoznavanja s podacima i može se koristiti za odgovaranje na ova pitanja, kao i za identificiranje izazova u radu s podacima. Usredotočimo se na neke od tehnika koje se koriste za postizanje ovoga. + +## Profiliranje podataka, opisna statistika i Pandas +Kako procijeniti imamo li dovoljno podataka za rješavanje ovog problema? Profiliranje podataka može sažeti i prikupiti neke opće informacije o našem skupu podataka kroz tehnike opisne statistike. Profiliranje podataka pomaže nam razumjeti što nam je dostupno, dok opisna statistika pomaže razumjeti koliko toga imamo. + +U nekoliko prethodnih lekcija koristili smo Pandas za pružanje opisne statistike pomoću funkcije [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Ona pruža brojanje, maksimalne i minimalne vrijednosti, srednju vrijednost, standardnu devijaciju i kvantile za numeričke podatke. Korištenje opisne statistike poput funkcije `describe()` može vam pomoći procijeniti koliko imate podataka i trebate li ih više. + +## Uzorkovanje i upiti +Istraživanje svega u velikom skupu podataka može biti vrlo vremenski zahtjevno i obično je zadatak koji se prepušta računalima. Međutim, uzorkovanje je koristan alat za razumijevanje podataka i omogućuje nam bolje razumijevanje onoga što se nalazi u skupu podataka i što on predstavlja. Uz uzorak, možete primijeniti vjerojatnost i statistiku kako biste došli do nekih općih zaključaka o svojim podacima. Iako ne postoji definirano pravilo o tome koliko podataka trebate uzorkovati, važno je napomenuti da što više podataka uzorkujete, to precizniju generalizaciju možete napraviti o podacima. +Pandas ima funkciju [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) u svojoj biblioteci, gdje možete proslijediti argument o tome koliko slučajnih uzoraka želite dobiti i koristiti. + +Općenito postavljanje upita o podacima može vam pomoći odgovoriti na neka opća pitanja i teorije koje imate. Za razliku od uzorkovanja, upiti vam omogućuju kontrolu i fokusiranje na specifične dijelove podataka o kojima imate pitanja. +Funkcija [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) u biblioteci Pandas omogućuje vam odabir stupaca i dobivanje jednostavnih odgovora o podacima kroz dohvaćene retke. + +## Istraživanje pomoću vizualizacija +Ne morate čekati da podaci budu temeljito očišćeni i analizirani kako biste počeli stvarati vizualizacije. Zapravo, vizualni prikaz tijekom istraživanja može pomoći u identificiranju obrazaca, odnosa i problema u podacima. Nadalje, vizualizacije pružaju sredstvo komunikacije s onima koji nisu uključeni u upravljanje podacima i mogu biti prilika za dijeljenje i pojašnjenje dodatnih pitanja koja nisu obrađena u fazi prikupljanja. Pogledajte [odjeljak o vizualizacijama](../../../../../../../../../3-Data-Visualization) kako biste saznali više o nekim popularnim načinima vizualnog istraživanja. + +## Istraživanje za identifikaciju nedosljednosti +Sve teme u ovoj lekciji mogu pomoći u identificiranju nedostajućih ili nedosljednih vrijednosti, ali Pandas pruža funkcije za provjeru nekih od njih. [isna() ili isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) mogu provjeriti nedostajuće vrijednosti. Jedan važan dio istraživanja ovih vrijednosti unutar vaših podataka je istražiti zašto su one uopće tako završile. To vam može pomoći odlučiti koje [korake poduzeti za njihovo rješavanje](/2-Working-With-Data/08-data-preparation/notebook.ipynb). + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27) + +## Zadatak + +[Istraživanje za odgovore](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/hr/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..35757610 --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,36 @@ + +# Istraživanje odgovora + +Ovo je nastavak [zadatka](../14-Introduction/assignment.md) iz prethodne lekcije, gdje smo ukratko pregledali skup podataka. Sada ćemo detaljnije analizirati podatke. + +Pitanje koje klijent želi saznati: **Daju li putnici žutih taksija u New Yorku veće napojnice vozačima zimi ili ljeti?** + +Vaš tim se nalazi u fazi [Analize](README.md) u životnom ciklusu podatkovne znanosti, gdje ste odgovorni za provođenje eksplorativne analize podataka na skupu podataka. Dobiveni su vam bilježnica i skup podataka koji sadrže 200 transakcija taksija iz siječnja i srpnja 2019. + +## Upute + +U ovom direktoriju nalaze se [bilježnica](assignment.ipynb) i podaci od [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Pogledajte [rječnik skupa podataka](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) i [korisnički vodič](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) za više informacija o podacima. + +Koristite neke od tehnika iz ove lekcije kako biste proveli vlastitu eksplorativnu analizu podataka u bilježnici (dodajte ćelije ako želite) i odgovorite na sljedeća pitanja: + +- Koji drugi utjecaji u podacima bi mogli utjecati na iznos napojnice? +- Koji stupci najvjerojatnije neće biti potrebni za odgovor na klijentovo pitanje? +- Na temelju dosad pruženih podataka, pružaju li podaci ikakve dokaze o sezonskom ponašanju u davanju napojnica? + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | --- + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/16-communication/README.md b/translations/hr/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..6039c850 --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,222 @@ + +# Životni ciklus podatkovne znanosti: Komunikacija + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)| +|:---:| +| Životni ciklus podatkovne znanosti: Komunikacija - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lekcijski Kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30) + +Provjerite svoje znanje o onome što slijedi pomoću gornjeg pre-lekcijskog kviza! + +# Uvod + +### Što je komunikacija? +Započnimo ovu lekciju definiranjem što znači komunicirati. **Komunicirati znači prenijeti ili razmijeniti informacije.** Informacije mogu biti ideje, misli, osjećaji, poruke, skriveni signali, podaci – bilo što što **_pošiljatelj_** (netko tko šalje informacije) želi da **_primatelj_** (netko tko prima informacije) razumije. U ovoj lekciji, pošiljatelje ćemo nazivati komunikatorima, a primatelje publikom. + +### Komunikacija podataka i pripovijedanje +Razumijemo da je cilj komunikacije prenijeti ili razmijeniti informacije. No, kada komunicirate podatke, vaš cilj ne bi trebao biti samo prenošenje brojeva publici. Vaš cilj bi trebao biti ispričati priču koja je informirana vašim podacima – učinkovita komunikacija podataka i pripovijedanje idu ruku pod ruku. Vaša publika će se vjerojatnije sjetiti priče koju ispričate nego broja koji im date. Kasnije u ovoj lekciji, proći ćemo kroz nekoliko načina na koje možete koristiti pripovijedanje kako biste učinkovitije komunicirali svoje podatke. + +### Vrste komunikacije +Tijekom ove lekcije raspravljat ćemo o dvije različite vrste komunikacije: jednosmjernoj komunikaciji i dvosmjernoj komunikaciji. + +**Jednosmjerna komunikacija** događa se kada pošiljatelj šalje informacije primatelju, bez povratnih informacija ili odgovora. Primjere jednosmjerne komunikacije vidimo svaki dan – u masovnim e-mailovima, kada vijesti prenose najnovije priče, ili čak kada se pojavi televizijska reklama i informira vas zašto je njihov proizvod odličan. U svakom od ovih slučajeva, pošiljatelj ne traži razmjenu informacija. Oni samo žele prenijeti ili dostaviti informacije. + +**Dvosmjerna komunikacija** događa se kada sve uključene strane djeluju i kao pošiljatelji i kao primatelji. Pošiljatelj započinje komunikaciju s primateljem, a primatelj pruža povratne informacije ili odgovor. Dvosmjernu komunikaciju obično zamišljamo kada govorimo o komunikaciji. Obično mislimo na ljude koji su uključeni u razgovor – bilo osobno, preko telefonskog poziva, društvenih mreža ili tekstualne poruke. + +Kada komunicirate podatke, postoje slučajevi kada ćete koristiti jednosmjernu komunikaciju (razmislite o prezentaciji na konferenciji ili velikoj grupi gdje se pitanja neće postavljati odmah nakon) i slučajevi kada ćete koristiti dvosmjernu komunikaciju (razmislite o korištenju podataka za uvjeravanje nekoliko dionika da se uključe ili za uvjeravanje kolege da se vrijeme i trud trebaju uložiti u izgradnju nečeg novog). + +# Učinkovita komunikacija + +### Vaše odgovornosti kao komunikatora +Kada komunicirate, vaša je odgovornost osigurati da vaši primatelji razumiju informacije koje želite da shvate. Kada komunicirate podatke, ne želite da vaši primatelji samo zapamte brojeve, već želite da shvate priču koja je informirana vašim podacima. Dobar komunikator podataka je dobar pripovjedač. + +Kako ispričati priču s podacima? Postoji beskonačno mnogo načina – ali u ovoj lekciji ćemo govoriti o šest. +1. Razumjeti svoju publiku, svoj kanal i svoj način komunikacije +2. Započeti s krajem na umu +3. Pristupiti tome kao stvarnoj priči +4. Koristiti značajne riječi i fraze +5. Koristiti emocije + +Svaka od ovih strategija objašnjena je detaljnije u nastavku. + +### 1. Razumjeti svoju publiku, svoj kanal i svoj način komunikacije +Način na koji komunicirate s članovima obitelji vjerojatno je drugačiji od načina na koji komunicirate s prijateljima. Vjerojatno koristite različite riječi i fraze koje ljudi s kojima razgovarate lakše razumiju. Trebali biste primijeniti isti pristup kada komunicirate podatke. Razmislite o tome s kim komunicirate. Razmislite o njihovim ciljevima i kontekstu koji imaju u vezi s situacijom koju im objašnjavate. + +Većinu svoje publike vjerojatno možete svrstati u kategoriju. U članku _Harvard Business Review_, “[Kako ispričati priču s podacima](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)” Dellov izvršni strateg Jim Stikeleather identificira pet kategorija publike. + +- **Početnik**: prvi susret s temom, ali ne želi previše pojednostavljenje +- **Generalist**: upoznat s temom, ali traži pregled i glavne teme +- **Menadžer**: detaljno, primjenjivo razumijevanje složenosti i međusobnih odnosa s pristupom detaljima +- **Stručnjak**: više istraživanja i otkrivanja, manje pripovijedanja, s velikom količinom detalja +- **Izvršni direktor**: ima vremena samo za razumijevanje značaja i zaključaka s ponderiranim vjerojatnostima + +Ove kategorije mogu informirati način na koji predstavljate podatke svojoj publici. + +Osim razmišljanja o kategoriji vaše publike, trebali biste razmotriti i kanal koji koristite za komunikaciju s publikom. Vaš pristup trebao bi biti malo drugačiji ako pišete dopis ili e-mail u usporedbi s održavanjem sastanka ili prezentacijom na konferenciji. + +Uz razumijevanje vaše publike, ključno je znati kako ćete komunicirati s njima (koristeći jednosmjernu ili dvosmjernu komunikaciju). + +Ako komunicirate s većinom početničke publike i koristite jednosmjernu komunikaciju, prvo morate educirati publiku i dati im odgovarajući kontekst. Zatim morate predstaviti svoje podatke i objasniti što oni znače i zašto su važni. U ovom slučaju, možda ćete se morati usredotočiti na jasnoću, jer vaša publika neće moći postavljati izravna pitanja. + +Ako komunicirate s većinom menadžerske publike i koristite dvosmjernu komunikaciju, vjerojatno nećete morati educirati svoju publiku ili im pružiti puno konteksta. Možda ćete moći odmah prijeći na raspravu o podacima koje ste prikupili i zašto su važni. U ovom scenariju, međutim, trebali biste se usredotočiti na upravljanje vremenom i kontrolu svoje prezentacije. Kada koristite dvosmjernu komunikaciju (posebno s menadžerskom publikom koja traži "primjenjivo razumijevanje složenosti i međusobnih odnosa s pristupom detaljima"), pitanja se mogu pojaviti tijekom interakcije koja može odvesti raspravu u smjer koji nije povezan s pričom koju pokušavate ispričati. Kada se to dogodi, možete poduzeti korake i vratiti raspravu na pravi put s vašom pričom. + +### 2. Započeti s krajem na umu +Započeti s krajem na umu znači razumjeti željene zaključke za vašu publiku prije nego što počnete komunicirati s njima. Promišljanje o tome što želite da vaša publika zaključi unaprijed može vam pomoći da oblikujete priču koju vaša publika može pratiti. Započeti s krajem na umu prikladno je i za jednosmjernu i za dvosmjernu komunikaciju. + +Kako započeti s krajem na umu? Prije nego što komunicirate svoje podatke, zapišite svoje ključne zaključke. Zatim, na svakom koraku dok pripremate priču koju želite ispričati svojim podacima, zapitajte se: "Kako se ovo uklapa u priču koju pričam?" + +Budite svjesni – iako je idealno započeti s krajem na umu, ne želite komunicirati samo podatke koji podržavaju vaše željene zaključke. To se zove selektivno biranje podataka, što se događa kada komunikator prenosi samo podatke koji podržavaju njegovu tvrdnju, a ignorira sve ostale podatke. + +Ako svi podaci koje ste prikupili jasno podržavaju vaše željene zaključke, odlično. No, ako postoje podaci koje ste prikupili koji ne podržavaju vaše zaključke ili čak podržavaju argument protiv vaših ključnih zaključaka, trebali biste komunicirati i te podatke. Ako se to dogodi, budite iskreni prema svojoj publici i objasnite zašto se odlučujete držati svoje priče iako svi podaci ne podržavaju nužno vašu tvrdnju. + +### 3. Pristupiti tome kao stvarnoj priči +Tradicionalna priča odvija se u 5 faza. Možda ste čuli da se te faze izražavaju kao Uvod, Uspon radnje, Vrhunac, Pad radnje i Rasplet. Ili lakše za zapamtiti: Kontekst, Sukob, Vrhunac, Zatvaranje, Zaključak. Kada komunicirate svoje podatke i svoju priču, možete primijeniti sličan pristup. + +Možete započeti s kontekstom, postaviti pozornicu i osigurati da vaša publika bude na istoj stranici. Zatim predstavite sukob. Zašto ste trebali prikupiti ove podatke? Koje ste probleme pokušavali riješiti? Nakon toga dolazi vrhunac. Koji su podaci? Što ti podaci znače? Koja rješenja podaci sugeriraju? Zatim dolazite do zatvaranja, gdje možete ponoviti problem i predložena rješenja. Na kraju dolazimo do zaključka, gdje možete sažeti svoje ključne zaključke i preporučene sljedeće korake koje tim treba poduzeti. + +### 4. Koristiti značajne riječi i fraze +Ako bismo zajedno radili na proizvodu, i rekao bih vam "Naši korisnici dugo vremena trebaju za registraciju na našu platformu," koliko biste procijenili da je "dugo vremena"? Sat vremena? Tjedan dana? Teško je znati. Što ako bih to rekao cijeloj publici? Svatko u publici mogao bi imati drugačiju ideju o tome koliko dugo korisnici trebaju za registraciju na našu platformu. + +Umjesto toga, što ako kažem "Naši korisnici trebaju, u prosjeku, 3 minute za registraciju i prijavu na našu platformu." + +Ta poruka je jasnija. Kada komunicirate podatke, lako je pomisliti da svi u vašoj publici razmišljaju baš kao vi. No, to nije uvijek slučaj. Osiguravanje jasnoće oko vaših podataka i njihovog značenja jedna je od vaših odgovornosti kao komunikatora. Ako podaci ili vaša priča nisu jasni, vaša publika će teško pratiti, i manje je vjerojatno da će razumjeti vaše ključne zaključke. + +Možete učinkovitije komunicirati podatke kada koristite značajne riječi i fraze, umjesto nejasnih. Ispod su neki primjeri. + +- Imali smo *impresivnu* godinu! + - Jedna osoba bi mogla misliti da impresivno znači povećanje prihoda od 2% - 3%, a druga osoba bi mogla misliti da to znači povećanje od 50% - 60%. +- Stope uspjeha naših korisnika povećale su se *dramatično*. + - Koliko je veliko povećanje dramatično povećanje? +- Ovaj projekt zahtijevat će *značajan* trud. + - Koliko truda je značajno? + +Korištenje nejasnih riječi moglo bi biti korisno kao uvod u više podataka koji dolaze ili kao sažetak priče koju ste upravo ispričali. No, razmislite o tome da osigurate da svaki dio vaše prezentacije bude jasan vašoj publici. + +### 5. Koristiti emocije +Emocije su ključne u pripovijedanju. Još su važnije kada pričate priču s podacima. Kada komunicirate podatke, sve je usmjereno na zaključke koje želite da vaša publika ima. Kada izazovete emociju kod publike, to im pomaže da se poistovjete i povećava vjerojatnost da će poduzeti akciju. Emocije također povećavaju vjerojatnost da će publika zapamtiti vašu poruku. + +Možda ste to već doživjeli s TV reklamama. Neke reklame su vrlo ozbiljne i koriste tužnu emociju kako bi se povezale s publikom i učinile podatke koje predstavljaju zaista upečatljivima. Ili, neke reklame su vrlo optimistične i sretne, pa vas mogu natjerati da povežete njihove podatke s osjećajem sreće. + +Kako koristiti emocije pri komunikaciji podataka? Ispod su neki načini. + +- Koristite svjedočanstva i osobne priče + - Kada prikupljate podatke, pokušajte prikupiti i kvantitativne i kvalitativne podatke te integrirajte obje vrste podataka kada komunicirate. Ako su vaši podaci primarno kvantitativni, potražite priče od pojedinaca kako biste saznali više o njihovom iskustvu s onim što vaši podaci govore. +- Koristite slike + - Slike pomažu publici da se vidi u određenoj situaciji. Kada koristite slike, možete usmjeriti publiku prema emociji za koju smatrate da bi trebala imati u vezi s vašim podacima. +- Koristite boje + - Različite boje izazivaju različite emocije. Popularne boje i emocije koje izazivaju su ispod. Budite svjesni da boje mogu imati različita značenja u različitim kulturama. + - Plava obično izaziva emocije mira i povjerenja + - Zelena se obično povezuje s prirodom i okolišem + - Crvena obično predstavlja strast i uzbuđenje + - Žuta obično predstavlja optimizam i sreću + +# Studija slučaja komunikacije +Emerson je voditelj proizvoda za mobilnu aplikaciju. Emerson je primijetio da korisnici podnose 42% više pritužbi i prijava grešaka vikendom. Emerson je također primijetio da su korisnici koji podnesu pritužbu koja ostane neodgovorena nakon 48 sati 32% skloniji dati aplikaciji ocjenu 1 ili 2 u trgovini aplikacija. + +Nakon istraživanja, Emerson ima nekoliko rješenja koja će riješiti problem. Emerson zakazuje 30-minutni sastanak s 3 voditelja tvrtke kako bi komunicirao podatke i predložena rješenja. + +Tijekom ovog sastanka, Emersonov cilj je da voditelji tvrtke razumiju da sljedeća 2 rješenja mogu poboljšati ocjenu aplikacije, što će vjerojatno rezultirati većim prihodima. + +**Rješenje 1.** Zapošljavanje predstavnika korisničke podrške koji će raditi vikendom + +**Rješenje 2.** Kupnja novog sustava za prijavu korisničkih problema gdje predstavnici korisničke podrške mogu lako identificirati koje pritužbe su najduže u redu – kako bi mogli odrediti koje treba najhitnije riješiti. +Na sastanku, Emerson provodi 5 minuta objašnjavajući zašto je loša ocjena u trgovini aplikacija štetna, 10 minuta objašnjavajući proces istraživanja i kako su identificirani trendovi, 10 minuta prolazeći kroz neke od nedavnih pritužbi korisnika, a posljednjih 5 minuta površno spominje 2 potencijalna rješenja. + +Je li ovo bio učinkovit način komunikacije za Emersona tijekom sastanka? + +Tijekom sastanka, jedan voditelj u tvrtki usredotočio se na 10 minuta pritužbi korisnika koje je Emerson prošao. Nakon sastanka, te pritužbe bile su jedino što je taj voditelj zapamtio. Drugi voditelj u tvrtki prvenstveno se fokusirao na Emersonovo objašnjavanje procesa istraživanja. Treći voditelj u tvrtki sjetio se predloženih rješenja, ali nije bio siguran kako bi se ta rješenja mogla implementirati. + +U gore navedenoj situaciji, vidimo značajan jaz između onoga što je Emerson želio da voditelji timova zapamte i onoga što su oni zapravo ponijeli sa sastanka. U nastavku je prikazan drugi pristup koji Emerson može razmotriti. + +Kako Emerson može poboljšati ovaj pristup? +Kontekst, Sukob, Vrhunac, Zatvaranje, Zaključak +**Kontekst** - Emerson bi mogao provesti prvih 5 minuta uvodeći cijelu situaciju i osiguravajući da voditelji timova razumiju kako problemi utječu na metrike koje su ključne za tvrtku, poput prihoda. + +To bi se moglo postaviti ovako: "Trenutno je ocjena naše aplikacije u trgovini aplikacija 2.5. Ocjene u trgovini aplikacija ključne su za optimizaciju trgovine aplikacija, što utječe na to koliko korisnika vidi našu aplikaciju u pretraživanju i kako potencijalni korisnici gledaju na našu aplikaciju. Naravno, broj korisnika koje imamo izravno je povezan s prihodima." + +**Sukob** Emerson bi zatim mogao provesti sljedećih 5 minuta govoreći o sukobu. + +To bi moglo izgledati ovako: "Korisnici podnose 42% više pritužbi i izvještaja o greškama tijekom vikenda. Kupci koji podnesu pritužbu koja ostane neodgovorena nakon 48 sati imaju 32% manju vjerojatnost da će našoj aplikaciji dati ocjenu iznad 2 u trgovini aplikacija. Poboljšanje ocjene naše aplikacije u trgovini aplikacija na 4 povećalo bi našu vidljivost za 20-30%, što predviđam da bi povećalo prihode za 10%." Naravno, Emerson bi trebao biti spreman opravdati ove brojke. + +**Vrhunac** Nakon postavljanja temelja, Emerson bi mogao prijeći na vrhunac i provesti oko 5 minuta na njemu. + +Emerson bi mogao predstaviti predložena rješenja, objasniti kako će ta rješenja riješiti navedene probleme, kako bi se ta rješenja mogla implementirati u postojeće radne procese, koliko ta rješenja koštaju, koji bi bio povrat ulaganja (ROI) tih rješenja, pa čak i pokazati neke snimke zaslona ili wireframeove kako bi rješenja izgledala ako se implementiraju. Emerson bi također mogao podijeliti izjave korisnika koji su čekali više od 48 sati da im pritužba bude riješena, kao i izjavu trenutnog predstavnika korisničke službe unutar tvrtke koji ima komentare na trenutni sustav za prijavu problema. + +**Zatvaranje** Sada Emerson može provesti 5 minuta ponavljajući probleme s kojima se tvrtka suočava, ponovno pregledati predložena rješenja i objasniti zašto su ta rješenja prava. + +**Zaključak** Budući da je ovo sastanak s nekoliko dionika gdje će se koristiti dvosmjerna komunikacija, Emerson bi mogao planirati ostaviti 10 minuta za pitanja, kako bi osigurao da sve što je zbunjujuće za voditelje timova bude razjašnjeno prije završetka sastanka. + +Ako Emerson primijeni pristup #2, mnogo je vjerojatnije da će voditelji timova sa sastanka ponijeti upravo ono što je Emerson namjeravao – da se način na koji se pritužbe i greške rješavaju može poboljšati i da postoje 2 rješenja koja se mogu implementirati kako bi se to poboljšanje ostvarilo. Ovaj pristup bio bi mnogo učinkovitiji način komunikacije podataka i priče koju Emerson želi prenijeti. + +# Zaključak +### Sažetak glavnih točaka +- Komunicirati znači prenijeti ili razmijeniti informacije. +- Kada komunicirate podatke, vaš cilj ne bi trebao biti samo prenošenje brojki vašoj publici. Vaš cilj bi trebao biti ispričati priču koja je informirana vašim podacima. +- Postoje 2 vrste komunikacije: Jednosmjerna komunikacija (informacije se prenose bez namjere za odgovor) i Dvosmjerna komunikacija (informacije se prenose naprijed-natrag). +- Postoji mnogo strategija koje možete koristiti za pričanje priče s vašim podacima, 5 strategija koje smo prošli su: + - Razumjeti svoju publiku, svoj medij i svoj način komunikacije + - Početi s krajem na umu + - Pristupiti tome kao stvarnoj priči + - Koristiti značajne riječi i fraze + - Koristiti emocije + +### Preporučeni resursi za samostalno učenje +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31) + +Provjerite što ste upravo naučili s gornjim kvizom nakon predavanja! + +## Zadatak + +[Market Research](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/hr/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..bc7f249a --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,26 @@ + +# Ispričajte priču + +## Upute + +Data Science se u velikoj mjeri bavi pričanjem priča. Odaberite bilo koji skup podataka i napišite kratki rad o priči koju biste mogli ispričati o njemu. Što se nadate da će vaš skup podataka otkriti? Što ćete učiniti ako se njegova otkrića pokažu problematičnima? Što ako vaši podaci ne otkriju lako svoje tajne? Razmislite o scenarijima koje bi vaš skup podataka mogao predstaviti i zapišite ih. + +## Rubrika + +Izvrsno | Zadovoljavajuće | Potrebno poboljšanje +--- | --- | -- | + +Esej na jednoj stranici predstavljen je u .doc formatu, s objašnjenim, dokumentiranim i pripisanim skupom podataka, te je predstavljena koherentna priča o njemu s detaljnim primjerima iz podataka. | Kraći esej predstavljen je u manje detaljnom formatu | Esej nedostaje u jednom od gore navedenih detalja. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/4-Data-Science-Lifecycle/README.md b/translations/hr/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..ab5b54b8 --- /dev/null +++ b/translations/hr/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,30 @@ + +# Životni ciklus podatkovne znanosti + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.hr.jpg) +> Fotografija od Headway na Unsplash + +U ovim lekcijama istražit ćete neke aspekte životnog ciklusa podatkovne znanosti, uključujući analizu i komunikaciju vezanu uz podatke. + +### Teme + +1. [Uvod](14-Introduction/README.md) +2. [Analiza](15-analyzing/README.md) +3. [Komunikacija](16-communication/README.md) + +### Zasluge + +Ove lekcije napisali su s ❤️ [Jalen McGee](https://twitter.com/JalenMCG) i [Jasmine Greenaway](https://twitter.com/paladique) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/hr/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..7904ceff --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,116 @@ + +# Uvod u podatkovnu znanost u oblaku + +|![ Sketchnote autora [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| Podatkovna znanost u oblaku: Uvod - _Sketchnote autora [@nitya](https://twitter.com/nitya)_ | + +U ovoj lekciji naučit ćete osnovna načela oblaka, zatim ćete vidjeti zašto bi moglo biti zanimljivo koristiti usluge oblaka za vođenje vaših projekata podatkovne znanosti te ćemo pogledati nekoliko primjera projekata podatkovne znanosti koji se provode u oblaku. + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32) + +## Što je oblak? + +Oblak, ili računalstvo u oblaku, odnosi se na pružanje širokog spektra računalnih usluga na zahtjev, koje se hostaju na infrastrukturi putem interneta. Usluge uključuju rješenja poput pohrane, baza podataka, mreža, softvera, analitike i inteligentnih usluga. + +Obično razlikujemo javni, privatni i hibridni oblak na sljedeći način: + +* Javni oblak: javni oblak je u vlasništvu i pod upravom treće strane koja pruža svoje računalne resurse putem interneta javnosti. +* Privatni oblak: odnosi se na računalne resurse u oblaku koje koristi isključivo jedna tvrtka ili organizacija, s uslugama i infrastrukturom održavanima na privatnoj mreži. +* Hibridni oblak: hibridni oblak je sustav koji kombinira javne i privatne oblake. Korisnici biraju lokalni podatkovni centar, dok omogućuju pokretanje podataka i aplikacija na jednom ili više javnih oblaka. + +Većina usluga računalstva u oblaku spada u tri kategorije: infrastruktura kao usluga (IaaS), platforma kao usluga (PaaS) i softver kao usluga (SaaS). + +* Infrastruktura kao usluga (IaaS): korisnici unajmljuju IT infrastrukturu poput poslužitelja i virtualnih strojeva (VM-ova), pohrane, mreža, operativnih sustava. +* Platforma kao usluga (PaaS): korisnici unajmljuju okruženje za razvoj, testiranje, isporuku i upravljanje softverskim aplikacijama. Korisnici se ne moraju brinuti o postavljanju ili upravljanju osnovnom infrastrukturom poslužitelja, pohrane, mreža i baza podataka potrebnih za razvoj. +* Softver kao usluga (SaaS): korisnici dobivaju pristup softverskim aplikacijama putem interneta, na zahtjev i obično na temelju pretplate. Korisnici se ne moraju brinuti o hostingu i upravljanju softverskom aplikacijom, osnovnom infrastrukturom ili održavanjem, poput nadogradnji softvera i sigurnosnih zakrpa. + +Neki od najvećih pružatelja usluga u oblaku su Amazon Web Services, Google Cloud Platform i Microsoft Azure. + +## Zašto odabrati oblak za podatkovnu znanost? + +Razvojni inženjeri i IT stručnjaci biraju rad s oblakom iz mnogih razloga, uključujući sljedeće: + +* Inovacija: možete unaprijediti svoje aplikacije integriranjem inovativnih usluga koje pružatelji oblaka nude izravno u vaše aplikacije. +* Fleksibilnost: plaćate samo za usluge koje trebate i možete birati iz širokog spektra usluga. Obično plaćate prema korištenju i prilagođavate usluge prema svojim potrebama. +* Proračun: ne morate ulagati u početnu kupnju hardvera i softvera, postavljanje i vođenje lokalnih podatkovnih centara, već plaćate samo ono što koristite. +* Skalabilnost: vaši resursi mogu se skalirati prema potrebama vašeg projekta, što znači da vaše aplikacije mogu koristiti više ili manje računalne snage, pohrane i propusnosti, prilagođavajući se vanjskim čimbenicima u bilo kojem trenutku. +* Produktivnost: možete se usredotočiti na svoje poslovanje umjesto da trošite vrijeme na zadatke koje može obavljati netko drugi, poput upravljanja podatkovnim centrima. +* Pouzdanost: računalstvo u oblaku nudi nekoliko načina za kontinuirano sigurnosno kopiranje vaših podataka i omogućuje postavljanje planova za oporavak od katastrofa kako bi vaše poslovanje i usluge nastavile raditi čak i u kriznim vremenima. +* Sigurnost: možete iskoristiti politike, tehnologije i kontrole koje jačaju sigurnost vašeg projekta. + +Ovo su neki od najčešćih razloga zašto ljudi biraju korištenje usluga oblaka. Sada kada bolje razumijemo što je oblak i koje su njegove glavne prednosti, pogledajmo specifično poslove podatkovnih znanstvenika i razvojnih inženjera koji rade s podacima te kako im oblak može pomoći u rješavanju nekoliko izazova s kojima se mogu suočiti: + +* Pohrana velikih količina podataka: umjesto kupnje, upravljanja i zaštite velikih poslužitelja, možete pohranjivati svoje podatke izravno u oblaku, koristeći rješenja poput Azure Cosmos DB, Azure SQL Database i Azure Data Lake Storage. +* Integracija podataka: integracija podataka ključni je dio podatkovne znanosti koji omogućuje prijelaz od prikupljanja podataka do poduzimanja akcija. Uz usluge integracije podataka u oblaku, možete prikupljati, transformirati i integrirati podatke iz različitih izvora u jedinstveno skladište podataka, koristeći Data Factory. +* Obrada podataka: obrada velikih količina podataka zahtijeva puno računalne snage, a ne posjeduju svi dovoljno snažne strojeve za to, zbog čega mnogi biraju izravno korištenje ogromne računalne snage oblaka za pokretanje i implementaciju svojih rješenja. +* Korištenje usluga analitike podataka: usluge oblaka poput Azure Synapse Analytics, Azure Stream Analytics i Azure Databricks pomažu vam pretvoriti podatke u korisne uvide. +* Korištenje usluga strojnog učenja i inteligencije podataka: umjesto da počinjete od nule, možete koristiti algoritme strojnog učenja koje pruža oblak, uz usluge poput AzureML. Također možete koristiti kognitivne usluge poput pretvaranja govora u tekst, teksta u govor, računalnog vida i drugih. + +## Primjeri podatkovne znanosti u oblaku + +Pogledajmo nekoliko scenarija kako bismo ovo učinili konkretnijim. + +### Analiza sentimenta na društvenim mrežama u stvarnom vremenu + +Počet ćemo sa scenarijem koji često proučavaju oni koji započinju s učenjem strojnog učenja: analiza sentimenta na društvenim mrežama u stvarnom vremenu. + +Recimo da vodite web stranicu s vijestima i želite iskoristiti podatke uživo kako biste razumjeli koji bi sadržaj mogao zanimati vaše čitatelje. Da biste saznali više o tome, možete izraditi program koji provodi analizu sentimenta u stvarnom vremenu na temelju podataka s Twittera o temama koje su relevantne za vaše čitatelje. + +Ključni pokazatelji koje ćete pratiti su volumen tweetova o specifičnim temama (hashtagovima) i sentiment, koji se utvrđuje pomoću alata za analitiku koji provode analizu sentimenta oko određenih tema. + +Koraci potrebni za izradu ovog projekta su sljedeći: + +* Kreiranje čvorišta događaja za unos podataka, koje će prikupljati podatke s Twittera +* Konfiguriranje i pokretanje aplikacije klijenta za Twitter, koja će pozivati Twitter Streaming API-je +* Kreiranje posla za Stream Analytics +* Specifikacija ulaza i upita za posao +* Kreiranje izlaznog odredišta i specifikacija izlaza posla +* Pokretanje posla + +Za potpuni proces, pogledajte [dokumentaciju](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099). + +### Analiza znanstvenih radova + +Pogledajmo još jedan primjer projekta koji je izradio [Dmitry Soshnikov](http://soshnikov.com), jedan od autora ovog kurikuluma. + +Dmitry je izradio alat koji analizira radove o COVID-u. Pregledom ovog projekta vidjet ćete kako možete izraditi alat koji izdvaja znanje iz znanstvenih radova, dobiva uvide i pomaže istraživačima da se učinkovito kreću kroz velike zbirke radova. + +Pogledajmo različite korake korištene za ovo: + +* Ekstrakcija i predobrada informacija pomoću [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) +* Korištenje [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) za paralelizaciju obrade +* Pohrana i upit podataka pomoću [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) +* Izrada interaktivne nadzorne ploče za istraživanje i vizualizaciju podataka pomoću Power BI-ja + +Za potpuni proces, posjetite [Dmitryjev blog](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). + +Kao što vidite, usluge oblaka možemo koristiti na mnogo načina za provođenje podatkovne znanosti. + +## Napomena + +Izvori: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## Kviz nakon predavanja + +[Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33) + +## Zadatak + +[Istraživanje tržišta](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/hr/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..ff53d886 --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,25 @@ + +# Istraživanje Tržišta + +## Upute + +U ovoj lekciji ste naučili da postoji nekoliko važnih pružatelja usluga u oblaku. Provedite istraživanje tržišta kako biste otkrili što svaki od njih može ponuditi Data Scientistima. Jesu li ponude usporedive? Napišite rad u kojem ćete opisati ponude tri ili više ovih pružatelja usluga u oblaku. + +## Rubrika + +Primjeran | Zadovoljavajući | Potrebno Poboljšanje +--- | --- | -- | +Jednostrani rad opisuje ponude za data science tri pružatelja usluga u oblaku i razlikuje ih. | Predstavljen je kraći rad | Predstavljen je rad bez dovršene analize + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/hr/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..de6cce22 --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,352 @@ + +# Data Science u oblaku: "Low code/No code" pristup + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| Data Science u oblaku: Low Code - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Sadržaj: + +- [Data Science u oblaku: "Low code/No code" pristup](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Kviz prije predavanja](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. Uvod](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 Što je Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 Projekt predviđanja zatajenja srca:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 Skup podataka o zatajenju srca:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. Low code/No code treniranje modela u Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 Kreiranje Azure ML radnog prostora](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 Računalni resursi](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 Odabir pravih opcija za računalne resurse](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 Kreiranje računalnog klastera](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 Učitavanje skupa podataka](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 Low code/No code treniranje s AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. Low code/No code implementacija modela i korištenje krajnje točke](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 Implementacija modela](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 Korištenje krajnje točke](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 Izazov](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Kviz nakon predavanja](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Pregled i samostalno učenje](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Zadatak](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34) + +## 1. Uvod + +### 1.1 Što je Azure Machine Learning? + +Azure cloud platforma obuhvaća više od 200 proizvoda i usluga u oblaku osmišljenih kako bi vam pomogli u stvaranju novih rješenja. Data znanstvenici ulažu puno truda u istraživanje i predobradu podataka te isprobavanje različitih algoritama za treniranje modela kako bi proizveli točne modele. Ovi zadaci su vremenski zahtjevni i često neefikasno koriste skupe računalne resurse. + +[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) je platforma u oblaku za izgradnju i upravljanje rješenjima strojnog učenja u Azureu. Pruža širok raspon značajki koje pomažu data znanstvenicima u pripremi podataka, treniranju modela, objavljivanju prediktivnih usluga i praćenju njihove upotrebe. Najvažnije, povećava njihovu učinkovitost automatizacijom mnogih vremenski zahtjevnih zadataka povezanih s treniranjem modela te omogućuje korištenje računalnih resursa u oblaku koji se učinkovito skaliraju za obradu velikih količina podataka, uz troškove samo kada se resursi koriste. + +Azure ML nudi sve alate potrebne za radne procese strojnog učenja, uključujući: + +- **Azure Machine Learning Studio**: web portal za opcije s malo ili bez koda za treniranje modela, implementaciju, automatizaciju, praćenje i upravljanje resursima. Studio se integrira s Azure Machine Learning SDK-om za besprijekorno iskustvo. +- **Jupyter Notebooks**: brzo prototipiranje i testiranje ML modela. +- **Azure Machine Learning Designer**: omogućuje povlačenje i ispuštanje modula za izgradnju eksperimenata i implementaciju cjevovoda u okruženju s malo koda. +- **Automatizirano sučelje za strojno učenje (AutoML)**: automatizira iterativne zadatke razvoja ML modela, omogućujući izgradnju modela s visokom skalabilnošću, učinkovitošću i produktivnošću, uz održavanje kvalitete modela. +- **Označavanje podataka**: alat za asistirano ML označavanje podataka. +- **Proširenje za Visual Studio Code**: pruža potpuno opremljeno razvojno okruženje za izgradnju i upravljanje ML projektima. +- **CLI za strojno učenje**: omogućuje upravljanje Azure ML resursima putem naredbenog retka. +- **Integracija s open-source okvirima** poput PyTorch, TensorFlow, Scikit-learn i mnogih drugih za treniranje, implementaciju i upravljanje procesom strojnog učenja. +- **MLflow**: otvorena biblioteka za upravljanje životnim ciklusom eksperimenata strojnog učenja. **MLFlow Tracking** je komponenta MLflow-a koja bilježi i prati metrike i artefakte vaših treninga, bez obzira na okruženje eksperimenta. + +### 1.2 Projekt predviđanja zatajenja srca: + +Nema sumnje da je izrada projekata najbolji način za testiranje vaših vještina i znanja. U ovoj lekciji istražit ćemo dva različita načina izrade projekta za predviđanje zatajenja srca u Azure ML Studio, koristeći Low code/No code pristup i Azure ML SDK, kako je prikazano u sljedećem dijagramu: + +![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.hr.png) + +Svaki pristup ima svoje prednosti i nedostatke. Low code/No code pristup je lakši za početak jer uključuje rad s grafičkim korisničkim sučeljem (GUI), bez potrebe za prethodnim znanjem programiranja. Ova metoda omogućuje brzo testiranje izvedivosti projekta i izradu POC-a (Proof Of Concept). Međutim, kako projekt raste i postaje spreman za produkciju, nije praktično stvarati resurse putem GUI-ja. Potrebno je programatski automatizirati sve, od stvaranja resursa do implementacije modela. Tu postaje ključno znanje o korištenju Azure ML SDK-a. + +| | Low code/No code | Azure ML SDK | +|-------------------|------------------|---------------------------| +| Znanje programiranja | Nije potrebno | Potrebno | +| Vrijeme razvoja | Brzo i jednostavno | Ovisi o znanju programiranja | +| Spremnost za produkciju | Ne | Da | + +### 1.3 Skup podataka o zatajenju srca: + +Kardiovaskularne bolesti (CVD) su vodeći uzrok smrti u svijetu, odgovorne za 31% svih smrti. Čimbenici rizika poput pušenja, nezdrave prehrane, pretilosti, tjelesne neaktivnosti i štetne upotrebe alkohola mogu se koristiti kao značajke za modele procjene. Mogućnost procjene vjerojatnosti razvoja CVD-a mogla bi biti od velike koristi za prevenciju napada kod osoba s visokim rizikom. + +Kaggle je učinio dostupnim [skup podataka o zatajenju srca](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), koji ćemo koristiti za ovaj projekt. Možete ga preuzeti sada. Ovo je tablični skup podataka s 13 stupaca (12 značajki i 1 ciljana varijabla) i 299 redaka. + +| | Naziv varijable | Tip | Opis | Primjer | +|----|--------------------------|----------------|-------------------------------------------------------|-------------------| +| 1 | age | numerički | dob pacijenta | 25 | +| 2 | anaemia | logički | Smanjenje crvenih krvnih stanica ili hemoglobina | 0 ili 1 | +| 3 | creatinine_phosphokinase | numerički | Razina CPK enzima u krvi | 542 | +| 4 | diabetes | logički | Ima li pacijent dijabetes | 0 ili 1 | +| 5 | ejection_fraction | numerički | Postotak krvi koji izlazi iz srca pri svakoj kontrakciji | 45 | +| 6 | high_blood_pressure | logički | Ima li pacijent hipertenziju | 0 ili 1 | +| 7 | platelets | numerički | Trombociti u krvi | 149000 | +| 8 | serum_creatinine | numerički | Razina serumskog kreatinina u krvi | 0.5 | +| 9 | serum_sodium | numerički | Razina serumskog natrija u krvi | jun | +| 10 | sex | logički | žena ili muškarac | 0 ili 1 | +| 11 | smoking | logički | Puši li pacijent | 0 ili 1 | +| 12 | time | numerički | razdoblje praćenja (dani) | 4 | +|----|--------------------------|----------------|-------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [Cilj] | logički | Umire li pacijent tijekom razdoblja praćenja | 0 ili 1 | + +Nakon što preuzmete skup podataka, možemo započeti projekt u Azureu. + +## 2. Low code/No code treniranje modela u Azure ML Studio + +### 2.1 Kreiranje Azure ML radnog prostora + +Za treniranje modela u Azure ML prvo trebate kreirati Azure ML radni prostor. Radni prostor je resurs najviše razine za Azure Machine Learning, koji pruža centralizirano mjesto za rad sa svim artefaktima koje kreirate koristeći Azure Machine Learning. Radni prostor čuva povijest svih treninga, uključujući logove, metrike, izlaze i snimke vaših skripti. Ove informacije koristite za određivanje koji trening daje najbolji model. [Saznajte više](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +Preporučuje se korištenje najnovije verzije preglednika kompatibilnog s vašim operativnim sustavom. Podržani preglednici su: + +- Microsoft Edge (Nova verzija Microsoft Edgea, ne Microsoft Edge legacy) +- Safari (najnovija verzija, samo za Mac) +- Chrome (najnovija verzija) +- Firefox (najnovija verzija) + +Za korištenje Azure Machine Learninga, kreirajte radni prostor u svojoj Azure pretplati. Ovaj radni prostor možete koristiti za upravljanje podacima, računalnim resursima, kodom, modelima i drugim artefaktima povezanim s vašim radnim procesima strojnog učenja. + +> **_NAPOMENA:_** Vaša Azure pretplata će biti naplaćena za pohranu podataka dokle god Azure Machine Learning radni prostor postoji u vašoj pretplati, stoga preporučujemo da izbrišete radni prostor kada ga više ne koristite. + +1. Prijavite se na [Azure portal](https://ms.portal.azure.com/) koristeći Microsoft vjerodajnice povezane s vašom Azure pretplatom. +2. Odaberite **＋Create a resource** + + ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.hr.png) + + Potražite Machine Learning i odaberite pločicu Machine Learning + + ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.hr.png) + + Kliknite na gumb za kreiranje + + ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.hr.png) + + Ispunite postavke na sljedeći način: + - Pretplata: Vaša Azure pretplata + - Grupa resursa: Kreirajte ili odaberite grupu resursa + - Naziv radnog prostora: Unesite jedinstveni naziv za svoj radni prostor + - Regija: Odaberite geografsku regiju najbližu vama + - Račun za pohranu: Zabilježite zadani novi račun za pohranu koji će biti kreiran za vaš radni prostor + - Key vault: Zabilježite zadani novi key vault koji će biti kreiran za vaš radni prostor + - Application insights: Zabilježite zadani novi resurs za application insights koji će biti kreiran za vaš radni prostor + - Registry za kontejnere: Nijedan (jedan će biti automatski kreiran prvi put kada implementirate model u kontejner) + + ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.hr.png) + + - Kliknite na gumb za pregled i kreiranje, a zatim na gumb za kreiranje +3. Pričekajte da se vaš radni prostor kreira (ovo može potrajati nekoliko minuta). Zatim ga otvorite u portalu. Možete ga pronaći putem Azure Machine Learning usluge. +4. Na stranici Pregled za vaš radni prostor, pokrenite Azure Machine Learning studio (ili otvorite novi preglednik i idite na https://ml.azure.com), te se prijavite u Azure Machine Learning studio koristeći svoj Microsoft račun. Ako se to od vas zatraži, odaberite svoj Azure direktorij i pretplatu te svoj Azure Machine Learning radni prostor. + +![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.hr.png) + +5. U Azure Machine Learning studiju, prebacite ☰ ikonu u gornjem lijevom kutu kako biste vidjeli različite stranice u sučelju. Ove stranice možete koristiti za upravljanje resursima u svom radnom prostoru. + +![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.hr.png) + +Možete upravljati svojim radnim prostorom koristeći Azure portal, ali za data znanstvenike i inženjere strojnog učenja, Azure Machine Learning Studio pruža fokusiranije korisničko sučelje za upravljanje resursima radnog prostora. + +### 2.2 Računalni resursi + +Računalni resursi su resursi u oblaku na kojima možete pokretati procese treniranja modela i istraživanja podataka. Postoje četiri vrste računalnih resursa koje možete kreirati: + +- **Računalni instance**: Razvojne radne stanice koje data znanstvenici mogu koristiti za rad s podacima i modelima. Ovo uključuje kreiranje virtualnog stroja (VM) i pokretanje instance bilježnice. Zatim možete trenirati model pozivanjem računalnog klastera iz bilježnice. +- **Računalni klasteri**: Skalabilni klasteri VM-ova za obradu eksperimentalnog koda na zahtjev. Trebat ćete ih za treniranje modela. Računalni klasteri također mogu koristiti specijalizirane GPU ili CPU resurse. +- **Klasteri za inferenciju**: Ciljevi za implementaciju prediktivnih usluga koje koriste vaše trenirane modele. +- **Povezani resursi za računanje**: Povezuje s postojećim Azure resursima za računanje, poput virtualnih strojeva ili Azure Databricks klastera. + +#### 2.2.1 Odabir pravih opcija za vaše resurse za računanje + +Neki ključni faktori koje treba uzeti u obzir prilikom stvaranja resursa za računanje mogu biti kritične odluke. + +**Trebate li CPU ili GPU?** + +CPU (Central Processing Unit) je elektronički sklop koji izvršava upute koje čine računalni program. GPU (Graphics Processing Unit) je specijalizirani elektronički sklop koji može izvoditi grafički povezani kod vrlo velikom brzinom. + +Glavna razlika između arhitekture CPU-a i GPU-a je u tome što je CPU dizajniran za brzo obavljanje širokog spektra zadataka (mjereno brzinom takta CPU-a), ali je ograničen u paralelnosti zadataka koji se mogu izvoditi. GPU-ovi su dizajnirani za paralelno računanje i stoga su mnogo bolji za zadatke dubokog učenja. + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| Manje skup | Skuplji | +| Niža razina paralelnosti | Viša razina paralelnosti | +| Sporiji u treniranju modela dubokog učenja | Optimalan za duboko učenje | + +**Veličina klastera** + +Veći klasteri su skuplji, ali će rezultirati boljom responzivnošću. Stoga, ako imate vremena, ali ne i dovoljno novca, trebali biste početi s manjim klasterom. Suprotno tome, ako imate novca, ali ne i puno vremena, trebali biste početi s većim klasterom. + +**Veličina VM-a** + +Ovisno o vašim vremenskim i proračunskim ograničenjima, možete varirati veličinu RAM-a, diska, broj jezgri i brzinu takta. Povećanje svih tih parametara bit će skuplje, ali će rezultirati boljim performansama. + +**Namjenske ili niskoprioritetne instance?** + +Niskoprioritetna instanca znači da je prekinjiva: u osnovi, Microsoft Azure može uzeti te resurse i dodijeliti ih drugom zadatku, čime prekida posao. Namjenska instanca, ili neprekinjiva, znači da posao nikada neće biti prekinut bez vašeg dopuštenja. Ovo je još jedno razmatranje vremena naspram novca, budući da su prekinjive instance jeftinije od namjenskih. + +#### 2.2.2 Stvaranje klastera za računanje + +U [Azure ML radnom prostoru](https://ml.azure.com/) koji smo ranije stvorili, idite na "Compute" i moći ćete vidjeti različite resurse za računanje o kojima smo upravo razgovarali (npr. instance za računanje, klasteri za računanje, klasteri za inferenciju i povezani resursi za računanje). Za ovaj projekt, trebat će nam klaster za računanje za treniranje modela. U Studiju kliknite na izbornik "Compute", zatim na karticu "Compute cluster" i kliknite na gumb "+ New" za stvaranje klastera za računanje. + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.hr.png) + +1. Odaberite svoje opcije: Namjensko naspram niskog prioriteta, CPU ili GPU, veličina VM-a i broj jezgri (možete zadržati zadane postavke za ovaj projekt). +2. Kliknite na gumb "Next". + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.hr.png) + +3. Dajte klasteru ime za računanje. +4. Odaberite svoje opcije: Minimalni/maksimalni broj čvorova, sekunde neaktivnosti prije smanjenja, SSH pristup. Imajte na umu da ako je minimalni broj čvorova 0, uštedjet ćete novac kada je klaster neaktivan. Imajte na umu da što je veći broj maksimalnih čvorova, to će treniranje biti kraće. Preporučeni maksimalni broj čvorova je 3. +5. Kliknite na gumb "Create". Ovaj korak može potrajati nekoliko minuta. + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.hr.png) + +Odlično! Sada kada imamo klaster za računanje, trebamo učitati podatke u Azure ML Studio. + +### 2.3 Učitavanje skupa podataka + +1. U [Azure ML radnom prostoru](https://ml.azure.com/) koji smo ranije stvorili, kliknite na "Datasets" u lijevom izborniku i kliknite na gumb "+ Create dataset" za stvaranje skupa podataka. Odaberite opciju "From local files" i odaberite Kaggle skup podataka koji smo ranije preuzeli. + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.hr.png) + +2. Dajte svom skupu podataka ime, vrstu i opis. Kliknite "Next". Učitajte podatke iz datoteka. Kliknite "Next". + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.hr.png) + +3. U shemi promijenite vrstu podataka u Boolean za sljedeće značajke: anaemia, diabetes, high blood pressure, sex, smoking i DEATH_EVENT. Kliknite "Next" i zatim "Create". + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.hr.png) + +Odlično! Sada kada je skup podataka na mjestu i klaster za računanje je stvoren, možemo započeti treniranje modela! + +### 2.4 Treniranje s malo ili bez koda pomoću AutoML-a + +Tradicionalni razvoj modela strojnog učenja zahtijeva puno resursa, značajno domenno znanje i vrijeme za proizvodnju i usporedbu desetaka modela. Automatizirano strojno učenje (AutoML) proces je automatizacije vremenski zahtjevnih, iterativnih zadataka razvoja modela strojnog učenja. Omogućuje znanstvenicima podataka, analitičarima i programerima izradu ML modela s velikom skalabilnošću, učinkovitošću i produktivnošću, uz održavanje kvalitete modela. Smanjuje vrijeme potrebno za dobivanje modela spremnih za proizvodnju, uz veliku lakoću i učinkovitost. [Saznajte više](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. U [Azure ML radnom prostoru](https://ml.azure.com/) koji smo ranije stvorili kliknite na "Automated ML" u lijevom izborniku i odaberite skup podataka koji ste upravo učitali. Kliknite "Next". + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.hr.png) + +2. Unesite novo ime eksperimenta, ciljni stupac (DEATH_EVENT) i klaster za računanje koji smo stvorili. Kliknite "Next". + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.hr.png) + +3. Odaberite "Classification" i kliknite "Finish". Ovaj korak može trajati između 30 minuta i 1 sat, ovisno o veličini vašeg klastera za računanje. + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.hr.png) + +4. Kada je pokretanje završeno, kliknite na karticu "Automated ML", kliknite na svoje pokretanje i kliknite na algoritam u kartici "Best model summary". + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.hr.png) + +Ovdje možete vidjeti detaljan opis najboljeg modela koji je AutoML generirao. Također možete istražiti druge modele generirane u kartici "Models". Odvojite nekoliko minuta za istraživanje modela u kartici "Explanations (preview)". Kada odaberete model koji želite koristiti (ovdje ćemo odabrati najbolji model koji je odabrao AutoML), vidjet ćemo kako ga možemo implementirati. + +## 3. Implementacija modela s malo ili bez koda i konzumacija krajnje točke +### 3.1 Implementacija modela + +Automatizirano sučelje za strojno učenje omogućuje vam implementaciju najboljeg modela kao web usluge u nekoliko koraka. Implementacija je integracija modela kako bi mogao davati predviđanja na temelju novih podataka i identificirati potencijalna područja prilika. Za ovaj projekt, implementacija u web uslugu znači da će medicinske aplikacije moći koristiti model za davanje predviđanja uživo o riziku pacijenata od srčanog udara. + +U opisu najboljeg modela kliknite na gumb "Deploy". + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.hr.png) + +15. Dajte mu ime, opis, vrstu računanja (Azure Container Instance), omogućite autentifikaciju i kliknite na "Deploy". Ovaj korak može trajati oko 20 minuta. Proces implementacije uključuje nekoliko koraka, uključujući registraciju modela, generiranje resursa i njihovu konfiguraciju za web uslugu. Statusna poruka pojavljuje se pod "Deploy status". Povremeno odaberite "Refresh" kako biste provjerili status implementacije. Implementirano je i radi kada je status "Healthy". + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.hr.png) + +16. Kada je implementacija završena, kliknite na karticu "Endpoint" i kliknite na krajnju točku koju ste upravo implementirali. Ovdje možete pronaći sve detalje koje trebate znati o krajnjoj točki. + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.hr.png) + +Nevjerojatno! Sada kada imamo implementiran model, možemo započeti konzumaciju krajnje točke. + +### 3.2 Konzumacija krajnje točke + +Kliknite na karticu "Consume". Ovdje možete pronaći REST krajnju točku i Python skriptu u opciji konzumacije. Odvojite malo vremena za čitanje Python koda. + +Ova skripta može se izravno pokrenuti s vašeg lokalnog računala i konzumirat će vašu krajnju točku. + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.hr.png) + +Odvojite trenutak da provjerite ove dvije linije koda: + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # Replace this with the API key for the web service +``` +Varijabla `url` je REST krajnja točka pronađena u kartici "Consume", a varijabla `api_key` je primarni ključ također pronađen u kartici "Consume" (samo u slučaju da ste omogućili autentifikaciju). Ovako skripta može konzumirati krajnju točku. + +18. Pokretanjem skripte trebali biste vidjeti sljedeći izlaz: + ```python + b'"{\\"result\\": [true]}"' + ``` +To znači da je predviđanje srčanog zatajenja za dane podatke točno. Ovo ima smisla jer ako pažljivije pogledate podatke automatski generirane u skripti, sve je postavljeno na 0 i false prema zadanim postavkama. Možete promijeniti podatke s ovim uzorkom unosa: + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +Skripta bi trebala vratiti: + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +Čestitamo! Upravo ste konzumirali model koji je implementiran i treniran na Azure ML! + +> **_NAPOMENA:_** Kada završite s projektom, ne zaboravite izbrisati sve resurse. + +## 🚀 Izazov + +Pogledajte detaljno objašnjenja modela i detalje koje je AutoML generirao za najbolje modele. Pokušajte razumjeti zašto je najbolji model bolji od ostalih. Koji su algoritmi uspoređeni? Koje su razlike među njima? Zašto je najbolji model u ovom slučaju bolji? + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35) + +## Pregled i samostalno učenje + +U ovoj lekciji naučili ste kako trenirati, implementirati i konzumirati model za predviđanje rizika od srčanog zatajenja na način s malo ili bez koda u oblaku. Ako to još niste učinili, dublje istražite objašnjenja modela koja je AutoML generirao za najbolje modele i pokušajte razumjeti zašto je najbolji model bolji od ostalih. + +Možete se dodatno baviti AutoML-om s malo ili bez koda čitajući ovu [dokumentaciju](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Zadatak + +[Projekt Data Science s malo ili bez koda na Azure ML](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/hr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..369d63fd --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,25 @@ + +# Projekt znanosti o podacima s malo ili bez kodiranja na Azure ML + +## Upute + +Vidjeli smo kako koristiti platformu Azure ML za treniranje, implementaciju i korištenje modela na način s malo ili bez kodiranja. Sada potražite neke podatke koje biste mogli iskoristiti za treniranje drugog modela, implementirajte ga i koristite. Možete potražiti skupove podataka na [Kaggle](https://kaggle.com) i [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Rubrika + +| Izvrsno | Zadovoljavajuće | Potrebno poboljšanje | +|---------|-----------------|----------------------| +|Prilikom učitavanja podataka vodili ste računa o promjeni tipa značajki ako je bilo potrebno. Također ste očistili podatke ako je bilo potrebno. Proveli ste treniranje na skupu podataka putem AutoML-a i provjerili objašnjenja modela. Implementirali ste najbolji model i uspjeli ste ga koristiti. | Prilikom učitavanja podataka vodili ste računa o promjeni tipa značajki ako je bilo potrebno. Proveli ste treniranje na skupu podataka putem AutoML-a, implementirali najbolji model i uspjeli ste ga koristiti. | Implementirali ste najbolji model treniran putem AutoML-a i uspjeli ste ga koristiti. | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/hr/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..fcc97de7 --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,325 @@ + +# Data Science u oblaku: Način "Azure ML SDK" + +|![ Sketchnote autor [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| Data Science u oblaku: Azure ML SDK - _Sketchnote autor [@nitya](https://twitter.com/nitya)_ | + +Sadržaj: + +- [Data Science u oblaku: Način "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Kviz prije predavanja](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. Uvod](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 Što je Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 Projekt predviđanja zatajenja srca i uvod u skup podataka](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. Treniranje modela s Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 Kreiranje Azure ML radnog prostora](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 Kreiranje računalnog instance](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 Učitavanje skupa podataka](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 Kreiranje bilježnica](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 Treniranje modela](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 Postavljanje radnog prostora, eksperimenta, računalnog klastera i skupa podataka](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 AutoML konfiguracija i treniranje](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. Implementacija modela i korištenje krajnje točke s Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 Spremanje najboljeg modela](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 Implementacija modela](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 Korištenje krajnje točke](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 Izazov](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Kviz nakon predavanja](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Pregled i samostalno učenje](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Zadatak](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36) + +## 1. Uvod + +### 1.1 Što je Azure ML SDK? + +Data znanstvenici i AI programeri koriste Azure Machine Learning SDK za izradu i pokretanje radnih tijekova strojnog učenja s uslugom Azure Machine Learning. Možete komunicirati s uslugom u bilo kojem Python okruženju, uključujući Jupyter Notebooks, Visual Studio Code ili svoj omiljeni Python IDE. + +Ključna područja SDK-a uključuju: + +- Istraživanje, pripremu i upravljanje životnim ciklusom vaših skupova podataka korištenih u eksperimentima strojnog učenja. +- Upravljanje resursima u oblaku za praćenje, bilježenje i organizaciju vaših eksperimenata strojnog učenja. +- Treniranje modela lokalno ili korištenjem resursa u oblaku, uključujući treniranje modela ubrzano GPU-om. +- Korištenje automatiziranog strojnog učenja, koje prihvaća parametre konfiguracije i podatke za treniranje. Automatski prolazi kroz algoritme i postavke hiperparametara kako bi pronašao najbolji model za predikcije. +- Implementacija web usluga za pretvaranje vaših treniranih modela u RESTful usluge koje se mogu koristiti u bilo kojoj aplikaciji. + +[Saznajte više o Azure Machine Learning SDK-u](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +U [prethodnoj lekciji](../18-Low-Code/README.md), vidjeli smo kako trenirati, implementirati i koristiti model na način s malo ili bez koda. Koristili smo skup podataka o zatajenju srca za generiranje modela predviđanja zatajenja srca. U ovoj lekciji ćemo napraviti isto, ali koristeći Azure Machine Learning SDK. + +![shema-projekta](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hr.png) + +### 1.2 Projekt predviđanja zatajenja srca i uvod u skup podataka + +Pogledajte [ovdje](../18-Low-Code/README.md) uvod u projekt predviđanja zatajenja srca i skup podataka. + +## 2. Treniranje modela s Azure ML SDK + +### 2.1 Kreiranje Azure ML radnog prostora + +Radi jednostavnosti, radit ćemo u Jupyter bilježnici. To podrazumijeva da već imate radni prostor i računalni instance. Ako već imate radni prostor, možete odmah prijeći na odjeljak 2.3 Kreiranje bilježnice. + +Ako ne, slijedite upute u odjeljku **2.1 Kreiranje Azure ML radnog prostora** u [prethodnoj lekciji](../18-Low-Code/README.md) za kreiranje radnog prostora. + +### 2.2 Kreiranje računalnog instance + +U [Azure ML radnom prostoru](https://ml.azure.com/) koji smo ranije kreirali, idite na izbornik za računalne resurse i vidjet ćete različite dostupne računalne resurse. + +![računalni-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.hr.png) + +Kreirajmo računalni instance za postavljanje Jupyter bilježnice. +1. Kliknite na gumb + New. +2. Dajte ime svom računalnom instanceu. +3. Odaberite opcije: CPU ili GPU, veličinu VM-a i broj jezgri. +4. Kliknite na gumb Create. + +Čestitamo, upravo ste kreirali računalni instance! Koristit ćemo ovaj instance za kreiranje bilježnice u odjeljku [Kreiranje bilježnica](../../../../5-Data-Science-In-Cloud/19-Azure). + +### 2.3 Učitavanje skupa podataka + +Pogledajte [prethodnu lekciju](../18-Low-Code/README.md) u odjeljku **2.3 Učitavanje skupa podataka** ako još niste učitali skup podataka. + +### 2.4 Kreiranje bilježnica + +> **_NAPOMENA:_** Za sljedeći korak možete ili kreirati novu bilježnicu od nule ili možete učitati [bilježnicu koju smo kreirali](notebook.ipynb) u svoj Azure ML Studio. Da biste je učitali, jednostavno kliknite na izbornik "Notebook" i učitajte bilježnicu. + +Bilježnice su vrlo važan dio procesa data science-a. Mogu se koristiti za provođenje istraživačke analize podataka (EDA), pozivanje računalnog klastera za treniranje modela ili pozivanje klastera za inferenciju za implementaciju krajnje točke. + +Za kreiranje bilježnice, trebamo računalni čvor koji pokreće instancu Jupyter bilježnice. Vratite se u [Azure ML radni prostor](https://ml.azure.com/) i kliknite na Računalni instance. Na popisu računalnih instanci trebali biste vidjeti [računalni instance koji smo ranije kreirali](../../../../5-Data-Science-In-Cloud/19-Azure). + +1. U odjeljku Applications kliknite na opciju Jupyter. +2. Označite okvir "Yes, I understand" i kliknite na gumb Continue. +![bilježnica-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.hr.png) +3. Ovo bi trebalo otvoriti novu karticu preglednika s vašom instancom Jupyter bilježnice. Kliknite na gumb "New" za kreiranje bilježnice. + +![bilježnica-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.hr.png) + +Sada kada imamo bilježnicu, možemo započeti treniranje modela s Azure ML SDK. + +### 2.5 Treniranje modela + +Prije svega, ako ikada imate sumnje, pogledajte [dokumentaciju Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Sadrži sve potrebne informacije za razumijevanje modula koje ćemo vidjeti u ovoj lekciji. + +#### 2.5.1 Postavljanje radnog prostora, eksperimenta, računalnog klastera i skupa podataka + +Trebate učitati `workspace` iz konfiguracijske datoteke koristeći sljedeći kod: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +Ovo vraća objekt tipa `Workspace` koji predstavlja radni prostor. Zatim trebate kreirati `eksperiment` koristeći sljedeći kod: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` + +Za dobivanje ili kreiranje eksperimenta iz radnog prostora, zatražite eksperiment koristeći njegovo ime. Ime eksperimenta mora imati 3-36 znakova, početi slovom ili brojem i može sadržavati samo slova, brojeve, donje crte i crtice. Ako eksperiment nije pronađen u radnom prostoru, kreira se novi eksperiment. + +Sada trebate kreirati računalni klaster za treniranje koristeći sljedeći kod. Imajte na umu da ovaj korak može potrajati nekoliko minuta. + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +Skup podataka možete dobiti iz radnog prostora koristeći ime skupa podataka na sljedeći način: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` + +#### 2.5.2 AutoML konfiguracija i treniranje + +Za postavljanje AutoML konfiguracije, koristite [AutoMLConfig klasu](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +Kao što je opisano u dokumentaciji, postoji mnogo parametara s kojima možete eksperimentirati. Za ovaj projekt koristit ćemo sljedeće parametre: + +- `experiment_timeout_minutes`: Maksimalno vrijeme (u minutama) koje je eksperimentu dopušteno trajati prije automatskog zaustavljanja i dostupnosti rezultata. +- `max_concurrent_iterations`: Maksimalan broj istovremenih iteracija treniranja dopuštenih za eksperiment. +- `primary_metric`: Primarna metrika koja se koristi za određivanje statusa eksperimenta. +- `compute_target`: Azure Machine Learning računalni cilj za pokretanje eksperimenta automatiziranog strojnog učenja. +- `task`: Vrsta zadatka koji se pokreće. Vrijednosti mogu biti 'classification', 'regression' ili 'forecasting', ovisno o vrsti problema automatiziranog strojnog učenja. +- `training_data`: Podaci za treniranje koji će se koristiti unutar eksperimenta. Trebali bi sadržavati i značajke za treniranje i stupac s oznakama (opcionalno stupac s težinama uzoraka). +- `label_column_name`: Naziv stupca s oznakama. +- `path`: Puna putanja do mape projekta Azure Machine Learning. +- `enable_early_stopping`: Omogućuje li se rano zaustavljanje ako se rezultat ne poboljšava u kratkom roku. +- `featurization`: Pokazatelj treba li se korak featurizacije automatski provesti ili ne, ili treba li se koristiti prilagođena featurizacija. +- `debug_log`: Datoteka dnevnika za zapisivanje informacija o otklanjanju pogrešaka. + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` + +Sada kada ste postavili konfiguraciju, možete trenirati model koristeći sljedeći kod. Ovaj korak može trajati do sat vremena, ovisno o veličini vašeg klastera. + +```python +remote_run = experiment.submit(automl_config) +``` + +Možete pokrenuti widget RunDetails za prikaz različitih eksperimenata. + +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` + +## 3. Implementacija modela i korištenje krajnje točke s Azure ML SDK + +### 3.1 Spremanje najboljeg modela + +`remote_run` je objekt tipa [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Ovaj objekt sadrži metodu `get_output()` koja vraća najbolju iteraciju i odgovarajući trenirani model. + +```python +best_run, fitted_model = remote_run.get_output() +``` + +Možete vidjeti parametre korištene za najbolji model jednostavnim ispisivanjem `fitted_model` i pregledati svojstva najboljeg modela koristeći metodu [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +best_run.get_properties() +``` + +Sada registrirajte model koristeći metodu [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +model_name = best_run.properties['model_name'] +script_file_name = 'inference/score.py' +best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') +description = "aml heart failure project sdk" +model = best_run.register_model(model_name = model_name, + model_path = './outputs/', + description = description, + tags = None) +``` + +### 3.2 Implementacija modela + +Nakon što je najbolji model spremljen, možemo ga implementirati koristeći klasu [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig predstavlja postavke konfiguracije za prilagođeno okruženje korišteno za implementaciju. Klasa [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) predstavlja model strojnog učenja implementiran kao krajnja točka web usluge na Azure Container Instances. Implementirana usluga kreira se iz modela, skripte i povezanih datoteka. Rezultirajuća web usluga je uravnotežena HTTP krajnja točka s REST API-jem. Možete poslati podatke ovom API-ju i primiti predikciju koju vraća model. + +Model se implementira koristeći metodu [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +from azureml.core.model import InferenceConfig, Model +from azureml.core.webservice import AciWebservice + +inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment()) + +aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1, + memory_gb = 1, + tags = {'type': "automl-heart-failure-prediction"}, + description = 'Sample service for AutoML Heart Failure Prediction') + +aci_service_name = 'automl-hf-sdk' +aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig) +aci_service.wait_for_deployment(True) +print(aci_service.state) +``` + +Ovaj korak bi trebao trajati nekoliko minuta. + +### 3.3 Korištenje krajnje točke + +Krajnju točku koristite kreiranjem uzorka ulaznih podataka: + +```python +data = { + "data": + [ + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} + +test_sample = str.encode(json.dumps(data)) +``` + +Zatim možete poslati ovaj ulaz svom modelu za predikciju: +```python +response = aci_service.run(input_data=test_sample) +response +``` +Ovo bi trebalo rezultirati `'{"result": [false]}'`. To znači da je unos pacijenta koji smo poslali na endpoint generirao predikciju `false`, što znači da ova osoba vjerojatno neće doživjeti srčani udar. + +Čestitamo! Upravo ste iskoristili model koji je implementiran i treniran na Azure ML pomoću Azure ML SDK-a! + +> **_NAPOMENA:_** Kada završite s projektom, ne zaboravite izbrisati sve resurse. + +## 🚀 Izazov + +Postoji mnogo drugih stvari koje možete raditi putem SDK-a, no nažalost, ne možemo ih sve obraditi u ovoj lekciji. Dobra vijest je da vas učenje kako brzo pregledavati SDK dokumentaciju može daleko odvesti. Pogledajte dokumentaciju za Azure ML SDK i pronađite klasu `Pipeline` koja vam omogućuje kreiranje cjevovoda. Cjevovod je zbirka koraka koji se mogu izvršavati kao tijek rada. + +**SAVJET:** Posjetite [SDK dokumentaciju](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) i upišite ključne riječi u traku za pretraživanje, poput "Pipeline". U rezultatima pretraživanja trebali biste pronaći klasu `azureml.pipeline.core.Pipeline`. + +## [Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37) + +## Pregled i samostalno učenje + +U ovoj lekciji naučili ste kako trenirati, implementirati i koristiti model za predviđanje rizika od zatajenja srca pomoću Azure ML SDK-a u oblaku. Pogledajte ovu [dokumentaciju](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) za dodatne informacije o Azure ML SDK-u. Pokušajte kreirati vlastiti model pomoću Azure ML SDK-a. + +## Zadatak + +[Projekt iz Data Sciencea koristeći Azure ML SDK](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/hr/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..1819fe32 --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,25 @@ + +# Projekt Data Science koristeći Azure ML SDK + +## Upute + +Vidjeli smo kako koristiti Azure ML platformu za treniranje, implementaciju i korištenje modela pomoću Azure ML SDK-a. Sada potražite neki skup podataka koji biste mogli iskoristiti za treniranje drugog modela, implementirajte ga i koristite. Možete potražiti skupove podataka na [Kaggle](https://kaggle.com) i [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Rubrika + +| Izvrsno | Zadovoljavajuće | Potrebno poboljšanje | +|---------|------------------|----------------------| +|Prilikom konfiguracije AutoML-a, proučili ste SDK dokumentaciju kako biste vidjeli koje parametre možete koristiti. Proveli ste treniranje na skupu podataka koristeći AutoML putem Azure ML SDK-a i provjerili objašnjenja modela. Implementirali ste najbolji model i uspjeli ste ga koristiti putem Azure ML SDK-a. | Proveli ste treniranje na skupu podataka koristeći AutoML putem Azure ML SDK-a i provjerili objašnjenja modela. Implementirali ste najbolji model i uspjeli ste ga koristiti putem Azure ML SDK-a. | Proveli ste treniranje na skupu podataka koristeći AutoML putem Azure ML SDK-a. Implementirali ste najbolji model i uspjeli ste ga koristiti putem Azure ML SDK-a. | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/5-Data-Science-In-Cloud/README.md b/translations/hr/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..428540e0 --- /dev/null +++ b/translations/hr/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,35 @@ + +# Data Science u oblaku + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.hr.jpg) + +> Fotografija od [Jelleke Vanooteghem](https://unsplash.com/@ilumire) s [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) + +Kada je riječ o primjeni data sciencea na velike količine podataka, oblak može biti revolucionaran. U sljedeće tri lekcije vidjet ćemo što je oblak i zašto može biti vrlo koristan. Također ćemo istražiti skup podataka o zatajenju srca i izgraditi model koji pomaže u procjeni vjerojatnosti da osoba ima zatajenje srca. Iskoristit ćemo snagu oblaka za treniranje, implementaciju i korištenje modela na dva različita načina. Jedan način koristi samo korisničko sučelje u stilu "Low code/No code", dok drugi način koristi Azure Machine Learning Software Developer Kit (Azure ML SDK). + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.hr.png) + +### Teme + +1. [Zašto koristiti oblak za Data Science?](17-Introduction/README.md) +2. [Data Science u oblaku: Način "Low code/No code"](18-Low-Code/README.md) +3. [Data Science u oblaku: Način "Azure ML SDK"](19-Azure/README.md) + +### Zasluge +Ove lekcije napisane su s ☁️ i 💕 od strane [Maud Levy](https://twitter.com/maudstweets) i [Tiffany Souterre](https://twitter.com/TiffanySouterre) + +Podaci za projekt predviđanja zatajenja srca preuzeti su od [ +Larxel](https://www.kaggle.com/andrewmvd) na [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Licencirani su pod [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/hr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..f0855dee --- /dev/null +++ b/translations/hr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,155 @@ + +# Data Science u Stvarnom Svijetu + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| Data Science u Stvarnom Svijetu - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Skoro smo na kraju ovog edukativnog putovanja! + +Počeli smo s definicijama data sciencea i etike, istražili razne alate i tehnike za analizu i vizualizaciju podataka, pregledali životni ciklus data sciencea te proučili skaliranje i automatizaciju radnih procesa uz usluge računalstva u oblaku. Možda se sada pitate: _"Kako sve ovo znanje primijeniti u stvarnim situacijama?"_ + +U ovoj lekciji istražit ćemo primjene data sciencea u industriji te se osvrnuti na konkretne primjere u istraživanju, digitalnim humanističkim znanostima i održivosti. Pogledat ćemo studentske projekte i zaključiti s korisnim resursima koji će vam pomoći da nastavite svoje učenje! + +## Kviz prije predavanja + +[Kviz prije predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) + +## Data Science + Industrija + +Zahvaljujući demokratizaciji umjetne inteligencije, programerima je sada lakše dizajnirati i integrirati odluke vođene umjetnom inteligencijom i uvide temeljene na podacima u korisnička iskustva i razvojne procese. Evo nekoliko primjera kako se data science "primjenjuje" u stvarnim industrijskim situacijama: + + * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) koristio je data science za povezivanje pojmova pretraživanja s trendovima gripe. Iako je pristup imao nedostatke, podigao je svijest o mogućnostima (i izazovima) predviđanja u zdravstvu temeljenog na podacima. + + * [UPS Predikcija Ruta](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - objašnjava kako UPS koristi data science i strojno učenje za predviđanje optimalnih ruta za dostavu, uzimajući u obzir vremenske uvjete, prometne obrasce, rokove dostave i druge faktore. + + * [Vizualizacija Ruta NYC Taksija](http://chriswhong.github.io/nyctaxi/) - podaci prikupljeni pomoću [Zakona o slobodi informacija](https://chriswhong.com/open-data/foil_nyc_taxi/) pomogli su vizualizirati jedan dan u životu taksija u NYC-u, omogućujući nam da razumijemo kako se kreću kroz grad, koliko zarađuju i koliko traju vožnje tijekom 24 sata. + + * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - koristi podatke (o lokacijama preuzimanja i odredišta, trajanju vožnje, preferiranim rutama itd.) prikupljene iz milijuna Uber vožnji *dnevno* za izradu alata za analizu podataka koji pomaže u određivanju cijena, sigurnosti, otkrivanju prijevara i donošenju navigacijskih odluka. + + * [Sportska Analitika](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - fokusira se na _prediktivnu analitiku_ (analiza timova i igrača - poput [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - i upravljanje navijačima) te _vizualizaciju podataka_ (nadzorne ploče za timove i navijače, igre itd.) s primjenama poput skautinga talenata, sportskog klađenja i upravljanja inventarom/objektima. + + * [Data Science u Bankarstvu](https://data-flair.training/blogs/data-science-in-banking/) - ističe vrijednost data sciencea u financijskoj industriji s primjenama koje uključuju modeliranje rizika, otkrivanje prijevara, segmentaciju klijenata, predikcije u stvarnom vremenu i sustave preporuka. Prediktivna analitika također pokreće ključne mjere poput [kreditnih bodova](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit). + + * [Data Science u Zdravstvu](https://data-flair.training/blogs/data-science-in-healthcare/) - ističe primjene poput medicinskog snimanja (npr. MRI, rendgen, CT-skeniranje), genomike (sekvenciranje DNK), razvoja lijekova (procjena rizika, predviđanje uspjeha), prediktivne analitike (briga o pacijentima i logistika opskrbe), praćenja i prevencije bolesti itd. + +![Primjene Data Sciencea u Stvarnom Svijetu](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.hr.png) Izvor slike: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) + +Slika prikazuje druge domene i primjere primjene tehnika data sciencea. Želite istražiti druge primjene? Pogledajte odjeljak [Pregled i Samostalno Učenje](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) u nastavku. + +## Data Science + Istraživanje + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Data Science & Istraživanje - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Dok se stvarne primjene često fokusiraju na industrijske slučajeve u velikim razmjerima, primjene i projekti u _istraživanju_ mogu biti korisni iz dvije perspektive: + +* _prilike za inovacije_ - istraživanje brzog prototipiranja naprednih koncepata i testiranje korisničkih iskustava za aplikacije sljedeće generacije. +* _izazovi implementacije_ - istraživanje potencijalnih šteta ili nenamjernih posljedica tehnologija data sciencea u stvarnim kontekstima. + +Za studente, ovi istraživački projekti mogu pružiti prilike za učenje i suradnju koje poboljšavaju razumijevanje teme te proširuju svijest i angažman s relevantnim ljudima ili timovima koji rade na područjima interesa. Kako izgledaju istraživački projekti i kako mogu imati utjecaj? + +Pogledajmo jedan primjer - [MIT Gender Shades Study](http://gendershades.org/overview.html) od Joy Buolamwini (MIT Media Labs) s [ključnim istraživačkim radom](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) koji je koautorirala Timnit Gebru (tada u Microsoft Researchu) i koji se fokusirao na: + + * **Što:** Cilj istraživačkog projekta bio je _procijeniti pristranost prisutnu u algoritmima i skupovima podataka za automatsku analizu lica_ na temelju spola i tipa kože. + * **Zašto:** Analiza lica koristi se u područjima poput provođenja zakona, sigurnosti na aerodromima, sustava zapošljavanja i više - konteksti u kojima netočne klasifikacije (npr. zbog pristranosti) mogu uzrokovati potencijalne ekonomske i društvene štete pogođenim pojedincima ili grupama. Razumijevanje (i uklanjanje ili ublažavanje) pristranosti ključno je za pravednost u korištenju. + * **Kako:** Istraživači su prepoznali da postojeći referentni skupovi podataka koriste pretežno osobe svjetlije puti te su kreirali novi skup podataka (1000+ slika) koji je _uravnoteženiji_ prema spolu i tipu kože. Taj skup podataka korišten je za procjenu točnosti tri proizvoda za klasifikaciju spola (od Microsofta, IBM-a i Face++). + +Rezultati su pokazali da, iako je ukupna točnost klasifikacije bila dobra, postojala je primjetna razlika u stopama pogrešaka između različitih podskupina - s **pogrešnim određivanjem spola** češćim kod žena ili osoba tamnije puti, što ukazuje na pristranost. + +**Ključni Ishodi:** Podignuta je svijest da data science treba _reprezentativnije skupove podataka_ (uravnotežene podskupine) i _inkluzivnije timove_ (raznolike pozadine) kako bi se takve pristranosti prepoznale i uklonile ili ublažile ranije u AI rješenjima. Istraživački napori poput ovog također su ključni za definiranje principa i praksi za _odgovornu umjetnu inteligenciju_ u mnogim organizacijama kako bi se poboljšala pravednost u njihovim AI proizvodima i procesima. + +**Želite saznati više o relevantnim istraživačkim naporima u Microsoftu?** + +* Pogledajte [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) na temu umjetne inteligencije. +* Istražite studentske projekte iz [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/). +* Pogledajte projekt [Fairlearn](https://fairlearn.org/) i inicijative za [Odgovornu AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6). + +## Data Science + Humanističke Znanosti + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Data Science & Digitalne Humanističke Znanosti - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Digitalne humanističke znanosti [definirane su](https://digitalhumanities.stanford.edu/about-dh-stanford) kao "skup praksi i pristupa koji kombiniraju računalne metode s humanističkim istraživanjem". [Stanford projekti](https://digitalhumanities.stanford.edu/projects) poput _"rebooting history"_ i _"poetic thinking"_ ilustriraju povezanost između [Digitalnih Humanističkih Znanosti i Data Sciencea](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - naglašavajući tehnike poput analize mreža, vizualizacije informacija, prostorne i tekstualne analize koje nam mogu pomoći da ponovno razmotrimo povijesne i književne skupove podataka kako bismo dobili nove uvide i perspektive. + +*Želite istražiti i proširiti projekt u ovom području?* + +Pogledajte ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - izvrstan primjer od [Jen Looper](https://twitter.com/jenlooper) koji postavlja pitanje kako možemo koristiti data science za ponovno razmatranje poznate poezije i preispitivanje njezina značenja te doprinosa autora u novim kontekstima. Na primjer, _možemo li predvidjeti godišnje doba u kojem je pjesma napisana analizom njezina tona ili sentimenta_ - i što nam to govori o autorovu stanju uma tijekom relevantnog razdoblja? + +Da bismo odgovorili na to pitanje, slijedimo korake životnog ciklusa data sciencea: + * [`Prikupljanje Podataka`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - za prikupljanje relevantnog skupa podataka za analizu. Opcije uključuju korištenje API-ja (npr. [Poetry DB API](https://poetrydb.org/index.html)) ili struganje web stranica (npr. [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) pomoću alata poput [Scrapy](https://scrapy.org/). + * [`Čišćenje Podataka`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - objašnjava kako se tekst može formatirati, sanitizirati i pojednostaviti pomoću osnovnih alata poput Visual Studio Codea i Microsoft Excela. + * [`Analiza Podataka`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - objašnjava kako sada možemo uvesti skup podataka u "Notebooks" za analizu pomoću Python paketa (poput pandas, numpy i matplotlib) za organizaciju i vizualizaciju podataka. + * [`Analiza Sentimenta`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - objašnjava kako možemo integrirati usluge u oblaku poput Text Analyticsa, koristeći alate s malo koda poput [Power Automate](https://flow.microsoft.com/en-us/) za automatizirane radne procese obrade podataka. + +Koristeći ovaj radni proces, možemo istražiti sezonske utjecaje na sentiment pjesama i pomoći nam oblikovati vlastite perspektive o autoru. Isprobajte sami - zatim proširite bilježnicu kako biste postavili druga pitanja ili vizualizirali podatke na nove načine! + +> Možete koristiti neke od alata iz [Digital Humanities Toolkit](https://github.com/Digital-Humanities-Toolkit) za istraživanje ovih tema. + +## Data Science + Održivi Razvoj + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Data Science & Održivi Razvoj - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[Agenda za Održivi Razvoj 2030](https://sdgs.un.org/2030agenda) - usvojena od strane svih članica Ujedinjenih naroda 2015. godine - identificira 17 ciljeva, uključujući one koji se fokusiraju na **Zaštitu Planeta** od degradacije i utjecaja klimatskih promjena. Inicijativa [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) podržava ove ciljeve istražujući načine na koje tehnološka rješenja mogu podržati i izgraditi održiviju budućnost s [fokusom na 4 cilja](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - postati ugljično negativan, vodno pozitivan, bez otpada i bioraznolik do 2030. + +Rješavanje ovih izazova na skalabilan i pravovremen način zahtijeva razmišljanje u oblaku - i velike količine podataka. Inicijativa [Planetary Computer](https://planetarycomputer.microsoft.com/) pruža 4 komponente koje pomažu data znanstvenicima i programerima u ovom naporu: + + * [Katalog Podataka](https://planetarycomputer.microsoft.com/catalog) - s petabajtima podataka o Zemljinim sustavima (besplatno i hostirano na Azureu). + * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - za pomoć korisnicima u pretraživanju relevantnih podataka kroz prostor i vrijeme. + * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - upravljano okruženje za znanstvenike za obradu masivnih geoprostornih skupova podataka. + * [Aplikacije](https://planetarycomputer.microsoft.com/applications) - prikazuju slučajeve upotrebe i alate za uvide u održivost. +**Planetary Computer Project trenutno je u fazi pregleda (od rujna 2021.)** - evo kako možete započeti doprinositi rješenjima za održivost koristeći podatkovnu znanost. + +* [Zatražite pristup](https://planetarycomputer.microsoft.com/account/request) kako biste započeli istraživanje i povezali se s kolegama. +* [Istražite dokumentaciju](https://planetarycomputer.microsoft.com/docs/overview/about) kako biste razumjeli podržane skupove podataka i API-je. +* Istražite aplikacije poput [Praćenje ekosustava](https://analytics-lab.org/ecosystemmonitoring/) za inspiraciju za ideje aplikacija. + +Razmislite o tome kako možete koristiti vizualizaciju podataka za otkrivanje ili naglašavanje relevantnih uvida u područjima poput klimatskih promjena i krčenja šuma. Ili razmislite o tome kako se uvidi mogu koristiti za stvaranje novih korisničkih iskustava koja motiviraju promjene ponašanja za održiviji način života. + +## Podatkovna znanost + studenti + +Razgovarali smo o stvarnim primjenama u industriji i istraživanju te istražili primjere primjene podatkovne znanosti u digitalnim humanističkim znanostima i održivosti. Pa kako možete izgraditi svoje vještine i podijeliti svoje znanje kao početnici u podatkovnoj znanosti? + +Evo nekoliko primjera studentskih projekata iz podatkovne znanosti koji vas mogu inspirirati. + +* [MSR Ljetna škola podatkovne znanosti](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) s GitHub [projektima](https://github.com/msr-ds3) koji istražuju teme poput: + - [Rasna pristranost u policijskoj upotrebi sile](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) + - [Pouzdanost sustava podzemne željeznice u New Yorku](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) +* [Digitalizacija materijalne kulture: Istraživanje socio-ekonomskih distribucija u Sirkapu](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - od [Ornella Altunyan](https://twitter.com/ornelladotcom) i tima iz Claremonta, koristeći [ArcGIS StoryMaps](https://storymaps.arcgis.com/). + +## 🚀 Izazov + +Potražite članke koji preporučuju projekte iz podatkovne znanosti prilagođene početnicima - poput [ovih 50 područja](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) ili [ovih 21 ideja za projekte](https://www.intellspot.com/data-science-project-ideas) ili [ovih 16 projekata s izvornim kodom](https://data-flair.training/blogs/data-science-project-ideas/) koje možete rastaviti i ponovno sastaviti. I ne zaboravite pisati blogove o svojim putovanjima učenja i podijeliti svoje uvide s nama. + +## Kviz nakon predavanja + +[Kviz nakon predavanja](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) + +## Pregled i samostalno učenje + +Želite istražiti više primjera upotrebe? Evo nekoliko relevantnih članaka: +* [17 primjena i primjera podatkovne znanosti](https://builtin.com/data-science/data-science-applications-examples) - srpanj 2021. +* [11 zadivljujućih primjena podatkovne znanosti u stvarnom svijetu](https://myblindbird.com/data-science-applications-real-world/) - svibanj 2021. +* [Podatkovna znanost u stvarnom svijetu](https://towardsdatascience.com/data-science-in-the-real-world/home) - zbirka članaka +* Podatkovna znanost u: [Obrazovanju](https://data-flair.training/blogs/data-science-in-education/), [Poljoprivredi](https://data-flair.training/blogs/data-science-in-agriculture/), [Financijama](https://data-flair.training/blogs/data-science-in-finance/), [Filmovima](https://data-flair.training/blogs/data-science-at-movies/) i više. + +## Zadatak + +[Istražite skup podataka Planetary Computer](assignment.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/hr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..de91a5a1 --- /dev/null +++ b/translations/hr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,50 @@ + +# Istražite skup podataka Planetary Computer + +## Upute + +U ovoj lekciji razgovarali smo o raznim područjima primjene znanosti o podacima - s detaljnim primjerima vezanim uz istraživanje, održivost i digitalne humanističke znanosti. U ovom zadatku istražit ćete jedan od tih primjera detaljnije i primijeniti neka od svojih znanja o vizualizaciji i analizi podataka kako biste došli do uvida o podacima vezanim uz održivost. + +Projekt [Planetary Computer](https://planetarycomputer.microsoft.com/) sadrži skupove podataka i API-je kojima se može pristupiti putem računa - zatražite pristup ako želite isprobati dodatni korak zadatka. Stranica također nudi značajku [Explorer](https://planetarycomputer.microsoft.com/explore) koju možete koristiti bez stvaranja računa. + +`Koraci:` +Sučelje Explorer (prikazano na slici ispod) omogućuje vam odabir skupa podataka (iz ponuđenih opcija), unaprijed postavljenog upita (za filtriranje podataka) i opcije prikaza (za stvaranje relevantne vizualizacije). U ovom zadatku vaš je zadatak: + + 1. Pročitajte [Explorer dokumentaciju](https://planetarycomputer.microsoft.com/docs/overview/explorer/) - razumite opcije. + 2. Istražite [Katalog](https://planetarycomputer.microsoft.com/catalog) skupova podataka - saznajte svrhu svakog od njih. + 3. Koristite Explorer - odaberite skup podataka koji vas zanima, odaberite relevantan upit i opciju prikaza. + +![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.hr.png) + +`Vaš zadatak:` +Sada proučite vizualizaciju koja je prikazana u pregledniku i odgovorite na sljedeće: + * Koje _značajke_ ima skup podataka? + * Koje _uvide_ ili rezultate pruža vizualizacija? + * Koje su _implikacije_ tih uvida na ciljeve održivosti projekta? + * Koja su _ograničenja_ vizualizacije (tj. koji uvid niste dobili)? + * Ako biste mogli dobiti sirove podatke, koje biste _alternativne vizualizacije_ stvorili i zašto? + +`Dodatni bodovi:` +Prijavite se za račun - i prijavite se kada dobijete pristup. + * Koristite opciju _Launch Hub_ za otvaranje sirovih podataka u Notebooksu. + * Interaktivno istražite podatke i implementirajte alternativne vizualizacije koje ste osmislili. + * Sada analizirajte svoje prilagođene vizualizacije - jeste li uspjeli doći do uvida koji su vam prethodno nedostajali? + +## Rubrika + +Primjeran | Zadovoljavajući | Potrebno poboljšanje +--- | --- | -- | +Odgovoreno je na svih pet ključnih pitanja. Student je jasno identificirao kako trenutne i alternativne vizualizacije mogu pružiti uvide u ciljeve ili ishode održivosti. | Student je detaljno odgovorio na barem prva tri pitanja, pokazujući da ima praktično iskustvo s Explorerom. | Student nije odgovorio na više pitanja ili je dao nedovoljno detaljne odgovore - što ukazuje na to da nije napravljen značajan pokušaj za projekt. | + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/6-Data-Science-In-Wild/README.md b/translations/hr/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..69829778 --- /dev/null +++ b/translations/hr/6-Data-Science-In-Wild/README.md @@ -0,0 +1,25 @@ + +# Data znanost u divljini + +Primjene podatkovne znanosti u stvarnom svijetu kroz različite industrije. + +### Teme + +1. [Podatkovna znanost u stvarnom svijetu](20-Real-World-Examples/README.md) + +### Zasluge + +Napisano s ❤️ od strane [Nitya Narasimhan](https://twitter.com/nitya) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/CODE_OF_CONDUCT.md b/translations/hr/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..39cc9e62 --- /dev/null +++ b/translations/hr/CODE_OF_CONDUCT.md @@ -0,0 +1,23 @@ + +# Microsoftov Kodeks ponašanja za otvoreni izvor + +Ovaj projekt je usvojio [Microsoftov Kodeks ponašanja za otvoreni izvor](https://opensource.microsoft.com/codeofconduct/). + +Resursi: + +- [Microsoftov Kodeks ponašanja za otvoreni izvor](https://opensource.microsoft.com/codeofconduct/) +- [Česta pitanja o Microsoftovom Kodeksu ponašanja](https://opensource.microsoft.com/codeofconduct/faq/) +- Kontaktirajte [opencode@microsoft.com](mailto:opencode@microsoft.com) za pitanja ili zabrinutosti + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/CONTRIBUTING.md b/translations/hr/CONTRIBUTING.md new file mode 100644 index 00000000..15441111 --- /dev/null +++ b/translations/hr/CONTRIBUTING.md @@ -0,0 +1,23 @@ + +# Sudjelovanje + +Ovaj projekt pozdravlja doprinose i prijedloge. Većina doprinosa zahtijeva da se složite s Ugovorom o licenci za suradnike (CLA) kojim izjavljujete da imate pravo, i da zaista dajete, prava za korištenje vašeg doprinosa. Za detalje posjetite https://cla.microsoft.com. + +Kada pošaljete pull request, CLA-bot će automatski odrediti trebate li dostaviti CLA i označiti PR na odgovarajući način (npr. oznakom, komentarom). Jednostavno slijedite upute koje vam bot pruži. Ovo ćete trebati učiniti samo jednom za sve repozitorije koji koriste naš CLA. + +Ovaj projekt je usvojio [Microsoftov Kodeks ponašanja za otvoreni izvor](https://opensource.microsoft.com/codeofconduct/). +Za više informacija pogledajte [Često postavljana pitanja o Kodeksu ponašanja](https://opensource.microsoft.com/codeofconduct/faq/) +ili kontaktirajte [opencode@microsoft.com](mailto:opencode@microsoft.com) s dodatnim pitanjima ili komentarima. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije proizašle iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/README.md b/translations/hr/README.md new file mode 100644 index 00000000..ff3c691c --- /dev/null +++ b/translations/hr/README.md @@ -0,0 +1,155 @@ + +# Data Science za Početnike - Kurikulum + +Azure Cloud Advocates u Microsoftu s ponosom nude desetotjedni kurikulum s 20 lekcija o znanosti o podacima. Svaka lekcija uključuje kvizove prije i nakon lekcije, pisane upute za dovršetak lekcije, rješenje i zadatak. Naša metodologija temeljena na projektima omogućuje vam učenje kroz izgradnju, što je dokazano učinkovit način za usvajanje novih vještina. + +**Veliko hvala našim autorima:** [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). + +**🙏 Posebna zahvala 🙏 našim [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autorima, recenzentima i suradnicima na sadržaju,** posebno 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/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.hr.png)| +|:---:| +| Znanost o Podacima za Početnike - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +### 🌐 Višejezična Podrška + +#### Podržano putem GitHub Action (Automatizirano i Uvijek Ažurirano) + +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](./README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) + +**Ako želite dodatne prijevode, jezici koji su podržani navedeni su [ovdje](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** + +#### Pridružite se Našoj Zajednici +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) + +# Jeste li student? + +Započnite s ovim resursima: + +- [Student Hub stranica](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Na ovoj stranici pronaći ćete resurse za početnike, studentske pakete i čak načine za dobivanje besplatnog certifikata. Ovo je stranica koju biste trebali označiti i povremeno provjeravati jer sadržaj mijenjamo barem mjesečno. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Pridružite se globalnoj zajednici studentskih ambasadora, ovo bi mogao biti vaš put u Microsoft. + +# Početak + +> **Nastavnici**: [uključili smo neke prijedloge](for-teachers.md) o tome kako koristiti ovaj kurikulum. Voljeli bismo čuti vaše povratne informacije [u našem forumu za raspravu](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! + +> **[Studenti](https://aka.ms/student-page)**: da biste koristili ovaj kurikulum samostalno, forkajte cijeli repozitorij i sami dovršite vježbe, počevši s kvizom prije predavanja. Zatim pročitajte predavanje i dovršite ostale aktivnosti. Pokušajte sami izraditi projekte razumijevajući lekcije umjesto kopiranja rješenja; međutim, taj kod je dostupan u /solutions mapama u svakoj lekciji temeljenoj na projektima. Druga ideja bila bi formirati studijsku grupu s prijateljima i zajedno prolaziti kroz sadržaj. Za daljnje učenje preporučujemo [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). + +## Upoznajte Tim + +[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") + +**Gif by** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) + +> 🎥 Kliknite na sliku iznad za video o projektu i ljudima koji su ga stvorili! + +## Pedagogija + +Odabrali smo dva pedagoška načela prilikom izrade ovog kurikuluma: osigurati da je temeljen na projektima i da uključuje česte kvizove. Do kraja ove serije, studenti će naučiti osnovne principe znanosti o podacima, uključujući etičke koncepte, pripremu podataka, različite načine rada s podacima, vizualizaciju podataka, analizu podataka, stvarne primjere primjene znanosti o podacima i još mnogo toga. + +Osim toga, kviz s niskim ulogom prije predavanja usmjerava pažnju studenta na učenje teme, dok drugi kviz nakon predavanja osigurava daljnje zadržavanje znanja. Ovaj kurikulum je osmišljen da bude fleksibilan i zabavan te se može uzeti u cijelosti ili djelomično. Projekti započinju jednostavno i postaju sve složeniji do kraja desetotjednog ciklusa. +Pronađite naše [Pravila ponašanja](CODE_OF_CONDUCT.md), [Doprinos](CONTRIBUTING.md), [Smjernice za prijevod](TRANSLATIONS.md). Vaše konstruktivne povratne informacije su dobrodošle! +## Svaka lekcija uključuje: + +- Opcionalni sketchnote +- Opcionalni dodatni video +- Kviz za zagrijavanje prije lekcije +- Pisanu lekciju +- Za lekcije temeljene na projektima, vodiče korak-po-korak kako izraditi projekt +- Provjere znanja +- Izazov +- Dodatno čitanje +- Zadatak +- [Kviz nakon lekcije](https://ff-quizzes.netlify.app/en/) + +> **Napomena o kvizovima**: Svi kvizovi nalaze se u mapi Quiz-App, ukupno 40 kvizova s po tri pitanja. Povezani su unutar lekcija, ali aplikacija za kviz može se pokrenuti lokalno ili implementirati na Azure; slijedite upute u mapi `quiz-app`. Postupno se lokaliziraju. + +## Lekcije + +|![ Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hr.png)| +|:---:| +| Data Science za početnike: Plan - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | + +| Broj lekcije | Tema | Grupiranje lekcija | Ciljevi učenja | Povezana lekcija | Autor | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | Definiranje Data Sciencea | [Uvod](1-Introduction/README.md) | Naučite osnovne koncepte iza data sciencea i kako je povezan s umjetnom inteligencijom, strojnim učenjem i velikim podacima. | [lekcija](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | +| 02 | Etika u Data Scienceu | [Uvod](1-Introduction/README.md) | Koncepti etike podataka, izazovi i okviri. | [lekcija](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 03 | Definiranje podataka | [Uvod](1-Introduction/README.md) | Kako se podaci klasificiraju i njihovi uobičajeni izvori. | [lekcija](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 04 | Uvod u statistiku i vjerojatnost | [Uvod](1-Introduction/README.md) | Matematičke tehnike vjerojatnosti i statistike za razumijevanje podataka. | [lekcija](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | +| 05 | Rad s relacijskim podacima | [Rad s podacima](2-Working-With-Data/README.md) | Uvod u relacijske podatke i osnove istraživanja i analize relacijskih podataka pomoću Structured Query Language, poznatog kao SQL (izgovara se “si-kvel”). | [lekcija](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | +| 06 | Rad s NoSQL podacima | [Rad s podacima](2-Working-With-Data/README.md) | Uvod u nerelacijske podatke, njihove različite vrste i osnove istraživanja i analize dokumentnih baza podataka. | [lekcija](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| +| 07 | Rad s Pythonom | [Rad s podacima](2-Working-With-Data/README.md) | Osnove korištenja Pythona za istraživanje podataka s bibliotekama poput Pandas. Preporučuje se osnovno razumijevanje programiranja u Pythonu. | [lekcija](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | +| 08 | Priprema podataka | [Rad s podacima](2-Working-With-Data/README.md) | Teme o tehnikama čišćenja i transformacije podataka za rješavanje izazova poput nedostajućih, netočnih ili nepotpunih podataka. | [lekcija](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 09 | Vizualizacija količina | [Vizualizacija podataka](3-Data-Visualization/README.md) | Naučite kako koristiti Matplotlib za vizualizaciju podataka o pticama 🦆 | [lekcija](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | +| 10 | Vizualizacija distribucija podataka | [Vizualizacija podataka](3-Data-Visualization/README.md) | Vizualizacija opažanja i trendova unutar intervala. | [lekcija](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 11 | Vizualizacija proporcija | [Vizualizacija podataka](3-Data-Visualization/README.md) | Vizualizacija diskretnih i grupiranih postotaka. | [lekcija](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 12 | Vizualizacija odnosa | [Vizualizacija podataka](3-Data-Visualization/README.md) | Vizualizacija veza i korelacija između skupova podataka i njihovih varijabli. | [lekcija](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | +| 13 | Smislene vizualizacije | [Vizualizacija podataka](3-Data-Visualization/README.md) | Tehnike i smjernice za izradu vizualizacija koje su korisne za učinkovito rješavanje problema i dobivanje uvida. | [lekcija](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | +| 14 | Uvod u životni ciklus Data Sciencea | [Životni ciklus](4-Data-Science-Lifecycle/README.md) | Uvod u životni ciklus data sciencea i njegov prvi korak - prikupljanje i ekstrakcija podataka. | [lekcija](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | Analiza | [Životni ciklus](4-Data-Science-Lifecycle/README.md) | Ova faza životnog ciklusa data sciencea fokusira se na tehnike analize podataka. | [lekcija](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | Komunikacija | [Životni ciklus](4-Data-Science-Lifecycle/README.md) | Ova faza životnog ciklusa data sciencea fokusira se na prezentiranje uvida iz podataka na način koji olakšava razumijevanje donositeljima odluka. | [lekcija](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 17 | Data Science u oblaku | [Podaci u oblaku](5-Data-Science-In-Cloud/README.md) | Ova serija lekcija uvodi data science u oblaku i njegove prednosti. | [lekcija](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) i [Maud](https://twitter.com/maudstweets) | +| 18 | Data Science u oblaku | [Podaci u oblaku](5-Data-Science-In-Cloud/README.md) | Treniranje modela koristeći alate s malo koda. |[lekcija](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) i [Maud](https://twitter.com/maudstweets) | +| 19 | Data Science u oblaku | [Podaci u oblaku](5-Data-Science-In-Cloud/README.md) | Implementacija modela pomoću Azure Machine Learning Studija. | [lekcija](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) i [Maud](https://twitter.com/maudstweets) | +| 20 | Data Science u stvarnom svijetu | [U stvarnom svijetu](6-Data-Science-In-Wild/README.md) | Projekti vođeni data scienceom u stvarnom svijetu. | [lekcija](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | + +## GitHub Codespaces + +Slijedite ove korake za otvaranje ovog primjera u Codespaceu: +1. Kliknite na padajući izbornik Code i odaberite opciju Open with Codespaces. +2. Na dnu panela odaberite + New codespace. +Za više informacija, pogledajte [GitHub dokumentaciju](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). + +## VSCode Remote - Containers +Slijedite ove korake za otvaranje ovog repozitorija u kontejneru koristeći vaš lokalni stroj i VSCode s ekstenzijom VS Code Remote - Containers: + +1. Ako prvi put koristite razvojni kontejner, osigurajte da vaš sustav ispunjava preduvjete (npr. instaliran Docker) prema [dokumentaciji za početak](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). + +Za korištenje ovog repozitorija, možete ga otvoriti u izoliranom Docker volumenu: + +**Napomena**: U pozadini, ovo će koristiti Remote-Containers: **Clone Repository in Container Volume...** naredbu za kloniranje izvornog koda u Docker volumen umjesto lokalnog datotečnog sustava. [Volumeni](https://docs.docker.com/storage/volumes/) su preferirani mehanizam za pohranu podataka kontejnera. + +Ili otvorite lokalno kloniranu ili preuzetu verziju repozitorija: + +- Klonirajte ovaj repozitorij na vaš lokalni datotečni sustav. +- Pritisnite F1 i odaberite naredbu **Remote-Containers: Open Folder in Container...**. +- Odaberite kloniranu kopiju ove mape, pričekajte da se kontejner pokrene i isprobajte. + +## Pristup bez interneta + +Ovu dokumentaciju možete pokrenuti offline koristeći [Docsify](https://docsify.js.org/#/). Forkajte ovaj repozitorij, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na vaš lokalni stroj, zatim u korijenskoj mapi ovog repozitorija upišite `docsify serve`. Web stranica će biti poslužena na portu 3000 na vašem localhostu: `localhost:3000`. + +> Napomena, bilježnice se neće prikazivati putem Docsifyja, pa kada trebate pokrenuti bilježnicu, učinite to zasebno u VS Codeu koristeći Python kernel. + +## Ostali kurikulumi + +Naš tim proizvodi i druge kurikulume! Pogledajte: + +- [Generativna AI za početnike](https://aka.ms/genai-beginners) +- [Generativna AI za početnike .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Generativna AI s JavaScriptom](https://github.com/microsoft/generative-ai-with-javascript) +- [Generativna AI s Javom](https://aka.ms/genaijava) +- [AI za početnike](https://aka.ms/ai-beginners) +- [Data Science za početnike](https://aka.ms/datascience-beginners) +- [ML za početnike](https://aka.ms/ml-beginners) +- [Kibernetička sigurnost za početnike](https://github.com/microsoft/Security-101) +- [Web razvoj za početnike](https://aka.ms/webdev-beginners) +- [IoT za početnike](https://aka.ms/iot-beginners) +- [XR razvoj za početnike](https://github.com/microsoft/xr-development-for-beginners) +- [Ovladavanje GitHub Copilotom za zajedničko programiranje](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Ovladavanje GitHub Copilotom za C#/.NET programere](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Odaberite vlastitu Copilot avanturu](https://github.com/microsoft/CopilotAdventures) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/SECURITY.md b/translations/hr/SECURITY.md new file mode 100644 index 00000000..8f3dfab8 --- /dev/null +++ b/translations/hr/SECURITY.md @@ -0,0 +1,51 @@ + +## Sigurnost + +Microsoft ozbiljno pristupa sigurnosti svojih softverskih proizvoda i usluga, uključujući sve repozitorije izvornog koda kojima upravljamo putem naših GitHub organizacija, kao što su [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) i [naše GitHub organizacije](https://opensource.microsoft.com/). + +Ako smatrate da ste pronašli sigurnosni propust u bilo kojem repozitoriju u vlasništvu Microsofta koji odgovara [Microsoftovoj definiciji sigurnosnog propusta](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), molimo da nam ga prijavite na način opisan u nastavku. + +## Prijava sigurnosnih problema + +**Molimo da sigurnosne propuste ne prijavljujete putem javnih GitHub problema.** + +Umjesto toga, prijavite ih Microsoftovom centru za odgovore na sigurnosne probleme (MSRC) na [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report). + +Ako preferirate prijavu bez prijave na sustav, pošaljite e-mail na [secure@microsoft.com](mailto:secure@microsoft.com). Ako je moguće, šifrirajte svoju poruku našim PGP ključem; preuzmite ga sa stranice [Microsoft Security Response Center PGP Key](https://www.microsoft.com/en-us/msrc/pgp-key-msrc). + +Trebali biste dobiti odgovor unutar 24 sata. Ako iz nekog razloga ne dobijete odgovor, molimo da nas kontaktirate putem e-maila kako biste osigurali da smo primili vašu originalnu poruku. Dodatne informacije možete pronaći na [microsoft.com/msrc](https://www.microsoft.com/msrc). + +Molimo da uključite tražene informacije navedene u nastavku (koliko god možete pružiti) kako biste nam pomogli bolje razumjeti prirodu i opseg mogućeg problema: + + * Vrsta problema (npr. buffer overflow, SQL injection, cross-site scripting, itd.) + * Puni putovi izvornog koda povezanog s manifestacijom problema + * Lokacija pogođenog izvornog koda (tag/grana/commit ili direktni URL) + * Bilo koja posebna konfiguracija potrebna za reprodukciju problema + * Korak-po-korak upute za reprodukciju problema + * Proof-of-concept ili exploit kod (ako je moguće) + * Utjecaj problema, uključujući kako napadač može iskoristiti problem + +Ove informacije pomoći će nam da brže obradimo vaš izvještaj. + +Ako prijavljujete za nagradu za otkrivanje grešaka, detaljniji izvještaji mogu doprinijeti većem iznosu nagrade. Posjetite našu stranicu [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) za više detalja o našim aktivnim programima. + +## Preferirani jezici + +Preferiramo da sva komunikacija bude na engleskom jeziku. + +## Politika + +Microsoft slijedi načelo [Koordiniranog otkrivanja ranjivosti](https://www.microsoft.com/en-us/msrc/cvd). + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/SUPPORT.md b/translations/hr/SUPPORT.md new file mode 100644 index 00000000..24601656 --- /dev/null +++ b/translations/hr/SUPPORT.md @@ -0,0 +1,24 @@ + +# Podrška +## Kako prijaviti probleme i dobiti pomoć + +Ovaj projekt koristi GitHub Issues za praćenje grešaka i zahtjeva za nove značajke. Prije nego što prijavite novi problem, pretražite postojeće probleme kako biste izbjegli dupliciranje. Za nove probleme, prijavite svoju grešku ili zahtjev za značajkom kao novi problem. + +Za pomoć i pitanja o korištenju ovog projekta, prijavite problem. + +## Microsoftova politika podrške + +Podrška za ovo spremište ograničena je na gore navedene resurse. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/docs/_sidebar.md b/translations/hr/docs/_sidebar.md new file mode 100644 index 00000000..27f5666f --- /dev/null +++ b/translations/hr/docs/_sidebar.md @@ -0,0 +1,40 @@ + +- Uvod + - [Definiranje podatkovne znanosti](../1-Introduction/01-defining-data-science/README.md) + - [Etika podatkovne znanosti](../1-Introduction/02-ethics/README.md) + - [Definiranje podataka](../1-Introduction/03-defining-data/README.md) + - [Vjerojatnost i statistika](../1-Introduction/04-stats-and-probability/README.md) +- Rad s podacima + - [Relacijske baze podataka](../2-Working-With-Data/05-relational-databases/README.md) + - [Nerelacijske baze podataka](../2-Working-With-Data/06-non-relational/README.md) + - [Python](../2-Working-With-Data/07-python/README.md) + - [Priprema podataka](../2-Working-With-Data/08-data-preparation/README.md) +- Vizualizacija podataka + - [Vizualizacija količina](../3-Data-Visualization/09-visualization-quantities/README.md) + - [Vizualizacija distribucija](../3-Data-Visualization/10-visualization-distributions/README.md) + - [Vizualizacija proporcija](../3-Data-Visualization/11-visualization-proportions/README.md) + - [Vizualizacija odnosa](../3-Data-Visualization/12-visualization-relationships/README.md) + - [Smislene vizualizacije](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- Životni ciklus podatkovne znanosti + - [Uvod](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [Analiza](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [Komunikacija](../4-Data-Science-Lifecycle/16-communication/README.md) +- Podatkovna znanost u oblaku + - [Uvod](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md) +- Podatkovna znanost u divljini + - [DS u divljini](../6-Data-Science-In-Wild/README.md) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/for-teachers.md b/translations/hr/for-teachers.md new file mode 100644 index 00000000..4a287ffc --- /dev/null +++ b/translations/hr/for-teachers.md @@ -0,0 +1,78 @@ + +## Za edukatore + +Želite li koristiti ovaj kurikulum u svojoj učionici? Slobodno ga iskoristite! + +Zapravo, možete ga koristiti direktno na GitHubu koristeći GitHub Classroom. + +Da biste to učinili, forkajte ovaj repozitorij. Trebat ćete kreirati repozitorij za svaku lekciju, pa ćete morati izdvojiti svaku mapu u zaseban repozitorij. Na taj način, [GitHub Classroom](https://classroom.github.com/classrooms) može prepoznati svaku lekciju zasebno. + +Ove [detaljne upute](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) pružit će vam ideju kako postaviti svoju učionicu. + +## Korištenje repozitorija u trenutnom obliku + +Ako želite koristiti ovaj repozitorij u njegovom trenutnom obliku, bez korištenja GitHub Classroom-a, i to je moguće. Trebat ćete komunicirati sa svojim učenicima o tome koju lekciju zajedno obrađujete. + +U online formatu (Zoom, Teams ili slično) možete organizirati breakout sobe za kvizove i mentorirati učenike kako bi se pripremili za učenje. Zatim pozovite učenike da sudjeluju u kvizovima i predaju svoje odgovore kao 'issues' u određeno vrijeme. Isto možete učiniti i sa zadacima, ako želite da učenici surađuju javno. + +Ako preferirate privatniji format, zamolite učenike da forkaju kurikulum, lekciju po lekciju, u svoje privatne GitHub repozitorije i daju vam pristup. Tada mogu privatno rješavati kvizove i zadatke te ih predati putem 'issues' na vašem repozitoriju za učionicu. + +Postoji mnogo načina kako ovo može funkcionirati u online učionici. Javite nam što vam najbolje odgovara! + +## Uključeno u ovaj kurikulum: + +20 lekcija, 40 kvizova i 20 zadataka. Sketchnoteovi prate lekcije za vizualne učenike. Mnoge lekcije dostupne su i na Pythonu i na R-u te se mogu rješavati koristeći Jupyter bilježnice u VS Code-u. Saznajte više o tome kako postaviti svoju učionicu za korištenje ove tehnološke platforme: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +Svi sketchnoteovi, uključujući poster velikog formata, nalaze se u [ovoj mapi](../../sketchnotes). + +Cijeli kurikulum dostupan je [kao PDF](../../pdf/readme.pdf). + +Također možete pokrenuti ovaj kurikulum kao samostalnu, offline-friendly web stranicu koristeći [Docsify](https://docsify.js.org/#/). [Instalirajte Docsify](https://docsify.js.org/#/quickstart) na svom lokalnom računalu, zatim u root mapi lokalne kopije ovog repozitorija upišite `docsify serve`. Web stranica će se poslužiti na portu 3000 na vašem localhostu: `localhost:3000`. + +Offline-friendly verzija kurikuluma otvorit će se kao samostalna web stranica: https://localhost:3000 + +Lekcije su grupirane u 6 dijelova: + +- 1: Uvod + - 1: Definiranje znanosti o podacima + - 2: Etika + - 3: Definiranje podataka + - 4: Pregled vjerojatnosti i statistike +- 2: Rad s podacima + - 5: Relacijske baze podataka + - 6: Nerelacijske baze podataka + - 7: Python + - 8: Priprema podataka +- 3: Vizualizacija podataka + - 9: Vizualizacija količina + - 10: Vizualizacija distribucija + - 11: Vizualizacija proporcija + - 12: Vizualizacija odnosa + - 13: Smislene vizualizacije +- 4: Životni ciklus znanosti o podacima + - 14: Uvod + - 15: Analiza + - 16: Komunikacija +- 5: Znanost o podacima u oblaku + - 17: Uvod + - 18: Low-Code opcije + - 19: Azure +- 6: Znanost o podacima u praksi + - 20: Pregled + +## Podijelite svoje mišljenje s nama! + +Želimo da ovaj kurikulum bude koristan za vas i vaše učenike. Molimo vas da nam date povratne informacije na forumima za raspravu! Slobodno kreirajte prostor za učionicu na forumima za raspravu za svoje učenike. + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden pomoću AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/quiz-app/README.md b/translations/hr/quiz-app/README.md new file mode 100644 index 00000000..89a957e1 --- /dev/null +++ b/translations/hr/quiz-app/README.md @@ -0,0 +1,138 @@ + +# Kvizovi + +Ovi kvizovi su uvodni i završni kvizovi za kurikulum znanosti o podacima na https://aka.ms/datascience-beginners + +## Dodavanje prevedenog seta kvizova + +Dodajte prijevod kviza kreiranjem odgovarajućih struktura kvizova u mapama `assets/translations`. Izvorni kvizovi nalaze se u `assets/translations/en`. Kvizovi su podijeljeni u nekoliko grupa. Pazite da uskladite numeraciju s odgovarajućim dijelom kviza. Ukupno postoji 40 kvizova u ovom kurikulumu, a brojevi počinju od 0. + +Nakon uređivanja prijevoda, uredite datoteku `index.js` u mapi za prijevod kako biste uvezli sve datoteke prema konvencijama u `en`. + +Uredite datoteku `index.js` u `assets/translations` kako biste uvezli nove prevedene datoteke. + +Zatim uredite padajući izbornik u `App.vue` u ovoj aplikaciji kako biste dodali svoj jezik. Uskladite lokaliziranu skraćenicu s nazivom mape za vaš jezik. + +Na kraju, uredite sve poveznice kvizova u prevedenim lekcijama, ako postoje, kako biste uključili ovu lokalizaciju kao parametar upita: `?loc=fr`, na primjer. + +## Postavljanje projekta + +``` +npm install +``` + +### Kompajlira i automatski ponovno učitava za razvoj + +``` +npm run serve +``` + +### Kompajlira i minimizira za produkciju + +``` +npm run build +``` + +### Provjerava i popravlja datoteke + +``` +npm run lint +``` + +### Prilagodba konfiguracije + +Pogledajte [Referencu za konfiguraciju](https://cli.vuejs.org/config/). + +Zahvale: Zahvaljujemo na originalnoj verziji ove aplikacije za kvizove: https://github.com/arpan45/simple-quiz-vue + +## Postavljanje na Azure + +Evo korak-po-korak vodiča koji će vam pomoći da započnete: + +1. Forkajte GitHub repozitorij +Provjerite je li vaš kod za statičnu web aplikaciju u vašem GitHub repozitoriju. Forkajte ovaj repozitorij. + +2. Kreirajte Azure Static Web App +- Kreirajte [Azure račun](http://azure.microsoft.com) +- Idite na [Azure portal](https://portal.azure.com) +- Kliknite na “Create a resource” i potražite “Static Web App”. +- Kliknite “Create”. + +3. Konfigurirajte Static Web App +- Osnovno: Pretplata: Odaberite svoju Azure pretplatu. +- Grupa resursa: Kreirajte novu grupu resursa ili koristite postojeću. +- Naziv: Unesite naziv za svoju statičnu web aplikaciju. +- Regija: Odaberite regiju najbližu vašim korisnicima. + +- #### Detalji implementacije: +- Izvor: Odaberite “GitHub”. +- GitHub račun: Autorizirajte Azure za pristup vašem GitHub računu. +- Organizacija: Odaberite svoju GitHub organizaciju. +- Repozitorij: Odaberite repozitorij koji sadrži vašu statičnu web aplikaciju. +- Grana: Odaberite granu iz koje želite implementirati. + +- #### Detalji izgradnje: +- Predlošci izgradnje: Odaberite okvir na kojem je vaša aplikacija izgrađena (npr. React, Angular, Vue, itd.). +- Lokacija aplikacije: Navedite mapu koja sadrži kod vaše aplikacije (npr. / ako je u korijenu). +- Lokacija API-ja: Ako imate API, navedite njegovu lokaciju (opcionalno). +- Lokacija izlaza: Navedite mapu u kojoj se generira izlaz izgradnje (npr. build ili dist). + +4. Pregled i kreiranje +Pregledajte svoje postavke i kliknite “Create”. Azure će postaviti potrebne resurse i kreirati GitHub Actions workflow u vašem repozitoriju. + +5. GitHub Actions Workflow +Azure će automatski kreirati GitHub Actions workflow datoteku u vašem repozitoriju (.github/workflows/azure-static-web-apps-.yml). Ovaj workflow će upravljati procesom izgradnje i implementacije. + +6. Praćenje implementacije +Idite na karticu “Actions” u svom GitHub repozitoriju. +Trebali biste vidjeti workflow koji se pokreće. Ovaj workflow će izgraditi i implementirati vašu statičnu web aplikaciju na Azure. +Kada workflow završi, vaša aplikacija će biti dostupna na pruženom Azure URL-u. + +### Primjer datoteke workflowa + +Evo primjera kako bi GitHub Actions workflow datoteka mogla izgledati: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### Dodatni resursi +- [Dokumentacija za Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [Dokumentacija za GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden koristeći AI uslugu za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/hr/sketchnotes/README.md b/translations/hr/sketchnotes/README.md new file mode 100644 index 00000000..c16630f6 --- /dev/null +++ b/translations/hr/sketchnotes/README.md @@ -0,0 +1,21 @@ + +Pronađite sve sketchnoteove ovdje! + +## Zasluge + +Nitya Narasimhan, umjetnica + +![sketchnote plana](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.hr.png) + +--- + +**Odricanje od odgovornosti**: +Ovaj dokument je preveden korištenjem AI usluge za prevođenje [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane stručnjaka. Ne preuzimamo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda. \ No newline at end of file diff --git a/translations/lt/1-Introduction/01-defining-data-science/README.md b/translations/lt/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..b5c33221 --- /dev/null +++ b/translations/lt/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,80 @@ + +## Duomenų tipai + +Kaip jau minėjome, duomenys yra visur. Tereikia juos tinkamai užfiksuoti! Naudinga atskirti **struktūrizuotus** ir **nestruktūrizuotus** duomenis. Pirmieji paprastai pateikiami gerai struktūrizuota forma, dažnai kaip lentelė ar lentelių rinkinys, o antrieji yra tiesiog failų rinkinys. Kartais taip pat galime kalbėti apie **pusiau struktūrizuotus** duomenis, kurie turi tam tikrą struktūrą, tačiau ji gali labai skirtis. + +| Struktūrizuoti | Pusiau struktūrizuoti | Nestruktūrizuoti | +| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- | +| Žmonių sąrašas su jų telefono numeriais | Vikipedijos puslapiai su nuorodomis | Enciklopedijos „Britannica“ tekstas | +| Pastato kambarių temperatūra kas minutę per pastaruosius 20 metų | Mokslinių straipsnių rinkinys JSON formatu su autoriais, publikavimo data ir santrauka | Failų saugykla su įmonės dokumentais | +| Duomenys apie amžių ir lytį visų žmonių, įeinančių į pastatą | Interneto puslapiai | Neapdorotas vaizdo įrašas iš stebėjimo kameros | + +## Iš kur gauti duomenų + +Yra daugybė galimų duomenų šaltinių, ir visų jų išvardyti neįmanoma! Tačiau paminėkime keletą tipinių vietų, kur galite rasti duomenų: + +* **Struktūrizuoti** + - **Daiktų internetas** (IoT), įskaitant duomenis iš įvairių jutiklių, tokių kaip temperatūros ar slėgio jutikliai, suteikia daug naudingos informacijos. Pavyzdžiui, jei biuro pastatas aprūpintas IoT jutikliais, galime automatiškai valdyti šildymą ir apšvietimą, kad sumažintume išlaidas. + - **Apklausos**, kurias prašome vartotojų užpildyti po pirkimo ar apsilankymo svetainėje. + - **Elgsenos analizė** gali padėti suprasti, kaip giliai vartotojas naršo svetainėje ir kokia yra tipinė priežastis, kodėl jis ją palieka. +* **Nestruktūrizuoti** + - **Tekstai** gali būti turtingas įžvalgų šaltinis, pavyzdžiui, bendras **nuotaikos įvertinimas** arba raktinių žodžių ir semantinės prasmės išgavimas. + - **Vaizdai** ar **vaizdo įrašai**. Vaizdo įrašas iš stebėjimo kameros gali būti naudojamas eismo intensyvumui kelyje įvertinti ir informuoti žmones apie galimus kamščius. + - Interneto serverio **žurnalai** gali padėti suprasti, kurie mūsų svetainės puslapiai lankomi dažniausiai ir kiek laiko juose praleidžiama. +* **Pusiau struktūrizuoti** + - **Socialinių tinklų** grafai gali būti puikūs duomenų šaltiniai apie vartotojų asmenybes ir potencialų efektyvumą skleidžiant informaciją. + - Kai turime daugybę nuotraukų iš vakarėlio, galime bandyti išgauti **grupės dinamikos** duomenis, sudarydami žmonių, kurie fotografavosi kartu, grafą. + +Žinodami įvairius galimus duomenų šaltinius, galite pagalvoti apie skirtingus scenarijus, kur duomenų mokslo metodai gali būti pritaikyti situacijai geriau suprasti ir verslo procesams tobulinti. + +## Ką galima daryti su duomenimis + +Duomenų moksle mes koncentruojamės į šiuos duomenų kelionės etapus: + +Žinoma, priklausomai nuo konkrečių duomenų, kai kurie etapai gali būti praleisti (pvz., kai jau turime duomenis duomenų bazėje arba kai nereikia modelio mokymo), o kai kurie etapai gali būti kartojami kelis kartus (pvz., duomenų apdorojimas). + +## Skaitmenizacija ir skaitmeninė transformacija + +Per pastarąjį dešimtmetį daugelis įmonių pradėjo suprasti duomenų svarbą priimant verslo sprendimus. Norint pritaikyti duomenų mokslo principus verslo valdymui, pirmiausia reikia surinkti tam tikrus duomenis, t. y. verslo procesus paversti skaitmenine forma. Tai vadinama **skaitmenizacija**. Duomenų mokslo metodų taikymas šiems duomenims sprendimams priimti gali reikšmingai padidinti produktyvumą (ar net pakeisti verslo kryptį), ir tai vadinama **skaitmenine transformacija**. + +Pavyzdžiui, tarkime, turime duomenų mokslo kursą (kaip šis), kurį pristatome internetu studentams, ir norime jį patobulinti naudodami duomenų mokslą. Kaip tai galime padaryti? + +Galime pradėti klausdami: „Ką galima skaitmenizuoti?“ Paprasčiausias būdas būtų matuoti, kiek laiko kiekvienas studentas užtrunka baigdamas kiekvieną modulį, ir įvertinti įgytas žinias, pateikiant daugybinio pasirinkimo testą kiekvieno modulio pabaigoje. Apskaičiuodami vidutinį užbaigimo laiką visiems studentams, galime nustatyti, kurie moduliai studentams kelia daugiausia sunkumų, ir dirbti juos supaprastinant. +Galite teigti, kad toks požiūris nėra idealus, nes moduliai gali būti skirtingo ilgio. Tikriausiai būtų teisingiau laiką padalyti iš modulio ilgio (simbolių skaičiumi) ir palyginti šias reikšmes vietoj to. +Kai pradedame analizuoti daugybinio pasirinkimo testų rezultatus, galime pabandyti nustatyti, su kokiomis sąvokomis studentams sunkiausia susidoroti, ir naudoti šią informaciją turiniui tobulinti. Tam reikia sukurti testus taip, kad kiekvienas klausimas būtų susietas su tam tikra sąvoka ar žinių dalimi. + +Jei norime eiti dar sudėtingesniu keliu, galime sudaryti grafiką, kuriame būtų pavaizduotas laikas, praleistas kiekviename modulyje, palyginti su studentų amžiaus kategorija. Galime pastebėti, kad kai kurioms amžiaus grupėms užtrunka neproporcingai ilgai užbaigti modulį arba kad studentai meta mokymąsi jo nebaigę. Tai gali padėti pateikti amžiaus rekomendacijas moduliui ir sumažinti žmonių nusivylimą dėl neteisingų lūkesčių. + +## 🚀 Iššūkis + +Šiame iššūkyje bandysime rasti sąvokas, susijusias su duomenų mokslo sritimi, analizuodami tekstus. Paimsime Vikipedijos straipsnį apie duomenų mokslą, atsisiųsime ir apdorosime tekstą, o tada sukursime žodžių debesį, panašų į šį: + +![Žodžių debesis apie duomenų mokslą](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.lt.png) + +Apsilankykite [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), kad peržiūrėtumėte kodą. Taip pat galite paleisti kodą ir pamatyti, kaip jis realiuoju laiku atlieka visus duomenų transformavimus. + +> Jei nežinote, kaip paleisti kodą Jupyter užrašinėje, peržiūrėkite [šį straipsnį](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1) + +## Užduotys + +* **Užduotis 1**: Pakeiskite aukščiau pateiktą kodą, kad rastumėte susijusias sąvokas **Didžiųjų duomenų** ir **Mašininio mokymosi** srityse. +* **Užduotis 2**: [Pagalvokite apie duomenų mokslo scenarijus](assignment.md) + +## Kreditas + +Šią pamoką su ♥️ parengė [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/01-defining-data-science/assignment.md b/translations/lt/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..774df6d7 --- /dev/null +++ b/translations/lt/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,46 @@ + +# Užduotis: Duomenų mokslo scenarijai + +Šioje pirmoje užduotyje prašome pagalvoti apie realaus gyvenimo procesą ar problemą skirtingose problemų srityse ir kaip galite ją patobulinti naudodami duomenų mokslo procesą. Pagalvokite apie šiuos klausimus: + +1. Kokius duomenis galite surinkti? +1. Kaip juos surinktumėte? +1. Kaip saugotumėte duomenis? Koks tikėtinas duomenų kiekis? +1. Kokias įžvalgas galėtumėte gauti iš šių duomenų? Kokius sprendimus galėtume priimti remdamiesi šiais duomenimis? + +Pabandykite pagalvoti apie 3 skirtingas problemas/procesus ir aprašykite kiekvieną iš aukščiau pateiktų punktų kiekvienai problemų sričiai. + +Štai keletas problemų sričių ir klausimų, kurie gali padėti pradėti mąstyti: + +1. Kaip galite naudoti duomenis, kad pagerintumėte vaikų mokymosi procesą mokyklose? +1. Kaip galite naudoti duomenis, kad kontroliuotumėte vakcinaciją pandemijos metu? +1. Kaip galite naudoti duomenis, kad užtikrintumėte savo produktyvumą darbe? + +## Instrukcijos + +Užpildykite šią lentelę (jei reikia, pakeiskite siūlomas problemų sritis savo idėjomis): + +| Problemų sritis | Problema | Kokius duomenis rinkti | Kaip saugoti duomenis | Kokias įžvalgas/sprendimus galime priimti | +|------------------|----------|------------------------|-----------------------|------------------------------------------| +| Švietimas | | | | | +| Vakcinacija | | | | | +| Produktyvumas | | | | | + +## Vertinimo kriterijai + +Pavyzdingas | Tinkamas | Reikia patobulinimų +--- | --- | -- | +Gebėta nustatyti pagrįstus duomenų šaltinius, duomenų saugojimo būdus ir galimas įžvalgas/sprendimus visoms problemų sritims | Kai kurie sprendimo aspektai nėra detalizuoti, duomenų saugojimas neaptartas, aprašytos bent 2 problemų sritys | Aprašytos tik dalys duomenų sprendimo, apsvarstyta tik viena problemų sritis. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/lt/1-Introduction/01-defining-data-science/solution/assignment.md new file mode 100644 index 00000000..18322651 --- /dev/null +++ b/translations/lt/1-Introduction/01-defining-data-science/solution/assignment.md @@ -0,0 +1,48 @@ + +# Užduotis: Duomenų mokslo scenarijai + +Šioje pirmoje užduotyje prašome pagalvoti apie realaus gyvenimo procesą ar problemą skirtingose srityse ir kaip ją būtų galima pagerinti naudojant duomenų mokslo procesą. Pagalvokite apie šiuos klausimus: + +1. Kokius duomenis galite surinkti? +1. Kaip juos surinktumėte? +1. Kaip saugotumėte duomenis? Koks tikėtinas duomenų kiekis? +1. Kokias įžvalgas galėtumėte gauti iš šių duomenų? Kokius sprendimus būtų galima priimti remiantis šiais duomenimis? + +Pabandykite apgalvoti 3 skirtingas problemas/procesus ir aprašykite kiekvieną iš aukščiau pateiktų punktų kiekvienai sričiai. + +Štai keletas sričių ir problemų, kurios gali padėti pradėti mąstyti: + +1. Kaip galite naudoti duomenis, kad pagerintumėte vaikų mokymosi procesą mokyklose? +1. Kaip galite naudoti duomenis, kad kontroliuotumėte vakcinaciją pandemijos metu? +1. Kaip galite naudoti duomenis, kad užtikrintumėte savo produktyvumą darbe? + +## Instrukcijos + +Užpildykite šią lentelę (jei reikia, pakeiskite siūlomas sritis savo idėjomis): + +| Sritis | Problema | Kokius duomenis rinkti | Kaip saugoti duomenis | Kokias įžvalgas/sprendimus galime priimti | +|--------|----------|------------------------|-----------------------|------------------------------------------| +| Švietimas | Universitete dažnai pastebimas mažas paskaitų lankomumas, ir turime hipotezę, kad studentai, kurie dažniau lankosi paskaitose, geriau laiko egzaminus. Norime paskatinti lankomumą ir patikrinti šią hipotezę. | Galime stebėti lankomumą naudodami saugumo kamerų nuotraukas klasėje arba sekdami studentų mobiliųjų telefonų „Bluetooth“/„Wi-Fi“ adresus klasėje. Egzaminų duomenys jau yra universiteto duomenų bazėje. | Jei stebime saugumo kamerų nuotraukas – turime saugoti kelias (5-10) nuotraukas paskaitos metu (nestruktūrizuoti duomenys), o tada naudoti AI, kad atpažintume studentų veidus (konvertuoti duomenis į struktūrizuotą formą). | Galime apskaičiuoti vidutinį kiekvieno studento lankomumą ir patikrinti, ar yra kokia nors koreliacija su egzaminų pažymiais. Daugiau apie koreliaciją kalbėsime [tikimybių ir statistikos](../../04-stats-and-probability/README.md) skyriuje. Norėdami paskatinti studentų lankomumą, galime skelbti savaitinius lankomumo reitingus universiteto portale ir rengti prizų traukimus tarp geriausiai lankančiųjų. | +| Vakcinacija | | | | | +| Produktyvumas | | | | | + +> *Pateikiame tik vieną atsakymą kaip pavyzdį, kad suprastumėte, ko tikimasi šioje užduotyje.* + +## Vertinimo kriterijai + +Pavyzdingas | Tinkamas | Reikia patobulinimų +--- | --- | -- | +Gebėjo nustatyti pagrįstus duomenų šaltinius, duomenų saugojimo būdus ir galimus sprendimus/įžvalgas visoms sritims | Kai kurie sprendimo aspektai nėra detalizuoti, duomenų saugojimas neaptartas, aprašytos bent 2 sritys | Aprašytos tik dalys duomenų sprendimo, apsvarstyta tik viena sritis. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/02-ethics/README.md b/translations/lt/1-Introduction/02-ethics/README.md new file mode 100644 index 00000000..bc2cb4d0 --- /dev/null +++ b/translations/lt/1-Introduction/02-ethics/README.md @@ -0,0 +1,242 @@ + +# Duomenų etikos įvadas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| +|:---:| +| Duomenų mokslo etika - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +--- + +Mes visi esame duomenų piliečiai, gyvenantys duomenų pasaulyje. + +Rinkos tendencijos rodo, kad iki 2022 m. 1 iš 3 didelių organizacijų pirks ir parduos savo duomenis per internetines [turgavietes ir mainų platformas](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kaip **programėlių kūrėjai**, mes pastebėsime, kad duomenimis pagrįstų įžvalgų ir algoritmais pagrįstos automatizacijos integravimas į kasdienes vartotojų patirtis taps lengvesnis ir pigesnis. Tačiau, kai dirbtinis intelektas tampa visur paplitęs, turėsime suprasti ir galimą žalą, kurią gali sukelti tokių algoritmų [ginklavimas](https://www.youtube.com/watch?v=TQHs8SA1qpk) dideliu mastu. + +Tendencijos taip pat rodo, kad iki 2025 m. sukursime ir suvartosime daugiau nei [180 zettabaitų](https://www.statista.com/statistics/871513/worldwide-data-created/) duomenų. Kaip **duomenų mokslininkai**, mes turėsime precedento neturintį prieigą prie asmeninių duomenų. Tai reiškia, kad galėsime kurti vartotojų elgsenos profilius ir daryti įtaką sprendimų priėmimui taip, kad sukurtume [laisvo pasirinkimo iliuziją](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), tuo pačiu galimai nukreipdami vartotojus link mums pageidaujamų rezultatų. Tai taip pat kelia platesnius klausimus apie duomenų privatumą ir vartotojų apsaugą. + +Duomenų etika dabar yra _būtinos gairės_ duomenų mokslui ir inžinerijai, padedančios sumažinti galimą žalą ir netyčines pasekmes, kylančias iš mūsų veiksmų, pagrįstų duomenimis. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifikuoja skaitmeninės etikos, atsakingo DI ir DI valdymo tendencijas kaip pagrindinius veiksnius, skatinančius didesnes megatendencijas, susijusias su DI _demokratizacija_ ir _industrializacija_. + +![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) + +Šioje pamokoje mes nagrinėsime įdomią duomenų etikos sritį – nuo pagrindinių sąvokų ir iššūkių iki atvejų analizių ir taikomų DI koncepcijų, tokių kaip valdymas, kurios padeda sukurti etikos kultūrą komandose ir organizacijose, dirbančiose su duomenimis ir DI. + +## [Prieš paskaitą vykdomas testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 + +## Pagrindinės sąvokos + +Pradėkime nuo pagrindinių terminų supratimo. + +Žodis „etika“ kilęs iš [graikiško žodžio „ethikos“](https://en.wikipedia.org/wiki/Ethics) (ir jo šaknies „ethos“), reiškiančio _charakterį arba moralinę prigimtį_. + +**Etika** – tai bendros vertybės ir moraliniai principai, kurie reguliuoja mūsų elgesį visuomenėje. Etika grindžiama ne įstatymais, o plačiai priimtomis normomis, kas yra „teisinga prieš neteisinga“. Tačiau etiniai svarstymai gali turėti įtakos įmonių valdymo iniciatyvoms ir vyriausybės reglamentams, kurie sukuria daugiau paskatų laikytis taisyklių. + +**Duomenų etika** yra [nauja etikos šaka](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), kuri „tiria ir vertina moralines problemas, susijusias su _duomenimis, algoritmais ir atitinkama praktika_“. Čia **„duomenys“** apima veiksmus, susijusius su duomenų generavimu, įrašymu, tvarkymu, apdorojimu, platinimu, dalijimusi ir naudojimu, **„algoritmai“** apima DI, agentus, mašininį mokymąsi ir robotus, o **„praktika“** apima tokias temas kaip atsakingos inovacijos, programavimas, įsilaužimai ir etikos kodeksai. + +**Taikomoji etika** yra [moralinių svarstymų praktinis taikymas](https://en.wikipedia.org/wiki/Applied_ethics). Tai procesas, kai aktyviai tiriamos etinės problemos realių veiksmų, produktų ir procesų kontekste, ir imamasi korekcinių veiksmų, kad jie išliktų suderinti su mūsų apibrėžtomis etinėmis vertybėmis. + +**Etikos kultūra** yra apie [_taikomosios etikos įgyvendinimą_](https://hbr.org/2019/05/how-to-design-an-ethical-organization), siekiant užtikrinti, kad mūsų etikos principai ir praktika būtų nuosekliai ir masteliškai taikomi visoje organizacijoje. Sėkmingos etikos kultūros apibrėžia organizacijos mastu taikomus etikos principus, suteikia prasmingas paskatas laikytis taisyklių ir stiprina etikos normas, skatindamos ir amplifikuodamos pageidaujamą elgesį kiekviename organizacijos lygmenyje. + +## Etikos sąvokos + +Šioje dalyje aptarsime tokias sąvokas kaip **bendros vertybės** (principai) ir **etikos iššūkiai** (problemos) duomenų etikoje – ir nagrinėsime **atvejų analizes**, kurios padės suprasti šias sąvokas realiame kontekste. + +### 1. Etikos principai + +Kiekviena duomenų etikos strategija prasideda nuo _etinių principų_ apibrėžimo – „bendrų vertybių“, kurios apibūdina priimtiną elgesį ir vadovauja atitinkamiems veiksmams mūsų duomenų ir DI projektuose. Juos galima apibrėžti individualiu ar komandos lygmeniu. Tačiau dauguma didelių organizacijų šiuos principus apibrėžia _etinio DI_ misijos pareiškime arba sistemoje, kuri yra nustatyta korporaciniu lygmeniu ir nuosekliai taikoma visose komandose. + +**Pavyzdys:** „Microsoft“ [atsakingo DI](https://www.microsoft.com/en-us/ai/responsible-ai) misijos pareiškimas skamba taip: _„Mes esame įsipareigoję skatinti DI, vadovaujantis etikos principais, kurie pirmiausia rūpinasi žmonėmis“_ – identifikuojant 6 etikos principus žemiau pateiktoje sistemoje: + +![Atsakingas DI „Microsoft“](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) + +Trumpai aptarkime šiuos principus. _Skaidrumas_ ir _atsakomybė_ yra pagrindinės vertybės, ant kurių statomi kiti principai – todėl pradėkime nuo jų: + +* [**Atsakomybė**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) užtikrina, kad specialistai būtų _atsakingi_ už savo duomenų ir DI veiksmus bei atitiktį šiems etikos principams. +* [**Skaidrumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) užtikrina, kad duomenų ir DI veiksmai būtų _suprantami_ vartotojams, paaiškinant, kas ir kodėl buvo nuspręsta. +* [**Teisingumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) – siekia užtikrinti, kad DI elgtųsi _teisingai su visais žmonėmis_, sprendžiant bet kokias sistemines ar implicitines šališkumo problemas duomenyse ir sistemose. +* [**Patikimumas ir saugumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – užtikrina, kad DI elgtųsi _nuosekliai_ su apibrėžtomis vertybėmis, sumažinant galimą žalą ar netyčines pasekmes. +* [**Privatumas ir saugumas**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – tai duomenų kilmės supratimas ir _duomenų privatumo bei susijusių apsaugų_ teikimas vartotojams. +* [**Įtrauktis**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) – tai DI sprendimų kūrimas su intencija, pritaikant juos, kad jie atitiktų _platų žmonių poreikių ir gebėjimų spektrą_. + +> 🚨 Pagalvokite, kokia galėtų būti jūsų duomenų etikos misijos pareiškimas. Išnagrinėkite kitų organizacijų etinio DI sistemas – čia pateikiami pavyzdžiai iš [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) ir [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Kokias bendras vertybes jie turi? Kaip šie principai susiję su DI produktu ar pramone, kurioje jie veikia? + +### 2. Etikos iššūkiai + +Kai turime apibrėžtus etikos principus, kitas žingsnis yra įvertinti mūsų duomenų ir DI veiksmus, siekiant nustatyti, ar jie atitinka šias bendras vertybes. Pagalvokite apie savo veiksmus dviejose kategorijose: _duomenų rinkimas_ ir _algoritmų kūrimas_. + +Renkant duomenis, veiksmai greičiausiai apims **asmeninius duomenis** arba asmeniškai identifikuojamą informaciją (PII), susijusią su atpažįstamais gyvais asmenimis. Tai apima [įvairius neasmeninių duomenų elementus](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), kurie _kartu_ gali identifikuoti asmenį. Etikos iššūkiai gali būti susiję su _duomenų privatumu_, _duomenų nuosavybe_ ir susijusiomis temomis, tokiomis kaip _informuotas sutikimas_ ir _intelektinės nuosavybės teisės_ vartotojams. + +Kuriant algoritmus, veiksmai apims **duomenų rinkinių** rinkimą ir tvarkymą, o tada jų naudojimą **duomenų modeliams** mokyti ir diegti, siekiant prognozuoti rezultatus arba automatizuoti sprendimus realiame kontekste. Etikos iššūkiai gali kilti dėl _rinkinio šališkumo_, _duomenų kokybės_ problemų, _neteisingumo_ ir _klaidingo atvaizdavimo_ algoritmuose – įskaitant kai kurias sistemines problemas. + +Abiem atvejais etikos iššūkiai pabrėžia sritis, kuriose mūsų veiksmai gali prieštarauti mūsų bendroms vertybėms. Norėdami aptikti, sumažinti, sušvelninti ar pašalinti šias problemas, turime užduoti moralinius „taip/ne“ klausimus, susijusius su mūsų veiksmais, ir prireikus imtis korekcinių veiksmų. Pažvelkime į kai kuriuos etikos iššūkius ir moralinius klausimus, kuriuos jie kelia: + +#### 2.1 Duomenų nuosavybė + +Duomenų rinkimas dažnai apima asmeninius duomenis, kurie gali identifikuoti duomenų subjektus. [Duomenų nuosavybė](https://permission.io/blog/data-ownership) yra apie _kontrolę_ ir [_vartotojų teises_](https://permission.io/blog/data-ownership), susijusias su duomenų kūrimu, apdorojimu ir platinimu. + +Moraliniai klausimai, kuriuos turime užduoti: + * Kas valdo duomenis? (vartotojas ar organizacija) + * Kokias teises turi duomenų subjektai? (pvz., prieiga, ištrynimas, perkeliamumas) + * Kokias teises turi organizacijos? (pvz., taisyti kenksmingas vartotojų apžvalgas) + +#### 2.2 Informuotas sutikimas + +[Informuotas sutikimas](https://legaldictionary.net/informed-consent/) apibrėžia veiksmą, kai vartotojai sutinka su veiksmu (pvz., duomenų rinkimu), turėdami _pilną supratimą_ apie svarbius faktus, įskaitant tikslą, galimą riziką ir alternatyvas. + +Klausimai, kuriuos reikia nagrinėti: + * Ar vartotojas (duomenų subjektas) davė leidimą rinkti ir naudoti duomenis? + * Ar vartotojas suprato tikslą, dėl kurio buvo renkami duomenys? + * Ar vartotojas suprato galimą riziką, susijusią su jų dalyvavimu? + +#### 2.3 Intelektinė nuosavybė + +[Intelektinė nuosavybė](https://en.wikipedia.org/wiki/Intellectual_property) reiškia nematerialius kūrinius, atsiradusius dėl žmogaus iniciatyvos, kurie gali _turėti ekonominę vertę_ asmenims ar verslui. + +Klausimai, kuriuos reikia nagrinėti: + * Ar surinkti duomenys turėjo ekonominę vertę vartotojui ar verslui? + * Ar **vartotojas** turi intelektinę nuosavybę čia? + * Ar **organizacija** turi intelektinę nuosavybę čia? + * Jei šios teisės egzistuoja, kaip mes jas saugome? + +#### 2.4 Duomenų privatumas + +[Duomenų privatumas](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) arba informacijos privatumas reiškia vartotojų privatumo išsaugojimą ir jų tapatybės apsaugą, susijusią su asmeniškai identifikuojama informacija. + +Klausimai, kuriuos reikia nagrinėti: + * Ar vartotojų (asmeniniai) duomenys yra apsaugoti nuo įsilaužimų ir nutekėjimų? + * Ar vartotojų duomenys yra prieinami tik įgaliotiems vartotojams ir kontekstams? + * Ar vartotojų anonimiškumas išsaugomas, kai duomenys yra dalijami ar platinami? + * Ar vartotojas gali būti deanonimizuotas iš anonimizuotų duomenų rinkinių? + +#### 2.5 Teisė būti pamirštam + +[Teisė būti pamirštam](https://en.wikipedia.org/wiki/Right_to_be_forgotten) arba [teisė į ištrynimą](https://www.gdpreu.org/right-to-be-forgotten/) suteikia papildomą asmeninių duomenų apsaugą vartotojams. Konkrečiai, ji suteikia vartotojams teisę prašyti asmeninių duomenų ištrynimo ar pašalinimo iš interneto paieškų ir kitų vietų, _tam tikromis aplinkybėmis_ – leidžiant jiems pradėti iš naujo internete, nes jų praeities veiksmai nebūtų laikomi prieš juos. + +Klausimai, kuriuos reikia nagrinėti: + * Ar sistema leidžia duomenų subjektams prašyti ištrynimo? + * Ar vartotojo sutikimo atšaukimas turėtų automatiškai sukelti ištrynimą? + * Ar duomenys buvo surinkti be sutikimo ar neteisėtomis priemonėmis? + * Ar mes laikomės vyriausybės reglamentų dėl duomenų privatumo? + +#### 2.6 Duomenų rinkinio šališkumas + +Duomenų rinkinys arba [rinkimo š +[Algoritmų sąžiningumas](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) tikrina, ar algoritmų kūrimas sistemingai nediskriminuoja tam tikrų duomenų subjektų grupių, sukeldamas [galimą žalą](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) _paskirstymo_ (kai ištekliai atimami arba nesuteikiami tai grupei) ir _paslaugų kokybės_ (kai dirbtinis intelektas nėra toks tikslus kai kurioms grupėms kaip kitoms) srityse. + +Klausimai, kuriuos verta apsvarstyti: + * Ar įvertinome modelio tikslumą įvairioms grupėms ir sąlygoms? + * Ar išanalizavome sistemą dėl galimos žalos (pvz., stereotipizavimo)? + * Ar galime peržiūrėti duomenis arba iš naujo apmokyti modelius, kad sumažintume nustatytą žalą? + +Susipažinkite su tokiais šaltiniais kaip [AI sąžiningumo kontroliniai sąrašai](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), kad sužinotumėte daugiau. + +#### 2.9 Netinkamas duomenų pateikimas + +[Netinkamas duomenų pateikimas](https://www.sciencedirect.com/topics/computer-science/misrepresentation) kelia klausimą, ar mes pateikiame įžvalgas iš sąžiningai pateiktų duomenų taip, kad klaidintume ir palaikytume norimą naratyvą. + +Klausimai, kuriuos verta apsvarstyti: + * Ar pateikiame neišsamius ar netikslius duomenis? + * Ar vizualizuojame duomenis taip, kad sukeltume klaidingas išvadas? + * Ar naudojame selektyvius statistinius metodus rezultatams manipuliuoti? + * Ar yra alternatyvių paaiškinimų, kurie galėtų pateikti kitokią išvadą? + +#### 2.10 Laisvo pasirinkimo iliuzija + +[Laisvo pasirinkimo iliuzija](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) atsiranda, kai sistemos „pasirinkimo architektūros“ naudoja sprendimų priėmimo algoritmus, kad paskatintų žmones priimti pageidaujamą rezultatą, tuo pačiu suteikdamos jiems pasirinkimo ir kontrolės iliuziją. Šie [tamsieji modeliai](https://www.darkpatterns.org/) gali sukelti socialinę ir ekonominę žalą vartotojams. Kadangi vartotojų sprendimai daro įtaką elgsenos profiliams, šie veiksmai gali sustiprinti arba pratęsti šios žalos poveikį. + +Klausimai, kuriuos verta apsvarstyti: + * Ar vartotojas suprato, kokias pasekmes turi jo pasirinkimas? + * Ar vartotojas buvo informuotas apie (alternatyvius) pasirinkimus ir jų privalumus bei trūkumus? + * Ar vartotojas gali vėliau atšaukti automatizuotą ar įtakotą pasirinkimą? + +### 3. Atvejų analizės + +Norint suprasti šiuos etikos iššūkius realiame pasaulyje, verta peržiūrėti atvejų analizes, kurios parodo galimą žalą ir pasekmes asmenims bei visuomenei, kai tokie etikos pažeidimai yra ignoruojami. + +Štai keletas pavyzdžių: + +| Etikos iššūkis | Atvejo analizė | +|--- |--- | +| **Informuotas sutikimas** | 1972 m. - [Tuskegee sifilio tyrimas](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroamerikiečiai vyrai, dalyvavę tyrime, buvo pažadėti nemokama medicininė priežiūra, _bet buvo apgauti_ tyrėjų, kurie neinformavo jų apie diagnozę ar gydymo galimybes. Daugelis dalyvių mirė, o jų partneriai ar vaikai buvo paveikti; tyrimas truko 40 metų. | +| **Duomenų privatumas** | 2007 m. - [Netflix duomenų prizas](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) pateikė tyrėjams _10 mln. anonimizuotų filmų įvertinimų iš 50 tūkst. klientų_, siekiant pagerinti rekomendacijų algoritmus. Tačiau tyrėjai sugebėjo susieti anonimizuotus duomenis su asmeniškai identifikuojamais duomenimis iš _išorinių duomenų rinkinių_ (pvz., IMDb komentarų), efektyviai „deanonimizuodami“ kai kuriuos Netflix abonentus.| +| **Duomenų rinkimo šališkumas** | 2013 m. - Bostono miestas [sukūrė Street Bump](https://www.boston.gov/transportation/street-bump), programėlę, leidžiančią piliečiams pranešti apie duobes, suteikiant miestui geresnius duomenis apie kelių būklę. Tačiau [žmonės iš mažesnių pajamų grupių turėjo mažiau prieigos prie automobilių ir telefonų](https://hbr.org/2013/04/the-hidden-biases-in-big-data), todėl jų kelių problemos tapo nematomos šioje programėlėje. Kūrėjai bendradarbiavo su akademikais, kad spręstų _teisingos prieigos ir skaitmeninės atskirties_ klausimus. | +| **Algoritmų sąžiningumas** | 2018 m. - MIT [Gender Shades tyrimas](http://gendershades.org/overview.html) įvertino AI produktų tikslumą pagal lytį, atskleisdamas tikslumo spragas moterims ir spalvotiems žmonėms. [2019 m. Apple kortelė](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) atrodė, kad siūlo mažiau kredito moterims nei vyrams. Abu atvejai parodė algoritminio šališkumo problemas, sukeliančias socialinę ir ekonominę žalą.| +| **Netinkamas duomenų pateikimas** | 2020 m. - [Džordžijos sveikatos departamentas paskelbė COVID-19 diagramas](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), kurios atrodė klaidinančios piliečius apie patvirtintų atvejų tendencijas, pateikdamos nechronologinę x ašies tvarką. Tai iliustruoja netinkamą pateikimą naudojant vizualizacijos triukus. | +| **Laisvo pasirinkimo iliuzija** | 2020 m. - Mokymosi programėlė [ABCmouse sumokėjo 10 mln. dolerių, kad išspręstų FTC skundą](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kai tėvai buvo priversti mokėti už prenumeratas, kurių negalėjo atšaukti. Tai iliustruoja tamsiuosius modelius pasirinkimo architektūrose, kur vartotojai buvo paskatinti priimti potencialiai žalingus sprendimus. | +| **Duomenų privatumas ir vartotojų teisės** | 2021 m. - Facebook [duomenų nutekėjimas](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) atskleidė 530 mln. vartotojų duomenis, dėl ko buvo skirta 5 mlrd. dolerių bauda FTC. Tačiau Facebook atsisakė informuoti vartotojus apie nutekėjimą, pažeisdama vartotojų teises į duomenų skaidrumą ir prieigą. | + +Norite sužinoti daugiau atvejų analizių? Peržiūrėkite šiuos šaltinius: +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etikos dilemos įvairiose pramonės šakose. +* [Duomenų mokslo etikos kursas](https://www.coursera.org/learn/data-science-ethics#syllabus) - svarbiausių atvejų analizės. +* [Kur viskas nepavyko](https://deon.drivendata.org/examples/) - Deon kontrolinis sąrašas su pavyzdžiais. + +> 🚨 Pagalvokite apie matytas atvejų analizes – ar esate patyrę ar buvote paveikti panašaus etikos iššūkio savo gyvenime? Ar galite sugalvoti bent vieną kitą atvejo analizę, kuri iliustruotų vieną iš šiame skyriuje aptartų etikos iššūkių? + +## Taikomoji etika + +Mes aptarėme etikos sąvokas, iššūkius ir atvejų analizes realiame pasaulyje. Bet kaip pradėti _taikyti_ etikos principus ir praktikas savo projektuose? Ir kaip _įgyvendinti_ šias praktikas geresniam valdymui? Pažvelkime į keletą realių sprendimų: + +### 1. Profesiniai kodeksai + +Profesiniai kodeksai siūlo vieną iš būdų organizacijoms „skatinti“ narius palaikyti jų etikos principus ir misiją. Kodeksai yra _moralinės gairės_ profesiniam elgesiui, padedančios darbuotojams ar nariams priimti sprendimus, atitinkančius jų organizacijos principus. Jie yra veiksmingi tiek, kiek nariai savanoriškai jų laikosi; tačiau daugelis organizacijų siūlo papildomas paskatas ir bausmes, kad motyvuotų narius laikytis kodekso. + +Pavyzdžiai: + * [Oksfordo Miuncheno](http://www.code-of-ethics.org/code-of-conduct/) etikos kodeksas + * [Duomenų mokslo asociacijos](http://datascienceassn.org/code-of-conduct.html) elgesio kodeksas (sukurtas 2013 m.) + * [ACM etikos ir profesinio elgesio kodeksas](https://www.acm.org/code-of-ethics) (nuo 1993 m.) + +> 🚨 Ar priklausote profesinei inžinerijos ar duomenų mokslo organizacijai? Peržiūrėkite jų svetainę, kad pamatytumėte, ar jie apibrėžia profesinį etikos kodeksą. Ką tai sako apie jų etikos principus? Kaip jie „skatina“ narius laikytis kodekso? + +### 2. Etikos kontroliniai sąrašai + +Nors profesiniai kodeksai apibrėžia reikalaujamą _etišką elgesį_ specialistams, jie [turi žinomų apribojimų](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) vykdymo užtikrinime, ypač didelio masto projektuose. Vietoj to, daugelis duomenų mokslo ekspertų [rekomenduoja kontrolinius sąrašus](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), kurie gali **susieti principus su praktikomis** labiau apibrėžtais ir veiksmais pagrįstais būdais. + +Kontroliniai sąrašai paverčia klausimus „taip/ne“ užduotimis, kurias galima įgyvendinti, leidžiant jas stebėti kaip standartinių produktų išleidimo darbo eigų dalį. + +Pavyzdžiai: + * [Deon](https://deon.drivendata.org/) - bendros paskirties duomenų etikos kontrolinis sąrašas, sukurtas remiantis [pramonės rekomendacijomis](https://deon.drivendata.org/#checklist-citations) su komandinės eilutės įrankiu lengvam integravimui. + * [Privatumo audito kontrolinis sąrašas](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - pateikia bendras gaires informacijos tvarkymo praktikoms iš teisinės ir socialinės perspektyvos. + * [AI sąžiningumo kontrolinis sąrašas](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - sukurtas AI specialistų, siekiant palaikyti sąžiningumo patikrinimų integravimą į AI kūrimo ciklus. + * [22 klausimai apie etiką duomenyse ir AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - atviresnė sistema, skirta pradinei etikos klausimų analizei dizaino, įgyvendinimo ir organizaciniuose kontekstuose. + +### 3. Etikos reguliavimas + +Etika yra apie bendrų vertybių apibrėžimą ir teisingų veiksmų atlikimą _savanoriškai_. **Atitiktis** yra apie _įstatymų laikymąsi_, jei jie yra apibrėžti. **Valdymas** apima visas organizacijų veiklos formas, skirtas etikos principų įgyvendinimui ir nustatytų įstatymų laikymuisi. + +Šiandien valdymas organizacijose vyksta dviem formomis. Pirma, tai yra apie **etiško AI** principų apibrėžimą ir praktikų įgyvendinimą, siekiant užtikrinti jų taikymą visuose organizacijos AI projektuose. Antra, tai yra apie visų vyriausybės nustatytų **duomenų apsaugos reguliavimų** laikymąsi regionuose, kuriuose organizacija veikia. + +Duomenų apsaugos ir privatumo reguliavimo pavyzdžiai: + + * `1974`, [JAV Privatumo aktas](https://www.justice.gov/opcl/privacy-act-1974) - reguliuoja _federalinės vyriausybės_ asmeninės informacijos rinkimą, naudojimą ir atskleidimą. + * `1996`, [JAV Sveikatos draudimo perkeliamumo ir atskaitomybės aktas (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - saugo asmens sveikatos duomenis. + * `1998`, [JAV Vaikų internetinio privatumo apsaugos aktas (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - saugo vaikų iki 13 metų duomenų privatumą. + * `2018`, [Bendrasis duomenų apsaugos reglamentas (GDPR)](https://gdpr-info.eu/) - suteikia vartotojų teises, duomenų apsaugą ir privatumą. + * `2018`, [Kalifornijos vartotojų privatumo aktas (CCPA)](https://www.oag.ca.gov/privacy/ccpa) suteikia vartotojams daugiau _teisių_ į jų (asmeninius) duomenis. + * `2021`, Kinijos [Asmeninės informacijos apsaugos įstatymas](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ką tik priimtas, sukuriantis vieną iš stipriausių internetinių duomenų privatumo reguliavimų pasaulyje. + +> 🚨 Europos Sąjungos apibrėžtas GDPR (Bendrasis duomenų apsaugos reglamentas) išlieka vienu iš įtakingiausių duomenų privatumo reguliavimų šiandien. Ar žinojote, kad jis taip pat apibrėžia [8 vartotojų teises](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr), skirtas apsaugoti piliečių skaitmeninį privatumą ir asmens duomenis? Sužinokite, kokios jos yra ir kodėl jos svarbios. + +### 4. Etikos kultūra + +Atkreipkite dėmesį, kad vis dar egzistuoja nematomas atotrūkis tarp _atitikties_ (pakankamo veikimo pagal „įstatymo raidę“) ir [sisteminių problemų](https://www.coursera.org/learn/data-science-ethics/home/week/4) sprendimo (pvz., informacijos asimetrijos ir paskirstymo neteisingumo), kurios gali paspartinti AI ginklavimą. + +Pastarasis reikalauja [bendradarbiavimo metodų etikos kultūrų kūrimui](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), kurie užtikrina emocinius ryšius ir nuoseklias bendras vertybes _visose organizacijose_ pramonėje. Tai reikalauja daugiau [formalizuotų duomenų etikos kultūrų](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) organizacijose – leidžiant _bet kam_ [traukti Andon virvę](https://en.wikipedia.org/wiki/Andon_(manufacturing)) +* [Atsakingo dirbtinio intelekto principai](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - nemokamas mokymosi kelias iš Microsoft Learn. +* [Etika ir duomenų mokslas](https://resources.oreilly.com/examples/0636920203964) - O'Reilly elektroninė knyga (M. Loukides, H. Mason ir kt.) +* [Duomenų mokslo etika](https://www.coursera.org/learn/data-science-ethics#syllabus) - internetinis kursas iš Mičigano universiteto. +* [Etika atskleista](https://ethicsunwrapped.utexas.edu/case-studies) - atvejų analizės iš Teksaso universiteto. + +# Užduotis + +[Parašykite duomenų etikos atvejo analizę](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/02-ethics/assignment.md b/translations/lt/1-Introduction/02-ethics/assignment.md new file mode 100644 index 00000000..27019b86 --- /dev/null +++ b/translations/lt/1-Introduction/02-ethics/assignment.md @@ -0,0 +1,33 @@ + +## Parašykite duomenų etikos atvejo analizę + +## Instrukcijos + +Jūs susipažinote su įvairiais [Duomenų etikos iššūkiais](README.md#2-ethics-challenges) ir matėte keletą [Atvejo analizių](README.md#3-case-studies), kurios atspindi duomenų etikos iššūkius realiame pasaulyje. + +Šioje užduotyje turėsite parašyti savo atvejo analizę, atspindinčią duomenų etikos iššūkį, su kuriuo susidūrėte asmeniškai arba kuris yra susijęs su jums žinomu realaus pasaulio kontekstu. Tiesiog vadovaukitės šiais žingsniais: + +1. `Pasirinkite duomenų etikos iššūkį`. Peržiūrėkite [pamokos pavyzdžius](README.md#2-ethics-challenges) arba ieškokite internetinių pavyzdžių, tokių kaip [Deon kontrolinis sąrašas](https://deon.drivendata.org/examples/), kad gautumėte įkvėpimo. + +2. `Aprašykite realaus pasaulio pavyzdį`. Pagalvokite apie situaciją, apie kurią girdėjote (antraštės, mokslinis tyrimas ir pan.) arba patyrėte (vietinė bendruomenė), kurioje įvyko šis konkretus iššūkis. Apmąstykite duomenų etikos klausimus, susijusius su šiuo iššūkiu, ir aptarkite galimą žalą ar netikėtas pasekmes, kurios kyla dėl šios problemos. Papildomi taškai: pagalvokite apie galimus sprendimus ar procesus, kurie galėtų būti taikomi siekiant pašalinti arba sumažinti neigiamą šio iššūkio poveikį. + +3. `Pateikite susijusių šaltinių sąrašą`. Pasidalinkite vienu ar keliais šaltiniais (nuorodos į straipsnį, asmeninį tinklaraščio įrašą ar vaizdą, internetinį mokslinį darbą ir pan.), kad įrodytumėte, jog tai buvo realaus pasaulio įvykis. Papildomi taškai: pasidalinkite šaltiniais, kurie taip pat parodo galimą žalą ir pasekmes dėl šio incidento arba pabrėžia teigiamus žingsnius, atliktus siekiant užkirsti kelią jo pasikartojimui. + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia tobulinti +--- | --- | -- | +Identifikuotas vienas ar daugiau duomenų etikos iššūkių.

Atvejo analizė aiškiai aprašo realaus pasaulio įvykį, atspindintį šį iššūkį, ir pabrėžia nepageidaujamas pasekmes ar žalą, kurią jis sukėlė.

Pateiktas bent vienas susietas šaltinis, įrodantis, kad tai įvyko. | Identifikuotas vienas duomenų etikos iššūkis.

Bent viena susijusi žala ar pasekmė aptarta trumpai.

Tačiau aptarimas yra ribotas arba trūksta įrodymų apie realaus pasaulio įvykį. | Identifikuotas duomenų iššūkis.

Tačiau aprašymas ar šaltiniai nepakankamai atspindi iššūkį arba neįrodo jo realaus pasaulio įvykio. | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. \ No newline at end of file diff --git a/translations/lt/1-Introduction/03-defining-data/README.md b/translations/lt/1-Introduction/03-defining-data/README.md new file mode 100644 index 00000000..93422bf5 --- /dev/null +++ b/translations/lt/1-Introduction/03-defining-data/README.md @@ -0,0 +1,84 @@ + +# Duomenų Apibrėžimas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)| +|:---:| +|Duomenų apibrėžimas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Duomenys – tai faktai, informacija, stebėjimai ir matavimai, naudojami atradimams daryti ir pagrįstiems sprendimams priimti. Duomenų taškas yra vienas duomenų vienetas duomenų rinkinyje, kuris yra duomenų taškų kolekcija. Duomenų rinkiniai gali būti įvairių formatų ir struktūrų, dažniausiai priklausomai nuo jų šaltinio arba vietos, iš kur jie gauti. Pavyzdžiui, įmonės mėnesinės pajamos gali būti pateiktos skaičiuoklėje, o išmaniojo laikrodžio valandinis širdies ritmo duomenys gali būti [JSON](https://stackoverflow.com/a/383699) formatu. Duomenų mokslininkai dažnai dirba su skirtingų tipų duomenimis viename duomenų rinkinyje. + +Ši pamoka skirta duomenų identifikavimui ir klasifikavimui pagal jų savybes ir šaltinius. + +## [Prieš paskaitą: Klausimynas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4) +## Kaip apibūdinami duomenys + +### Pirminiai duomenys +Pirminiai duomenys yra duomenys, kurie gaunami iš šaltinio pradinėje būsenoje ir dar nėra analizuoti ar organizuoti. Kad būtų galima suprasti, kas vyksta su duomenų rinkiniu, jis turi būti organizuotas į formatą, kurį suprastų tiek žmonės, tiek technologijos, naudojamos tolesnei analizei. Duomenų rinkinio struktūra apibūdina, kaip jis organizuotas, ir gali būti klasifikuojama kaip struktūrizuota, nestruktūrizuota arba pusiau struktūrizuota. Šios struktūros tipai skirsis priklausomai nuo šaltinio, tačiau galiausiai atitiks vieną iš šių trijų kategorijų. + +### Kiekybiniai duomenys +Kiekybiniai duomenys yra skaitiniai stebėjimai duomenų rinkinyje, kuriuos paprastai galima analizuoti, matuoti ir naudoti matematiškai. Kai kurie kiekybinių duomenų pavyzdžiai: šalies gyventojų skaičius, žmogaus ūgis ar įmonės ketvirčio pajamos. Atlikus papildomą analizę, kiekybiniai duomenys galėtų būti naudojami sezoninėms oro kokybės indekso (AQI) tendencijoms nustatyti arba spūsties tikimybei darbo dienos piko metu įvertinti. + +### Kokybiniai duomenys +Kokybiniai duomenys, dar vadinami kategoriniais duomenimis, yra duomenys, kurių negalima objektyviai išmatuoti, kaip kiekybinių duomenų stebėjimų. Tai dažniausiai įvairių formatų subjektyvūs duomenys, kurie atspindi kažko kokybę, pavyzdžiui, produkto ar proceso. Kartais kokybiniai duomenys yra skaitiniai, tačiau paprastai nenaudojami matematiškai, pavyzdžiui, telefono numeriai ar laiko žymos. Kai kurie kokybinių duomenų pavyzdžiai: vaizdo įrašų komentarai, automobilio markė ir modelis arba artimiausių draugų mėgstamiausia spalva. Kokybiniai duomenys galėtų būti naudojami norint suprasti, kurie produktai vartotojams patinka labiausiai, arba populiariems raktažodžiams darbo paraiškų gyvenimo aprašymuose nustatyti. + +### Struktūrizuoti duomenys +Struktūrizuoti duomenys yra duomenys, organizuoti eilutėmis ir stulpeliais, kur kiekviena eilutė turi tą patį stulpelių rinkinį. Stulpeliai atspindi tam tikro tipo reikšmę ir bus identifikuojami pavadinimu, apibūdinančiu, ką ta reikšmė reiškia, o eilutėse pateikiamos faktinės reikšmės. Stulpeliai dažnai turi specifinį taisyklių ar apribojimų rinkinį, kad užtikrintų, jog reikšmės tiksliai atspindi stulpelį. Pavyzdžiui, įsivaizduokite klientų skaičiuoklę, kur kiekviena eilutė privalo turėti telefono numerį, o telefono numeriai niekada neturi turėti raidžių. Gali būti taikomos taisyklės, kad telefono numerio stulpelis niekada nebūtų tuščias ir turėtų tik skaičius. + +Struktūrizuotų duomenų privalumas yra tas, kad jie gali būti organizuoti taip, kad būtų susiję su kitais struktūrizuotais duomenimis. Tačiau dėl to, kad duomenys sukurti būti organizuoti konkrečiu būdu, jų bendros struktūros keitimas gali pareikalauti daug pastangų. Pavyzdžiui, pridėjus el. pašto stulpelį klientų skaičiuoklėje, kuris negali būti tuščias, reikės nuspręsti, kaip pridėti šias reikšmes prie esamų klientų eilučių duomenų rinkinyje. + +Struktūrizuotų duomenų pavyzdžiai: skaičiuoklės, reliacinės duomenų bazės, telefono numeriai, banko išrašai. + +### Nestruktūrizuoti duomenys +Nestruktūrizuoti duomenys paprastai negali būti suskirstyti į eilutes ar stulpelius ir neturi formato ar taisyklių rinkinio, kurio reikėtų laikytis. Kadangi nestruktūrizuoti duomenys turi mažiau apribojimų savo struktūrai, juos lengviau papildyti nauja informacija, palyginti su struktūrizuotu duomenų rinkiniu. Jei jutiklis, fiksuojantis barometrinį slėgį kas 2 minutes, gauna atnaujinimą, leidžiantį jam matuoti ir registruoti temperatūrą, nereikia keisti esamų duomenų, jei jie yra nestruktūrizuoti. Tačiau tai gali apsunkinti šių duomenų analizę ar tyrimą. Pavyzdžiui, mokslininkas, norintis rasti vidutinę praėjusio mėnesio temperatūrą iš jutiklio duomenų, gali pastebėti, kad jutiklis kai kuriuose įrašuose užfiksavo „e“, nurodydamas, kad jis buvo sugedęs, o tai reiškia, kad duomenys yra neišsamūs. + +Nestruktūrizuotų duomenų pavyzdžiai: tekstiniai failai, tekstinės žinutės, vaizdo failai. + +### Pusiau struktūrizuoti +Pusiau struktūrizuoti duomenys turi savybių, dėl kurių jie yra struktūrizuotų ir nestruktūrizuotų duomenų derinys. Jie paprastai neatitinka eilučių ir stulpelių formato, tačiau yra organizuoti taip, kad laikomi struktūrizuotais ir gali laikytis fiksuoto formato ar taisyklių rinkinio. Struktūra skirsis priklausomai nuo šaltinio, pavyzdžiui, nuo gerai apibrėžtos hierarchijos iki lankstesnės, leidžiančios lengvai integruoti naują informaciją. Metaduomenys yra indikatoriai, padedantys nuspręsti, kaip duomenys organizuojami ir saugomi, ir turės įvairius pavadinimus, priklausomai nuo duomenų tipo. Kai kurie įprasti metaduomenų pavadinimai yra žymos, elementai, subjektai ir atributai. Pavyzdžiui, tipinis el. laiškas turės temą, turinį ir gavėjų rinkinį ir gali būti organizuotas pagal tai, kas ar kada jį išsiuntė. + +Pusiau struktūrizuotų duomenų pavyzdžiai: HTML, CSV failai, JavaScript Object Notation (JSON). + +## Duomenų šaltiniai + +Duomenų šaltinis yra pradinė vieta, kurioje duomenys buvo sugeneruoti arba „gyvena“, ir skirsis priklausomai nuo to, kaip ir kada jie buvo surinkti. Duomenys, sugeneruoti jų naudotojų, vadinami pirminiais duomenimis, o antriniai duomenys gaunami iš šaltinio, kuris surinko duomenis bendram naudojimui. Pavyzdžiui, mokslininkų grupė, renkantys stebėjimus atogrąžų miške, būtų laikomi pirminiais, o jei jie nuspręstų pasidalinti jais su kitais mokslininkais, tai būtų laikoma antriniais tiems, kurie juos naudoja. + +Duomenų bazės yra dažnas šaltinis ir remiasi duomenų bazių valdymo sistema, kuri talpina ir prižiūri duomenis, kur naudotojai naudoja užklausas duomenims tyrinėti. Failai kaip duomenų šaltiniai gali būti garso, vaizdo ir vaizdo failai, taip pat skaičiuoklės, tokios kaip Excel. Interneto šaltiniai yra dažna vieta duomenims talpinti, kur galima rasti tiek duomenų bazių, tiek failų. Programų programavimo sąsajos, dar vadinamos API, leidžia programuotojams kurti būdus dalintis duomenimis su išoriniais naudotojais per internetą, o interneto duomenų nuskaitymas išgauna duomenis iš tinklalapio. [Pamokos apie darbą su duomenimis](../../../../../../../../../2-Working-With-Data) yra skirtos įvairių duomenų šaltinių naudojimui. + +## Išvada + +Šioje pamokoje sužinojome: + +- Kas yra duomenys +- Kaip apibūdinami duomenys +- Kaip duomenys klasifikuojami ir kategorizuojami +- Kur galima rasti duomenis + +## 🚀 Iššūkis + +Kaggle yra puikus atvirų duomenų rinkinių šaltinis. Naudokite [duomenų rinkinių paieškos įrankį](https://www.kaggle.com/datasets), kad rastumėte įdomių duomenų rinkinių ir klasifikuotumėte 3–5 rinkinius pagal šiuos kriterijus: + +- Ar duomenys yra kiekybiniai ar kokybiniai? +- Ar duomenys yra struktūrizuoti, nestruktūrizuoti ar pusiau struktūrizuoti? + +## [Po paskaitos: Klausimynas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5) + +## Peržiūra ir savarankiškas mokymasis + +- Šis Microsoft Learn modulis, pavadintas [Klasifikuokite savo duomenis](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), pateikia išsamų struktūrizuotų, pusiau struktūrizuotų ir nestruktūrizuotų duomenų suskirstymą. + +## Užduotis + +[Klasifikuoti duomenų rinkinius](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/03-defining-data/assignment.md b/translations/lt/1-Introduction/03-defining-data/assignment.md new file mode 100644 index 00000000..e457134a --- /dev/null +++ b/translations/lt/1-Introduction/03-defining-data/assignment.md @@ -0,0 +1,79 @@ + +# Duomenų rinkinių klasifikavimas + +## Instrukcijos + +Sekite šio užduoties nurodymus, kad identifikuotumėte ir klasifikuotumėte duomenis pagal vieną iš šių duomenų tipų: + +**Struktūros tipai**: Struktūrizuoti, Pusiau struktūrizuoti arba Nestruktūrizuoti + +**Vertės tipai**: Kokybiniai arba Kiekybiniai + +**Šaltinio tipai**: Pirminiai arba Antriniai + +1. Įmonė buvo įsigyta ir dabar turi patronuojančią įmonę. Duomenų mokslininkai gavo klientų telefono numerių skaičiuoklę iš patronuojančios įmonės. + +Struktūros tipas: + +Vertės tipas: + +Šaltinio tipas: + +--- + +2. Išmanusis laikrodis renka širdies ritmo duomenis iš savo naudotojo, o neapdoroti duomenys yra JSON formatu. + +Struktūros tipas: + +Vertės tipas: + +Šaltinio tipas: + +--- + +3. Darbo vietos apklausa apie darbuotojų moralę, saugoma CSV faile. + +Struktūros tipas: + +Vertės tipas: + +Šaltinio tipas: + +--- + +4. Astrofizikai pasiekia galaktikų duomenų bazę, kuri buvo surinkta kosminio zondo. Duomenys apima planetų skaičių kiekvienoje galaktikoje. + +Struktūros tipas: + +Vertės tipas: + +Šaltinio tipas: + +--- + +5. Asmeninių finansų programėlė naudoja API, kad prisijungtų prie naudotojo finansinių sąskaitų ir apskaičiuotų jų grynąją vertę. Naudotojas gali matyti visas savo operacijas eilučių ir stulpelių formatu, kuris atrodo panašus į skaičiuoklę. + +Struktūros tipas: + +Vertės tipas: + +Šaltinio tipas: + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia tobulinti +--- | --- | -- | +Teisingai identifikuoja visus struktūros, vertės ir šaltinio tipus | Teisingai identifikuoja 3 visus struktūros, vertės ir šaltinio tipus | Teisingai identifikuoja 2 ar mažiau visus struktūros, vertės ir šaltinio tipus | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/04-stats-and-probability/README.md b/translations/lt/1-Introduction/04-stats-and-probability/README.md new file mode 100644 index 00000000..a3d1ab31 --- /dev/null +++ b/translations/lt/1-Introduction/04-stats-and-probability/README.md @@ -0,0 +1,276 @@ + +# Trumpas statistikos ir tikimybių teorijos įvadas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)| +|:---:| +| Statistika ir tikimybių teorija - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Statistika ir tikimybių teorija yra dvi glaudžiai susijusios matematikos sritys, kurios yra itin svarbios duomenų mokslui. Nors galima dirbti su duomenimis neturint gilių matematikos žinių, vis tiek verta susipažinti bent su pagrindinėmis sąvokomis. Čia pateiksime trumpą įvadą, kuris padės jums pradėti. + +[![Intro Video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.lt.png)](https://youtu.be/Z5Zy85g4Yjw) + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) + +## Tikimybė ir atsitiktiniai kintamieji + +**Tikimybė** yra skaičius tarp 0 ir 1, kuris parodo, kaip tikėtinas yra tam tikras **įvykis**. Ji apibrėžiama kaip teigiamų rezultatų (kurie veda į įvykį) skaičius, padalintas iš visų galimų rezultatų skaičiaus, jei visi rezultatai yra vienodai tikėtini. Pavyzdžiui, metant kauliuką, tikimybė gauti lyginį skaičių yra 3/6 = 0.5. + +Kalbėdami apie įvykius, naudojame **atsitiktinius kintamuosius**. Pavyzdžiui, atsitiktinis kintamasis, kuris atspindi skaičių, gautą metant kauliuką, gali turėti reikšmes nuo 1 iki 6. Skaičių rinkinys nuo 1 iki 6 vadinamas **imties erdve**. Galime kalbėti apie tikimybę, kad atsitiktinis kintamasis įgaus tam tikrą reikšmę, pavyzdžiui, P(X=3)=1/6. + +Ankstesniame pavyzdyje atsitiktinis kintamasis vadinamas **diskrečiu**, nes jo imties erdvė yra skaičiuojama, t. y. yra atskiri skaičiai, kuriuos galima išvardyti. Yra atvejų, kai imties erdvė yra realių skaičių intervalas arba visas realių skaičių rinkinys. Tokie kintamieji vadinami **tęstiniais**. Geras pavyzdys yra autobuso atvykimo laikas. + +## Tikimybių pasiskirstymas + +Diskrečių atsitiktinių kintamųjų atveju lengva aprašyti kiekvieno įvykio tikimybę funkcija P(X). Kiekvienai reikšmei *s* iš imties erdvės *S* ji pateiks skaičių nuo 0 iki 1, taip, kad visų P(X=s) reikšmių suma visiems įvykiams būtų lygi 1. + +Labiausiai žinomas diskretus pasiskirstymas yra **vienodas pasiskirstymas**, kai imties erdvėje yra N elementų, kurių kiekvieno tikimybė yra 1/N. + +Tęstinių kintamųjų pasiskirstymą aprašyti yra sudėtingiau, kai reikšmės imamos iš tam tikro intervalo [a,b] arba viso realių skaičių rinkinio ℝ. Pavyzdžiui, autobuso atvykimo laikas. Iš tiesų, tikimybė, kad autobusas atvyks tiksliai tam tikru laiku *t*, yra lygi 0! + +> Dabar žinote, kad įvykiai, kurių tikimybė yra 0, vis tiek įvyksta, ir gana dažnai! Bent jau kiekvieną kartą, kai atvyksta autobusas! + +Galime kalbėti tik apie tikimybę, kad kintamasis pateks į tam tikrą reikšmių intervalą, pvz., P(t1≤X2). Tokiu atveju tikimybių pasiskirstymas aprašomas **tikimybių tankio funkcija** p(x), tokia, kad + +![P(t_1\le X1, x2, ..., xn. Galime apibrėžti **vidurkį** (arba **aritmetinį vidurkį**) tradiciniu būdu kaip (x1+x2+xn)/n. Didinant imties dydį (t. y. imant ribą su n→∞), gausime pasiskirstymo vidurkį (dar vadinamą **lūkesčiu**). Lūkesčius žymėsime **E**(x). + +> Galima parodyti, kad bet kuriam diskrečiam pasiskirstymui su reikšmėmis {x1, x2, ..., xN} ir atitinkamomis tikimybėmis p1, p2, ..., pN, lūkesčiai bus lygūs E(X)=x1p1+x2p2+...+xNpN. + +Norėdami nustatyti, kaip plačiai paskirstytos reikšmės, galime apskaičiuoti dispersiją σ2 = ∑(xi - μ)2/n, kur μ yra sekos vidurkis. Reikšmė σ vadinama **standartiniu nuokrypiu**, o σ2 vadinama **dispersija**. + +## Moda, mediana ir kvartiliai + +Kartais vidurkis nepakankamai gerai atspindi „tipinę“ duomenų reikšmę. Pavyzdžiui, kai yra keletas ekstremalių reikšmių, kurios visiškai neatitinka diapazono, jos gali paveikti vidurkį. Kitas geras rodiklis yra **mediana**, reikšmė, tokia, kad pusė duomenų taškų yra mažesni už ją, o kita pusė - didesni. + +Norėdami geriau suprasti duomenų pasiskirstymą, naudinga kalbėti apie **kvartilius**: + +* Pirmasis kvartilis, arba Q1, yra reikšmė, tokia, kad 25% duomenų yra mažesni už ją +* Trečiasis kvartilis, arba Q3, yra reikšmė, tokia, kad 75% duomenų yra mažesni už ją + +Grafiškai galime pavaizduoti medianos ir kvartilių santykį diagramoje, vadinamoje **dėžės diagrama**: + + + +Čia taip pat apskaičiuojame **tarpkvartilinį diapazoną** IQR=Q3-Q1 ir vadinamuosius **išskirtinius taškus** - reikšmes, kurios yra už ribų [Q1-1.5*IQR,Q3+1.5*IQR]. + +Mažos galimų reikšmių skaičiaus baigtiniame pasiskirstyme geras „tipinis“ rodiklis yra dažniausiai pasikartojanti reikšmė, vadinama **moda**. Ji dažnai taikoma kategoriniams duomenims, tokiems kaip spalvos. Įsivaizduokite situaciją, kai turime dvi žmonių grupes - vieni stipriai mėgsta raudoną spalvą, o kiti - mėlyną. Jei spalvas koduotume skaičiais, vidutinė mėgstamos spalvos reikšmė būtų kažkur oranžinės-žalios spektro ribose, kas neatspindėtų nei vienos grupės tikrosios preferencijos. Tačiau moda būtų viena iš spalvų arba abi spalvos, jei žmonių, balsuojančių už jas, skaičius būtų vienodas (tokiu atveju imtis vadinama **daugiamodine**). + +## Realūs duomenys + +Analizuojant realaus pasaulio duomenis, jie dažnai nėra tikri atsitiktiniai kintamieji, ta prasme, kad neatliekame eksperimentų su nežinomu rezultatu. Pavyzdžiui, apsvarstykime beisbolo žaidėjų komandą ir jų kūno duomenis, tokius kaip ūgis, svoris ir amžius. Šie skaičiai nėra visiškai atsitiktiniai, tačiau vis tiek galime taikyti tuos pačius matematinius konceptus. Pavyzdžiui, žmonių svorių seka gali būti laikoma reikšmių seka, paimta iš tam tikro atsitiktinio kintamojo. Žemiau pateikiama faktinių beisbolo žaidėjų svorių seka iš [Major League Baseball](http://mlb.mlb.com/index.jsp), paimta iš [šio duomenų rinkinio](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (patogumui pateikiamos tik pirmos 20 reikšmių): + +``` +[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] +``` + +> **Note**: Norėdami pamatyti, kaip dirbti su šiuo duomenų rinkiniu, peržiūrėkite [pridedamą užrašų knygelę](notebook.ipynb). Pamokoje yra keletas užduočių, kurias galite atlikti pridėdami kodą į tą užrašų knygelę. Jei nesate tikri, kaip dirbti su duomenimis, nesijaudinkite - vėliau grįšime prie darbo su duomenimis naudojant Python. Jei nežinote, kaip vykdyti kodą Jupyter Notebook, peržiūrėkite [šį straipsnį](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +Štai dėžės diagrama, rodanti vidurkį, medianą ir kvartilius mūsų duomenims: + +![Weight Box Plot](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.lt.png) + +Kadangi mūsų duomenyse yra informacija apie skirtingus žaidėjų **vaidmenis**, galime sudaryti dėžės diagramą pagal vaidmenį - tai leis mums suprasti, kaip parametrų reikšmės skiriasi tarp vaidmenų. Šį kartą apsvarstysime ūgį: + +![Box plot by role](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.lt.png) + +Ši diagrama rodo, kad, vidutiniškai, pirmosios bazės žaidėjų ūgis yra didesnis nei antrosios bazės žaidėjų ūgis. Vėliau šioje pamokoje išmoksime, kaip formaliau patikrinti šią hipotezę ir kaip parodyti, kad mūsų duomenys yra statistiškai reikšmingi tai įrodyti. + +> Dirbdami su realaus pasaulio duomenimis, darome prielaidą, kad visi duomenų taškai yra imtys, paimtos iš tam tikro tikimybių pasiskirstymo. Ši prielaida leidžia taikyti mašininio mokymosi metodus ir kurti veikiančius prognozavimo modelius. + +Norėdami pamatyti, koks yra mūsų duomenų pasiskirstymas, galime sudaryti grafiką, vadinamą **histograma**. X ašis turėtų turėti skirtingų svorio intervalų skaičių (vadinamų **dėžėmis**), o vertikali ašis rodytų, kiek kartų mūsų atsitiktinio kintamojo imtis pateko į tam tikrą intervalą. + +![Histogram of real world data](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.lt.png) + +Iš šios histogramos matote, kad visos reikšmės yra sutelktos aplink tam tikrą vidutinį svorį, o kuo toliau nuo to svorio - tuo mažiau svorių su ta reikšme yra aptinkama. T. y., labai mažai tikėtina, kad beisbolo žaidėjo svoris labai skirsis nuo vidutinio svorio. Svorio dispersija rodo, kiek svoriai gali skirtis nuo vidurkio. + +> Jei paimtume kitų žmonių, ne iš beisbolo lygos, svorius, pasiskirstymas greičiausiai būtų kitoks. Tačiau pasiskirstymo forma išliktų ta pati, tik vidurkis ir dispersija pasikeistų. Taigi, jei treniruosime savo modelį su beisbolo žaidėjais, jis greičiausiai pateiks neteisingus rezultatus, kai bus taikomas universiteto studentams, nes pagrindinis pasiskirstymas yra kitoks. + +## Normalusis pasiskirstymas + +Svorio pasiskirstymas, kurį matėme aukščiau, yra labai tipiškas, ir daugelis realaus pasaulio matavimų seka tokio tipo pasiskirstymą, tačiau su skirtingu vidurkiu ir dispersija. Šis pasiskirstymas vadinamas **normaliuoju pasiskirstymu**, ir jis vaidina labai svarbų vaidmenį statistikoje. + +Naudoti normalųjį pasiskirstymą yra teisingas būdas generuoti potencialių beisbolo žaidėjų atsitiktinius svorius. Kai žinome vidutinį svorį `mean` ir standartinį nuokrypį `std`, galime sugeneruoti 1000 svorio imčių šiuo būdu: +```python +samples = np.random.normal(mean,std,1000) +``` + +Jei sudarysime sugeneruotų imčių histogramą, pamatysime vaizdą, labai panašų į aukščiau pateiktą. O jei padidinsime imčių skaičių ir dėžių skaičių, galime sugeneruoti normalaus pasiskirstymo vaizdą, kuris bus artimesnis idealiam: + +![Normal Distribution with mean=0 and std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.lt.png) + +*Normalusis pasiskirstymas su vidurkiu=0 ir standartiniu nuokrypiu=1* + +## Pasitikėjimo intervalai + +Kalbėdami apie beisbolo žaidėjų svorius, darome prielaidą, kad yra tam tikras **atsitiktinis kintamasis W**, kuris atitinka idealų visų beisbolo žaidėjų svorių tikimybių pasiskirstymą (vadinamą **populiacija**). Mūsų svorių seka atitinka visų beisbolo žaidėjų pogrupį, kurį vadiname **imčiu**. Įdomus klausimas yra, ar galime žinoti W pasiskirstymo parametrus, t. y. populiacijos vidurkį ir dispersiją? + +Lengviausias atsakymas būtų apskaičiuoti mūsų imties vidurkį ir dispersiją. Tačiau gali nutikti taip, kad mūsų atsitiktinė imtis netiksliai atspindi visą populiaciją. Todėl prasminga kalbėti apie **pasitikėjimo intervalą**. +> **Pasitikėjimo intervalas** yra tikrosios populiacijos vidurkio įvertinimas, remiantis mūsų imtimi, kuris yra tikslus tam tikra tikimybe (arba **pasitikėjimo lygiu**). +Tarkime, turime imtį X1, ..., Xn iš mūsų skirstinio. Kiekvieną kartą imdami imtį iš skirstinio, gausime skirtingą vidurkio reikšmę μ. Todėl μ galima laikyti atsitiktiniu dydžiu. **Pasitikėjimo intervalas** su pasitikėjimu p yra reikšmių pora (Lp, Rp), tokia, kad **P**(Lp≤μ≤Rp) = p, t. y. tikimybė, kad išmatuotas vidurkis pateks į intervalą, yra lygi p. + +Išsamiai aptarti, kaip skaičiuojami šie pasitikėjimo intervalai, peržengia mūsų trumpo įvado ribas. Daugiau informacijos galite rasti [Vikipedijoje](https://en.wikipedia.org/wiki/Confidence_interval). Trumpai tariant, mes apibrėžiame apskaičiuoto imties vidurkio skirstinį, palyginti su tikruoju populiacijos vidurkiu, kuris vadinamas **studento skirstiniu**. + +> **Įdomus faktas**: Studento skirstinys pavadintas matematiko William Sealy Gosset vardu, kuris savo darbą paskelbė pseudonimu „Student“. Jis dirbo Guinness alaus darykloje, ir, pasak vienos versijos, jo darbdavys nenorėjo, kad visuomenė sužinotų, jog jie naudoja statistinius testus žaliavų kokybei nustatyti. + +Jei norime įvertinti populiacijos vidurkį μ su pasitikėjimu p, turime paimti *(1-p)/2-tąjį procentilį* iš Studento skirstinio A, kurį galima rasti lentelėse arba apskaičiuoti naudojant statistinės programinės įrangos (pvz., Python, R ir kt.) funkcijas. Tada intervalas μ būtų X±A*D/√n, kur X yra gautas imties vidurkis, o D – standartinis nuokrypis. + +> **Pastaba**: Taip pat praleidžiame svarbios sąvokos – [laisvės laipsnių](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) – aptarimą, kuri yra svarbi Studento skirstinio kontekste. Norėdami giliau suprasti šią sąvoką, galite kreiptis į išsamesnes statistikos knygas. + +Pavyzdys, kaip apskaičiuoti pasitikėjimo intervalą svoriams ir ūgiams, pateiktas [pridedamuose užrašų knygelėse](notebook.ipynb). + +| p | Svorio vidurkis | +|------|-----------------| +| 0.85 | 201.73±0.94 | +| 0.90 | 201.73±1.08 | +| 0.95 | 201.73±1.28 | + +Atkreipkite dėmesį, kad kuo didesnė pasitikėjimo tikimybė, tuo platesnis pasitikėjimo intervalas. + +## Hipotezių tikrinimas + +Mūsų beisbolo žaidėjų duomenų rinkinyje yra skirtingi žaidėjų vaidmenys, kurie gali būti apibendrinti taip (pažiūrėkite į [pridedamą užrašų knygelę](notebook.ipynb), kad pamatytumėte, kaip ši lentelė apskaičiuojama): + +| Vaidmuo | Ūgis | Svoris | Kiekis | +|--------------------|-----------|-----------|--------| +| Gaudytojas | 72.723684 | 204.328947 | 76 | +| Smūgiuotojas | 74.222222 | 220.888889 | 18 | +| Pirmasis bazininkas| 74.000000 | 213.109091 | 55 | +| Lauko žaidėjas | 73.010309 | 199.113402 | 194 | +| Atsarginis metikas | 74.374603 | 203.517460 | 315 | +| Antrasis bazininkas| 71.362069 | 184.344828 | 58 | +| Trumpasis žaidėjas | 71.903846 | 182.923077 | 52 | +| Pagrindinis metikas| 74.719457 | 205.163636 | 221 | +| Trečiasis bazininkas| 73.044444 | 200.955556 | 45 | + +Galime pastebėti, kad pirmųjų bazininkų vidutinis ūgis yra didesnis nei antrųjų bazininkų. Todėl galime būti linkę daryti išvadą, kad **pirmieji bazininkai yra aukštesni nei antrieji bazininkai**. + +> Šis teiginys vadinamas **hipoteze**, nes mes nežinome, ar tai iš tikrųjų tiesa. + +Tačiau ne visada akivaizdu, ar galime padaryti tokią išvadą. Iš aukščiau pateiktos diskusijos žinome, kad kiekvienas vidurkis turi susijusį pasitikėjimo intervalą, todėl šis skirtumas gali būti tik statistinė paklaida. Mums reikia formalesnio būdo hipotezei patikrinti. + +Apskaičiuokime pasitikėjimo intervalus atskirai pirmųjų ir antrųjų bazininkų ūgiams: + +| Pasitikėjimas | Pirmieji bazininkai | Antrieji bazininkai | +|---------------|---------------------|---------------------| +| 0.85 | 73.62..74.38 | 71.04..71.69 | +| 0.90 | 73.56..74.44 | 70.99..71.73 | +| 0.95 | 73.47..74.53 | 70.92..71.81 | + +Matome, kad nė vienu pasitikėjimo lygiu intervalai nesutampa. Tai įrodo mūsų hipotezę, kad pirmieji bazininkai yra aukštesni nei antrieji bazininkai. + +Formaliau, problema, kurią sprendžiame, yra nustatyti, ar **du skirstiniai yra vienodi**, ar bent jau turi tuos pačius parametrus. Priklausomai nuo skirstinio, tam reikia naudoti skirtingus testus. Jei žinome, kad mūsų skirstiniai yra normalūs, galime taikyti **[Studento t-testą](https://en.wikipedia.org/wiki/Student%27s_t-test)**. + +Studento t-teste apskaičiuojame vadinamąją **t-reikšmę**, kuri nurodo vidurkių skirtumą, atsižvelgiant į dispersiją. Įrodyta, kad t-reikšmė atitinka **studento skirstinį**, kuris leidžia mums gauti ribinę reikšmę tam tikram pasitikėjimo lygiui **p** (tai galima apskaičiuoti arba rasti skaitmeninėse lentelėse). Tada lyginame t-reikšmę su šia riba, kad patvirtintume arba paneigtume hipotezę. + +Python kalboje galime naudoti **SciPy** biblioteką, kurioje yra funkcija `ttest_ind` (be daugelio kitų naudingų statistinių funkcijų!). Ji apskaičiuoja t-reikšmę už mus ir taip pat atlieka atvirkštinį pasitikėjimo p-reikšmės nustatymą, kad galėtume tiesiog pažvelgti į pasitikėjimą ir padaryti išvadą. + +Pavyzdžiui, mūsų pirmųjų ir antrųjų bazininkų ūgių palyginimas duoda šiuos rezultatus: +```python +from scipy.stats import ttest_ind + +tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) +print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") +``` +``` +T-value = 7.65 +P-value: 9.137321189738925e-12 +``` +Mūsų atveju p-reikšmė yra labai maža, o tai reiškia, kad yra stiprūs įrodymai, patvirtinantys, jog pirmieji bazininkai yra aukštesni. + +Taip pat yra kitų hipotezių tipų, kuriuos galime norėti patikrinti, pavyzdžiui: +* Įrodyti, kad tam tikra imtis atitinka tam tikrą skirstinį. Mūsų atveju mes darėme prielaidą, kad ūgiai yra normaliai pasiskirstę, tačiau tai reikia formaliai statistiškai patvirtinti. +* Įrodyti, kad imties vidurkis atitinka tam tikrą iš anksto nustatytą reikšmę. +* Palyginti kelių imčių vidurkius (pvz., koks yra laimės lygio skirtumas tarp skirtingų amžiaus grupių). + +## Didelių skaičių dėsnis ir centrinė ribinė teorema + +Viena iš priežasčių, kodėl normalusis skirstinys yra toks svarbus, yra vadinamoji **centrinė ribinė teorema**. Tarkime, turime didelę nepriklausomų N reikšmių X1, ..., XN imtį, paimtą iš bet kokio skirstinio su vidurkiu μ ir dispersija σ2. Tada, kai N yra pakankamai didelis (kitaip tariant, kai N→∞), vidurkis ΣiXi bus normaliai pasiskirstęs, su vidurkiu μ ir dispersija σ2/N. + +> Kitas būdas interpretuoti centrinę ribinę teoremą yra sakyti, kad nepriklausomai nuo skirstinio, kai apskaičiuojate bet kokių atsitiktinių dydžių sumos vidurkį, gaunate normalųjį skirstinį. + +Iš centrinės ribinės teoremos taip pat seka, kad kai N→∞, tikimybė, jog imties vidurkis bus lygus μ, tampa 1. Tai vadinama **didelių skaičių dėsniu**. + +## Kovariacija ir koreliacija + +Viena iš duomenų mokslo užduočių yra rasti ryšius tarp duomenų. Sakome, kad dvi sekos **koreliuoja**, kai jos elgiasi panašiai tuo pačiu metu, t. y. jos arba kyla/krenta kartu, arba viena seka kyla, kai kita krenta, ir atvirkščiai. Kitaip tariant, tarp dviejų sekų atrodo esąs tam tikras ryšys. + +> Koreliacija nebūtinai reiškia priežastinį ryšį tarp dviejų sekų; kartais abu kintamieji gali priklausyti nuo kokios nors išorinės priežasties arba gali būti grynas atsitiktinumas, kad dvi sekos koreliuoja. Tačiau stipri matematinė koreliacija yra geras rodiklis, kad du kintamieji yra kažkaip susiję. + +Matematiškai pagrindinė sąvoka, rodanti ryšį tarp dviejų atsitiktinių dydžių, yra **kovariacija**, kuri apskaičiuojama taip: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Mes apskaičiuojame abiejų kintamųjų nuokrypį nuo jų vidurkių ir tada šių nuokrypių sandaugą. Jei abu kintamieji nukrypsta kartu, sandauga visada bus teigiama, o tai sudarys teigiamą kovariaciją. Jei abu kintamieji nukrypsta nesinchroniškai (t. y. vienas nukrenta žemiau vidurkio, kai kitas pakyla aukščiau vidurkio), visada gausime neigiamas reikšmes, kurios sudarys neigiamą kovariaciją. Jei nuokrypiai nėra priklausomi, jie sudarys apytiksliai nulį. + +Kovariacijos absoliuti reikšmė nepasako daug apie tai, kokia stipri yra koreliacija, nes ji priklauso nuo faktinių reikšmių dydžio. Norėdami ją normalizuoti, galime padalyti kovariaciją iš abiejų kintamųjų standartinio nuokrypio ir gauti **koreliaciją**. Gerai tai, kad koreliacija visada yra intervale [-1,1], kur 1 reiškia stiprią teigiamą koreliaciją tarp reikšmių, -1 – stiprią neigiamą koreliaciją, o 0 – jokios koreliacijos (kintamieji yra nepriklausomi). + +**Pavyzdys**: Galime apskaičiuoti koreliaciją tarp beisbolo žaidėjų svorių ir ūgių iš aukščiau paminėto duomenų rinkinio: +```python +print(np.corrcoef(weights,heights)) +``` +Rezultate gauname **koreliacijos matricą**, panašią į šią: +``` +array([[1. , 0.52959196], + [0.52959196, 1. ]]) +``` + +> Koreliacijos matrica C gali būti apskaičiuota bet kokiam įvesties sekų S1, ..., Sn skaičiui. Cij reikšmė yra koreliacija tarp Si ir Sj, o įstrižainės elementai visada yra 1 (tai taip pat yra Si savikoreliacija). + +Mūsų atveju reikšmė 0.53 rodo, kad yra tam tikra koreliacija tarp žmogaus svorio ir ūgio. Taip pat galime sudaryti sklaidos diagramą, kurioje viena reikšmė vaizduojama prieš kitą, kad vizualiai pamatytume ryšį: + +![Ryšys tarp svorio ir ūgio](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.lt.png) + +> Daugiau koreliacijos ir kovariacijos pavyzdžių galite rasti [pridedamoje užrašų knygelėje](notebook.ipynb). + +## Išvada + +Šioje dalyje išmokome: + +* pagrindines duomenų statistines savybes, tokias kaip vidurkis, dispersija, moda ir kvartiliai +* skirtingus atsitiktinių dydžių skirstinius, įskaitant normalųjį skirstinį +* kaip rasti koreliaciją tarp skirtingų savybių +* kaip naudoti matematikos ir statistikos metodus hipotezėms įrodyti +* kaip apskaičiuoti atsitiktinio dydžio pasitikėjimo intervalus, remiantis duomenų imtimi + +Nors tai tikrai nėra išsamus tikimybių ir statistikos temų sąrašas, jis turėtų būti pakankamas, kad suteiktų jums gerą pradžią šiame kurse. + +## 🚀 Iššūkis + +Naudokite užrašų knygelėje pateiktą pavyzdinį kodą, kad patikrintumėte kitas hipotezes: +1. Pirmieji bazininkai yra vyresni nei antrieji bazininkai +2. Pirmieji bazininkai yra aukštesni nei tretieji bazininkai +3. Trumpieji žaidėjai yra aukštesni nei antrieji bazininkai + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7) + +## Peržiūra ir savarankiškas mokymasis + +Tikimybė ir statistika yra tokia plati tema, kad ji nusipelno atskiro kurso. Jei norite giliau pasinerti į teoriją, galite toliau skaityti šias knygas: + +1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) iš Niujorko universiteto turi puikius paskaitų užrašus [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (prieinami internete) +1. [Peter ir Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[pavyzdinis kodas R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. +1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[pavyzdinis kodas R](https://github.com/PacktPublishing/Statistics-for-Data-Science)] + +## Užduotis + +[Mažas diabeto tyrimas](assignment.md) + +## Kreditas + +Šią pamoką su ♥️ parengė [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/04-stats-and-probability/assignment.md b/translations/lt/1-Introduction/04-stats-and-probability/assignment.md new file mode 100644 index 00000000..3b77ef0d --- /dev/null +++ b/translations/lt/1-Introduction/04-stats-and-probability/assignment.md @@ -0,0 +1,40 @@ + +# Mažas diabeto tyrimas + +Šioje užduotyje dirbsime su mažu diabeto pacientų duomenų rinkiniu, paimtu iš [čia](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html). + +| | AMŽIUS | LYTIS | KMI | KRAUJOSPŪDIS | S1 | S2 | S3 | S4 | S5 | S6 | Y | +|---|--------|-------|-----|-------------|----|----|----|----|----|----|----| +| 0 | 59 | 2 | 32.1| 101. | 157| 93.2| 38.0| 4. | 4.8598 | 87 | 151 | +| 1 | 48 | 1 | 21.6| 87.0 | 183| 103.2| 70. | 3. | 3.8918 | 69 | 75 | +| 2 | 72 | 2 | 30.5| 93.0 | 156| 93.6| 41.0| 4.0| 4. | 85 | 141 | +| ... | ... | ... | ... | ... | ...| ... | ... | ...| ... | ...| ... | + +## Instrukcijos + +* Atidarykite [užduoties užrašų knygelę](assignment.ipynb) jupyter užrašų knygelės aplinkoje +* Atlikite visas užrašų knygelėje nurodytas užduotis, būtent: + * [ ] Apskaičiuokite visų reikšmių vidurkius ir dispersijas + * [ ] Nubraižykite dėžutinius grafikus (boxplots) KMI, kraujospūdžiui ir Y, atsižvelgiant į lytį + * [ ] Kokia yra amžiaus, lyties, KMI ir Y kintamųjų pasiskirstymo forma? + * [ ] Patikrinkite koreliaciją tarp skirtingų kintamųjų ir ligos progresavimo (Y) + * [ ] Patikrinkite hipotezę, kad diabeto progresavimo laipsnis skiriasi tarp vyrų ir moterų + +## Vertinimo kriterijai + +Pavyzdingai | Pakankamai | Reikia patobulinimų +--- | --- | --- | +Visos reikalaujamos užduotys yra atliktos, grafiškai iliustruotos ir paaiškintos | Dauguma užduočių yra atliktos, tačiau trūksta paaiškinimų arba išvadų iš grafikų ir/arba gautų reikšmių | Atliktos tik pagrindinės užduotys, tokios kaip vidurkių/dispersijų skaičiavimas ir pagrindiniai grafikai, tačiau iš duomenų nėra padaryta jokių išvadų + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/1-Introduction/README.md b/translations/lt/1-Introduction/README.md new file mode 100644 index 00000000..cc1a06fe --- /dev/null +++ b/translations/lt/1-Introduction/README.md @@ -0,0 +1,31 @@ + +# Įvadas į Duomenų Mokslą + +![duomenys veiksme](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.lt.jpg) +> Nuotrauka: Stephen Dawson iš Unsplash + +Šiose pamokose sužinosite, kaip apibrėžiamas Duomenų Mokslas, ir susipažinsite su etiniais aspektais, kuriuos privalo apsvarstyti duomenų mokslininkas. Taip pat sužinosite, kas yra duomenys, ir šiek tiek apie statistiką bei tikimybes – pagrindines Duomenų Mokslo akademines sritis. + +### Temos + +1. [Duomenų Mokslo Apibrėžimas](01-defining-data-science/README.md) +2. [Duomenų Mokslo Etika](02-ethics/README.md) +3. [Duomenų Apibrėžimas](03-defining-data/README.md) +4. [Įvadas į Statistiką ir Tikimybes](04-stats-and-probability/README.md) + +### Autoriai + +Šios pamokos buvo parašytos su ❤️ [Nitya Narasimhan](https://twitter.com/nitya) ir [Dmitry Soshnikov](https://twitter.com/shwars). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojame kreiptis į profesionalius vertėjus. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/05-relational-databases/README.md b/translations/lt/2-Working-With-Data/05-relational-databases/README.md new file mode 100644 index 00000000..ec8c2b7e --- /dev/null +++ b/translations/lt/2-Working-With-Data/05-relational-databases/README.md @@ -0,0 +1,195 @@ + +# Darbas su duomenimis: Reliacinės duomenų bazės + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)| +|:---:| +| Darbas su duomenimis: Reliacinės duomenų bazės - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Tikėtina, kad anksčiau esate naudoję skaičiuoklę informacijai saugoti. Turėjote eilučių ir stulpelių rinkinį, kur eilutės turėjo informaciją (arba duomenis), o stulpeliai apibūdino informaciją (kartais vadinamą metaduomenimis). Reliacinė duomenų bazė yra sukurta remiantis šiuo pagrindiniu principu – lentelėmis su stulpeliais ir eilutėmis, leidžiančiomis informaciją paskirstyti per kelias lenteles. Tai suteikia galimybę dirbti su sudėtingesniais duomenimis, išvengti dubliavimo ir turėti lankstumo analizuojant duomenis. Pažvelkime į reliacinės duomenų bazės koncepcijas. + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8) + +## Viskas prasideda nuo lentelių + +Reliacinės duomenų bazės pagrindas yra lentelės. Kaip ir skaičiuoklėje, lentelė yra stulpelių ir eilučių rinkinys. Eilutėse yra duomenys arba informacija, su kuria norime dirbti, pavyzdžiui, miesto pavadinimas ar kritulių kiekis. Stulpeliai apibūdina saugomus duomenis. + +Pradėkime tyrinėjimą sukurdami lentelę, kurioje saugosime informaciją apie miestus. Galime pradėti nuo jų pavadinimo ir šalies. Tai galėtume saugoti lentelėje taip: + +| Miestas | Šalis | +| -------- | ------------- | +| Tokijas | Japonija | +| Atlanta | Jungtinės Valstijos | +| Oklendas | Naujoji Zelandija | + +Atkreipkite dėmesį, kad stulpelių pavadinimai **miestas**, **šalis** ir **populiacija** apibūdina saugomus duomenis, o kiekviena eilutė pateikia informaciją apie vieną miestą. + +## Vienos lentelės metodo trūkumai + +Tikėtina, kad aukščiau pateikta lentelė jums atrodo gana pažįstama. Pradėkime pridėti papildomų duomenų į mūsų augančią duomenų bazę – metinį kritulių kiekį (milimetrais). Susitelkime į 2018, 2019 ir 2020 metus. Jei pridėtume duomenis apie Tokiją, tai galėtų atrodyti taip: + +| Miestas | Šalis | Metai | Kiekis | +| -------- | ------- | ----- | ------ | +| Tokijas | Japonija| 2020 | 1690 | +| Tokijas | Japonija| 2019 | 1874 | +| Tokijas | Japonija| 2018 | 1445 | + +Ką pastebite apie mūsų lentelę? Galbūt pastebėjote, kad mes kartojame miesto pavadinimą ir šalį vėl ir vėl. Tai gali užimti nemažai vietos ir iš esmės yra nereikalinga. Juk Tokijas turi tik vieną pavadinimą, kuris mus domina. + +Gerai, pabandykime ką nors kita. Pridėkime naujus stulpelius kiekvieniems metams: + +| Miestas | Šalis | 2018 | 2019 | 2020 | +| -------- | ------------- | ---- | ---- | ---- | +| Tokijas | Japonija | 1445 | 1874 | 1690 | +| Atlanta | Jungtinės Valstijos | 1779 | 1111 | 1683 | +| Oklendas | Naujoji Zelandija | 1386 | 942 | 1176 | + +Nors tai išvengia eilučių dubliavimo, atsiranda keletas kitų iššūkių. Kiekvieną kartą atsiradus naujiems metams, turėtume keisti lentelės struktūrą. Be to, augant duomenims, metų naudojimas kaip stulpelių apsunkins reikšmių gavimą ir skaičiavimą. + +Štai kodėl mums reikia kelių lentelių ir ryšių. Padalindami duomenis galime išvengti dubliavimo ir turėti daugiau lankstumo dirbant su duomenimis. + +## Ryšių koncepcijos + +Grįžkime prie savo duomenų ir nuspręskime, kaip juos padalinti. Žinome, kad norime saugoti miestų pavadinimus ir šalis, todėl tai greičiausiai geriausiai veiks vienoje lentelėje. + +| Miestas | Šalis | +| -------- | ------------- | +| Tokijas | Japonija | +| Atlanta | Jungtinės Valstijos | +| Oklendas | Naujoji Zelandija | + +Tačiau prieš kurdami kitą lentelę, turime nuspręsti, kaip nurodyti kiekvieną miestą. Mums reikia kažkokio identifikatoriaus, ID arba (techniniais duomenų bazės terminais) pirminio rakto. Pirminis raktas yra reikšmė, naudojama konkrečiai eilutei lentelėje identifikuoti. Nors tai galėtų būti pagrįsta pačia reikšme (pavyzdžiui, galėtume naudoti miesto pavadinimą), beveik visada tai turėtų būti skaičius arba kitas identifikatorius. Nenorime, kad ID kada nors pasikeistų, nes tai sugadintų ryšį. Daugeliu atvejų pirminis raktas arba ID bus automatiškai sugeneruotas skaičius. + +> ✅ Pirminis raktas dažnai trumpinamas kaip PK + +### miestai + +| city_id | Miestas | Šalis | +| ------- | -------- | ------------- | +| 1 | Tokijas | Japonija | +| 2 | Atlanta | Jungtinės Valstijos | +| 3 | Oklendas | Naujoji Zelandija | + +> ✅ Pastebėsite, kad šios pamokos metu terminus "id" ir "pirminis raktas" naudojame pakaitomis. Šios koncepcijos taikomos ir "DataFrames", kuriuos tyrinėsite vėliau. "DataFrames" nenaudoja termino "pirminis raktas", tačiau pastebėsite, kad jie elgiasi labai panašiai. + +Sukūrę miestų lentelę, saugokime kritulių duomenis. Užuot dubliavę visą informaciją apie miestą, galime naudoti ID. Taip pat turėtume užtikrinti, kad naujai sukurtoje lentelėje būtų *id* stulpelis, nes visos lentelės turėtų turėti ID arba pirminį raktą. + +### krituliai + +| rainfall_id | city_id | Metai | Kiekis | +| ----------- | ------- | ----- | ------ | +| 1 | 1 | 2018 | 1445 | +| 2 | 1 | 2019 | 1874 | +| 3 | 1 | 2020 | 1690 | +| 4 | 2 | 2018 | 1779 | +| 5 | 2 | 2019 | 1111 | +| 6 | 2 | 2020 | 1683 | +| 7 | 3 | 2018 | 1386 | +| 8 | 3 | 2019 | 942 | +| 9 | 3 | 2020 | 1176 | + +Atkreipkite dėmesį į **city_id** stulpelį naujai sukurtoje **krituliai** lentelėje. Šis stulpelis turi reikšmes, kurios nurodo ID **miestai** lentelėje. Techniniais reliacinių duomenų terminais tai vadinama **užsienio raktu**; tai yra pirminis raktas iš kitos lentelės. Galite tiesiog galvoti apie tai kaip apie nuorodą arba rodyklę. **city_id** 1 nurodo Tokiją. + +> [!NOTE] Užsienio raktas dažnai trumpinamas kaip FK + +## Duomenų gavimas + +Padalinę duomenis į dvi lenteles, galbūt svarstote, kaip juos gauti. Jei naudojame reliacinę duomenų bazę, tokią kaip MySQL, SQL Server ar Oracle, galime naudoti kalbą, vadinamą struktūrizuota užklausų kalba (SQL). SQL (kartais tariama "siquel") yra standartinė kalba, naudojama duomenims reliacinėje duomenų bazėje gauti ir keisti. + +Norėdami gauti duomenis, naudojate komandą `SELECT`. Iš esmės jūs **pasirenkate** stulpelius, kuriuos norite matyti, **iš** lentelės, kurioje jie yra. Jei norėtumėte parodyti tik miestų pavadinimus, galėtumėte naudoti šią užklausą: + +```sql +SELECT city +FROM cities; + +-- Output: +-- Tokyo +-- Atlanta +-- Auckland +``` + +`SELECT` nurodote stulpelius, o `FROM` nurodote lenteles. + +> [NOTE] SQL sintaksė nėra jautri raidžių dydžiui, tai reiškia, kad `select` ir `SELECT` reiškia tą patį. Tačiau, priklausomai nuo naudojamos duomenų bazės tipo, stulpeliai ir lentelės gali būti jautrūs raidžių dydžiui. Todėl geriausia praktika yra visada elgtis taip, lyg viskas programavime būtų jautru raidžių dydžiui. Rašant SQL užklausas įprasta raktinius žodžius rašyti didžiosiomis raidėmis. + +Aukščiau pateikta užklausa parodys visus miestus. Įsivaizduokime, kad norime parodyti tik Naujosios Zelandijos miestus. Mums reikia kažkokio filtro. SQL raktinis žodis tam yra `WHERE`, arba "kur kažkas yra tiesa". + +```sql +SELECT city +FROM cities +WHERE country = 'New Zealand'; + +-- Output: +-- Auckland +``` + +## Duomenų sujungimas + +Iki šiol gavome duomenis iš vienos lentelės. Dabar norime sujungti duomenis iš **miestai** ir **krituliai**. Tai atliekama *sujungiant* juos. Iš esmės sukursite siūlę tarp dviejų lentelių ir suderinsite reikšmes iš stulpelio kiekvienoje lentelėje. + +Mūsų pavyzdyje suderinsime **city_id** stulpelį **krituliai** su **city_id** stulpeliu **miestai**. Tai suderins kritulių reikšmę su atitinkamu miestu. Sujungimo tipas, kurį atliksime, vadinamas *vidiniu* sujungimu, tai reiškia, kad jei kokios nors eilutės nesutampa su niekuo iš kitos lentelės, jos nebus rodomos. Mūsų atveju kiekvienas miestas turi kritulių duomenis, todėl viskas bus parodyta. + +Pažiūrėkime kritulių duomenis 2019 metams visiems mūsų miestams. + +Tai atliksime etapais. Pirmas žingsnis yra sujungti duomenis, nurodant stulpelius siūlei – **city_id**, kaip buvo pabrėžta anksčiau. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +``` + +Pabrėžėme du stulpelius, kurių norime, ir faktą, kad norime sujungti lenteles pagal **city_id**. Dabar galime pridėti `WHERE` sakinį, kad filtruotume tik 2019 metus. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +WHERE rainfall.year = 2019 + +-- Output + +-- city | amount +-- -------- | ------ +-- Tokyo | 1874 +-- Atlanta | 1111 +-- Auckland | 942 +``` + +## Santrauka + +Reliacinės duomenų bazės yra orientuotos į informacijos padalijimą tarp kelių lentelių, kurios vėliau sujungiamos rodymui ir analizei. Tai suteikia didelį lankstumą atliekant skaičiavimus ir kitaip manipuliuojant duomenimis. Jūs susipažinote su pagrindinėmis reliacinės duomenų bazės koncepcijomis ir kaip atlikti sujungimą tarp dviejų lentelių. + +## 🚀 Iššūkis + +Internete yra daugybė reliacinių duomenų bazių. Galite tyrinėti duomenis naudodamiesi aukščiau išmoktais įgūdžiais. + +## Testas po paskaitos + +## [Testas po paskaitos](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9) + +## Apžvalga ir savarankiškas mokymasis + +Yra keletas išteklių [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum), skirtų tęsti SQL ir reliacinių duomenų bazių koncepcijų tyrinėjimą: + +- [Reliacinių duomenų koncepcijų aprašymas](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum) +- [Pradėkite užklausų rašymą su Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL yra SQL versija) +- [SQL turinys Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum) + +## Užduotis + +[Užduoties pavadinimas](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/05-relational-databases/assignment.md b/translations/lt/2-Working-With-Data/05-relational-databases/assignment.md new file mode 100644 index 00000000..9d0b696f --- /dev/null +++ b/translations/lt/2-Working-With-Data/05-relational-databases/assignment.md @@ -0,0 +1,73 @@ + +# Oro uostų duomenų rodymas + +Jums buvo pateikta [duomenų bazė](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db), sukurta naudojant [SQLite](https://sqlite.org/index.html), kurioje yra informacija apie oro uostus. Žemiau pateikta schemos struktūra. Naudosite [SQLite plėtinį](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) programoje [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum), kad galėtumėte peržiūrėti informaciją apie įvairių miestų oro uostus. + +## Instrukcijos + +Norėdami pradėti užduotį, turėsite atlikti kelis veiksmus. Reikės įdiegti keletą įrankių ir atsisiųsti pavyzdinę duomenų bazę. + +### Sistemos paruošimas + +Galite naudoti Visual Studio Code ir SQLite plėtinį, kad galėtumėte dirbti su duomenų baze. + +1. Eikite į [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) ir vykdykite instrukcijas, kad įdiegtumėte Visual Studio Code +1. Įdiekite [SQLite plėtinį](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum), kaip nurodyta Marketplace puslapyje + +### Atsisiųskite ir atidarykite duomenų bazę + +Toliau atsisiųskite ir atidarykite duomenų bazę. + +1. Atsisiųskite [duomenų bazės failą iš GitHub](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) ir išsaugokite jį kataloge +1. Atidarykite Visual Studio Code +1. Atidarykite duomenų bazę SQLite plėtinyje, paspausdami **Ctl-Shift-P** (arba **Cmd-Shift-P** Mac kompiuteryje) ir įvesdami `SQLite: Open database` +1. Pasirinkite **Choose database from file** ir atidarykite **airports.db** failą, kurį atsisiuntėte anksčiau +1. Atidarę duomenų bazę (ekrane nebus matomas atnaujinimas), sukurkite naują užklausų langą, paspausdami **Ctl-Shift-P** (arba **Cmd-Shift-P** Mac kompiuteryje) ir įvesdami `SQLite: New query` + +Kai langas atidarytas, jį galima naudoti SQL užklausoms vykdyti prieš duomenų bazę. Užklausas galite vykdyti naudodami komandą **Ctl-Shift-Q** (arba **Cmd-Shift-Q** Mac kompiuteryje). + +> [!NOTE] Daugiau informacijos apie SQLite plėtinį galite rasti [dokumentacijoje](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) + +## Duomenų bazės schema + +Duomenų bazės schema – tai jos lentelių dizainas ir struktūra. **airports** duomenų bazėje yra dvi lentelės: `cities`, kurioje pateikiamas Jungtinės Karalystės ir Airijos miestų sąrašas, ir `airports`, kurioje pateikiamas visų oro uostų sąrašas. Kadangi kai kuriuose miestuose gali būti keli oro uostai, buvo sukurtos dvi lentelės informacijai saugoti. Šioje užduotyje naudosite sujungimus (joins), kad galėtumėte peržiūrėti informaciją apie skirtingus miestus. + +| Miestai | +| ----------------- | +| id (PK, sveikasis skaičius) | +| city (tekstas) | +| country (tekstas) | + +| Oro uostai | +| --------------------------------- | +| id (PK, sveikasis skaičius) | +| name (tekstas) | +| code (tekstas) | +| city_id (FK į id lentelėje **Cities**) | + +## Užduotis + +Sukurkite užklausas, kurios pateiktų šią informaciją: + +1. visų miestų pavadinimus iš `Cities` lentelės +1. visus Airijos miestus iš `Cities` lentelės +1. visų oro uostų pavadinimus su jų miestu ir šalimi +1. visus oro uostus Londone, Jungtinėje Karalystėje + +## Vertinimo kriterijai + +| Puikiai | Pakankamai | Reikia tobulinti | +| -------- | ---------- | ---------------- | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/06-non-relational/README.md b/translations/lt/2-Working-With-Data/06-non-relational/README.md new file mode 100644 index 00000000..5d20c2a8 --- /dev/null +++ b/translations/lt/2-Working-With-Data/06-non-relational/README.md @@ -0,0 +1,158 @@ + +# Darbas su duomenimis: Nerelaciniai duomenys + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)| +|:---:| +|Darbas su NoSQL duomenimis - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10) + +Duomenys nėra apriboti relacinėmis duomenų bazėmis. Ši pamoka skirta nerelaciniams duomenims ir apims pagrindus apie skaičiuokles ir NoSQL. + +## Skaičiuoklės + +Skaičiuoklės yra populiarus būdas saugoti ir analizuoti duomenis, nes jų naudojimas reikalauja mažiau pastangų pradiniam nustatymui. Šioje pamokoje sužinosite pagrindinius skaičiuoklės komponentus, taip pat formules ir funkcijas. Pavyzdžiai bus iliustruoti naudojant Microsoft Excel, tačiau dauguma dalių ir temų turės panašius pavadinimus ir veiksmus, palyginti su kitomis skaičiuoklių programomis. + +![Tuščias Microsoft Excel darbaknygės langas su dviem darbalapiais](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.lt.png) + +Skaičiuoklė yra failas, kurį galima pasiekti kompiuterio, įrenginio ar debesų failų sistemoje. Programinė įranga gali būti naršyklės pagrindu arba programa, kurią reikia įdiegti kompiuteryje ar atsisiųsti kaip programėlę. Excel failai taip pat apibrėžiami kaip **darbaknygės**, ir ši terminologija bus naudojama visoje pamokoje. + +Darbaknygė turi vieną ar daugiau **darbalapių**, kurių kiekvienas pažymėtas skirtukais. Darbalapyje yra stačiakampiai, vadinami **langeliais**, kuriuose yra faktiniai duomenys. Langelis yra eilutės ir stulpelio sankirta, kur stulpeliai pažymėti abėcėliniais simboliais, o eilutės pažymėtos skaitmenimis. Kai kurios skaičiuoklės pirmose eilutėse turi antraštes, kurios apibūdina duomenis langelyje. + +Naudodami šiuos pagrindinius Excel darbaknygės elementus, pasitelksime pavyzdį iš [Microsoft Templates](https://templates.office.com/), susijusį su inventoriaus valdymu, kad aptartume papildomas skaičiuoklės dalis. + +### Inventoriaus valdymas + +Skaičiuoklės failas, pavadintas "InventoryExample", yra suformatuota skaičiuoklė, kurioje yra inventoriaus elementai ir trys darbalapiai, pažymėti "Inventory List", "Inventory Pick List" ir "Bin Lookup". 4-oji eilutė darbalapyje "Inventory List" yra antraštė, apibūdinanti kiekvieno langelio reikšmę stulpelyje. + +![Paryškinta formulė iš inventoriaus sąrašo pavyzdžio Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.lt.png) + +Yra atvejų, kai langelio reikšmė priklauso nuo kitų langelių reikšmių, kad būtų sugeneruota jo reikšmė. Inventoriaus sąrašo skaičiuoklė seka kiekvieno inventoriaus elemento kainą, tačiau ką daryti, jei reikia žinoti viso inventoriaus vertę? [**Formulės**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) atlieka veiksmus su langelių duomenimis ir naudojamos inventoriaus vertės apskaičiavimui šiame pavyzdyje. Ši skaičiuoklė naudojo formulę stulpelyje "Inventory Value", kad apskaičiuotų kiekvieno elemento vertę, padauginant kiekį iš antraštės "QTY" ir kainą iš antraštės "COST". Dukart spustelėjus arba paryškinus langelį, bus rodoma formulė. Pastebėsite, kad formulės prasideda lygybės ženklu, po kurio seka skaičiavimas ar operacija. + +![Paryškinta funkcija iš inventoriaus sąrašo pavyzdžio Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.lt.png) + +Galime naudoti kitą formulę, kad sudėtume visas inventoriaus vertės reikšmes ir gautume bendrą vertę. Tai galėtų būti apskaičiuota sudedant kiekvieną langelį, tačiau tai gali būti varginantis darbas. Excel turi [**funkcijas**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), arba iš anksto apibrėžtas formules, skirtas skaičiavimams su langelių reikšmėmis. Funkcijoms reikalingi argumentai, kurie yra būtinos reikšmės skaičiavimams atlikti. Kai funkcijoms reikia daugiau nei vieno argumento, jie turi būti išvardyti tam tikra tvarka, kitaip funkcija gali neteisingai apskaičiuoti reikšmę. Šiame pavyzdyje naudojama funkcija SUM, kuri naudoja inventoriaus vertės reikšmes kaip argumentą, kad sugeneruotų bendrą vertę, nurodytą 3-oje eilutėje, B stulpelyje (taip pat vadinama B3). + +## NoSQL + +NoSQL yra bendras terminas, apibūdinantis skirtingus būdus saugoti nerelacinius duomenis, ir gali būti interpretuojamas kaip "ne SQL", "nerelacinis" arba "ne tik SQL". Šios duomenų bazės sistemos gali būti suskirstytos į 4 tipus. + +![Grafinis vaizdas, rodantis raktų-reikšmių duomenų saugyklą su 4 unikalių skaitinių raktų, susietų su 4 skirtingomis reikšmėmis](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.lt.png) +> Šaltinis iš [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) + +[Raktų-reikšmių](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) duomenų bazės susieja unikalius raktus, kurie yra unikalūs identifikatoriai, susieti su reikšme. Šios poros saugomos naudojant [maišos lentelę](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) su tinkama maišos funkcija. + +![Grafinis vaizdas, rodantis grafo duomenų saugyklą, kurioje pavaizduoti žmonių, jų interesų ir vietų ryšiai](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.lt.png) +> Šaltinis iš [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) + +[Grafų](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) duomenų bazės aprašo ryšius tarp duomenų ir yra vaizduojamos kaip mazgų ir briaunų rinkinys. Mazgas atspindi objektą, egzistuojantį realiame pasaulyje, pvz., studentą ar banko išrašą. Briaunos atspindi ryšį tarp dviejų objektų. Kiekvienas mazgas ir briauna turi savybes, kurios suteikia papildomos informacijos apie mazgus ir briaunas. + +![Grafinis vaizdas, rodantis stulpelinę duomenų saugyklą su klientų duomenų baze, kurioje yra dvi stulpelių šeimos, pavadintos Identity ir Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.lt.png) + +[Stulpelinės](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) duomenų saugyklos organizuoja duomenis į stulpelius ir eilutes, panašiai kaip relacinė duomenų struktūra, tačiau kiekvienas stulpelis yra padalintas į grupes, vadinamas stulpelių šeimomis, kur visi duomenys po vienu stulpeliu yra susiję ir gali būti gauti bei pakeisti kaip vienetas. + +### Dokumentų duomenų saugyklos su Azure Cosmos DB + +[Dokumentų](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) duomenų saugyklos remiasi raktų-reikšmių duomenų saugyklos koncepcija ir sudarytos iš laukų ir objektų rinkinių. Šiame skyriuje bus nagrinėjamos dokumentų duomenų bazės naudojant Cosmos DB emuliatorių. + +Cosmos DB duomenų bazė atitinka "ne tik SQL" apibrėžimą, kur Cosmos DB dokumentų duomenų bazė naudoja SQL duomenų užklausoms. [Ankstesnė pamoka](../05-relational-databases/README.md) apie SQL apima kalbos pagrindus, ir kai kurias užklausas galėsime pritaikyti dokumentų duomenų bazėje čia. Naudosime Cosmos DB emuliatorių, kuris leidžia sukurti ir tyrinėti dokumentų duomenų bazę vietoje kompiuteryje. Daugiau apie emuliatorių skaitykite [čia](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21). + +Dokumentas yra laukų ir objektų reikšmių rinkinys, kur laukai apibūdina, ką objektų reikšmės atspindi. Žemiau pateiktas dokumento pavyzdys. + +```json +{ + "firstname": "Eva", + "age": 44, + "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5", + "_rid": "bHwDAPQz8s0BAAAAAAAAAA==", + "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"", + "_attachments": "attachments/", + "_ts": 1630544034 +} +``` + +Šiame dokumente svarbūs laukai yra: `firstname`, `id` ir `age`. Likę laukai su pabraukimais buvo sugeneruoti Cosmos DB. + +#### Duomenų tyrinėjimas su Cosmos DB emuliatoriumi + +Emuliatorių galite atsisiųsti ir įdiegti [Windows sistemai čia](https://aka.ms/cosmosdb-emulator). Žiūrėkite šią [dokumentaciją](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) dėl galimybių paleisti emuliatorių macOS ir Linux sistemose. + +Emuliatorius atidaro naršyklės langą, kur Explorer vaizdas leidžia tyrinėti dokumentus. + +![Cosmos DB emuliatoriaus Explorer vaizdas](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.lt.png) + +Jei sekate pamoką, spustelėkite "Start with Sample", kad sugeneruotumėte pavyzdinę duomenų bazę, pavadintą SampleDB. Jei išplėsite SampleDB spustelėdami rodyklę, rasite konteinerį, pavadintą `Persons`. Konteineris talpina elementų rinkinį, kurie yra dokumentai konteineryje. Galite tyrinėti keturis atskirus dokumentus po `Items`. + +![Pavyzdinių duomenų tyrinėjimas Cosmos DB emuliatoriuje](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.lt.png) + +#### Dokumentų duomenų užklausos su Cosmos DB emuliatoriumi + +Taip pat galime užklausti pavyzdinius duomenis spustelėdami naujos SQL užklausos mygtuką (antras mygtukas iš kairės). + +`SELECT * FROM c` grąžina visus dokumentus konteineryje. Pridėkime sąlygą "where" ir suraskime visus jaunesnius nei 40 metų. + +`SELECT * FROM c where c.age < 40` + +![SQL užklausos vykdymas pavyzdiniuose duomenyse Cosmos DB emuliatoriuje, siekiant rasti dokumentus, kurių amžiaus lauko reikšmė mažesnė nei 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.lt.png) + +Užklausa grąžina du dokumentus, pastebėkite, kad kiekvieno dokumento amžiaus reikšmė yra mažesnė nei 40. + +#### JSON ir dokumentai + +Jei esate susipažinę su JavaScript Object Notation (JSON), pastebėsite, kad dokumentai atrodo panašūs į JSON. Šiame kataloge yra `PersonsData.json` failas su daugiau duomenų, kuriuos galite įkelti į konteinerį `Persons` emuliatoriuje per mygtuką `Upload Item`. + +Daugeliu atvejų API, kurios grąžina JSON duomenis, gali būti tiesiogiai perduotos ir saugomos dokumentų duomenų bazėse. Žemiau pateiktas kitas dokumentas, kuris atspindi "Microsoft" Twitter paskyros tviterius, gautus naudojant Twitter API, o vėliau įkeltus į Cosmos DB. + +```json +{ + "created_at": "2021-08-31T19:03:01.000Z", + "id": "1432780985872142341", + "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK", + "_rid": "dhAmAIUsA4oHAAAAAAAAAA==", + "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"", + "_attachments": "attachments/", + "_ts": 1630537000 +``` + +Šiame dokumente svarbūs laukai yra: `created_at`, `id` ir `text`. + +## 🚀 Iššūkis + +Kataloge yra `TwitterData.json` failas, kurį galite įkelti į SampleDB duomenų bazę. Rekomenduojama pridėti jį į atskirą konteinerį. Tai galima padaryti: + +1. Spustelėjus naujo konteinerio mygtuką viršutiniame dešiniajame kampe +1. Pasirinkus esamą duomenų bazę (SampleDB) ir sukuriant konteinerio ID +1. Nustatant skaidymo raktą į `/id` +1. Spustelėjus OK (galite ignoruoti likusią informaciją šiame vaizde, nes tai yra mažas duomenų rinkinys, veikiantis vietoje jūsų kompiuteryje) +1. Atidarius naują konteinerį ir įkėlus Twitter duomenų failą per mygtuką `Upload Item` + +Pabandykite vykdyti kelias užklausas, kad rastumėte dokumentus, kurių tekstų lauke yra "Microsoft". Užuomina: pabandykite naudoti [LIKE raktažodį](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character). + +## [Po paskaitos: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11) + +## Apžvalga ir savarankiškas mokymasis + +- Yra papildomų formatavimo ir funkcijų, pridėtų prie šios skaičiuoklės, kurių ši pamoka neapima. Microsoft turi [didelę dokumentacijos ir vaizdo įrašų biblioteką](https://support.microsoft.com/excel) apie Excel, jei norite sužinoti daugiau. + +- Ši architektūrinė dokumentacija detalizuoja skirtingų nerelacinių duomenų tipų charakteristikas: [Nerelaciniai duomenys ir NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data). + +- Cosmos DB yra debesų pagrindu veikianti nerelacinė duomenų bazė, kuri taip pat gali saugoti skirtingus NoSQL tipus, paminėtus šioje pamokoje. Sužinokite daugiau apie šiuos tipus šiame [Cosmos DB Microsoft Learn modulyje](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/). + +## Užduotis + +[Soda Profits](assignment.md) + +--- + +**Atsakomybės atsisakymas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/06-non-relational/assignment.md b/translations/lt/2-Working-With-Data/06-non-relational/assignment.md new file mode 100644 index 00000000..bc7f821c --- /dev/null +++ b/translations/lt/2-Working-With-Data/06-non-relational/assignment.md @@ -0,0 +1,33 @@ + +# Soda Pelnai + +## Instrukcijos + +[Coca Cola Co skaičiuoklėje](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) trūksta kai kurių skaičiavimų. Jūsų užduotis yra: + +1. Apskaičiuoti bendrąjį pelną 2015, 2016, 2017 ir 2018 finansiniais metais + - Bendrasis pelnas = Grynosios veiklos pajamos - Parduotų prekių savikaina +1. Apskaičiuoti visų bendrųjų pelnų vidurkį. Pabandykite tai padaryti naudodami funkciją. + - Vidurkis = Bendrųjų pelnų suma padalinta iš finansinių metų skaičiaus (10) + - Dokumentacija apie [AVERAGE funkciją](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) +1. Tai yra Excel failas, tačiau jis turėtų būti redaguojamas bet kurioje skaičiuoklės platformoje + +[Duomenų šaltinio kreditas Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel) + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia tobulinti +--- | --- | --- | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/07-python/README.md b/translations/lt/2-Working-With-Data/07-python/README.md new file mode 100644 index 00000000..9e31f9d4 --- /dev/null +++ b/translations/lt/2-Working-With-Data/07-python/README.md @@ -0,0 +1,292 @@ + +# Darbas su duomenimis: Python ir Pandas biblioteka + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) | +| :-------------------------------------------------------------------------------------------------------: | +| Darbas su Python - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[![Intro Video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.lt.png)](https://youtu.be/dZjWOGbsN4Y) + +Nors duomenų bazės siūlo labai efektyvius būdus saugoti duomenis ir užklausas vykdyti naudojant užklausų kalbas, lankstiausias būdas apdoroti duomenis yra rašyti savo programą, kuri manipuliuoja duomenimis. Daugeliu atvejų duomenų bazės užklausa būtų efektyvesnis sprendimas. Tačiau kai kuriais atvejais, kai reikalingas sudėtingesnis duomenų apdorojimas, tai negali būti lengvai atlikta naudojant SQL. +Duomenų apdorojimas gali būti programuojamas bet kuria programavimo kalba, tačiau yra tam tikrų kalbų, kurios yra aukštesnio lygio dirbant su duomenimis. Duomenų mokslininkai dažniausiai renkasi vieną iš šių kalbų: + +* **[Python](https://www.python.org/)** – universali programavimo kalba, dažnai laikoma viena geriausių pasirinkimų pradedantiesiems dėl jos paprastumo. Python turi daugybę papildomų bibliotekų, kurios gali padėti išspręsti daugelį praktinių problemų, pvz., išgauti duomenis iš ZIP archyvo ar konvertuoti paveikslėlį į pilkąjį toną. Be duomenų mokslo, Python taip pat dažnai naudojama interneto svetainių kūrimui. +* **[R](https://www.r-project.org/)** – tradicinė įrankių dėžė, sukurta statistinių duomenų apdorojimui. Ji taip pat turi didelį bibliotekų rinkinį (CRAN), todėl yra geras pasirinkimas duomenų apdorojimui. Tačiau R nėra universali programavimo kalba ir retai naudojama už duomenų mokslo ribų. +* **[Julia](https://julialang.org/)** – kita kalba, sukurta specialiai duomenų mokslui. Ji siekia geresnio našumo nei Python, todėl yra puikus įrankis moksliniams eksperimentams. + +Šioje pamokoje mes sutelksime dėmesį į Python naudojimą paprastam duomenų apdorojimui. Mes prielaida, kad turite pagrindines žinias apie šią kalbą. Jei norite giliau susipažinti su Python, galite pasinaudoti vienu iš šių šaltinių: + +* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) – greitas Python programavimo kursas GitHub platformoje +* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Mokymosi kelias [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +Duomenys gali būti įvairių formų. Šioje pamokoje mes apsvarstysime tris duomenų formas – **lentelinius duomenis**, **tekstą** ir **vaizdus**. + +Mes sutelksime dėmesį į keletą duomenų apdorojimo pavyzdžių, o ne pateiksime visą susijusių bibliotekų apžvalgą. Tai leis jums suprasti pagrindinę idėją, kas yra įmanoma, ir paliks jus su žiniomis, kur rasti sprendimus savo problemoms, kai jų prireiks. + +> **Naudingiausias patarimas**. Kai reikia atlikti tam tikrą operaciją su duomenimis, kurios nežinote, kaip atlikti, pabandykite ieškoti informacijos internete. [Stackoverflow](https://stackoverflow.com/) dažnai turi daug naudingų Python kodo pavyzdžių daugeliui tipinių užduočių. + + + +## [Prieš pamokos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12) + +## Lenteliniai duomenys ir DataFrame + +Jūs jau susipažinote su lenteliniais duomenimis, kai kalbėjome apie reliacines duomenų bazes. Kai turite daug duomenų, kurie yra saugomi skirtingose susietose lentelėse, tikrai verta naudoti SQL darbui su jais. Tačiau yra daug atvejų, kai turime vieną duomenų lentelę ir norime gauti tam tikrą **supratimą** ar **įžvalgas** apie šiuos duomenis, pvz., pasiskirstymą, vertybių koreliaciją ir pan. Duomenų moksle dažnai reikia atlikti tam tikras pradinio duomenų transformacijas, po kurių seka vizualizacija. Abi šios užduotys gali būti lengvai atliktos naudojant Python. + +Yra dvi naudingiausios Python bibliotekos, kurios gali padėti dirbti su lenteliniais duomenimis: +* **[Pandas](https://pandas.pydata.org/)** leidžia manipuliuoti vadinamaisiais **DataFrame**, kurie yra analogiški reliacinėms lentelėms. Galite turėti pavadintas stulpelius ir atlikti įvairias operacijas su eilutėmis, stulpeliais ir DataFrame apskritai. +* **[Numpy](https://numpy.org/)** yra biblioteka, skirta dirbti su **tensoriais**, t. y. daugiamačiais **masyvais**. Masyvas turi vienodo tipo vertybes ir yra paprastesnis nei DataFrame, tačiau siūlo daugiau matematinių operacijų ir sukuria mažiau papildomų išteklių. + +Taip pat yra keletas kitų bibliotekų, kurias verta žinoti: +* **[Matplotlib](https://matplotlib.org/)** – biblioteka, naudojama duomenų vizualizacijai ir grafų braižymui +* **[SciPy](https://www.scipy.org/)** – biblioteka su papildomomis mokslinėmis funkcijomis. Jau susidūrėme su šia biblioteka, kai kalbėjome apie tikimybes ir statistiką + +Štai kodo fragmentas, kurį paprastai naudotumėte šių bibliotekų importavimui Python programos pradžioje: +```python +import numpy as np +import pandas as pd +import matplotlib.pyplot as plt +from scipy import ... # you need to specify exact sub-packages that you need +``` + +Pandas yra pagrįsta keliais pagrindiniais konceptais. + +### Series + +**Series** yra vertybių seka, panaši į sąrašą arba numpy masyvą. Pagrindinis skirtumas yra tas, kad Series taip pat turi **indeksą**, ir kai atliekame operacijas su Series (pvz., sudedame jas), indeksas yra įtraukiamas į skaičiavimus. Indeksas gali būti toks paprastas kaip eilutės numeris (tai yra numatytasis indeksas, kai kuriame Series iš sąrašo ar masyvo), arba jis gali turėti sudėtingą struktūrą, pvz., datos intervalą. + +> **Pastaba**: Įvadinis Pandas kodas pateiktas pridedamame užrašų knygelėje [`notebook.ipynb`](notebook.ipynb). Čia pateikiame tik keletą pavyzdžių, tačiau tikrai kviečiame peržiūrėti visą užrašų knygelę. + +Pavyzdžiui, norime analizuoti mūsų ledų parduotuvės pardavimus. Sukurkime pardavimų skaičių seriją (kiekvieną dieną parduotų prekių skaičius) tam tikram laikotarpiui: + +```python +start_date = "Jan 1, 2020" +end_date = "Mar 31, 2020" +idx = pd.date_range(start_date,end_date) +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() +``` +![Laiko serijos grafikas](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.lt.png) + +Dabar tarkime, kad kiekvieną savaitę organizuojame vakarėlį draugams ir pasiimame papildomus 10 ledų pakuočių vakarėliui. Galime sukurti kitą seriją, indeksuotą savaitėmis, kad tai parodytume: +```python +additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W")) +``` +Kai sudedame dvi serijas, gauname bendrą skaičių: +```python +total_items = items_sold.add(additional_items,fill_value=0) +total_items.plot() +``` +![Laiko serijos grafikas](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.lt.png) + +> **Pastaba**: mes nenaudojame paprastos sintaksės `total_items+additional_items`. Jei tai darytume, gautume daug `NaN` (*Not a Number*) reikšmių rezultato serijoje. Taip yra todėl, kad kai kurių indeksų taškų serijoje `additional_items` trūksta reikšmių, o sudėjus `NaN` su bet kuo gaunamas `NaN`. Todėl reikia nurodyti `fill_value` parametrą sudėties metu. + +Su laiko serijomis taip pat galime **perdaryti** seriją su skirtingais laiko intervalais. Pavyzdžiui, jei norime apskaičiuoti vidutinį pardavimų kiekį mėnesiais, galime naudoti šį kodą: +```python +monthly = total_items.resample("1M").mean() +ax = monthly.plot(kind='bar') +``` +![Mėnesio laiko serijos vidurkiai](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.lt.png) + +### DataFrame + +DataFrame iš esmės yra serijų kolekcija su tuo pačiu indeksu. Galime sujungti kelias serijas į vieną DataFrame: +```python +a = pd.Series(range(1,10)) +b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9)) +df = pd.DataFrame([a,b]) +``` +Tai sukurs horizontalią lentelę, panašią į šią: +| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | +| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- | +| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | +| 1 | I | like | to | use | Python | and | Pandas | very | much | + +Taip pat galime naudoti Series kaip stulpelius ir nurodyti stulpelių pavadinimus naudodami žodyną: +```python +df = pd.DataFrame({ 'A' : a, 'B' : b }) +``` +Tai suteiks mums lentelę, panašią į šią: + +| | A | B | +| --- | --- | ------ | +| 0 | 1 | I | +| 1 | 2 | like | +| 2 | 3 | to | +| 3 | 4 | use | +| 4 | 5 | Python | +| 5 | 6 | and | +| 6 | 7 | Pandas | +| 7 | 8 | very | +| 8 | 9 | much | + +**Pastaba**: taip pat galime gauti šį lentelės išdėstymą transponuodami ankstesnę lentelę, pvz., rašydami +```python +df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' }) +``` +Čia `.T` reiškia DataFrame transponavimo operaciją, t. y. eilučių ir stulpelių keitimą vietomis, o `rename` operacija leidžia pervadinti stulpelius, kad atitiktų ankstesnį pavyzdį. + +Štai keletas svarbiausių operacijų, kurias galime atlikti su DataFrame: + +**Stulpelių pasirinkimas**. Galime pasirinkti atskirus stulpelius rašydami `df['A']` – ši operacija grąžina Series. Taip pat galime pasirinkti stulpelių pogrupį į kitą DataFrame rašydami `df[['B','A']]` – tai grąžina kitą DataFrame. + +**Filtravimas** tik tam tikrų eilučių pagal kriterijus. Pavyzdžiui, norėdami palikti tik eilutes, kuriose stulpelis `A` yra didesnis nei 5, galime rašyti `df[df['A']>5]`. + +> **Pastaba**: Filtravimas veikia taip. Išraiška `df['A']<5` grąžina loginę seriją, kuri nurodo, ar išraiška yra `True` ar `False` kiekvienam pradiniam serijos `df['A']` elementui. Kai loginė serija naudojama kaip indeksas, ji grąžina eilučių pogrupį DataFrame. Todėl negalima naudoti bet kokios Python loginės išraiškos, pvz., rašyti `df[df['A']>5 and df['A']<7]` būtų neteisinga. Vietoj to, turėtumėte naudoti specialią `&` operaciją loginėms serijoms, rašydami `df[(df['A']>5) & (df['A']<7)]` (*skliaustai čia yra svarbūs*). + +**Naujų skaičiuojamų stulpelių kūrimas**. Galime lengvai sukurti naujus skaičiuojamus stulpelius savo DataFrame naudodami intuityvią išraišką, pvz.: +```python +df['DivA'] = df['A']-df['A'].mean() +``` +Šis pavyzdys apskaičiuoja A nukrypimą nuo jo vidutinės vertės. Kas iš tikrųjų vyksta, tai mes apskaičiuojame seriją ir tada priskiriame šią seriją kairiajai pusei, sukurdami naują stulpelį. Todėl negalime naudoti jokių operacijų, kurios nesuderinamos su serijomis, pvz., žemiau pateiktas kodas yra neteisingas: +```python +# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi" +df['LenB'] = len(df['B']) # <- Wrong result +``` +Pastarasis pavyzdys, nors sintaksiškai teisingas, duoda neteisingą rezultatą, nes priskiria serijos `B` ilgį visoms stulpelio reikšmėms, o ne atskirų elementų ilgį, kaip buvo numatyta. + +Jei reikia apskaičiuoti sudėtingas išraiškas, galime naudoti `apply` funkciją. Paskutinis pavyzdys gali būti parašytas taip: +```python +df['LenB'] = df['B'].apply(lambda x : len(x)) +# or +df['LenB'] = df['B'].apply(len) +``` + +Po aukščiau pateiktų operacijų turėsime tokį DataFrame: + +| | A | B | DivA | LenB | +| --- | --- | ------ | ---- | ---- | +| 0 | 1 | I | -4.0 | 1 | +| 1 | 2 | like | -3.0 | 4 | +| 2 | 3 | to | -2.0 | 2 | +| 3 | 4 | use | -1.0 | 3 | +| 4 | 5 | Python | 0.0 | 6 | +| 5 | 6 | and | 1.0 | 3 | +| 6 | 7 | Pandas | 2.0 | 6 | +| 7 | 8 | very | 3.0 | 4 | +| 8 | 9 | much | 4.0 | 4 | + +**Eilučių pasirinkimas pagal numerius** gali būti atliekamas naudojant `iloc` konstrukciją. Pavyzdžiui, norėdami pasirinkti pirmas 5 eilutes iš DataFrame: +```python +df.iloc[:5] +``` + +**Grupavimas** dažnai naudojamas norint gauti rezultatą, panašų į *pivot lenteles* Excel programoje. Tarkime, kad norime apskaičiuoti vidutinę stulpelio `A` vertę kiekvienam `LenB` skaičiui. Tada galime grupuoti savo DataFrame pagal `LenB` ir iškviesti `mean`: +```python +df.groupby(by='LenB').mean() +``` +Jei reikia apskaičiuoti vidurkį ir elementų skaičių grupėje, galime naudoti sudėtingesnę `aggregate` funkciją: +```python +df.groupby(by='LenB') \ + .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \ + .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'}) +``` +Tai suteikia mums tokią lentelę: + +| LenB | Count | Mean | +| ---- | ----- | -------- | +| 1 | 1 | 1.000000 | +| 2 | 1 | 3.000000 | +| 3 | 2 | 5.000000 | +| 4 | 3 | 6.333333 | +| 6 | 2 | 6.000000 | + +### Duomenų gavimas +Mes matėme, kaip lengva sukurti Series ir DataFrames iš Python objektų. Tačiau duomenys dažniausiai pateikiami kaip tekstinis failas arba Excel lentelė. Laimei, Pandas suteikia paprastą būdą įkelti duomenis iš disko. Pavyzdžiui, CSV failo skaitymas yra toks paprastas: +```python +df = pd.read_csv('file.csv') +``` +Daugiau pavyzdžių, kaip įkelti duomenis, įskaitant jų gavimą iš išorinių svetainių, pamatysime skyriuje „Iššūkis“. + +### Spausdinimas ir Vizualizacija + +Duomenų mokslininkas dažnai turi tyrinėti duomenis, todėl svarbu mokėti juos vizualizuoti. Kai DataFrame yra didelis, dažnai norime tik įsitikinti, kad viską darome teisingai, išspausdindami pirmas kelias eilutes. Tai galima padaryti iškviečiant `df.head()`. Jei tai vykdote iš Jupyter Notebook, jis išspausdins DataFrame gražia lentelės forma. + +Mes taip pat matėme, kaip naudoti `plot` funkciją tam tikrų stulpelių vizualizavimui. Nors `plot` yra labai naudinga daugeliui užduočių ir palaiko daugybę skirtingų grafiko tipų per `kind=` parametrą, visada galite naudoti žaliąją `matplotlib` biblioteką, kad nupieštumėte kažką sudėtingesnio. Duomenų vizualizaciją detaliai aptarsime atskirose kurso pamokose. + +Ši apžvalga apima svarbiausias Pandas sąvokas, tačiau biblioteka yra labai turtinga, ir nėra ribų, ką su ja galite padaryti! Dabar pritaikykime šias žinias konkrečiai problemai spręsti. + +## 🚀 Iššūkis 1: COVID plitimo analizė + +Pirmoji problema, į kurią sutelksime dėmesį, yra COVID-19 epidemijos plitimo modeliavimas. Tam naudosime duomenis apie užsikrėtusių asmenų skaičių skirtingose šalyse, kuriuos pateikia [Sistemų mokslo ir inžinerijos centras](https://systems.jhu.edu/) (CSSE) iš [Johns Hopkins universiteto](https://jhu.edu/). Duomenų rinkinys yra pasiekiamas [šiame GitHub saugykloje](https://github.com/CSSEGISandData/COVID-19). + +Kadangi norime parodyti, kaip dirbti su duomenimis, kviečiame atidaryti [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) ir perskaityti jį nuo pradžios iki pabaigos. Taip pat galite vykdyti ląsteles ir atlikti kai kuriuos iššūkius, kuriuos palikome jums pabaigoje. + +![COVID plitimas](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.lt.png) + +> Jei nežinote, kaip vykdyti kodą Jupyter Notebook, peržiūrėkite [šį straipsnį](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## Darbas su nestruktūrizuotais duomenimis + +Nors duomenys dažnai pateikiami lentelės forma, kai kuriais atvejais turime dirbti su mažiau struktūrizuotais duomenimis, pavyzdžiui, tekstu ar vaizdais. Tokiu atveju, norėdami taikyti aukščiau matytas duomenų apdorojimo technikas, turime kažkaip **išgauti** struktūrizuotus duomenis. Štai keletas pavyzdžių: + +* Raktažodžių išgavimas iš teksto ir jų pasikartojimo dažnio analizė +* Neuroninių tinklų naudojimas informacijai apie objektus paveikslėlyje išgauti +* Informacijos apie žmonių emocijas vaizdo kameros sraute gavimas + +## 🚀 Iššūkis 2: COVID mokslinių straipsnių analizė + +Šiame iššūkyje tęsime COVID pandemijos temą ir sutelksime dėmesį į mokslinių straipsnių šia tema apdorojimą. Yra [CORD-19 duomenų rinkinys](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge), kuriame yra daugiau nei 7000 (rašymo metu) straipsnių apie COVID, pateikiamų su metaduomenimis ir santraukomis (apie pusę jų taip pat pateikiamas visas tekstas). + +Pilnas šio duomenų rinkinio analizės pavyzdys naudojant [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) kognityvinę paslaugą aprašytas [šiame tinklaraščio įraše](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Aptarsime supaprastintą šios analizės versiją. + +> **NOTE**: Mes nepateikiame šio duomenų rinkinio kopijos kaip šios saugyklos dalies. Pirmiausia gali tekti atsisiųsti [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) failą iš [šio Kaggle duomenų rinkinio](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Gali reikėti registracijos Kaggle. Taip pat galite atsisiųsti duomenų rinkinį be registracijos [iš čia](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), tačiau jis apims visus pilnus tekstus be metaduomenų failo. + +Atidarykite [`notebook-papers.ipynb`](notebook-papers.ipynb) ir perskaitykite jį nuo pradžios iki pabaigos. Taip pat galite vykdyti ląsteles ir atlikti kai kuriuos iššūkius, kuriuos palikome jums pabaigoje. + +![COVID medicininis gydymas](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.lt.png) + +## Vaizdų duomenų apdorojimas + +Pastaruoju metu buvo sukurti labai galingi AI modeliai, leidžiantys suprasti vaizdus. Yra daug užduočių, kurias galima išspręsti naudojant iš anksto apmokytus neuroninius tinklus arba debesų paslaugas. Keletas pavyzdžių: + +* **Vaizdų klasifikacija**, kuri gali padėti kategorizuoti vaizdą į vieną iš iš anksto apibrėžtų klasių. Galite lengvai apmokyti savo vaizdų klasifikatorius naudodami tokias paslaugas kaip [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) +* **Objektų atpažinimas**, skirtas aptikti skirtingus objektus vaizde. Tokios paslaugos kaip [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) gali aptikti daugybę bendrų objektų, o jūs galite apmokyti [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) modelį aptikti specifinius jus dominančius objektus. +* **Veidų atpažinimas**, įskaitant amžiaus, lyties ir emocijų nustatymą. Tai galima atlikti naudojant [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum). + +Visos šios debesų paslaugos gali būti iškviečiamos naudojant [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), todėl jas lengva įtraukti į jūsų duomenų tyrinėjimo darbo eigą. + +Štai keletas pavyzdžių, kaip tyrinėti duomenis iš vaizdų šaltinių: +* Tinklaraščio įraše [Kaip išmokti duomenų mokslą be programavimo](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) mes tyrinėjame Instagram nuotraukas, bandydami suprasti, kas skatina žmones labiau pamėgti nuotrauką. Pirmiausia iš paveikslėlių išgauname kuo daugiau informacijos naudodami [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), o tada naudojame [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum), kad sukurtume interpretuojamą modelį. +* [Veidų tyrimų dirbtuvėse](https://github.com/CloudAdvocacy/FaceStudies) mes naudojame [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum), kad išgautume emocijas žmonių nuotraukose iš renginių, bandydami suprasti, kas daro žmones laimingus. + +## Išvada + +Nesvarbu, ar jau turite struktūrizuotus, ar nestruktūrizuotus duomenis, naudodami Python galite atlikti visus su duomenų apdorojimu ir supratimu susijusius veiksmus. Tai turbūt lankstiausias duomenų apdorojimo būdas, ir būtent todėl dauguma duomenų mokslininkų naudoja Python kaip pagrindinį įrankį. Mokytis Python išsamiai yra gera idėja, jei rimtai žiūrite į savo duomenų mokslo kelionę! + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13) + +## Apžvalga ir savarankiškas mokymasis + +**Knygos** +* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662) + +**Internetiniai ištekliai** +* Oficialus [10 minučių Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) vadovas +* [Pandas vizualizacijos dokumentacija](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) + +**Python mokymasis** +* [Išmokite Python smagiai su Turtle Graphics ir Fractals](https://github.com/shwars/pycourse) +* [Pradėkite savo pirmuosius žingsnius su Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) mokymosi kelias [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +## Užduotis + +[Atlikite detalesnį duomenų tyrimą aukščiau pateiktiems iššūkiams](assignment.md) + +## Kreditas + +Ši pamoka buvo sukurta su ♥️ [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors stengiamės užtikrinti tikslumą, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/07-python/assignment.md b/translations/lt/2-Working-With-Data/07-python/assignment.md new file mode 100644 index 00000000..2a6c93ec --- /dev/null +++ b/translations/lt/2-Working-With-Data/07-python/assignment.md @@ -0,0 +1,37 @@ + +# Užduotis duomenų apdorojimui su Python + +Šioje užduotyje prašysime jūsų išplėtoti kodą, kurį pradėjome kurti mūsų iššūkiuose. Užduotis susideda iš dviejų dalių: + +## COVID-19 plitimo modeliavimas + + - [ ] Nubraižykite *R* grafikus 5-6 skirtingoms šalims viename grafike, kad būtų galima palyginti, arba naudokite kelis grafikus šalia vienas kito. + - [ ] Išanalizuokite, kaip mirčių ir pasveikimų skaičius koreliuoja su užsikrėtusiųjų skaičiumi. + - [ ] Išsiaiškinkite, kiek laiko trunka tipinė liga, vizualiai koreliuodami užsikrėtimo ir mirčių rodiklius bei ieškodami tam tikrų anomalijų. Jums gali tekti analizuoti skirtingas šalis, kad tai nustatytumėte. + - [ ] Apskaičiuokite mirtingumo rodiklį ir kaip jis keičiasi laikui bėgant. *Galbūt norėsite atsižvelgti į ligos trukmę dienomis, kad galėtumėte perkelti vieną laiko seką prieš atlikdami skaičiavimus.* + +## COVID-19 mokslinių straipsnių analizė + +- [ ] Sukurkite skirtingų vaistų ko-pasirodymo matricą ir pažiūrėkite, kurie vaistai dažnai minimi kartu (t. y. paminėti viename santraukoje). Galite modifikuoti kodą, skirtą ko-pasirodymo matricai kurti vaistams ir diagnozėms. +- [ ] Vizualizuokite šią matricą naudodami šilumos žemėlapį. +- [ ] Papildoma užduotis: vizualizuokite vaistų ko-pasirodymą naudodami [chord diagramą](https://en.wikipedia.org/wiki/Chord_diagram). [Ši biblioteka](https://pypi.org/project/chord/) gali padėti jums nubrėžti chord diagramą. +- [ ] Kita papildoma užduotis: ištraukite skirtingų vaistų dozes (pvz., **400mg** iš *vartokite 400mg chloroquine kasdien*) naudodami reguliarias išraiškas ir sukurkite duomenų rėmelį, kuriame būtų parodytos skirtingos vaistų dozės. **Pastaba**: apsvarstykite skaitines reikšmes, kurios yra arti vaisto pavadinimo tekste. + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia patobulinimų +--- | --- | -- | +Visos užduotys atliktos, grafiškai iliustruotos ir paaiškintos, įskaitant bent vieną iš dviejų papildomų užduočių | Atlikta daugiau nei 5 užduotys, papildomos užduotys neatliktos arba rezultatai nėra aiškūs | Atlikta mažiau nei 5 (bet daugiau nei 3) užduotys, vizualizacijos nepadeda pademonstruoti esmės + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/08-data-preparation/README.md b/translations/lt/2-Working-With-Data/08-data-preparation/README.md new file mode 100644 index 00000000..c4d43493 --- /dev/null +++ b/translations/lt/2-Working-With-Data/08-data-preparation/README.md @@ -0,0 +1,346 @@ + +# Darbas su duomenimis: Duomenų paruošimas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)| +|:---:| +|Duomenų paruošimas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Prieš paskaitą: Klausimynas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14) + +Priklausomai nuo šaltinio, neapdoroti duomenys gali turėti tam tikrų neatitikimų, kurie sukels sunkumų analizuojant ir modeliuojant. Kitaip tariant, šie duomenys gali būti laikomi „nešvariais“ ir juos reikės išvalyti. Šioje pamokoje dėmesys skiriamas duomenų valymo ir transformavimo technikoms, siekiant spręsti problemas, susijusias su trūkstamais, netiksliais ar neišsamiais duomenimis. Pamokoje aptariamos temos bus naudojamos su Python ir Pandas biblioteka ir bus [pademonstruotos užrašų knygelėje](notebook.ipynb) šiame kataloge. + +## Kodėl svarbu valyti duomenis + +- **Naudojimo ir pakartotinio naudojimo paprastumas**: Kai duomenys yra tinkamai organizuoti ir normalizuoti, juos lengviau ieškoti, naudoti ir dalintis su kitais. + +- **Nuoseklumas**: Duomenų mokslas dažnai reikalauja dirbti su daugiau nei vienu duomenų rinkiniu, kur duomenų rinkiniai iš skirtingų šaltinių turi būti sujungti. Užtikrinus, kad kiekvienas atskiras duomenų rinkinys būtų standartizuotas, galima užtikrinti, kad sujungti duomenys išliks naudingi. + +- **Modelio tikslumas**: Išvalyti duomenys pagerina modelių, kurie jais remiasi, tikslumą. + +## Dažni valymo tikslai ir strategijos + +- **Duomenų rinkinio tyrimas**: Duomenų tyrimas, kuris aptariamas [vėlesnėje pamokoje](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), gali padėti atrasti duomenis, kuriuos reikia išvalyti. Vizualiai stebint reikšmes duomenų rinkinyje galima susidaryti lūkesčius, kaip atrodys likusi dalis, arba gauti idėjų apie problemas, kurias galima išspręsti. Tyrimas gali apimti pagrindinius užklausų vykdymus, vizualizacijas ir pavyzdžių analizę. + +- **Formatavimas**: Priklausomai nuo šaltinio, duomenys gali būti pateikti nenuosekliai. Tai gali sukelti problemų ieškant ir atvaizduojant reikšmes, kai jos matomos duomenų rinkinyje, bet nėra tinkamai pateiktos vizualizacijose ar užklausų rezultatuose. Dažnos formatavimo problemos apima tarpus, datas ir duomenų tipus. Formatavimo problemų sprendimas paprastai priklauso nuo žmonių, kurie naudoja duomenis. Pavyzdžiui, standartai, kaip pateikiamos datos ir skaičiai, gali skirtis priklausomai nuo šalies. + +- **Dubliavimas**: Duomenys, kurie pasikartoja, gali sukelti netikslius rezultatus ir dažniausiai turėtų būti pašalinti. Tai dažnai pasitaiko, kai sujungiami du ar daugiau duomenų rinkinių. Tačiau yra atvejų, kai dubliuoti duomenys sujungtuose rinkiniuose gali turėti papildomos informacijos ir juos gali reikėti išsaugoti. + +- **Trūkstami duomenys**: Trūkstami duomenys gali sukelti netikslumus, taip pat silpnus ar šališkus rezultatus. Kartais tai galima išspręsti „pakartotinai įkeliant“ duomenis, užpildant trūkstamas reikšmes skaičiavimais ir kodu, pavyzdžiui, Python, arba tiesiog pašalinant reikšmę ir atitinkamus duomenis. Yra daugybė priežasčių, kodėl duomenys gali būti trūkstami, o veiksmai, kurių imamasi siekiant išspręsti šias problemas, gali priklausyti nuo to, kaip ir kodėl jie dingo. + +## Duomenų rėmelio informacijos tyrimas +> **Mokymosi tikslas:** Šios dalies pabaigoje turėtumėte jaustis patogiai ieškodami bendros informacijos apie pandas DataFrame saugomus duomenis. + +Kai duomenys įkeliami į pandas, jie greičiausiai bus DataFrame formatu (žr. ankstesnę [pamoką](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) dėl išsamesnės apžvalgos). Tačiau jei jūsų DataFrame turi 60 000 eilučių ir 400 stulpelių, nuo ko pradėti suprasti, su kuo dirbate? Laimei, [pandas](https://pandas.pydata.org/) suteikia patogius įrankius greitai peržiūrėti bendrą informaciją apie DataFrame, taip pat pirmąsias ir paskutines eilutes. + +Norėdami ištirti šią funkciją, importuosime Python scikit-learn biblioteką ir naudosime ikonišką duomenų rinkinį: **Iris duomenų rinkinį**. + +```python +import pandas as pd +from sklearn.datasets import load_iris + +iris = load_iris() +iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names']) +``` +| |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)| +|----------------------------------------|-----------------|----------------|-----------------|----------------| +|0 |5.1 |3.5 |1.4 |0.2 | +|1 |4.9 |3.0 |1.4 |0.2 | +|2 |4.7 |3.2 |1.3 |0.2 | +|3 |4.6 |3.1 |1.5 |0.2 | +|4 |5.0 |3.6 |1.4 |0.2 | + +- **DataFrame.info**: Pradžiai, `info()` metodas naudojamas norint atspausdinti santrauką apie `DataFrame` turinį. Pažiūrėkime į šį duomenų rinkinį: +```python +iris_df.info() +``` +``` +RangeIndex: 150 entries, 0 to 149 +Data columns (total 4 columns): + # Column Non-Null Count Dtype +--- ------ -------------- ----- + 0 sepal length (cm) 150 non-null float64 + 1 sepal width (cm) 150 non-null float64 + 2 petal length (cm) 150 non-null float64 + 3 petal width (cm) 150 non-null float64 +dtypes: float64(4) +memory usage: 4.8 KB +``` +Iš to sužinome, kad *Iris* duomenų rinkinys turi 150 įrašų keturiuose stulpeliuose be jokių tuščių įrašų. Visi duomenys saugomi kaip 64 bitų slankiojo kablelio skaičiai. + +- **DataFrame.head()**: Toliau, norėdami patikrinti faktinį `DataFrame` turinį, naudojame `head()` metodą. Pažiūrėkime, kaip atrodo pirmosios kelios mūsų `iris_df` eilutės: +```python +iris_df.head() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +0 5.1 3.5 1.4 0.2 +1 4.9 3.0 1.4 0.2 +2 4.7 3.2 1.3 0.2 +3 4.6 3.1 1.5 0.2 +4 5.0 3.6 1.4 0.2 +``` +- **DataFrame.tail()**: Priešingai, norėdami patikrinti paskutines kelias `DataFrame` eilutes, naudojame `tail()` metodą: +```python +iris_df.tail() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +145 6.7 3.0 5.2 2.3 +146 6.3 2.5 5.0 1.9 +147 6.5 3.0 5.2 2.0 +148 6.2 3.4 5.4 2.3 +149 5.9 3.0 5.1 1.8 +``` +> **Išvada:** Net ir žiūrėdami tik į metaduomenis apie informaciją `DataFrame` arba pirmąsias ir paskutines kelias reikšmes, galite iš karto susidaryti idėją apie duomenų dydį, formą ir turinį. + +## Darbas su trūkstamais duomenimis +> **Mokymosi tikslas:** Šios dalies pabaigoje turėtumėte žinoti, kaip pakeisti arba pašalinti null reikšmes iš DataFrame. + +Dažniausiai duomenų rinkiniai, kuriuos norite naudoti (arba privalote naudoti), turi trūkstamų reikšmių. Kaip tvarkomi trūkstami duomenys, turi subtilių kompromisų, kurie gali paveikti jūsų galutinę analizę ir realaus pasaulio rezultatus. + +Pandas tvarko trūkstamas reikšmes dviem būdais. Pirmasis, kurį jau matėte ankstesnėse dalyse: `NaN`, arba Not a Number. Tai yra speciali reikšmė, kuri yra IEEE slankiojo kablelio specifikacijos dalis ir naudojama tik trūkstamoms slankiojo kablelio reikšmėms nurodyti. + +Kitiems nei slankiojo kablelio trūkstamiems duomenims pandas naudoja Python `None` objektą. Nors gali atrodyti painu, kad susidursite su dviem skirtingomis reikšmėmis, kurios iš esmės reiškia tą patį, yra pagrįstų programinių priežasčių šiam dizaino pasirinkimui, o praktikoje tai leidžia pandas pateikti gerą kompromisą daugumai atvejų. Nepaisant to, tiek `None`, tiek `NaN` turi apribojimų, kuriuos reikia žinoti, kaip jie gali būti naudojami. + +Daugiau apie `NaN` ir `None` galite sužinoti iš [užrašų knygelės](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)! + +- **Null reikšmių aptikimas**: Pandas `isnull()` ir `notnull()` metodai yra pagrindiniai metodai null duomenims aptikti. Abu grąžina Boole'o kaukes jūsų duomenims. Naudosime `numpy` `NaN` reikšmėms: +```python +import numpy as np + +example1 = pd.Series([0, np.nan, '', None]) +example1.isnull() +``` +``` +0 False +1 True +2 False +3 True +dtype: bool +``` +Atidžiai pažiūrėkite į išvestį. Ar kas nors jus nustebino? Nors `0` yra aritmetinis null, jis vis tiek yra tinkamas sveikasis skaičius ir pandas jį taip traktuoja. `''` yra šiek tiek subtilesnis. Nors jį naudojome 1 skyriuje kaip tuščios eilutės reikšmę, jis vis tiek yra eilutės objektas ir pandas nelaiko jo null reikšme. + +Dabar apverskime tai ir naudokime šiuos metodus taip, kaip dažniausiai juos naudosite praktikoje. Boole'o kaukes galite naudoti tiesiogiai kaip ``Series`` arba ``DataFrame`` indeksą, kuris gali būti naudingas dirbant su atskirai trūkstamomis (arba esančiomis) reikšmėmis. + +> **Išvada**: Tiek `isnull()`, tiek `notnull()` metodai duoda panašius rezultatus, kai juos naudojate `DataFrame`: jie rodo rezultatus ir tų rezultatų indeksą, kas jums labai padės dirbant su duomenimis. + +- **Null reikšmių pašalinimas**: Be trūkstamų reikšmių identifikavimo, pandas suteikia patogų būdą pašalinti null reikšmes iš `Series` ir `DataFrame`. (Ypač dideliuose duomenų rinkiniuose dažnai patartina tiesiog pašalinti trūkstamas [NA] reikšmes iš analizės, o ne tvarkyti jas kitais būdais.) Norėdami tai pamatyti veiksmuose, grįžkime prie `example1`: +```python +example1 = example1.dropna() +example1 +``` +``` +0 0 +2 +dtype: object +``` +Atkreipkite dėmesį, kad tai turėtų atrodyti kaip jūsų išvestis iš `example3[example3.notnull()]`. Skirtumas tas, kad vietoj to, kad būtų indeksuojamos kaukės reikšmės, `dropna` pašalino tas trūkstamas reikšmes iš `Series` `example1`. + +Kadangi `DataFrame` turi dvi dimensijas, jie suteikia daugiau galimybių duomenims pašalinti. + +```python +example2 = pd.DataFrame([[1, np.nan, 7], + [2, 5, 8], + [np.nan, 6, 9]]) +example2 +``` +| | 0 | 1 | 2 | +|------|---|---|---| +|0 |1.0|NaN|7 | +|1 |2.0|5.0|8 | +|2 |NaN|6.0|9 | + +(Ar pastebėjote, kad pandas pakeitė du stulpelius į slankiojo kablelio tipus, kad atitiktų `NaN`?) + +Negalite pašalinti vienos reikšmės iš `DataFrame`, todėl turite pašalinti visas eilutes arba stulpelius. Priklausomai nuo to, ką darote, galite norėti daryti vieną ar kitą, todėl pandas suteikia galimybes abiem. Kadangi duomenų moksle stulpeliai paprastai atspindi kintamuosius, o eilutės - stebėjimus, dažniau pašalinsite duomenų eilutes; numatytasis `dropna()` nustatymas yra pašalinti visas eilutes, kuriose yra bet kokių null reikšmių: + +```python +example2.dropna() +``` +``` + 0 1 2 +1 2.0 5.0 8 +``` +Jei reikia, galite pašalinti NA reikšmes iš stulpelių. Naudokite `axis=1`, kad tai padarytumėte: +```python +example2.dropna(axis='columns') +``` +``` + 2 +0 7 +1 8 +2 9 +``` +Atkreipkite dėmesį, kad tai gali pašalinti daug duomenų, kuriuos galbūt norėtumėte išsaugoti, ypač mažesniuose duomenų rinkiniuose. O kas, jei norite pašalinti tik tas eilutes ar stulpelius, kuriuose yra kelios arba net visos null reikšmės? Šiuos nustatymus galite nurodyti `dropna` naudodami `how` ir `thresh` parametrus. + +Pagal numatytuosius nustatymus `how='any'` (jei norite patikrinti patys arba pamatyti, kokius kitus parametrus turi metodas, paleiskite `example4.dropna?` kodo langelyje). Galėtumėte alternatyviai nurodyti `how='all'`, kad pašalintumėte tik tas eilutes ar stulpelius, kuriuose yra visos null reikšmės. Išplėskime mūsų pavyzdinį `DataFrame`, kad pamatytume tai veiksmuose. + +```python +example2[3] = np.nan +example2 +``` +| |0 |1 |2 |3 | +|------|---|---|---|---| +|0 |1.0|NaN|7 |NaN| +|1 |2.0|5.0|8 |NaN| +|2 |NaN|6.0|9 |NaN| + +`Thresh` parametras suteikia jums smulkesnę kontrolę: nustatote *ne-null* reikšmių skaičių, kurį eilutė arba stulpelis turi turėti, kad būtų išsaugotas: +```python +example2.dropna(axis='rows', thresh=3) +``` +``` + 0 1 2 3 +1 2.0 5.0 8 NaN +``` +Čia pirmoji ir paskutinė eilutės buvo pašalintos, nes jose yra tik dvi ne-null reikšmės. + +- **Null reikšmių užpildymas**: Priklausomai nuo jūsų duomenų rinkinio, kartais gali būti prasmingiau užpildyti null reikšmes galiojančiomis, o ne jas pašalinti. Galėtumėte naudoti `isnull`, kad tai padarytumėte vietoje, tačiau tai gali būti varginantis darbas, ypač jei turite daug reikšmių, kurias reikia užpildyti. Kadangi tai yra tokia dažna užduotis duomenų moksle, pandas suteikia `fillna`, kuris grąžina `Series` arba `DataFrame` kopiją su trūkstamomis reikšmėmis, pakeistomis jūsų pasirinkta reikšme. Sukurkime dar vieną pavyzdinį `Series`, kad pamatytume, kaip tai veikia praktikoje. +```python +example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde')) +example3 +``` +``` +a 1.0 +b NaN +c 2.0 +d NaN +e 3.0 +dtype: float64 +``` +Galite užpildyti visas null reikšmes viena reikšme, pavyzdžiui, `0`: +```python +example3.fillna(0) +``` +``` +a 1.0 +b 0.0 +c 2.0 +d 0.0 +e 3.0 +dtype: float64 +``` +Galite **užpildyti pirmyn** null reikšmes, naudodami paskutinę galiojančią reikšmę null reikšmei užpildyti: +```python +example3.fillna(method='ffill') +``` +``` +a 1.0 +b 1.0 +c 2.0 +d 2.0 +e 3.0 +dtype: float64 +``` +Taip pat galite **užpildyti atgal**, kad užpildytumėte null reikšmę naudodami kitą galiojančią reikšmę: +```python +example3.fillna(method='bfill') +``` +``` +a 1.0 +b 2.0 +c 2.0 +d 3.0 +e 3.0 +dtype: float64 +``` +Kaip galite spėti, tai veikia taip pat su `DataFrame`, tačiau taip pat galite nurodyti `axis`, pagal kurį užpildyti null reikšmes. Naudojant anksčiau naudotą `example2`: +```python +example2.fillna(method='ffill', axis=1) +``` +``` + 0 1 2 3 +0 1.0 1.0 7.0 7.0 +1 2.0 5.0 8.0 8.0 +2 NaN 6.0 9.0 9.0 +``` +Atkreipkite dėmesį, kad kai ankstesnė reikšmė nėra prieinama užpildymui pirmyn, null reikšmė lieka. +> **Svarbiausia:** Yra daugybė būdų, kaip spręsti trūkstamų reikšmių problemą jūsų duomenų rinkiniuose. Konkreti strategija, kurią pasirinksite (pašalinti, pakeisti ar net kaip pakeisti), turėtų būti diktuojama konkrečių duomenų ypatumų. Kuo daugiau dirbsite su duomenų rinkiniais, tuo geriau suprasite, kaip tvarkyti trūkstamas reikšmes. + +## Dublikatų duomenų pašalinimas + +> **Mokymosi tikslas:** Šios poskyrio pabaigoje turėtumėte jaustis užtikrintai identifikuodami ir pašalindami pasikartojančias reikšmes iš `DataFrame`. + +Be trūkstamų duomenų, realiuose duomenų rinkiniuose dažnai susidursite su pasikartojančiais duomenimis. Laimei, `pandas` suteikia paprastą būdą aptikti ir pašalinti pasikartojančias įrašus. + +- **Dublikatų identifikavimas: `duplicated`**: Pasikartojančias reikšmes galite lengvai aptikti naudodami `duplicated` metodą `pandas`, kuris grąžina loginę kaukę, nurodančią, ar įrašas `DataFrame` yra ankstesnio įrašo dublikatas. Sukurkime dar vieną pavyzdinį `DataFrame`, kad pamatytume, kaip tai veikia. +```python +example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'], + 'numbers': [1, 2, 1, 3, 3]}) +example4 +``` +| |letters|numbers| +|------|-------|-------| +|0 |A |1 | +|1 |B |2 | +|2 |A |1 | +|3 |B |3 | +|4 |B |3 | + +```python +example4.duplicated() +``` +``` +0 False +1 False +2 True +3 False +4 True +dtype: bool +``` +- **Dublikatų pašalinimas: `drop_duplicates`:** paprasčiausiai grąžina duomenų kopiją, kurioje visos `duplicated` reikšmės yra `False`: +```python +example4.drop_duplicates() +``` +``` + letters numbers +0 A 1 +1 B 2 +3 B 3 +``` +Tiek `duplicated`, tiek `drop_duplicates` pagal numatytuosius nustatymus atsižvelgia į visas stulpelius, tačiau galite nurodyti, kad jie analizuotų tik tam tikrą `DataFrame` stulpelių dalį: +```python +example4.drop_duplicates(['letters']) +``` +``` +letters numbers +0 A 1 +1 B 2 +``` + +> **Svarbiausia:** Pasikartojančių duomenų pašalinimas yra būtina beveik kiekvieno duomenų mokslo projekto dalis. Pasikartojantys duomenys gali pakeisti jūsų analizės rezultatus ir pateikti netikslius rezultatus! + + +## 🚀 Iššūkis + +Visos aptartos medžiagos pateikiamos kaip [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Be to, po kiekvieno skyriaus yra pratimai – išbandykite juos! + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15) + + + +## Apžvalga ir savarankiškas mokymasis + +Yra daugybė būdų, kaip atrasti ir pasiruošti duomenų analizavimui bei modeliavimui, o duomenų valymas yra svarbus žingsnis, reikalaujantis praktinio darbo. Išbandykite šiuos Kaggle iššūkius, kad susipažintumėte su technikomis, kurios nebuvo aptartos šioje pamokoje. + +- [Duomenų valymo iššūkis: Datų analizė](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/) + +- [Duomenų valymo iššūkis: Duomenų mastelio keitimas ir normalizavimas](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data) + + +## Užduotis + +[Duomenų vertinimas iš formos](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/08-data-preparation/assignment.md b/translations/lt/2-Working-With-Data/08-data-preparation/assignment.md new file mode 100644 index 00000000..09daa41d --- /dev/null +++ b/translations/lt/2-Working-With-Data/08-data-preparation/assignment.md @@ -0,0 +1,28 @@ + +# Duomenų iš formos vertinimas + +Klientas testavo [nedidelę formą](../../../../2-Working-With-Data/08-data-preparation/index.html), skirtą surinkti pagrindinius duomenis apie savo klientų bazę. Jie pateikė jums savo surinktus duomenis, kad juos patikrintumėte. Galite atidaryti `index.html` puslapį naršyklėje, kad peržiūrėtumėte formą. + +Jums buvo pateiktas [CSV įrašų duomenų rinkinys](../../../../data/form.csv), kuriame yra formos įrašai bei keletas pagrindinių vizualizacijų. Klientas pastebėjo, kad kai kurios vizualizacijos atrodo neteisingos, tačiau jie nėra tikri, kaip tai išspręsti. Galite tai išnagrinėti [užduoties užrašinėje](assignment.ipynb). + +## Instrukcijos + +Naudokite šioje pamokoje aptartas technikas, kad pateiktumėte rekomendacijas, kaip formą patobulinti, jog ji rinktų tikslią ir nuoseklią informaciją. + +## Vertinimo kriterijai + +Pavyzdingai | Pakankamai | Reikia patobulinimų +--- | --- | --- + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/2-Working-With-Data/README.md b/translations/lt/2-Working-With-Data/README.md new file mode 100644 index 00000000..3a12b1fd --- /dev/null +++ b/translations/lt/2-Working-With-Data/README.md @@ -0,0 +1,31 @@ + +# Darbas su duomenimis + +![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.lt.jpg) +> Nuotrauka Alexander Sinn iš Unsplash + +Šiose pamokose sužinosite, kaip galima valdyti, manipuliuoti ir naudoti duomenis programose. Susipažinsite su reliacinėmis ir nereliacinėmis duomenų bazėmis bei kaip jose galima saugoti duomenis. Išmoksite pagrindus, kaip naudotis Python valdant duomenis, ir atrasite daugybę būdų, kaip Python gali būti naudojamas duomenims valdyti ir analizuoti. + +### Temos + +1. [Reliacinės duomenų bazės](05-relational-databases/README.md) +2. [Nereliacinės duomenų bazės](06-non-relational/README.md) +3. [Darbas su Python](07-python/README.md) +4. [Duomenų paruošimas](08-data-preparation/README.md) + +### Autorystė + +Šios pamokos buvo parašytos su ❤️ [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) ir [Jasmine Greenaway](https://twitter.com/paladique). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/09-visualization-quantities/README.md b/translations/lt/3-Data-Visualization/09-visualization-quantities/README.md new file mode 100644 index 00000000..bba8fa21 --- /dev/null +++ b/translations/lt/3-Data-Visualization/09-visualization-quantities/README.md @@ -0,0 +1,217 @@ + +# Vizualizuojame kiekius + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Vizualizuojame kiekius - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Šioje pamokoje sužinosite, kaip naudoti vieną iš daugelio Python bibliotekų, kad sukurtumėte įdomias vizualizacijas, susijusias su kiekių koncepcija. Naudodami išvalytą duomenų rinkinį apie Minesotos paukščius, galite sužinoti daug įdomių faktų apie vietinę laukinę gamtą. +## [Prieš paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Stebėkite sparnų ilgį su Matplotlib + +Puiki biblioteka, skirta kurti tiek paprastus, tiek sudėtingus įvairių tipų grafikus ir diagramas, yra [Matplotlib](https://matplotlib.org/stable/index.html). Bendrai kalbant, duomenų vaizdavimo procesas naudojant šias bibliotekas apima duomenų rėmelio dalių identifikavimą, kurias norite analizuoti, reikalingų transformacijų atlikimą, x ir y ašių reikšmių priskyrimą, grafiko tipo pasirinkimą ir jo rodymą. Matplotlib siūlo daugybę vizualizacijų, tačiau šioje pamokoje sutelksime dėmesį į tas, kurios labiausiai tinka kiekių vizualizavimui: linijinius grafikus, sklaidos diagramas ir stulpelines diagramas. + +> ✅ Pasirinkite geriausią grafiką, atitinkantį jūsų duomenų struktūrą ir pasakojimą, kurį norite perteikti. +> - Norint analizuoti tendencijas laikui bėgant: linijinis grafikas +> - Norint palyginti reikšmes: stulpeliai, kolonos, pyragas, sklaidos diagrama +> - Norint parodyti, kaip dalys susijusios su visuma: pyragas +> - Norint parodyti duomenų pasiskirstymą: sklaidos diagrama, stulpeliai +> - Norint parodyti tendencijas: linijinis grafikas, kolonos +> - Norint parodyti ryšius tarp reikšmių: linijinis grafikas, sklaidos diagrama, burbulų diagrama + +Jei turite duomenų rinkinį ir norite sužinoti, kiek tam tikro elemento yra įtraukta, viena iš pirmųjų užduočių bus patikrinti jo reikšmes. + +✅ Puikūs „cheat sheet“ dokumentai Matplotlib yra prieinami [čia](https://matplotlib.org/cheatsheets/cheatsheets.pdf). + +## Sukurkite linijinį grafiką apie paukščių sparnų ilgius + +Atidarykite `notebook.ipynb` failą, esantį šios pamokos aplanko šaknyje, ir pridėkite langelį. + +> Pastaba: duomenys saugomi šio repo šaknyje `/data` aplanke. + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` +Šie duomenys yra tekstų ir skaičių mišinys: + +| | Pavadinimas | MokslinisPavadinimas | Kategorija | Būrys | Šeima | Gentis | ApsaugosStatusas | MinIlgis | MaxIlgis | MinKūnoMasė | MaxKūnoMasė | MinSparnųIlgis | MaxSparnųIlgis | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Juodapilvis švilpikas | Dendrocygna autumnalis | Antys/Giesmininkai/Vandenspaukščiai | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rausvas švilpikas | Dendrocygna bicolor | Antys/Giesmininkai/Vandenspaukščiai | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Sniego žąsis | Anser caerulescens | Antys/Giesmininkai/Vandenspaukščiai | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Roso žąsis | Anser rossii | Antys/Giesmininkai/Vandenspaukščiai | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Didžioji baltakaktė žąsis | Anser albifrons | Antys/Giesmininkai/Vandenspaukščiai | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Pradėkime vaizduoti kai kuriuos skaitinius duomenis naudodami paprastą linijinį grafiką. Tarkime, norite pamatyti šių įdomių paukščių maksimalų sparnų ilgį. + +```python +wingspan = birds['MaxWingspan'] +wingspan.plot() +``` +![Max Sparnų Ilgis](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.lt.png) + +Ką pastebite iš karto? Atrodo, kad yra bent vienas išskirtinis atvejis – tai gana įspūdingas sparnų ilgis! 2300 centimetrų sparnų ilgis prilygsta 23 metrams – ar Minesotoje skraido pterodaktiliai? Išsiaiškinkime. + +Nors galėtumėte greitai surūšiuoti Excel programoje, kad rastumėte tuos išskirtinius atvejus, kurie greičiausiai yra klaidos, tęskite vizualizacijos procesą dirbdami tiesiai iš grafiko. + +Pridėkite x ašies etiketes, kad parodytumėte, kokie paukščiai yra nagrinėjami: + +``` +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.xticks(rotation=45) +x = birds['Name'] +y = birds['MaxWingspan'] + +plt.plot(x, y) + +plt.show() +``` +![sparnų ilgis su etiketėmis](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.lt.png) + +Net ir pasukus etiketes 45 laipsniais, jų per daug, kad būtų galima perskaityti. Išbandykime kitą strategiją: pažymėkime tik tuos išskirtinius atvejus ir nustatykime etiketes grafike. Galite naudoti sklaidos diagramą, kad būtų daugiau vietos etiketėms: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) + +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + plt.plot(x, y, 'bo') + if birds['MaxWingspan'][i] > 500: + plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12) + +plt.show() +``` +Kas čia vyksta? Naudojote `tick_params`, kad paslėptumėte apatines etiketes, ir tada sukūrėte ciklą per savo paukščių duomenų rinkinį. Vaizduodami grafiką su mažais apvaliais mėlynais taškais, naudodami `bo`, patikrinote, ar yra paukščių, kurių maksimalus sparnų ilgis viršija 500, ir jei taip, šalia taško parodėte jų etiketę. Etiketes šiek tiek paslinkote y ašyje (`y * (1 - 0.05)`) ir kaip etiketę naudojote paukščio pavadinimą. + +Ką atradote? + +![išskirtiniai atvejai](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.lt.png) +## Filtruokite savo duomenis + +Tiek Plikasis erelis, tiek Prerijų sakalas, nors greičiausiai labai dideli paukščiai, atrodo neteisingai pažymėti, su papildomu `0` pridėtu prie jų maksimalaus sparnų ilgio. Mažai tikėtina, kad sutiksite Plikąjį erelį su 25 metrų sparnų ilgiu, bet jei taip, praneškite mums! Sukurkime naują duomenų rėmelį be šių dviejų išskirtinių atvejų: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']: + plt.plot(x, y, 'bo') +plt.show() +``` + +Filtruodami išskirtinius atvejus, jūsų duomenys tampa nuoseklesni ir suprantamesni. + +![sklaidos diagrama sparnų ilgiams](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.lt.png) + +Dabar, kai turime švaresnį duomenų rinkinį bent jau sparnų ilgio atžvilgiu, sužinokime daugiau apie šiuos paukščius. + +Nors linijiniai ir sklaidos grafikai gali parodyti informaciją apie duomenų reikšmes ir jų pasiskirstymą, norime pagalvoti apie reikšmes, esančias šiame duomenų rinkinyje. Galėtumėte sukurti vizualizacijas, kad atsakytumėte į šiuos klausimus apie kiekius: + +> Kiek paukščių kategorijų yra ir kokie jų skaičiai? +> Kiek paukščių yra išnykę, nykstantys, reti ar paplitę? +> Kiek yra įvairių genčių ir būrių pagal Linėjaus terminologiją? +## Tyrinėkite stulpelines diagramas + +Stulpelinės diagramos yra praktiškos, kai reikia parodyti duomenų grupes. Išnagrinėkime paukščių kategorijas, esančias šiame duomenų rinkinyje, kad pamatytume, kuri yra dažniausia pagal skaičių. + +Notebook faile sukurkite paprastą stulpelinę diagramą. + +✅ Pastaba, galite arba filtruoti du išskirtinius paukščius, kuriuos identifikavome ankstesniame skyriuje, redaguoti jų sparnų ilgio klaidą arba palikti juos šiems pratimams, kurie nepriklauso nuo sparnų ilgio reikšmių. + +Jei norite sukurti stulpelinę diagramą, galite pasirinkti duomenis, į kuriuos norite sutelkti dėmesį. Stulpelinės diagramos gali būti sukurtos iš neapdorotų duomenų: + +```python +birds.plot(x='Category', + kind='bar', + stacked=True, + title='Birds of Minnesota') + +``` +![visi duomenys kaip stulpelinė diagrama](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.lt.png) + +Tačiau ši stulpelinė diagrama yra neįskaitoma, nes yra per daug nesugrupuotų duomenų. Jums reikia pasirinkti tik tuos duomenis, kuriuos norite vaizduoti, todėl pažvelkime į paukščių ilgį pagal jų kategoriją. + +Filtruokite savo duomenis, kad įtrauktumėte tik paukščių kategoriją. + +✅ Atkreipkite dėmesį, kad naudojate Pandas duomenų valdymui, o Matplotlib – diagramų kūrimui. + +Kadangi yra daug kategorijų, galite parodyti šią diagramą vertikaliai ir pakoreguoti jos aukštį, kad atitiktų visus duomenis: + +```python +category_count = birds.value_counts(birds['Category'].values, sort=True) +plt.rcParams['figure.figsize'] = [6, 12] +category_count.plot.barh() +``` +![kategorija ir ilgis](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.lt.png) + +Ši stulpelinė diagrama aiškiai parodo paukščių skaičių kiekvienoje kategorijoje. Akimirksniu matote, kad didžiausias paukščių skaičius šiame regione yra Antys/Giesmininkai/Vandenspaukščiai kategorijoje. Minesota yra „10 000 ežerų kraštas“, todėl tai nestebina! + +✅ Išbandykite kitus skaičiavimus šiame duomenų rinkinyje. Ar kas nors jus nustebina? + +## Duomenų palyginimas + +Galite išbandyti skirtingus grupuotų duomenų palyginimus, sukurdami naujas ašis. Išbandykite paukščio MaxIlgio palyginimą pagal jo kategoriją: + +```python +maxlength = birds['MaxLength'] +plt.barh(y=birds['Category'], width=maxlength) +plt.rcParams['figure.figsize'] = [6, 12] +plt.show() +``` +![duomenų palyginimas](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.lt.png) + +Čia niekas nestebina: kolibriai turi mažiausią MaxIlgį, palyginti su pelikanais ar žąsimis. Gerai, kai duomenys logiškai atitinka! + +Galite sukurti įdomesnes stulpelinių diagramų vizualizacijas, uždėdami duomenis vieną ant kito. Uždėkime Minimalų ir Maksimalų Ilgį ant tam tikros paukščių kategorijos: + +```python +minLength = birds['MinLength'] +maxLength = birds['MaxLength'] +category = birds['Category'] + +plt.barh(category, maxLength) +plt.barh(category, minLength) + +plt.show() +``` +Šiame grafike galite matyti kiekvienos paukščių kategorijos Minimalų ir Maksimalų Ilgio diapazoną. Galite drąsiai teigti, kad, remiantis šiais duomenimis, kuo didesnis paukštis, tuo platesnis jo ilgio diapazonas. Įdomu! + +![uždėti reikšmės](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.lt.png) + +## 🚀 Iššūkis + +Šis paukščių duomenų rinkinys siūlo daugybę informacijos apie įvairius paukščių tipus tam tikroje ekosistemoje. Paieškokite internete ir pažiūrėkite, ar galite rasti kitų paukščių duomenų rinkinių. Praktikuokite diagramų ir grafikų kūrimą apie šiuos paukščius, kad atrastumėte faktus, kurių nežinojote. +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Apžvalga ir savarankiškas mokymasis + +Pirma pamoka suteikė jums informacijos apie tai, kaip naudoti Matplotlib kiekių vizualizavimui. Atlikite tyrimus apie kitus būdus dirbti su duomenų rinkiniais vizualizacijai. [Plotly](https://github.com/plotly/plotly.py) yra viena iš jų, kurios neaptarsime šiose pamokose, todėl pažiūrėkite, ką ji gali pasiūlyti. +## Užduotis + +[Linijos, Sklaidos ir Stulpeliai](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/lt/3-Data-Visualization/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..300637bc --- /dev/null +++ b/translations/lt/3-Data-Visualization/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Linijos, sklaidos diagramos ir stulpelinės diagramos + +## Instrukcijos + +Šioje pamokoje dirbote su linijų diagramomis, sklaidos diagramomis ir stulpelinėmis diagramomis, kad parodytumėte įdomius faktus apie šį duomenų rinkinį. Šioje užduotyje gilinkitės į duomenų rinkinį, kad atrastumėte faktą apie tam tikrą paukščių rūšį. Pavyzdžiui, sukurkite užrašų knygelę, kurioje vizualizuojami visi įdomūs duomenys, kuriuos galite atskleisti apie sniegines žąsis. Naudokite tris aukščiau paminėtas diagramas, kad papasakotumėte istoriją savo užrašų knygelėje. + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia tobulinti +--- | --- | -- | +Pateikta užrašų knygelė su geromis anotacijomis, stipria istorija ir patraukliomis diagramomis | Užrašų knygelėje trūksta vieno iš šių elementų | Užrašų knygelėje trūksta dviejų iš šių elementų + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/10-visualization-distributions/README.md b/translations/lt/3-Data-Visualization/10-visualization-distributions/README.md new file mode 100644 index 00000000..a52a8a3c --- /dev/null +++ b/translations/lt/3-Data-Visualization/10-visualization-distributions/README.md @@ -0,0 +1,217 @@ + +# Vizualizuojame pasiskirstymus + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Vizualizuojame pasiskirstymus - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Ankstesnėje pamokoje sužinojote keletą įdomių faktų apie Minesotos paukščių duomenų rinkinį. Vizualizuodami išskirtis radote klaidingus duomenis ir apžvelgėte paukščių kategorijų skirtumus pagal jų maksimalų ilgį. + +## [Klausimynas prieš pamoką](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Tyrinėkite paukščių duomenų rinkinį + +Kitas būdas gilintis į duomenis yra pažvelgti į jų pasiskirstymą, arba kaip duomenys yra organizuoti pagal ašį. Pavyzdžiui, galbūt norėtumėte sužinoti bendrą pasiskirstymą šiame duomenų rinkinyje pagal maksimalų sparnų ilgį ar maksimalų kūno masę Minesotos paukščiams. + +Atraskime keletą faktų apie duomenų pasiskirstymą šiame duomenų rinkinyje. _notebook.ipynb_ faile, esančiame šios pamokos aplanko šaknyje, importuokite Pandas, Matplotlib ir savo duomenis: + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` + +| | Pavadinimas | MokslinisPavadinimas | Kategorija | Eilė | Šeima | Gentis | ApsaugosStatusas | MinIlgis | MaxIlgis | MinKūnoMasa | MaxKūnoMasa | MinSparnųIlgis | MaxSparnųIlgis | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Juodapilvis švilpikas | Dendrocygna autumnalis | Antys/Giesmininkai | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rudasis švilpikas | Dendrocygna bicolor | Antys/Giesmininkai | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Sniego žąsis | Anser caerulescens | Antys/Giesmininkai | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Roso žąsis | Anser rossii | Antys/Giesmininkai | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Didžioji baltakaktė žąsis | Anser albifrons | Antys/Giesmininkai | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Apskritai, greitai pažvelgti į duomenų pasiskirstymą galite naudodami sklaidos diagramą, kaip tai darėme ankstesnėje pamokoje: + +```python +birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8)) + +plt.title('Max Length per Order') +plt.ylabel('Order') +plt.xlabel('Max Length') + +plt.show() +``` +![maksimalus ilgis pagal eilę](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.lt.png) + +Tai suteikia bendrą paukščių kūno ilgio pasiskirstymo pagal jų eilę apžvalgą, tačiau tai nėra optimalus būdas parodyti tikruosius pasiskirstymus. Šią užduotį paprastai atlieka histograma. + +## Darbas su histogramomis + +Matplotlib siūlo puikius būdus vizualizuoti duomenų pasiskirstymą naudojant histogramas. Šio tipo diagrama yra panaši į stulpelinę diagramą, kur pasiskirstymas matomas per stulpelių kilimą ir kritimą. Norint sukurti histogramą, jums reikia skaitinių duomenų. Norėdami sukurti histogramą, galite nubrėžti diagramą, apibrėždami tipą kaip 'hist' histogramai. Ši diagrama rodo MaxBodyMass pasiskirstymą visame duomenų rinkinyje. Padalindama jai pateiktą duomenų masyvą į mažesnius intervalus, ji gali parodyti duomenų reikšmių pasiskirstymą: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12)) +plt.show() +``` +![pasiskirstymas visame duomenų rinkinyje](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.lt.png) + +Kaip matote, dauguma iš 400+ paukščių šiame duomenų rinkinyje patenka į mažesnę nei 2000 Max Kūno Masės ribą. Gaukite daugiau įžvalgų apie duomenis pakeisdami `bins` parametrą į didesnį skaičių, pvz., 30: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12)) +plt.show() +``` +![pasiskirstymas visame duomenų rinkinyje su didesniu bins parametru](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.lt.png) + +Ši diagrama rodo pasiskirstymą šiek tiek detaliau. Mažiau į kairę pasvirusią diagramą galima sukurti užtikrinant, kad pasirinksite tik duomenis tam tikrame intervale: + +Filtruokite savo duomenis, kad gautumėte tik tuos paukščius, kurių kūno masė yra mažesnė nei 60, ir parodykite 40 `bins`: + +```python +filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] +filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12)) +plt.show() +``` +![filtruota histograma](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.lt.png) + +✅ Išbandykite kitus filtrus ir duomenų taškus. Norėdami pamatyti visą duomenų pasiskirstymą, pašalinkite `['MaxBodyMass']` filtrą, kad parodytumėte pažymėtus pasiskirstymus. + +Histograma siūlo keletą gražių spalvų ir žymėjimo patobulinimų, kuriuos verta išbandyti: + +Sukurkite 2D histogramą, kad palygintumėte dviejų pasiskirstymų santykį. Palyginkime `MaxBodyMass` ir `MaxLength`. Matplotlib siūlo įmontuotą būdą parodyti susikirtimą naudojant ryškesnes spalvas: + +```python +x = filteredBirds['MaxBodyMass'] +y = filteredBirds['MaxLength'] + +fig, ax = plt.subplots(tight_layout=True) +hist = ax.hist2d(x, y) +``` +Atrodo, kad yra tikėtinas ryšys tarp šių dviejų elementų pagal numatomą ašį, su vienu ypač stipriu susikirtimo tašku: + +![2D diagrama](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.lt.png) + +Histogramos gerai veikia pagal numatytuosius nustatymus su skaitiniais duomenimis. O kas, jei reikia pamatyti pasiskirstymus pagal tekstinius duomenis? +## Tyrinėkite duomenų rinkinį pagal tekstinius duomenis + +Šis duomenų rinkinys taip pat apima gerą informaciją apie paukščių kategoriją, jų gentį, rūšį, šeimą ir apsaugos statusą. Pažvelkime į šią apsaugos informaciją. Koks yra paukščių pasiskirstymas pagal jų apsaugos statusą? + +> ✅ Duomenų rinkinyje naudojami keli akronimai, apibūdinantys apsaugos statusą. Šie akronimai yra iš [IUCN Raudonojo sąrašo kategorijų](https://www.iucnredlist.org/), organizacijos, kataloguojančios rūšių statusą. +> +> - CR: Kritiškai nykstantis +> - EN: Nykstantis +> - EX: Išnykęs +> - LC: Mažiausiai susirūpinimą keliantis +> - NT: Netoli nykimo +> - VU: Pažeidžiamas + +Tai yra tekstinės reikšmės, todėl jums reikės atlikti transformaciją, kad sukurtumėte histogramą. Naudodami filteredBirds duomenų rėmelį, parodykite jo apsaugos statusą kartu su minimaliu sparnų ilgiu. Ką pastebite? + +```python +x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] +x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] +x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] +x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] +x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] +x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] + +kwargs = dict(alpha=0.5, bins=20) + +plt.hist(x1, **kwargs, color='red', label='Extinct') +plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') +plt.hist(x3, **kwargs, color='yellow', label='Endangered') +plt.hist(x4, **kwargs, color='green', label='Near Threatened') +plt.hist(x5, **kwargs, color='blue', label='Vulnerable') +plt.hist(x6, **kwargs, color='gray', label='Least Concern') + +plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') +plt.legend(); +``` + +![sparnų ilgis ir apsaugos statusas](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.lt.png) + +Atrodo, kad nėra gero ryšio tarp minimalaus sparnų ilgio ir apsaugos statuso. Išbandykite kitus duomenų rinkinio elementus naudodami šį metodą. Taip pat galite išbandyti skirtingus filtrus. Ar pastebite kokį nors ryšį? + +## Tankio diagramos + +Galbūt pastebėjote, kad histogramos, kurias iki šiol apžvelgėme, yra „žingsninės“ ir nesudaro sklandžios arkos. Norėdami parodyti sklandesnę tankio diagramą, galite išbandyti tankio diagramą. + +Norėdami dirbti su tankio diagramomis, susipažinkite su nauja diagramos biblioteka, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). + +Įkeldami Seaborn, išbandykite pagrindinę tankio diagramą: + +```python +import seaborn as sns +import matplotlib.pyplot as plt +sns.kdeplot(filteredBirds['MinWingspan']) +plt.show() +``` +![Tankio diagrama](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.lt.png) + +Galite matyti, kaip diagrama atspindi ankstesnę minimalaus sparnų ilgio diagramą; ji tiesiog šiek tiek sklandesnė. Pasak Seaborn dokumentacijos, „Lyginant su histograma, KDE gali sukurti diagramą, kuri yra mažiau perkrauta ir lengviau interpretuojama, ypač kai piešiamos kelios pasiskirstymo kreivės. Tačiau ji gali sukelti iškraipymus, jei pagrindinis pasiskirstymas yra ribotas arba nesklandus. Kaip ir histograma, atvaizdavimo kokybė taip pat priklauso nuo gerų išlyginimo parametrų pasirinkimo.“ [šaltinis](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Kitaip tariant, išskirtys, kaip visada, gali blogai paveikti jūsų diagramas. + +Jei norėtumėte peržiūrėti tą dantytą MaxBodyMass liniją antroje sukurtoje diagramoje, galėtumėte ją labai gerai išlyginti, naudodami šį metodą: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass']) +plt.show() +``` +![sklandi kūno masės linija](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.lt.png) + +Jei norėtumėte sklandžios, bet ne per daug sklandžios linijos, redaguokite `bw_adjust` parametrą: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) +plt.show() +``` +![mažiau sklandi kūno masės linija](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.lt.png) + +✅ Perskaitykite apie parametrus, galimus šio tipo diagramoms, ir eksperimentuokite! + +Šio tipo diagrama siūlo gražiai paaiškinančias vizualizacijas. Pavyzdžiui, su keliomis kodo eilutėmis galite parodyti maksimalios kūno masės tankį pagal paukščių eilę: + +```python +sns.kdeplot( + data=filteredBirds, x="MaxBodyMass", hue="Order", + fill=True, common_norm=False, palette="crest", + alpha=.5, linewidth=0, +) +``` + +![kūno masė pagal eilę](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.lt.png) + +Taip pat galite žemėlapyje parodyti kelių kintamųjų tankį vienoje diagramoje. Palyginkite paukščio MaxLength ir MinLength pagal jų apsaugos statusą: + +```python +sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus") +``` + +![kelios tankio kreivės, persidengiančios](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.lt.png) + +Galbūt verta ištirti, ar „Pažeidžiamų“ paukščių grupė pagal jų ilgius yra reikšminga. + +## 🚀 Iššūkis + +Histogramos yra sudėtingesnis diagramų tipas nei paprastos sklaidos diagramos, stulpelinės diagramos ar linijinės diagramos. Ieškokite internete gerų histogramų naudojimo pavyzdžių. Kaip jos naudojamos, ką jos demonstruoja ir kokiose srityse ar tyrimų srityse jos dažniausiai naudojamos? + +## [Klausimynas po pamokos](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Apžvalga ir savarankiškas mokymasis + +Šioje pamokoje naudojote Matplotlib ir pradėjote dirbti su Seaborn, kad sukurtumėte sudėtingesnes diagramas. Atlikite tyrimą apie `kdeplot` Seaborn bibliotekoje, „nuolatinės tikimybės tankio kreivę vienoje ar keliose dimensijose“. Perskaitykite [dokumentaciją](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), kad suprastumėte, kaip ji veikia. + +## Užduotis + +[Praktikuokite savo įgūdžius](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/lt/3-Data-Visualization/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..061e6e3f --- /dev/null +++ b/translations/lt/3-Data-Visualization/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Pradėkite taikyti savo įgūdžius + +## Instrukcijos + +Iki šiol dirbote su Minesotos paukščių duomenų rinkiniu, siekdami sužinoti apie paukščių kiekius ir populiacijos tankį. Praktikuokite šių metodų taikymą, išbandydami kitą duomenų rinkinį, galbūt gautą iš [Kaggle](https://www.kaggle.com/). Sukurkite užrašinę, kuri pasakotų istoriją apie šį duomenų rinkinį, ir būtinai naudokite histogramas, kai apie jį diskutuojate. + +## Vertinimo kriterijai + +Pavyzdingas | Tinkamas | Reikia patobulinimų +--- | --- | -- | +Pateikta užrašinė su anotacijomis apie šį duomenų rinkinį, įskaitant jo šaltinį, ir naudojama bent 5 histogramų, siekiant atskleisti faktus apie duomenis. | Pateikta užrašinė su neišsamiais paaiškinimais arba klaidomis. | Pateikta užrašinė be paaiškinimų ir su klaidomis. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/11-visualization-proportions/README.md b/translations/lt/3-Data-Visualization/11-visualization-proportions/README.md new file mode 100644 index 00000000..91de7077 --- /dev/null +++ b/translations/lt/3-Data-Visualization/11-visualization-proportions/README.md @@ -0,0 +1,204 @@ + +# Vizualizuojame proporcijas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Proporcijų vizualizavimas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Šioje pamokoje naudosite kitą, gamta orientuotą duomenų rinkinį, kad vizualizuotumėte proporcijas, pavyzdžiui, kiek skirtingų grybų rūšių yra tam tikrame duomenų rinkinyje apie grybus. Panagrinėkime šiuos įdomius grybus naudodami duomenų rinkinį, gautą iš Audubon, kuriame pateikiama informacija apie 23 rūšis lakštelinių grybų iš Agaricus ir Lepiota šeimų. Eksperimentuosite su tokiomis „skaniomis“ vizualizacijomis kaip: + +- Pyrago diagramos 🥧 +- Spurgos diagramos 🍩 +- Vaflių diagramos 🧇 + +> 💡 Labai įdomus projektas, vadinamas [Charticulator](https://charticulator.com), sukurtas „Microsoft Research“, siūlo nemokamą „drag and drop“ sąsają duomenų vizualizacijoms. Viename iš jų mokymų taip pat naudojamas šis grybų duomenų rinkinys! Taigi galite tyrinėti duomenis ir tuo pačiu metu mokytis naudotis biblioteka: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). + +## [Prieš paskaitą - testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Susipažinkite su savo grybais 🍄 + +Grybai yra labai įdomūs. Importuokime duomenų rinkinį, kad juos išnagrinėtume: + +```python +import pandas as pd +import matplotlib.pyplot as plt +mushrooms = pd.read_csv('../../data/mushrooms.csv') +mushrooms.head() +``` +Atspausdinama lentelė su puikiais duomenimis analizei: + + +| klasė | kepurėlės forma | kepurėlės paviršius | kepurėlės spalva | mėlynės | kvapas | lakštelių prisitvirtinimas | lakštelių tarpai | lakštelių dydis | lakštelių spalva | kotelio forma | kotelio šaknis | paviršius virš žiedo | paviršius po žiedu | spalva virš žiedo | spalva po žiedu | šydo tipas | šydo spalva | žiedų skaičius | žiedo tipas | sporų spalva | populiacija | buveinė | +| --------- | --------------- | ------------------- | --------------- | ------- | ------- | ------------------------- | ---------------- | --------------- | ---------------- | ------------- | ------------- | -------------------- | ------------------ | ---------------- | ---------------- | --------- | ---------- | ------------- | ----------- | ------------ | ---------- | ------- | +| Nuodingas | Išgaubta | Lygi | Ruda | Mėlynės | Aštrus | Laisvas | Tankūs | Siauri | Juoda | Platėjantis | Lygus | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Kabantis | Juoda | Išsibarstę | Miestas | +| Valgomas | Išgaubta | Lygi | Geltona | Mėlynės | Migdolų | Laisvas | Tankūs | Platus | Juoda | Platėjantis | Klubas | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Kabantis | Ruda | Gausus | Žolynai | +| Valgomas | Varpelio | Lygi | Balta | Mėlynės | Anyžinis| Laisvas | Tankūs | Platus | Ruda | Platėjantis | Klubas | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Kabantis | Ruda | Gausus | Pievos | +| Nuodingas | Išgaubta | Žvynuota | Balta | Mėlynės | Aštrus | Laisvas | Tankūs | Siauri | Ruda | Platėjantis | Lygus | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Kabantis | Juoda | Išsibarstę | Miestas | + +Iškart pastebite, kad visi duomenys yra tekstiniai. Turėsite konvertuoti šiuos duomenis, kad galėtumėte juos naudoti diagramoje. Dauguma duomenų iš tiesų pateikiami kaip objektai: + +```python +print(mushrooms.select_dtypes(["object"]).columns) +``` + +Rezultatas yra: + +```output +Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', + 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', + 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', + 'stalk-surface-below-ring', 'stalk-color-above-ring', + 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', + 'ring-type', 'spore-print-color', 'population', 'habitat'], + dtype='object') +``` +Paimkite šiuos duomenis ir konvertuokite „klasės“ stulpelį į kategoriją: + +```python +cols = mushrooms.select_dtypes(["object"]).columns +mushrooms[cols] = mushrooms[cols].astype('category') +``` + +```python +edibleclass=mushrooms.groupby(['class']).count() +edibleclass +``` + +Dabar, jei atspausdinsite grybų duomenis, pamatysite, kad jie buvo suskirstyti į kategorijas pagal nuodingų/valgomų klases: + + +| | kepurėlės forma | kepurėlės paviršius | kepurėlės spalva | mėlynės | kvapas | lakštelių prisitvirtinimas | lakštelių tarpai | lakštelių dydis | lakštelių spalva | kotelio forma | ... | paviršius po žiedu | spalva virš žiedo | spalva po žiedu | šydo tipas | šydo spalva | žiedų skaičius | žiedo tipas | sporų spalva | populiacija | buveinė | +| --------- | --------------- | ------------------- | --------------- | ------- | ------ | ------------------------- | ---------------- | --------------- | ---------------- | ------------- | --- | ------------------ | ---------------- | ---------------- | --------- | ---------- | ------------- | ----------- | ------------ | ---------- | ------- | +| klasė | | | | | | | | | | | | | | | | | | | | | | +| Valgomas | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | +| Nuodingas | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | + +Jei laikysitės šioje lentelėje pateiktos tvarkos kurdami savo klasių kategorijų etiketes, galite sukurti pyrago diagramą: + +## Pyragas! + +```python +labels=['Edible','Poisonous'] +plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') +plt.title('Edible?') +plt.show() +``` +Štai ir pyrago diagrama, rodanti šių duomenų proporcijas pagal šias dvi grybų klases. Labai svarbu teisingai nustatyti etikečių tvarką, ypač čia, todėl būtinai patikrinkite, ar etikečių masyvas sudarytas teisingai! + +![pyrago diagrama](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.lt.png) + +## Spurgos! + +Šiek tiek vizualiai įdomesnė pyrago diagrama yra spurgos diagrama, kuri yra pyrago diagrama su skyle viduryje. Pažvelkime į mūsų duomenis naudodami šį metodą. + +Pažvelkite į įvairias buveines, kuriose auga grybai: + +```python +habitat=mushrooms.groupby(['habitat']).count() +habitat +``` +Čia grupuojate savo duomenis pagal buveinę. Yra 7 išvardytos buveinės, todėl naudokite jas kaip etiketes savo spurgos diagramai: + +```python +labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] + +plt.pie(habitat['class'], labels=labels, + autopct='%1.1f%%', pctdistance=0.85) + +center_circle = plt.Circle((0, 0), 0.40, fc='white') +fig = plt.gcf() + +fig.gca().add_artist(center_circle) + +plt.title('Mushroom Habitats') + +plt.show() +``` + +![spurgos diagrama](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.lt.png) + +Šis kodas nupiešia diagramą ir centrinį apskritimą, tada prideda tą centrinį apskritimą į diagramą. Redaguokite centrinio apskritimo plotį, pakeisdami „0.40“ į kitą reikšmę. + +Spurgų diagramas galima įvairiai koreguoti, kad būtų pakeistos etiketės. Ypač etiketės gali būti paryškintos, kad būtų lengviau jas skaityti. Sužinokite daugiau [dokumentacijoje](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut). + +Dabar, kai žinote, kaip grupuoti savo duomenis ir juos pateikti kaip pyragą ar spurgą, galite tyrinėti kitų tipų diagramas. Pabandykite vaflių diagramą, kuri yra tiesiog kitoks būdas tyrinėti kiekius. +## Vafliai! + +„Vaflių“ tipo diagrama yra kitoks būdas vizualizuoti kiekius kaip 2D kvadratų masyvą. Pabandykite vizualizuoti skirtingus grybų kepurėlių spalvų kiekius šiame duomenų rinkinyje. Norėdami tai padaryti, turite įdiegti pagalbinę biblioteką, vadinamą [PyWaffle](https://pypi.org/project/pywaffle/), ir naudoti Matplotlib: + +```python +pip install pywaffle +``` + +Pasirinkite savo duomenų segmentą grupavimui: + +```python +capcolor=mushrooms.groupby(['cap-color']).count() +capcolor +``` + +Sukurkite vaflių diagramą, sukurdami etiketes ir tada grupuodami savo duomenis: + +```python +import pandas as pd +import matplotlib.pyplot as plt +from pywaffle import Waffle + +data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], + 'amount': capcolor['class'] + } + +df = pd.DataFrame(data) + +fig = plt.figure( + FigureClass = Waffle, + rows = 100, + values = df.amount, + labels = list(df.color), + figsize = (30,30), + colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], +) +``` + +Naudodami vaflių diagramą, galite aiškiai matyti grybų kepurėlių spalvų proporcijas šiame duomenų rinkinyje. Įdomu tai, kad yra daug žalių kepurėlių grybų! + +![vaflių diagrama](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.lt.png) + +✅ PyWaffle palaiko piktogramas diagramose, kurios naudoja bet kokią piktogramą, esančią [Font Awesome](https://fontawesome.com/). Eksperimentuokite, kad sukurtumėte dar įdomesnę vaflių diagramą, naudodami piktogramas vietoj kvadratų. + +Šioje pamokoje išmokote tris būdus vizualizuoti proporcijas. Pirmiausia turite suskirstyti savo duomenis į kategorijas, o tada nuspręsti, kuris būdas geriausiai atspindi duomenis - pyragas, spurga ar vaflis. Visi jie yra „skanūs“ ir suteikia vartotojui greitą duomenų rinkinio vaizdą. + +## 🚀 Iššūkis + +Pabandykite atkurti šias „skanias“ diagramas naudodami [Charticulator](https://charticulator.com). +## [Po paskaitos - testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Apžvalga ir savarankiškas mokymasis + +Kartais nėra akivaizdu, kada naudoti pyrago, spurgos ar vaflių diagramą. Štai keletas straipsnių šia tema: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Atlikite tyrimus, kad rastumėte daugiau informacijos apie šį sudėtingą pasirinkimą. +## Užduotis + +[Pabandykite tai atlikti Excel](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/lt/3-Data-Visualization/11-visualization-proportions/assignment.md new file mode 100644 index 00000000..c86d6a2c --- /dev/null +++ b/translations/lt/3-Data-Visualization/11-visualization-proportions/assignment.md @@ -0,0 +1,25 @@ + +# Išbandykite Excel programoje + +## Instrukcijos + +Ar žinojote, kad Excel programoje galite sukurti spurgos, pyrago ir vaflinės diagramas? Naudodami savo pasirinktą duomenų rinkinį, sukurkite šias tris diagramas tiesiai Excel skaičiuoklėje. + +## Vertinimo kriterijai + +| Puikiai atlikta | Pakankamai gerai atlikta | Reikia patobulinimų | +| ------------------------------------------------------- | ------------------------------------------------- | --------------------------------------------------- | +| Pateikta Excel skaičiuoklė su visomis trimis diagramomis | Pateikta Excel skaičiuoklė su dviem diagramomis | Pateikta Excel skaičiuoklė su tik viena diagrama | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/12-visualization-relationships/README.md b/translations/lt/3-Data-Visualization/12-visualization-relationships/README.md new file mode 100644 index 00000000..303ff27d --- /dev/null +++ b/translations/lt/3-Data-Visualization/12-visualization-relationships/README.md @@ -0,0 +1,186 @@ + +# Vizualizuojant ryšius: Viskas apie medų 🍯 + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Ryšių vizualizavimas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Tęsdami mūsų tyrimų dėmesį į gamtą, atraskime įdomius vizualizacijos būdus, kaip parodyti ryšius tarp įvairių medaus rūšių, remiantis duomenų rinkiniu, gautu iš [JAV Žemės ūkio departamento](https://www.nass.usda.gov/About_NASS/index.php). + +Šis duomenų rinkinys, apimantis apie 600 elementų, rodo medaus gamybą daugelyje JAV valstijų. Pavyzdžiui, galite peržiūrėti kolonijų skaičių, derlių vienai kolonijai, bendrą gamybą, atsargas, kainą už svarą ir medaus vertę tam tikroje valstijoje nuo 1998 iki 2012 metų, su viena eilute per metus kiekvienai valstijai. + +Būtų įdomu vizualizuoti ryšį tarp tam tikros valstijos gamybos per metus ir, pavyzdžiui, medaus kainos toje valstijoje. Arba galite vizualizuoti ryšį tarp valstijų medaus derliaus vienai kolonijai. Šis laikotarpis apima niokojantį „CCD“ arba „Kolonijų žlugimo sutrikimą“, pirmą kartą pastebėtą 2006 m. (http://npic.orst.edu/envir/ccd.html), todėl tai yra prasmingas duomenų rinkinys tyrimui. 🐝 + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +Šioje pamokoje galite naudoti Seaborn, kurį jau naudojote anksčiau, kaip puikią biblioteką vizualizuoti ryšius tarp kintamųjų. Ypač įdomi yra Seaborn funkcija `relplot`, kuri leidžia greitai kurti sklaidos diagramas ir linijines diagramas, vizualizuojant '[statistinius ryšius](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', padedančius duomenų mokslininkui geriau suprasti, kaip kintamieji tarpusavyje susiję. + +## Sklaidos diagramos + +Naudokite sklaidos diagramą, kad parodytumėte, kaip medaus kaina keitėsi metai iš metų, kiekvienoje valstijoje. Seaborn, naudodamas `relplot`, patogiai grupuoja valstijų duomenis ir rodo duomenų taškus tiek kategoriniams, tiek skaitiniams duomenims. + +Pradėkime nuo duomenų ir Seaborn importavimo: + +```python +import pandas as pd +import matplotlib.pyplot as plt +import seaborn as sns +honey = pd.read_csv('../../data/honey.csv') +honey.head() +``` +Pastebėsite, kad medaus duomenyse yra keletas įdomių stulpelių, įskaitant metus ir kainą už svarą. Išnagrinėkime šiuos duomenis, suskirstytus pagal JAV valstijas: + +| valstija | kolonijų skaičius | derlius/kolonija | bendra gamyba | atsargos | kaina/svaras | gamybos vertė | metai | +| -------- | ----------------- | ---------------- | ------------- | -------- | ------------ | ------------- | ----- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | + +Sukurkite paprastą sklaidos diagramą, kad parodytumėte ryšį tarp medaus kainos už svarą ir jo kilmės valstijos. Padarykite `y` ašį pakankamai aukštą, kad būtų matomos visos valstijos: + +```python +sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); +``` +![sklaidos diagrama 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.lt.png) + +Dabar parodykite tuos pačius duomenis su medaus spalvų schema, kad pavaizduotumėte, kaip kaina keičiasi metai iš metų. Tai galite padaryti pridėdami 'hue' parametrą, kuris parodys pokyčius per metus: + +> ✅ Sužinokite daugiau apie [spalvų paletes, kurias galite naudoti Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - išbandykite gražią vaivorykštės spalvų schemą! + +```python +sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); +``` +![sklaidos diagrama 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.lt.png) + +Naudodami šią spalvų schemą, galite pastebėti, kad per metus medaus kaina už svarą akivaizdžiai kyla. Iš tiesų, jei pažiūrėsite į duomenų pavyzdį (pasirinkite tam tikrą valstiją, pavyzdžiui, Arizoną), galite pastebėti kainų kilimo tendenciją metai iš metų, su keliomis išimtimis: + +| valstija | kolonijų skaičius | derlius/kolonija | bendra gamyba | atsargos | kaina/svaras | gamybos vertė | metai | +| -------- | ----------------- | ---------------- | ------------- | -------- | ------------ | ------------- | ----- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Kitas būdas vizualizuoti šią progresiją yra naudoti dydį, o ne spalvą. Spalvų aklumo turintiems vartotojams tai gali būti geresnis pasirinkimas. Redaguokite savo vizualizaciją, kad parodytumėte kainos didėjimą, didinant taško apskritimo dydį: + +```python +sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); +``` +Galite matyti, kaip taškų dydis palaipsniui didėja. + +![sklaidos diagrama 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.lt.png) + +Ar tai paprastas pasiūlos ir paklausos atvejis? Dėl tokių veiksnių kaip klimato kaita ir kolonijų žlugimas, ar medaus kiekis, kurį galima įsigyti, mažėja metai iš metų, todėl kaina kyla? + +Norėdami atrasti koreliaciją tarp kai kurių šio duomenų rinkinio kintamųjų, panagrinėkime keletą linijinių diagramų. + +## Linijinės diagramos + +Klausimas: Ar yra aiškus medaus kainos už svarą kilimas metai iš metų? Tai galite lengviausiai atrasti, sukurdami vieną linijinę diagramą: + +```python +sns.relplot(x="year", y="priceperlb", kind="line", data=honey); +``` +Atsakymas: Taip, su kai kuriomis išimtimis apie 2003 metus: + +![linijinė diagrama 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.lt.png) + +✅ Kadangi Seaborn agreguoja duomenis aplink vieną liniją, jis rodo „kelis matavimus kiekvienoje x reikšmėje, braižydamas vidurkį ir 95% pasitikėjimo intervalą aplink vidurkį“. [Šaltinis](https://seaborn.pydata.org/tutorial/relational.html). Šį laiko reikalaujantį elgesį galima išjungti, pridėjus `ci=None`. + +Klausimas: Na, o 2003 metais ar galime pastebėti medaus pasiūlos šuolį? Kas, jei pažvelgtumėte į bendrą gamybą metai iš metų? + +```python +sns.relplot(x="year", y="totalprod", kind="line", data=honey); +``` + +![linijinė diagrama 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.lt.png) + +Atsakymas: Ne visai. Jei pažvelgsite į bendrą gamybą, atrodo, kad ji iš tikrųjų padidėjo tais metais, nors apskritai medaus gamybos kiekis mažėja per šiuos metus. + +Klausimas: Tokiu atveju, kas galėjo sukelti medaus kainos šuolį apie 2003 metus? + +Norėdami tai išsiaiškinti, galite panagrinėti facet grid. + +## Facet grid + +Facet grid leidžia pasirinkti vieną duomenų rinkinio aspektą (mūsų atveju galite pasirinkti 'metus', kad išvengtumėte per daug facetų). Seaborn tada gali sukurti diagramą kiekvienam iš šių aspektų, pasirinktų x ir y koordinatėms, kad būtų lengviau vizualiai palyginti. Ar 2003 metai išsiskiria tokio tipo palyginime? + +Sukurkite facet grid, toliau naudodami `relplot`, kaip rekomenduoja [Seaborn dokumentacija](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). + +```python +sns.relplot( + data=honey, + x="yieldpercol", y="numcol", + col="year", + col_wrap=3, + kind="line" +``` +Šioje vizualizacijoje galite palyginti derlių vienai kolonijai ir kolonijų skaičių metai iš metų, šalia vienas kito, su wrap nustatytu 3 stulpeliams: + +![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.lt.png) + +Šiame duomenų rinkinyje niekas ypatingai neišsiskiria, kalbant apie kolonijų skaičių ir jų derlių, metai iš metų ir valstija po valstijos. Ar yra kitoks būdas ieškoti koreliacijos tarp šių dviejų kintamųjų? + +## Dvigubos linijos diagramos + +Išbandykite daugiagubą linijinę diagramą, uždėdami dvi linijines diagramas viena ant kitos, naudodami Seaborn 'despine', kad pašalintumėte jų viršutines ir dešines linijas, ir naudodami `ax.twinx` [gautą iš Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx leidžia diagramai dalintis x ašimi ir rodyti dvi y ašis. Taigi, parodykite derlių vienai kolonijai ir kolonijų skaičių, uždėtus vienas ant kito: + +```python +fig, ax = plt.subplots(figsize=(12,6)) +lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, + label = 'Number of bee colonies', legend=False) +sns.despine() +plt.ylabel('# colonies') +plt.title('Honey Production Year over Year'); + +ax2 = ax.twinx() +lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", + label ='Yield per colony', legend=False) +sns.despine(right=False) +plt.ylabel('colony yield') +ax.figure.legend(); +``` +![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.lt.png) + +Nors niekas akivaizdžiai neišsiskiria apie 2003 metus, tai leidžia mums užbaigti šią pamoką šiek tiek laimingesne nata: nors kolonijų skaičius apskritai mažėja, kolonijų skaičius stabilizuojasi, net jei jų derlius vienai kolonijai mažėja. + +Pirmyn, bitės, pirmyn! + +🐝❤️ +## 🚀 Iššūkis + +Šioje pamokoje sužinojote šiek tiek daugiau apie kitus sklaidos diagramų ir linijinių gridų naudojimo būdus, įskaitant facet grid. Išbandykite save, sukurdami facet grid naudodami kitą duomenų rinkinį, galbūt tą, kurį naudojote prieš šias pamokas. Atkreipkite dėmesį, kiek laiko užtrunka jų kūrimas ir kaip reikia būti atsargiems dėl to, kiek gridų reikia piešti naudojant šiuos metodus. +## [Po paskaitos: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Apžvalga ir savarankiškas mokymasis + +Linijinės diagramos gali būti paprastos arba gana sudėtingos. Šiek tiek pasiskaitykite [Seaborn dokumentacijoje](https://seaborn.pydata.org/generated/seaborn.lineplot.html) apie įvairius būdus, kaip jas kurti. Pabandykite patobulinti linijines diagramas, kurias sukūrėte šioje pamokoje, naudodami kitus dokumentacijoje išvardytus metodus. +## Užduotis + +[Pasinerkite į avilį](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/lt/3-Data-Visualization/12-visualization-relationships/assignment.md new file mode 100644 index 00000000..f5ca0eef --- /dev/null +++ b/translations/lt/3-Data-Visualization/12-visualization-relationships/assignment.md @@ -0,0 +1,25 @@ + +# Pasinerkite į avilį + +## Instrukcijos + +Šioje pamokoje pradėjote analizuoti duomenų rinkinį apie bites ir jų medaus gamybą per laikotarpį, kai bendras bičių kolonijų skaičius sumažėjo. Gilinkitės į šį duomenų rinkinį ir sukurkite užrašų knygelę, kuri galėtų papasakoti apie bičių populiacijos būklę, valstybė po valstybės ir metai po metų. Ar pastebite ką nors įdomaus šiame duomenų rinkinyje? + +## Vertinimo kriterijai + +| Puikiai | Pakankamai | Reikia patobulinimų | +| ------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------- | ---------------------------------------- | +| Pateikta užrašų knygelė su istorija, pažymėta bent trimis skirtingomis diagramomis, kurios atspindi duomenų rinkinio aspektus, valstybė po valstybės ir metai po metų | Užrašų knygelėje trūksta vieno iš šių elementų | Užrašų knygelėje trūksta dviejų iš šių elementų | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/README.md new file mode 100644 index 00000000..13ef7c8b --- /dev/null +++ b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/README.md @@ -0,0 +1,182 @@ + +# Kaip kurti prasmingas vizualizacijas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Prasmingos vizualizacijos - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +> „Jei pakankamai ilgai kankinsi duomenis, jie prisipažins bet ką“ – [Ronaldas Coase'as](https://en.wikiquote.org/wiki/Ronald_Coase) + +Viena iš pagrindinių duomenų mokslininko įgūdžių yra gebėjimas sukurti prasmingą duomenų vizualizaciją, kuri padėtų atsakyti į jums rūpimus klausimus. Prieš vizualizuodami duomenis, turite įsitikinti, kad jie buvo išvalyti ir paruošti, kaip tai darėte ankstesnėse pamokose. Po to galite pradėti spręsti, kaip geriausiai pateikti duomenis. + +Šioje pamokoje peržiūrėsite: + +1. Kaip pasirinkti tinkamą diagramos tipą +2. Kaip išvengti klaidinančių diagramų +3. Kaip dirbti su spalvomis +4. Kaip stilizuoti diagramas, kad jos būtų lengvai suprantamos +5. Kaip kurti animuotas ar 3D diagramas +6. Kaip sukurti kūrybingą vizualizaciją + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Pasirinkite tinkamą diagramos tipą + +Ankstesnėse pamokose eksperimentavote kurdami įvairias įdomias duomenų vizualizacijas naudodami Matplotlib ir Seaborn. Apskritai, galite pasirinkti [tinkamą diagramos tipą](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pagal klausimą, kurį norite atsakyti, naudodamiesi šia lentele: + +| Jums reikia: | Turėtumėte naudoti: | +| -------------------------- | ------------------------------- | +| Rodyti duomenų tendencijas laikui bėgant | Linijinę diagramą | +| Palyginti kategorijas | Stulpelinę, Skritulinę | +| Palyginti sumas | Skritulinę, Sukrautą stulpelinę | +| Rodyti ryšius | Sklaidos, Linijinę, Facet, Dvigubą linijinę | +| Rodyti pasiskirstymus | Sklaidos, Histogramą, Dėžutės | +| Rodyti proporcijas | Skritulinę, Žiedo, Vaflinę | + +> ✅ Priklausomai nuo jūsų duomenų sudėties, gali reikėti juos konvertuoti iš teksto į skaitinius, kad tam tikra diagrama juos palaikytų. + +## Venkite klaidinančių diagramų + +Net jei duomenų mokslininkas kruopščiai pasirenka tinkamą diagramą tinkamiems duomenims, yra daugybė būdų, kaip duomenys gali būti pateikti taip, kad įrodytų tam tikrą tašką, dažnai pakenkiant pačių duomenų patikimumui. Yra daugybė klaidinančių diagramų ir infografikų pavyzdžių! + +[![Kaip meluoja diagramos pagal Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.lt.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Kaip meluoja diagramos") + +> 🎥 Spustelėkite aukščiau esančią nuotrauką, kad pamatytumėte konferencijos pranešimą apie klaidinančias diagramas + +Ši diagrama apverčia X ašį, kad parodytų priešingą tiesai, remiantis datomis: + +![blogas grafikas 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.lt.png) + +[Ši diagrama](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) yra dar labiau klaidinanti, nes akis nukreipiama į dešinę, kad būtų padaryta išvada, jog laikui bėgant COVID atvejai sumažėjo įvairiose apskrityse. Tačiau, jei atidžiai pažvelgsite į datas, pastebėsite, kad jos buvo perrikiuotos, kad būtų parodyta klaidinanti mažėjimo tendencija. + +![blogas grafikas 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.lt.jpg) + +Šis liūdnai pagarsėjęs pavyzdys naudoja spalvas IR apverstą Y ašį, kad suklaidintų: vietoj išvados, kad ginklų mirčių skaičius išaugo po ginklams palankios teisės aktų priėmimo, akis apgaunama galvoti, kad tiesa yra priešinga: + +![blogas grafikas 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.lt.jpg) + +Ši keista diagrama rodo, kaip proporcijos gali būti manipuliuojamos, sukeliant juoką: + +![blogas grafikas 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.lt.jpg) + +Palyginimas to, kas nepalyginama, yra dar vienas abejotinas triukas. Yra [nuostabi svetainė](https://tylervigen.com/spurious-correlations), skirta „klaidingoms koreliacijoms“, kurioje pateikiami „faktai“, siejantys tokius dalykus kaip skyrybų lygis Meino valstijoje ir margarino vartojimas. Reddit grupė taip pat renka [blogus duomenų naudojimo pavyzdžius](https://www.reddit.com/r/dataisugly/top/?t=all). + +Svarbu suprasti, kaip lengvai akis gali būti apgauta klaidinančiomis diagramomis. Net jei duomenų mokslininko ketinimai yra geri, netinkamo diagramos tipo pasirinkimas, pvz., skritulinė diagrama su per daug kategorijų, gali būti klaidinantis. + +## Spalvos + +Kaip matėte aukščiau esančioje „Floridos ginklų smurto“ diagramoje, spalva gali suteikti papildomą prasmės sluoksnį diagramoms, ypač toms, kurios nėra sukurtos naudojant tokias bibliotekas kaip Matplotlib ir Seaborn, kurios turi įvairias patikrintas spalvų bibliotekas ir paletes. Jei kuriate diagramą rankiniu būdu, šiek tiek pasidomėkite [spalvų teorija](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Kurdami diagramas, atkreipkite dėmesį, kad prieinamumas yra svarbus vizualizacijos aspektas. Kai kurie jūsų naudotojai gali būti spalvų akli – ar jūsų diagrama gerai matoma vartotojams su regos sutrikimais? + +Būkite atsargūs rinkdamiesi spalvas savo diagramai, nes spalva gali perteikti prasmę, kurios galbūt nenorėjote. Aukščiau esančioje „aukščio“ diagramoje „rožinės damos“ perteikia aiškiai „moterišką“ reikšmę, kuri dar labiau sustiprina pačios diagramos keistumą. + +Nors [spalvų reikšmės](https://colormatters.com/color-symbolism/the-meanings-of-colors) gali skirtis skirtingose pasaulio dalyse ir keistis priklausomai nuo jų atspalvio, apskritai spalvų reikšmės apima: + +| Spalva | Reikšmė | +| ------- | ------------------- | +| raudona | galia | +| mėlyna | pasitikėjimas, lojalumas | +| geltona | laimė, atsargumas | +| žalia | ekologija, sėkmė, pavydas | +| violetinė | laimė | +| oranžinė | gyvybingumas | + +Jei jums pavesta kurti diagramą su pasirinktinėmis spalvomis, įsitikinkite, kad jūsų diagramos yra ir prieinamos, ir kad pasirinkta spalva atitinka reikšmę, kurią norite perteikti. + +## Diagramų stilizavimas, kad jos būtų lengvai suprantamos + +Diagramos nėra prasmingos, jei jos nėra suprantamos! Skirkite laiko apsvarstyti, kaip pritaikyti diagramos plotį ir aukštį, kad ji gerai atitiktų jūsų duomenis. Jei reikia parodyti vieną kintamąjį (pvz., visas 50 valstijų), parodykite jas vertikaliai Y ašyje, jei įmanoma, kad išvengtumėte horizontalaus slinkimo. + +Pažymėkite savo ašis, pateikite legendą, jei reikia, ir pasiūlykite užuominas (tooltips), kad duomenys būtų lengviau suprantami. + +Jei jūsų duomenys yra tekstiniai ir ilgi X ašyje, galite pakreipti tekstą, kad jis būtų lengviau skaitomas. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) siūlo 3D braižymą, jei jūsų duomenys tai palaiko. Sudėtingos duomenų vizualizacijos gali būti sukurtos naudojant `mpl_toolkits.mplot3d`. + +![3D diagramos](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.lt.png) + +## Animacija ir 3D diagramų rodymas + +Kai kurios geriausios šių dienų duomenų vizualizacijos yra animuotos. Shirley Wu turi nuostabių darbų, sukurtų naudojant D3, pvz., '[filmų gėlės](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kur kiekviena gėlė yra filmo vizualizacija. Kitas pavyzdys, skirtas Guardian, yra „bussed out“, interaktyvi patirtis, derinanti vizualizacijas su Greensock ir D3 bei pasakojimo straipsnio formatu, kad parodytų, kaip NYC sprendžia benamių problemą, išsiųsdama žmones iš miesto. + +![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.lt.png) + +> „Bussed Out: Kaip Amerika perkelia savo benamius“ iš [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizacijos pagal Nadieh Bremer ir Shirley Wu + +Nors ši pamoka nėra pakankama, kad išsamiai išmokytų šių galingų vizualizacijos bibliotekų, pabandykite naudoti D3 Vue.js programoje, naudodami biblioteką, kad parodytumėte knygos „Pavojingi ryšiai“ vizualizaciją kaip animuotą socialinį tinklą. + +> „Les Liaisons Dangereuses“ yra epistolinis romanas, arba romanas, pateikiamas kaip laiškų serija. Parašytas 1782 m. Choderlos de Laclos, jis pasakoja apie žiaurius, morališkai bankrutavusius socialinius manevrus dviejų pagrindinių XVIII a. Prancūzijos aristokratijos veikėjų – vikonto de Valmont ir markizės de Merteuil. Abu galiausiai žūsta, tačiau ne be didelės socialinės žalos. Romane pateikiama laiškų serija, rašyta įvairiems jų rato žmonėms, siekiant keršto arba tiesiog sukelti problemų. Sukurkite šių laiškų vizualizaciją, kad vizualiai atrastumėte pagrindinius pasakojimo veikėjus. + +Jūs sukursite internetinę programą, kuri parodys animuotą šio socialinio tinklo vaizdą. Ji naudoja biblioteką, sukurtą [tinklo vizualizacijai](https://github.com/emiliorizzo/vue-d3-network) naudojant Vue.js ir D3. Kai programa veikia, galite perkelti mazgus ekrane, kad pertvarkytumėte duomenis. + +![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.lt.png) + +## Projektas: Sukurkite tinklo diagramą naudodami D3.js + +> Šios pamokos aplanke yra `solution` aplankas, kuriame galite rasti baigtą projektą kaip nuorodą. + +1. Vadovaukitės README.md failo instrukcijomis pradiniame aplanke. Įsitikinkite, kad jūsų kompiuteryje veikia NPM ir Node.js prieš diegiant projekto priklausomybes. + +2. Atidarykite `starter/src` aplanką. Rasite `assets` aplanką, kuriame yra .json failas su visais romano laiškais, sunumeruotais, su „to“ ir „from“ anotacijomis. + +3. Užbaikite kodą `components/Nodes.vue`, kad įgalintumėte vizualizaciją. Suraskite metodą `createLinks()` ir pridėkite šį įdėtą ciklą. + +Ciklu pereikite per .json objektą, kad užfiksuotumėte „to“ ir „from“ duomenis apie laiškus ir sukurtumėte `links` objektą, kurį galėtų naudoti vizualizacijos biblioteka: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Paleiskite savo programą iš terminalo (npm run serve) ir mėgaukitės vizualizacija! + +## 🚀 Iššūkis + +Naršykite internete, kad atrastumėte klaidinančias vizualizacijas. Kaip autorius apgauna naudotoją ir ar tai daroma tyčia? Pabandykite pataisyti vizualizacijas, kad parodytumėte, kaip jos turėtų atrodyti. + +## [Po paskaitos: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Peržiūra ir savarankiškas mokymasis + +Štai keletas straipsnių apie klaidinančias duomenų vizualizacijas: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Pažvelkite į šias įdomias istorinių objektų ir artefaktų vizualizacijas: + +https://handbook.pubpub.org/ + +Peržiūrėkite šį straipsnį apie tai, kaip animacija gali pagerinti jūsų vizualizacijas: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Užduotis + +[Sukurkite savo pasirinktą vizualizaciją](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojame profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/assignment.md new file mode 100644 index 00000000..5c6c1feb --- /dev/null +++ b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/assignment.md @@ -0,0 +1,25 @@ + +# Sukurkite savo individualią vizualizaciją + +## Instrukcijos + +Naudodamiesi šio projekto kodo pavyzdžiu, sukurkite socialinį tinklą, naudodami savo socialinių sąveikų duomenų maketą. Galite atvaizduoti savo socialinių tinklų naudojimą arba sukurti savo šeimos narių diagramą. Sukurkite įdomią internetinę programėlę, kuri pateiktų unikalią socialinio tinklo vizualizaciją. + +## Vertinimo kriterijai + +Pavyzdingas | Tinkamas | Reikia patobulinimų +--- | --- | --- | +GitHub saugykla pateikiama su tinkamai veikiančiu kodu (pabandykite ją įdiegti kaip statinę internetinę programą) ir turi paaiškinamąjį README failą, kuriame aprašytas projektas | Saugykla neveikia tinkamai arba nėra gerai dokumentuota | Saugykla neveikia tinkamai ir nėra gerai dokumentuota + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojame kreiptis į profesionalius vertėjus. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/solution/README.md new file mode 100644 index 00000000..c941c6ff --- /dev/null +++ b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/solution/README.md @@ -0,0 +1,40 @@ + +# Pavojingų ryšių duomenų vizualizacijos projektas + +Norėdami pradėti, įsitikinkite, kad jūsų kompiuteryje veikia NPM ir Node. Įdiekite priklausomybes (npm install) ir tada paleiskite projektą lokaliai (npm run serve): + +## Projekto nustatymas +``` +npm install +``` + +### Kompiliavimas ir automatinis perkrovimas vystymui +``` +npm run serve +``` + +### Kompiliavimas ir minimizavimas produkcijai +``` +npm run build +``` + +### Failų tikrinimas ir taisymas +``` +npm run lint +``` + +### Konfigūracijos pritaikymas +Žr. [Konfigūracijos nuorodą](https://cli.vuejs.org/config/). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/starter/README.md new file mode 100644 index 00000000..32be5861 --- /dev/null +++ b/translations/lt/3-Data-Visualization/13-meaningful-visualizations/starter/README.md @@ -0,0 +1,40 @@ + +# Pavojingų ryšių duomenų vizualizacijos projektas + +Norėdami pradėti, įsitikinkite, kad jūsų kompiuteryje veikia NPM ir Node. Įdiekite priklausomybes (npm install) ir tada paleiskite projektą lokaliai (npm run serve): + +## Projekto nustatymas +``` +npm install +``` + +### Kompiliavimas ir automatinis perkrovimas kūrimo metu +``` +npm run serve +``` + +### Kompiliavimas ir minimizavimas gamybai +``` +npm run build +``` + +### Failų tikrinimas ir taisymas +``` +npm run lint +``` + +### Konfigūracijos pritaikymas +Žr. [Konfigūracijos nuorodą](https://cli.vuejs.org/config/). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/lt/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..ff10ab8f --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,230 @@ + +# Vizualizacija kiekių +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Vizualizacija kiekių - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Šioje pamokoje sužinosite, kaip naudoti kai kurias iš daugelio R bibliotekų, kad sukurtumėte įdomias vizualizacijas, susijusias su kiekių koncepcija. Naudodami išvalytą duomenų rinkinį apie Minesotos paukščius, galite sužinoti daug įdomių faktų apie vietinę laukinę gamtą. +## [Prieš paskaitą - testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Stebėkite sparnų plotį su ggplot2 +Puiki biblioteka, skirta kurti tiek paprastus, tiek sudėtingus įvairių tipų grafikus ir diagramas, yra [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Apskritai, duomenų vaizdavimo procesas naudojant šias bibliotekas apima duomenų rėmelio dalių, kurias norite analizuoti, identifikavimą, reikalingų transformacijų atlikimą, x ir y ašių reikšmių priskyrimą, diagramos tipo pasirinkimą ir jos atvaizdavimą. + +`ggplot2` yra sistema, skirta grafikams kurti deklaratyviai, remiantis „Grafikų gramatika“ (The Grammar of Graphics). [Grafikų gramatika](https://en.wikipedia.org/wiki/Ggplot2) yra bendras duomenų vizualizacijos principas, kuris skirsto grafikus į semantinius komponentus, tokius kaip skalės ir sluoksniai. Kitaip tariant, galimybė lengvai kurti vieno ar kelių kintamųjų grafikus su nedaug kodo daro `ggplot2` populiariausia vizualizacijų kūrimo biblioteka R kalboje. Vartotojas nurodo `ggplot2`, kaip susieti kintamuosius su estetikos elementais, kokius grafinius elementus naudoti, o `ggplot2` pasirūpina likusia dalimi. + +> ✅ Grafikas = Duomenys + Estetika + Geometrija +> - Duomenys reiškia duomenų rinkinį +> - Estetika nurodo kintamuosius, kuriuos reikia analizuoti (x ir y kintamuosius) +> - Geometrija nurodo diagramos tipą (linijinė diagrama, stulpelinė diagrama ir pan.) + +Pasirinkite tinkamiausią geometriją (diagramos tipą) pagal savo duomenis ir istoriją, kurią norite papasakoti per diagramą. + +> - Norint analizuoti tendencijas: linijinė, stulpelinė +> - Norint palyginti reikšmes: stulpelinė, juostinė, skritulinė, sklaidos diagrama +> - Norint parodyti, kaip dalys susijusios su visuma: skritulinė +> - Norint parodyti duomenų pasiskirstymą: sklaidos diagrama, juostinė +> - Norint parodyti ryšius tarp reikšmių: linijinė, sklaidos diagrama, burbulinė + +✅ Taip pat galite peržiūrėti šį aprašomąjį [špargalkę](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) apie ggplot2. + +## Sukurkite linijinę diagramą apie paukščių sparnų plotį + +Atidarykite R konsolę ir importuokite duomenų rinkinį. +> Pastaba: Duomenų rinkinys yra saugomas šio saugyklos šaknyje `/data` aplanke. + +Importuokime duomenų rinkinį ir peržiūrėkime jo pradžią (pirmas 5 eilutes). + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +Duomenų pradžioje yra tekstų ir skaičių mišinys: + +| | Pavadinimas | MokslinisPavadinimas | Kategorija | Būrys | Šeima | Gentis | ApsaugosStatusas | MinIlgis | MaxIlgis | MinKūnoMasa | MaxKūnoMasa | MinSparnųPlotis | MaxSparnųPlotis | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Juodapilvis švilpikas | Dendrocygna autumnalis | Antys/Žąsys/Vandens | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rudasis švilpikas | Dendrocygna bicolor | Antys/Žąsys/Vandens | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snieginė žąsis | Anser caerulescens | Antys/Žąsys/Vandens | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rosso žąsis | Anser rossii | Antys/Žąsys/Vandens | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Didžioji baltakaktė žąsis | Anser albifrons | Antys/Žąsys/Vandens | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Pradėkime nuo kai kurių skaitinių duomenų vaizdavimo naudojant paprastą linijinę diagramą. Tarkime, norite pamatyti šių įdomių paukščių maksimalų sparnų plotį. + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +Čia įdiegiame `ggplot2` paketą ir importuojame jį į darbo aplinką naudodami komandą `library("ggplot2")`. Norint sukurti bet kokią diagramą su ggplot, naudojama funkcija `ggplot()`, kurioje nurodote duomenų rinkinį, x ir y kintamuosius kaip atributus. Šiuo atveju naudojame funkciją `geom_line()`, nes norime sukurti linijinę diagramą. + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.lt.png) + +Ką pastebite iš karto? Atrodo, kad yra bent vienas išskirtinis atvejis – tai tikrai įspūdingas sparnų plotis! Sparnų plotis, viršijantis 2000 cm, yra daugiau nei 20 metrų – ar Minesotoje skraido pterodaktiliai? Išsiaiškinkime. + +Nors galėtumėte greitai surūšiuoti duomenis „Excel“, kad rastumėte tuos išskirtinius atvejus, kurie greičiausiai yra klaidos, tęskite vizualizacijos procesą dirbdami su diagrama. + +Pridėkite etiketes prie x ašies, kad parodytumėte, kokie paukščiai yra nagrinėjami: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +Mes nurodome kampą `theme` ir nurodome x ir y ašių etiketes naudodami `xlab()` ir `ylab()` atitinkamai. `ggtitle()` suteikia grafikui/diagramai pavadinimą. + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.lt.png) + +Net ir pasukus etiketes 45 laipsnių kampu, jų per daug, kad būtų galima perskaityti. Pabandykime kitą strategiją: pažymėkime tik tuos išskirtinius atvejus ir nustatykime etiketes pačioje diagramoje. Galite naudoti sklaidos diagramą, kad būtų daugiau vietos etiketėms: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +Kas čia vyksta? Naudojote funkciją `geom_point()`, kad pavaizduotumėte sklaidos taškus. Su tuo pridėjote etiketes paukščiams, kurių `MaxWingspan > 500`, ir taip pat paslėpėte etiketes x ašyje, kad sumažintumėte diagramos apkrovą. + +Ką pastebite? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.lt.png) + +## Filtruokite savo duomenis + +Tiek Baltasis erelis, tiek Prerijų sakalas, nors tikriausiai labai dideli paukščiai, atrodo, yra neteisingai pažymėti, pridėjus papildomą nulį prie jų maksimalaus sparnų pločio. Mažai tikėtina, kad sutiksite Baltąjį erelį su 25 metrų sparnų pločiu, bet jei taip, praneškite mums! Sukurkime naują duomenų rėmelį be šių dviejų išskirtinių atvejų: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +Sukūrėme naują duomenų rėmelį `birds_filtered` ir tada pavaizdavome sklaidos diagramą. Filtruodami išskirtinius atvejus, jūsų duomenys tampa nuoseklesni ir suprantamesni. + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.lt.png) + +Dabar, kai turime švaresnį duomenų rinkinį bent jau sparnų pločio atžvilgiu, sužinokime daugiau apie šiuos paukščius. + +Nors linijinės ir sklaidos diagramos gali parodyti informaciją apie duomenų reikšmes ir jų pasiskirstymą, norime pagalvoti apie šio duomenų rinkinio reikšmes. Galėtumėte sukurti vizualizacijas, kad atsakytumėte į šiuos klausimus apie kiekius: + +> Kiek yra paukščių kategorijų ir kokie jų skaičiai? +> Kiek paukščių yra išnykę, nykstantys, reti ar dažni? +> Kiek yra įvairių genčių ir būrių pagal Linėjaus terminologiją? +## Tyrinėkite stulpelines diagramas + +Stulpelinės diagramos yra praktiškos, kai reikia parodyti duomenų grupes. Pažvelkime į paukščių kategorijas, kurios egzistuoja šiame duomenų rinkinyje, kad pamatytume, kuri yra dažniausia pagal skaičių. +Sukurkime stulpelinę diagramą su filtruotais duomenimis. + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +Šiame fragmente įdiegiame [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) ir [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) paketus, kad padėtume manipuliuoti ir grupuoti duomenis, norint pavaizduoti sukrautą stulpelinę diagramą. Pirmiausia grupuojate duomenis pagal paukščių `Category` ir tada apibendrinate `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` stulpelius. Tada, naudodami `ggplot2` paketą, pavaizduojate stulpelinę diagramą, nurodydami spalvas skirtingoms kategorijoms ir etiketes. + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.lt.png) + +Ši stulpelinė diagrama, tačiau, yra neįskaitoma, nes yra per daug negrupuotų duomenų. Turite pasirinkti tik tuos duomenis, kuriuos norite pavaizduoti, todėl pažvelkime į paukščių ilgį pagal jų kategoriją. + +Filtruokite savo duomenis, kad įtrauktumėte tik paukščių kategoriją. + +Kadangi yra daug kategorijų, galite parodyti šią diagramą vertikaliai ir pakoreguoti jos aukštį, kad atitiktų visus duomenis: + +```r +birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE) +birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) +ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip() +``` +Pirmiausia suskaičiuojate unikalių reikšmių skaičių `Category` stulpelyje ir tada surūšiuojate jas į naują duomenų rėmelį `birds_count`. Šie surūšiuoti duomenys tada faktorizuojami tame pačiame lygyje, kad būtų pavaizduoti surūšiuota tvarka. Naudodami `ggplot2` tada pavaizduojate duomenis stulpelinėje diagramoje. Funkcija `coord_flip()` pavaizduoja horizontalius stulpelius. + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.lt.png) + +Ši stulpelinė diagrama suteikia gerą vaizdą apie paukščių skaičių kiekvienoje kategorijoje. Vienu žvilgsniu matote, kad didžiausias paukščių skaičius šiame regione priklauso Antys/Žąsys/Vandens kategorijai. Minesota yra „10 000 ežerų kraštas“, todėl tai nestebina! + +✅ Išbandykite kitus šio duomenų rinkinio skaičiavimus. Ar kas nors jus nustebina? + +## Duomenų palyginimas + +Galite išbandyti skirtingus grupuotų duomenų palyginimus, sukurdami naujas ašis. Pabandykite palyginti paukščių `MaxLength` pagal jų kategoriją: + +```r +birds_grouped <- birds_filtered %>% + group_by(Category) %>% + summarise( + MaxLength = max(MaxLength, na.rm = T), + MinLength = max(MinLength, na.rm = T) + ) %>% + arrange(Category) + +ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip() +``` +Mes grupuojame `birds_filtered` duomenis pagal `Category` ir tada pavaizduojame stulpelinę diagramą. + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.lt.png) + +Čia nieko nestebina: kolibriai turi mažiausią `MaxLength`, palyginti su pelikanais ar žąsimis. Gerai, kai duomenys logiškai atitinka! + +Galite sukurti įdomesnes stulpelinių diagramų vizualizacijas, uždedant duomenis vienas ant kito. Uždenkime minimalų ir maksimalų ilgį tam tikroje paukščių kategorijoje: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.lt.png) + +## 🚀 Iššūkis + +Šis paukščių duomenų rinkinys siūlo daugybę informacijos apie skirtingų tipų paukščius tam tikroje ekosistemoje. Paieškokite internete ir pažiūrėkite, ar galite rasti kitų su paukščiais susijusių duomenų rinkinių. Praktikuokitės kurti diagramas ir grafikus apie šiuos paukščius, kad atrastumėte faktų, kurių nežinojote. +## [Po paskaitos - testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Apžvalga ir savarankiškas mokymasis + +Ši pirmoji pamoka suteikė jums informacijos apie tai, kaip naudoti `ggplot2` kiekių vizualizavimui. Atlikite tyrimus apie kitus būdus dirbti su duomenų rinkiniais vizualizacijai. Ieškokite ir tyrinėkite duomenų rinkinius, kuriuos galėtumėte vizualizuoti naudodami kitas bibliotekas, tokias kaip [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) ir [Plotly](https://github.com/plotly/plotly.R#readme). + +## Užduotis +[Linijos, sklaidos ir stulpeliai](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/lt/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..67afdbb4 --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Linijos, sklaidos diagramos ir stulpelinės diagramos + +## Instrukcijos + +Šioje pamokoje dirbote su linijų diagramomis, sklaidos diagramomis ir stulpelinėmis diagramomis, kad parodytumėte įdomius faktus apie šį duomenų rinkinį. Šioje užduotyje gilinkitės į duomenų rinkinį, kad atrastumėte faktą apie tam tikrą paukščių rūšį. Pavyzdžiui, sukurkite scenarijų, vizualizuojantį visus įdomius duomenis, kuriuos galite atskleisti apie sniegines žąsis. Naudokite tris aukščiau paminėtas diagramas, kad papasakotumėte istoriją savo užrašų knygelėje. + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia tobulinti +--- | --- | -- | +Pateiktas scenarijus su geromis anotacijomis, aiškia istorija ir patraukliomis diagramomis | Scenarijuje trūksta vieno iš šių elementų | Scenarijuje trūksta dviejų iš šių elementų + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/lt/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..6831b875 --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,184 @@ + +# Vizualizuojant pasiskirstymus + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Vizualizuojant pasiskirstymus - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Ankstesnėje pamokoje sužinojote įdomių faktų apie Minesotos paukščių duomenų rinkinį. Aptikote klaidingus duomenis vizualizuodami išskirtis ir išnagrinėjote skirtumus tarp paukščių kategorijų pagal jų maksimalų ilgį. + +## [Prieš paskaitą vykdomas testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Tyrinėkite paukščių duomenų rinkinį + +Kitas būdas gilintis į duomenis yra pažvelgti į jų pasiskirstymą arba kaip duomenys yra organizuoti pagal ašį. Pavyzdžiui, galbūt norėtumėte sužinoti apie bendrą maksimalios sparnų amplitudės ar maksimalios kūno masės pasiskirstymą Minesotos paukščių duomenų rinkinyje. + +Atraskime keletą faktų apie šio duomenų rinkinio pasiskirstymus. Savo R konsolėje importuokite `ggplot2` ir duomenų bazę. Pašalinkite išskirtis iš duomenų bazės, kaip tai darėte ankstesnėje temoje. + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | Pavadinimas | MokslinisPavadinimas | Kategorija | Būrys | Šeima | Gentis | ApsaugosStatusas | MinIlgis | MaxIlgis | MinKūnoMasa | MaxKūnoMasa | MinSparnųAmplitudė | MaxSparnųAmplitudė | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | -----------------: | -----------------: | +| 0 | Juodapilvė švilpiko antis | Dendrocygna autumnalis | Antys/Žąsys/Vandensf. | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rudapilvė švilpiko antis | Dendrocygna bicolor | Antys/Žąsys/Vandensf. | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snieginė žąsis | Anser caerulescens | Antys/Žąsys/Vandensf. | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rosso žąsis | Anser rossii | Antys/Žąsys/Vandensf. | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Didžioji baltakaktė žąsis | Anser albifrons | Antys/Žąsys/Vandensf. | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Apskritai, galite greitai pažvelgti į tai, kaip duomenys pasiskirstę, naudodami sklaidos diagramą, kaip tai darėme ankstesnėje pamokoje: + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![maksimalus ilgis pagal būrį](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.lt.png) + +Tai suteikia bendrą paukščių kūno ilgio pasiskirstymo pagal būrį apžvalgą, tačiau tai nėra optimalus būdas tikriems pasiskirstymams parodyti. Šią užduotį paprastai atlieka histograma. + +## Darbas su histogramomis + +`ggplot2` siūlo puikius būdus vizualizuoti duomenų pasiskirstymą naudojant histogramas. Šio tipo diagrama yra panaši į stulpelinę diagramą, kur pasiskirstymas matomas per stulpelių kilimą ir kritimą. Norint sukurti histogramą, reikia skaitinių duomenų. Histogramai sukurti galite nurodyti diagramos tipą kaip 'hist'. Ši diagrama rodo MaxBodyMass pasiskirstymą visame duomenų rinkinio skaitinių duomenų diapazone. Padalindama duomenų masyvą į mažesnius intervalus, ji gali parodyti duomenų reikšmių pasiskirstymą: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![pasiskirstymas visame duomenų rinkinyje](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.lt.png) + +Kaip matote, dauguma iš 400+ paukščių šiame duomenų rinkinyje patenka į mažesnę nei 2000 Max Kūno Masės ribą. Gaukite daugiau įžvalgų apie duomenis, pakeisdami `bins` parametrą į didesnį skaičių, pavyzdžiui, 30: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![pasiskirstymas su 30 intervalų](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.lt.png) + +Ši diagrama rodo pasiskirstymą šiek tiek detaliau. Mažiau į kairę pasvirusią diagramą būtų galima sukurti užtikrinant, kad pasirinktumėte tik duomenis tam tikrame diapazone: + +Filtruokite savo duomenis, kad gautumėte tik tuos paukščius, kurių kūno masė yra mažesnė nei 60, ir parodykite 30 `bins`: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![filtruota histograma](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.lt.png) + +✅ Išbandykite kitus filtrus ir duomenų taškus. Norėdami pamatyti visą duomenų pasiskirstymą, pašalinkite `['MaxBodyMass']` filtrą, kad parodytumėte pažymėtus pasiskirstymus. + +Histograma taip pat siūlo gražius spalvų ir žymėjimo patobulinimus, kuriuos verta išbandyti: + +Sukurkite 2D histogramą, kad palygintumėte dviejų pasiskirstymų santykį. Palyginkime `MaxBodyMass` ir `MaxLength`. `ggplot2` siūlo įmontuotą būdą parodyti susiliejimą naudojant ryškesnes spalvas: + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +Atrodo, kad tarp šių dviejų elementų yra tikėtinas koreliavimas pagal numatomą ašį, su viena ypač stipria susiliejimo vieta: + +![2D diagrama](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.lt.png) + +Histogramų numatytasis veikimas gerai tinka skaitiniams duomenims. O kas, jei reikia pamatyti pasiskirstymus pagal tekstinius duomenis? +## Tyrinėkite duomenų rinkinį pagal tekstinius duomenis + +Šiame duomenų rinkinyje taip pat yra geros informacijos apie paukščių kategoriją, jų gentį, rūšį, šeimą bei apsaugos statusą. Panagrinėkime šią apsaugos informaciją. Koks yra paukščių pasiskirstymas pagal jų apsaugos statusą? + +> ✅ Duomenų rinkinyje naudojami keli akronimai, apibūdinantys apsaugos statusą. Šie akronimai yra iš [IUCN Raudonojo sąrašo kategorijų](https://www.iucnredlist.org/), organizacijos, kataloguojančios rūšių būklę. +> +> - CR: Kritiškai nykstantis +> - EN: Nykstantis +> - EX: Išnykęs +> - LC: Mažiausiai susirūpinimą keliantis +> - NT: Beveik nykstantis +> - VU: Pažeidžiamas + +Kadangi tai yra tekstinės reikšmės, reikės atlikti transformaciją, kad sukurtumėte histogramą. Naudodami `filteredBirds` duomenų rėmelį, parodykite jo apsaugos statusą kartu su minimaliu sparnų amplitudės dydžiu. Ką pastebite? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![sparnų amplitudė ir apsaugos statusas](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.lt.png) + +Atrodo, kad nėra gero koreliavimo tarp minimalaus sparnų amplitudės dydžio ir apsaugos statuso. Išbandykite kitus duomenų rinkinio elementus naudodami šį metodą. Taip pat galite išbandyti skirtingus filtrus. Ar pastebite kokį nors koreliavimą? + +## Tankio diagramos + +Galbūt pastebėjote, kad iki šiol nagrinėtos histogramos yra „laiptinės“ ir nesudaro sklandžios kreivės. Norėdami parodyti sklandesnę tankio diagramą, galite išbandyti tankio diagramą. + +Dabar dirbkime su tankio diagramomis! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![tankio diagrama](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.lt.png) + +Galite matyti, kaip ši diagrama atspindi ankstesnę minimalaus sparnų amplitudės duomenų diagramą; ji tiesiog šiek tiek sklandesnė. Jei norėtumėte peržiūrėti tą dantytą MaxBodyMass liniją antroje sukurtoje diagramoje, galėtumėte ją labai gerai išlyginti, naudodami šį metodą: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![kūno masės tankis](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.lt.png) + +Jei norėtumėte sklandžios, bet ne per daug sklandžios linijos, redaguokite `adjust` parametrą: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![mažiau sklandi kūno masė](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.lt.png) + +✅ Perskaitykite apie šio tipo diagramos parametrus ir eksperimentuokite! + +Šio tipo diagrama siūlo gražiai paaiškinančias vizualizacijas. Pavyzdžiui, su keliomis kodo eilutėmis galite parodyti maksimalios kūno masės tankį pagal paukščių būrį: + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![kūno masė pagal būrį](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.lt.png) + +## 🚀 Iššūkis + +Histogramų naudojimas yra sudėtingesnis nei paprastų sklaidos diagramų, stulpelinių diagramų ar linijinių diagramų. Ieškokite internete gerų histogramų naudojimo pavyzdžių. Kaip jos naudojamos, ką jos parodo ir kokiose srityse ar tyrimų srityse jos dažniausiai naudojamos? + +## [Po paskaitos vykdomas testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Apžvalga ir savarankiškas mokymasis + +Šioje pamokoje naudojote `ggplot2` ir pradėjote kurti sudėtingesnes diagramas. Atlikite tyrimą apie `geom_density_2d()`, „nepertraukiamą tikimybės tankio kreivę vienoje ar keliose dimensijose“. Perskaitykite [dokumentaciją](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), kad suprastumėte, kaip ji veikia. + +## Užduotis + +[Praktikuokite savo įgūdžius](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/lt/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..e642872e --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Pradėkite taikyti savo įgūdžius + +## Instrukcijos + +Iki šiol dirbote su Minesotos paukščių duomenų rinkiniu, kad sužinotumėte apie paukščių kiekius ir populiacijos tankį. Praktikuokite šių metodų taikymą, išbandydami kitą duomenų rinkinį, galbūt gautą iš [Kaggle](https://www.kaggle.com/). Sukurkite R scenarijų, kuris papasakotų istoriją apie šį duomenų rinkinį, ir būtinai naudokite histogramas, kai apie jį diskutuojate. + +## Vertinimo kriterijai + +Pavyzdingas | Pakankamas | Reikia patobulinimų +--- | --- | -- | +Pateiktas scenarijus su anotacijomis apie šį duomenų rinkinį, įskaitant jo šaltinį, ir naudojama bent 5 histogramų faktams apie duomenis atskleisti. | Pateiktas scenarijus su neišsamiais paaiškinimais arba klaidomis. | Pateiktas scenarijus be paaiškinimų ir su klaidomis. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/lt/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..d2ce6a9f --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,199 @@ + +# Vizualizuojame Proporcijas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Vizualizuojame Proporcijas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Šioje pamokoje naudosite kitą gamtos tematikos duomenų rinkinį, kad vizualizuotumėte proporcijas, pavyzdžiui, kiek skirtingų grybų rūšių yra tam tikrame grybų duomenų rinkinyje. Panagrinėkime šiuos įdomius grybus naudodami duomenų rinkinį iš Audubon, kuriame pateikiama informacija apie 23 rūšis lakštinių grybų iš Agaricus ir Lepiota šeimų. Eksperimentuosite su skaniais vizualizacijų tipais, tokiais kaip: + +- Pyrago diagramos 🥧 +- Žiedo diagramos 🍩 +- Vaflių diagramos 🧇 + +> 💡 Labai įdomus projektas, vadinamas [Charticulator](https://charticulator.com), sukurtas Microsoft Research, siūlo nemokamą „drag and drop“ sąsają duomenų vizualizacijoms. Viename iš jų mokymų taip pat naudojamas šis grybų duomenų rinkinys! Taigi galite tyrinėti duomenis ir tuo pačiu metu mokytis naudotis biblioteka: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). + +## [Prieš paskaitą - testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Susipažinkite su savo grybais 🍄 + +Grybai yra labai įdomūs. Importuokime duomenų rinkinį, kad juos išnagrinėtume: + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +Atspausdinama lentelė su puikiais duomenimis analizei: + + +| klasė | kepurėlės forma | kepurėlės paviršius | kepurėlės spalva | mėlynės | kvapas | lakštelių prisitvirtinimas | lakštelių tarpai | lakštelių dydis | lakštelių spalva | kotelio forma | kotelio šaknis | kotelio paviršius virš žiedo | kotelio paviršius po žiedu | kotelio spalva virš žiedo | kotelio spalva po žiedu | šydo tipas | šydo spalva | žiedų skaičius | žiedo tipas | sporų atspaudo spalva | populiacija | buveinė | +| --------- | -------------- | ------------------- | ---------------- | ------- | --------- | ------------------------- | ---------------- | --------------- | ---------------- | ------------- | ------------- | -------------------------- | -------------------------- | ------------------------ | ------------------------ | ---------- | ---------- | -------------- | ----------- | --------------------- | ----------- | ------- | +| Nuodingas | Išgaubta | Lygi | Ruda | Mėlynės | Aitrus | Laisvas | Artimi | Siauri | Juoda | Platėjantis | Lygus | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Pakabintas | Juoda | Išsibarstę | Miestas | +| Valgomas | Išgaubta | Lygi | Geltona | Mėlynės | Migdolų | Laisvas | Artimi | Platus | Juoda | Platėjantis | Klubas | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Pakabintas | Ruda | Gausus | Žolynai | +| Valgomas | Varpelio | Lygi | Balta | Mėlynės | Anyžinis | Laisvas | Artimi | Platus | Ruda | Platėjantis | Klubas | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Pakabintas | Ruda | Gausus | Pievos | +| Nuodingas | Išgaubta | Žvynuota | Balta | Mėlynės | Aitrus | Laisvas | Artimi | Siauri | Ruda | Platėjantis | Lygus | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Pakabintas | Juoda | Išsibarstę | Miestas | +| Valgomas | Išgaubta | Lygi | Žalia | Be mėlynių | Nėra | Laisvas | Tankūs | Platus | Juoda | Smailėjantis | Lygus | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Išnykstantis | Ruda | Gausus | Žolynai | +| Valgomas | Išgaubta | Žvynuota | Geltona | Mėlynės | Migdolų | Laisvas | Artimi | Platus | Ruda | Platėjantis | Klubas | Lygus | Lygus | Balta | Balta | Dalinis | Balta | Vienas | Pakabintas | Juoda | Gausus | Žolynai | + +Iškart pastebite, kad visi duomenys yra tekstiniai. Norėsite konvertuoti šiuos duomenis, kad galėtumėte juos naudoti diagramose. Dauguma duomenų, iš tiesų, pateikiami kaip objektai: + +```r +names(mushrooms) +``` + +Rezultatas: + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` +Paimkite šiuos duomenis ir konvertuokite 'klasės' stulpelį į kategoriją: + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + +Dabar, jei atspausdinsite grybų duomenis, pamatysite, kad jie buvo suskirstyti į kategorijas pagal nuodingumo/valgymo klasę: +```r +View(grouped) +``` + +| klasė | kiekis | +| --------- | --------- | +| Valgomas | 4208 | +| Nuodingas | 3916 | + +Jei laikysitės šioje lentelėje pateiktos tvarkos kurdami savo klasės kategorijų etiketes, galėsite sukurti pyrago diagramą. + +## Pyragas! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +Štai pyrago diagrama, rodanti šių duomenų proporcijas pagal šias dvi grybų klases. Labai svarbu teisingai nustatyti etikečių tvarką, ypač čia, todėl būtinai patikrinkite, ar etikečių masyvas sudarytas teisinga tvarka! + +![pyrago diagrama](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.lt.png) + +## Žiedai! + +Šiek tiek vizualiai įdomesnė pyrago diagrama yra žiedo diagrama, kuri yra pyrago diagrama su skylute viduryje. Pažvelkime į mūsų duomenis naudodami šį metodą. + +Pažvelkite į įvairias buveines, kuriose auga grybai: + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` +Rezultatas: +| buveinė | kiekis | +| --------- | --------- | +| Žolynai | 2148 | +| Lapai | 832 | +| Pievos | 292 | +| Takai | 1144 | +| Miestas | 368 | +| Atliekos | 192 | +| Mediena | 3148 | + +Čia grupuojate savo duomenis pagal buveinę. Yra 7 buveinės, todėl naudokite jas kaip etiketes savo žiedo diagramai: + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![žiedo diagrama](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.lt.png) + +Šis kodas naudoja dvi bibliotekas - ggplot2 ir webr. Naudodami webr bibliotekos PieDonut funkciją, galite lengvai sukurti žiedo diagramą! + +Žiedo diagramas R kalboje galima kurti ir naudojant tik ggplot2 biblioteką. Daugiau apie tai galite sužinoti [čia](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) ir išbandyti patys. + +Dabar, kai žinote, kaip grupuoti savo duomenis ir juos rodyti kaip pyragą ar žiedą, galite išbandyti kitus diagramų tipus. Pabandykite vaflių diagramą, kuri yra kitoks kiekių tyrinėjimo būdas. + +## Vafliai! + +„Vaflio“ tipo diagrama yra kitoks būdas vizualizuoti kiekius kaip 2D kvadratų masyvą. Pabandykite vizualizuoti skirtingus grybų kepurėlių spalvų kiekius šiame duomenų rinkinyje. Norėdami tai padaryti, turite įdiegti pagalbinę biblioteką, vadinamą [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf), ir naudoti ją savo vizualizacijai sukurti: + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +Pasirinkite savo duomenų segmentą grupavimui: + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +Sukurkite vaflio diagramą, sukurdami etiketes ir tada grupuodami savo duomenis: + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +Naudodami vaflio diagramą, galite aiškiai matyti grybų kepurėlių spalvų proporcijas šiame duomenų rinkinyje. Įdomu tai, kad yra daug grybų su žaliomis kepurėlėmis! + +![vaflio diagrama](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.lt.png) + +Šioje pamokoje išmokote tris būdus, kaip vizualizuoti proporcijas. Pirmiausia reikia suskirstyti savo duomenis į kategorijas, o tada nuspręsti, kuris būdas geriausiai atspindi duomenis - pyragas, žiedas ar vaflis. Visi jie yra „skanūs“ ir suteikia vartotojui greitą duomenų rinkinio apžvalgą. + +## 🚀 Iššūkis + +Pabandykite atkurti šias skanias diagramas [Charticulator](https://charticulator.com). + +## [Po paskaitos - testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Apžvalga ir savarankiškas mokymasis + +Kartais nėra akivaizdu, kada naudoti pyrago, žiedo ar vaflio diagramą. Štai keletas straipsnių šia tema: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Atlikite tyrimus, kad rastumėte daugiau informacijos apie šį sudėtingą sprendimą. + +## Užduotis + +[Pabandykite Excel](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/lt/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..ef7237dd --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,177 @@ + +# Vizualizuojame ryšius: Viskas apie medų 🍯 + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Ryšių vizualizavimas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Tęsdami gamtos tematiką mūsų tyrimuose, atraskime įdomius vizualizacijos būdus, kaip parodyti ryšius tarp įvairių medaus rūšių, remiantis duomenų rinkiniu, gautu iš [Jungtinių Valstijų Žemės ūkio departamento](https://www.nass.usda.gov/About_NASS/index.php). + +Šis maždaug 600 elementų duomenų rinkinys rodo medaus gamybą daugelyje JAV valstijų. Pavyzdžiui, galite peržiūrėti kolonijų skaičių, derlių vienai kolonijai, bendrą gamybą, atsargas, kainą už svarą ir medaus vertę tam tikroje valstijoje nuo 1998 iki 2012 metų, su viena eilute kiekvieniems metams kiekvienai valstijai. + +Būtų įdomu vizualizuoti ryšį tarp tam tikros valstijos gamybos per metus ir, pavyzdžiui, medaus kainos toje valstijoje. Arba galite vizualizuoti ryšį tarp valstijų medaus derliaus vienai kolonijai. Šis laikotarpis apima niokojantį „CCD“ arba „Kolonijų žlugimo sutrikimą“, pirmą kartą pastebėtą 2006 m. (http://npic.orst.edu/envir/ccd.html), todėl tai yra reikšmingas duomenų rinkinys tyrimui. 🐝 + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +Šioje pamokoje galite naudoti ggplot2, kurį jau naudojote anksčiau, kaip puikią biblioteką vizualizuoti ryšius tarp kintamųjų. Ypač įdomu naudoti ggplot2 `geom_point` ir `qplot` funkcijas, kurios leidžia greitai kurti sklaidos ir linijų diagramas, kad būtų galima vizualizuoti '[statistinius ryšius](https://ggplot2.tidyverse.org/)', padedančius duomenų mokslininkui geriau suprasti, kaip kintamieji yra susiję. + +## Sklaidos diagramos + +Naudokite sklaidos diagramą, kad parodytumėte, kaip medaus kaina keitėsi metai iš metų kiekvienoje valstijoje. ggplot2, naudojant `ggplot` ir `geom_point`, patogiai grupuoja valstijų duomenis ir rodo duomenų taškus tiek kategoriniams, tiek skaitiniams duomenims. + +Pradėkime importuodami duomenis ir Seaborn: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +Pastebėsite, kad medaus duomenyse yra keletas įdomių stulpelių, įskaitant metus ir kainą už svarą. Išnagrinėkime šiuos duomenis, suskirstytus pagal JAV valstijas: + +| valstija | kolonijų skaičius | derlius vienai kolonijai | bendra gamyba | atsargos | kaina už svarą | gamybos vertė | metai | +| -------- | ----------------- | ------------------------ | ------------- | -------- | ------------- | ------------- | ----- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 | 22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +Sukurkite paprastą sklaidos diagramą, kad parodytumėte ryšį tarp medaus kainos už svarą ir jo kilmės valstijos. Padarykite `y` ašį pakankamai aukštą, kad būtų rodomos visos valstijos: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![sklaidos diagrama 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.lt.png) + +Dabar parodykite tuos pačius duomenis su medaus spalvų schema, kad parodytumėte, kaip kaina keičiasi metai iš metų. Tai galite padaryti pridėdami 'scale_color_gradientn' parametrą, kad parodytumėte pokyčius: + +> ✅ Sužinokite daugiau apie [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - išbandykite gražią vaivorykštės spalvų schemą! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![sklaidos diagrama 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.lt.png) + +Naudodami šią spalvų schemą, galite pastebėti, kad per metus medaus kaina už svarą akivaizdžiai kyla. Iš tiesų, jei patikrinsite duomenų pavyzdį (pavyzdžiui, Arizonos valstiją), galite pastebėti kainų kilimo modelį metai iš metų, su keliomis išimtimis: + +| valstija | kolonijų skaičius | derlius vienai kolonijai | bendra gamyba | atsargos | kaina už svarą | gamybos vertė | metai | +| -------- | ----------------- | ------------------------ | ------------- | -------- | ------------- | ------------- | ----- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Kitas būdas parodyti šį progresą yra naudoti dydį, o ne spalvą. Spalvų neskiriantiems vartotojams tai gali būti geresnis pasirinkimas. Redaguokite savo vizualizaciją, kad kainos padidėjimas būtų parodytas didesniu taško apskritimu: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +Matote, kaip taškų dydis palaipsniui didėja. + +![sklaidos diagrama 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.lt.png) + +Ar tai paprastas pasiūlos ir paklausos atvejis? Dėl tokių veiksnių kaip klimato kaita ir kolonijų žlugimas, ar medaus kiekis, kurį galima įsigyti, mažėja metai iš metų, todėl kaina kyla? + +Norėdami atrasti koreliaciją tarp kai kurių šio duomenų rinkinio kintamųjų, išnagrinėkime keletą linijinių diagramų. + +## Linijinės diagramos + +Klausimas: Ar yra aiškus medaus kainos už svarą kilimas metai iš metų? Tai galite lengviausiai atrasti sukurdami vieną linijinę diagramą: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +Atsakymas: Taip, su keliomis išimtimis apie 2003 metus: + +![linijinė diagrama 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.lt.png) + +Klausimas: Na, o 2003 metais, ar taip pat matome medaus tiekimo šuolį? Ką, jei pažvelgtume į bendrą gamybą metai iš metų? + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![linijinė diagrama 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.lt.png) + +Atsakymas: Ne visai. Jei pažvelgsite į bendrą gamybą, atrodo, kad ji iš tikrųjų padidėjo tais metais, nors apskritai medaus gamybos kiekis mažėja per šiuos metus. + +Klausimas: Tokiu atveju, kas galėjo sukelti tą medaus kainos šuolį apie 2003 metus? + +Norėdami tai atrasti, galite išnagrinėti facet grid. + +## Facet grid + +Facet grid leidžia pasirinkti vieną duomenų rinkinio aspektą (mūsų atveju galite pasirinkti 'metus', kad išvengtumėte per daug facetų). Tada Seaborn gali sukurti diagramą kiekvienam iš šių aspektų, pasirinktoms x ir y koordinatėms, kad būtų lengviau palyginti. Ar 2003 metai išsiskiria tokiame palyginime? + +Sukurkite facet grid naudodami `facet_wrap`, kaip rekomenduoja [ggplot2 dokumentacija](https://ggplot2.tidyverse.org/reference/facet_wrap.html). + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +Šioje vizualizacijoje galite palyginti derlių vienai kolonijai ir kolonijų skaičių metai iš metų, šalia vienas kito, su wrap nustatytu 3 stulpeliams: + +![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.lt.png) + +Šiam duomenų rinkiniui niekas ypatingai neišsiskiria, kalbant apie kolonijų skaičių ir jų derlių, metai iš metų ir valstija po valstijos. Ar yra kitoks būdas ieškoti koreliacijos tarp šių dviejų kintamųjų? + +## Dvigubos linijos diagramos + +Išbandykite daugiagubą linijinę diagramą, uždėdami dvi linijines diagramas vieną ant kitos, naudodami R `par` ir `plot` funkcijas. Mes braižysime metus x ašyje ir rodysime dvi y ašis. Taigi, parodykite derlių vienai kolonijai ir kolonijų skaičių, uždėtus vieną ant kito: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![uždėtos diagramos](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.lt.png) + +Nors niekas ypatingai neišsiskiria apie 2003 metus, tai leidžia mums užbaigti šią pamoką šiek tiek linksmesne nata: nors kolonijų skaičius apskritai mažėja, jų skaičius stabilizuojasi, net jei jų derlius vienai kolonijai mažėja. + +Pirmyn, bitės, pirmyn! + +🐝❤️ +## 🚀 Iššūkis + +Šioje pamokoje sužinojote daugiau apie kitus sklaidos diagramų ir linijinių tinklų, įskaitant facet grid, naudojimo būdus. Išbandykite save, sukurdami facet grid naudodami kitą duomenų rinkinį, galbūt tą, kurį naudojote prieš šias pamokas. Atkreipkite dėmesį, kiek laiko užtrunka jų kūrimas ir kaip reikia būti atsargiems dėl to, kiek tinklų reikia piešti naudojant šiuos metodus. +## [Po paskaitos: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Peržiūra ir savarankiškas mokymasis + +Linijinės diagramos gali būti paprastos arba gana sudėtingos. Šiek tiek pasiskaitykite [ggplot2 dokumentacijoje](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) apie įvairius būdus, kaip jas kurti. Pabandykite patobulinti linijines diagramas, kurias sukūrėte šioje pamokoje, naudodami kitus dokumentacijoje išvardytus metodus. +## Užduotis + +[Pasinerkite į avilį](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/lt/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..33476754 --- /dev/null +++ b/translations/lt/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,182 @@ + +# Kurti prasmingas vizualizacijas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Prasmingos vizualizacijos - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +> „Jei pakankamai ilgai kankinsi duomenis, jie prisipažins bet ką“ -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +Viena iš pagrindinių duomenų mokslininko įgūdžių yra gebėjimas sukurti prasmingą duomenų vizualizaciją, kuri padėtų atsakyti į jums rūpimus klausimus. Prieš vizualizuodami duomenis, turite įsitikinti, kad jie buvo išvalyti ir paruošti, kaip tai darėte ankstesnėse pamokose. Po to galite pradėti spręsti, kaip geriausiai pateikti duomenis. + +Šioje pamokoje peržiūrėsite: + +1. Kaip pasirinkti tinkamą diagramos tipą +2. Kaip išvengti klaidinančių diagramų +3. Kaip dirbti su spalvomis +4. Kaip stilizuoti diagramas, kad jos būtų lengvai skaitomos +5. Kaip kurti animuotas ar 3D diagramas +6. Kaip kurti kūrybingas vizualizacijas + +## [Prieš pamokos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Pasirinkite tinkamą diagramos tipą + +Ankstesnėse pamokose eksperimentavote su įvairių tipų duomenų vizualizacijomis, naudodami Matplotlib ir Seaborn diagramoms kurti. Paprastai galite pasirinkti [tinkamą diagramos tipą](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) pagal klausimą, kurį norite atsakyti, naudodamiesi šia lentele: + +| Jums reikia: | Turėtumėte naudoti: | +| -------------------------- | ------------------------------- | +| Rodyti duomenų tendencijas laikui bėgant | Linijinė diagrama | +| Palyginti kategorijas | Stulpelinė, Skritulinė | +| Palyginti sumas | Skritulinė, Sudėtinė stulpelinė | +| Rodyti ryšius | Sklaidos, Linijinė, Facet, Dviguba linijinė | +| Rodyti pasiskirstymus | Sklaidos, Histogramos, Dėžutės | +| Rodyti proporcijas | Skritulinė, Žiedinė, Vaflinė | + +> ✅ Priklausomai nuo jūsų duomenų sudėties, gali tekti konvertuoti juos iš teksto į skaitinius, kad tam tikra diagrama galėtų juos palaikyti. + +## Venkite klaidinimo + +Net jei duomenų mokslininkas kruopščiai pasirenka tinkamą diagramą tinkamiems duomenims, yra daugybė būdų, kaip duomenys gali būti pateikti taip, kad įrodytų tam tikrą tašką, dažnai pažeidžiant pačius duomenis. Yra daugybė klaidinančių diagramų ir infografikų pavyzdžių! + +[![Kaip meluoja diagramos, Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.lt.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Kaip meluoja diagramos") + +> 🎥 Spustelėkite aukščiau esančią nuotrauką, kad pamatytumėte konferencijos pranešimą apie klaidinančias diagramas + +Ši diagrama apverčia X ašį, kad parodytų priešingą tiesai, remiantis datomis: + +![bloga diagrama 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.lt.png) + +[Ši diagrama](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) yra dar labiau klaidinanti, nes akis nukreipiama į dešinę, kad būtų padaryta išvada, jog laikui bėgant COVID atvejų skaičius sumažėjo įvairiose apskrityse. Tačiau, jei atidžiai pažvelgsite į datas, pastebėsite, kad jos buvo pertvarkytos, kad būtų parodyta klaidinanti mažėjimo tendencija. + +![bloga diagrama 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.lt.jpg) + +Šis liūdnai pagarsėjęs pavyzdys naudoja spalvas IR apverstą Y ašį, kad suklaidintų: vietoj išvados, kad ginklų mirčių skaičius padidėjo po ginklams palankios teisės aktų priėmimo, akis apgaunama manyti, kad tiesa yra priešinga: + +![bloga diagrama 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.lt.jpg) + +Ši keista diagrama rodo, kaip proporcijos gali būti manipuliuojamos, sukeliant juoką: + +![bloga diagrama 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.lt.jpg) + +Palyginti nepalyginamus dalykus yra dar vienas abejotinas triukas. Yra [puiki svetainė](https://tylervigen.com/spurious-correlations), skirta „klaidingoms koreliacijoms“, kurioje pateikiami „faktai“, koreliuojantys tokius dalykus kaip skyrybų rodiklis Meino valstijoje ir margarino vartojimas. Reddit grupė taip pat renka [blogus duomenų naudojimo pavyzdžius](https://www.reddit.com/r/dataisugly/top/?t=all). + +Svarbu suprasti, kaip lengvai akis gali būti apgauta klaidinančiomis diagramomis. Net jei duomenų mokslininko ketinimai yra geri, netinkamos diagramos tipo pasirinkimas, pavyzdžiui, skritulinė diagrama, rodanti per daug kategorijų, gali būti klaidinantis. + +## Spalvos + +Kaip matėte aukščiau esančioje „Floridos ginklų smurto“ diagramoje, spalva gali suteikti papildomą prasmės sluoksnį diagramoms, ypač toms, kurios nėra sukurtos naudojant tokias bibliotekas kaip ggplot2 ir RColorBrewer, kurios turi įvairias patikrintas spalvų bibliotekas ir paletes. Jei kuriate diagramą rankiniu būdu, šiek tiek pasidomėkite [spalvų teorija](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Kurdamas diagramas, atkreipkite dėmesį, kad prieinamumas yra svarbus vizualizacijos aspektas. Kai kurie jūsų vartotojai gali būti spalvų akli - ar jūsų diagrama gerai rodoma vartotojams su regos sutrikimais? + +Būkite atsargūs rinkdamiesi spalvas savo diagramai, nes spalva gali perteikti prasmę, kurios galbūt nenorėjote. „Rožinės damos“ aukščiau esančioje „ūgio“ diagramoje perteikia aiškiai „moterišką“ prasmę, kuri dar labiau sustiprina pačios diagramos keistumą. + +Nors [spalvų reikšmės](https://colormatters.com/color-symbolism/the-meanings-of-colors) gali skirtis skirtingose pasaulio dalyse ir keistis priklausomai nuo jų atspalvio, paprastai spalvų reikšmės apima: + +| Spalva | Reikšmė | +| ------- | ------------------- | +| raudona | galia | +| mėlyna | pasitikėjimas, lojalumas | +| geltona | laimė, atsargumas | +| žalia | ekologija, sėkmė, pavydas | +| violetinė | laimė | +| oranžinė | gyvybingumas | + +Jei jums pavesta kurti diagramą su individualiomis spalvomis, įsitikinkite, kad jūsų diagramos yra prieinamos ir kad pasirinkta spalva atitinka prasmę, kurią norite perteikti. + +## Diagramų stilius ir skaitomumas + +Diagramos nėra prasmingos, jei jos nėra lengvai skaitomos! Skirkite laiko apsvarstyti diagramos pločio ir aukščio stilių, kad jie gerai atitiktų jūsų duomenis. Jei reikia parodyti vieną kintamąjį (pvz., visas 50 valstijų), parodykite juos vertikaliai Y ašyje, jei įmanoma, kad išvengtumėte horizontalaus slinkimo. + +Pažymėkite ašis, pateikite legendą, jei reikia, ir pasiūlykite užuominas (tooltips), kad duomenys būtų geriau suprantami. + +Jei jūsų duomenys yra tekstiniai ir ilgi X ašyje, galite pakreipti tekstą, kad jis būtų lengviau skaitomas. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) siūlo 3D diagramų kūrimą, jei jūsų duomenys tai palaiko. Naudojant šią biblioteką galima sukurti sudėtingas duomenų vizualizacijas. + +![3D diagramos](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.lt.png) + +## Animacija ir 3D diagramų rodymas + +Kai kurios geriausios šių dienų duomenų vizualizacijos yra animuotos. Shirley Wu sukūrė nuostabias vizualizacijas su D3, tokias kaip '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kur kiekviena gėlė yra filmo vizualizacija. Kitas pavyzdys, sukurtas Guardian, yra „bussed out“, interaktyvi patirtis, derinanti vizualizacijas su Greensock ir D3 bei pasakojimo straipsnio formatą, kad parodytų, kaip NYC sprendžia benamių problemą, išsiųsdama žmones iš miesto. + +![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.lt.png) + +> „Bussed Out: How America Moves its Homeless“ iš [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizacijos: Nadieh Bremer & Shirley Wu + +Nors ši pamoka nėra pakankama, kad išsamiai išmokytų šias galingas vizualizacijos bibliotekas, išbandykite D3 Vue.js programoje, naudodami biblioteką, kad parodytumėte animuotą knygos „Pavojingi ryšiai“ socialinį tinklą. + +> „Les Liaisons Dangereuses“ yra epistolinis romanas, arba romanas, pateiktas kaip laiškų serija. Parašytas 1782 m. Choderlos de Laclos, jis pasakoja apie žiaurius, morališkai bankrutavusius socialinius manevrus dviejų pagrindinių veikėjų iš Prancūzijos aristokratijos XVIII a. pabaigoje, vikonto de Valmont ir markizės de Merteuil. Abu galiausiai žūsta, tačiau ne be didelės socialinės žalos. Romane laiškai rašomi įvairiems žmonėms jų aplinkoje, planuojant kerštą arba tiesiog siekiant sukelti problemų. Sukurkite šių laiškų vizualizaciją, kad atrastumėte pagrindinius pasakojimo veikėjus vizualiai. + +Jūs sukursite internetinę programą, kuri parodys animuotą šio socialinio tinklo vaizdą. Ji naudoja biblioteką, sukurtą [tinklo vizualizacijai](https://github.com/emiliorizzo/vue-d3-network) su Vue.js ir D3. Kai programa veikia, galite perkelti mazgus ekrane, kad pertvarkytumėte duomenis. + +![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.lt.png) + +## Projektas: Sukurkite diagramą tinklui parodyti naudojant D3.js + +> Šio pamokos aplanko „solution“ aplanke rasite baigtą projektą, skirtą jūsų nuorodai. + +1. Vadovaukitės README.md failo instrukcijomis pradinio aplanko šaknyje. Įsitikinkite, kad jūsų kompiuteryje veikia NPM ir Node.js prieš diegdami projekto priklausomybes. + +2. Atidarykite `starter/src` aplanką. Rasite `assets` aplanką, kuriame yra .json failas su visais romano laiškais, sunumeruotais, su „to“ ir „from“ anotacijomis. + +3. Užbaikite kodą `components/Nodes.vue`, kad įgalintumėte vizualizaciją. Suraskite metodą, vadinamą `createLinks()` ir pridėkite šį įdėtą ciklą. + +Ciklu peržiūrėkite .json objektą, kad užfiksuotumėte „to“ ir „from“ duomenis apie laiškus ir sukurtumėte `links` objektą, kad vizualizacijos biblioteka galėtų jį naudoti: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Paleiskite savo programą iš terminalo (npm run serve) ir mėgaukitės vizualizacija! + +## 🚀 Iššūkis + +Pasidairykite internete, kad atrastumėte klaidinančias vizualizacijas. Kaip autorius apgauna vartotoją, ir ar tai tyčinis? Pabandykite pataisyti vizualizacijas, kad parodytumėte, kaip jos turėtų atrodyti. + +## [Po pamokos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Peržiūra ir savarankiškas mokymasis + +Štai keletas straipsnių apie klaidinančias duomenų vizualizacijas: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Pažvelkite į šias įdomias vizualizacijas apie istorinius objektus ir artefaktus: + +https://handbook.pubpub.org/ + +Peržiūrėkite šį straipsnį apie tai, kaip animacija gali pagerinti jūsų vizualizacijas: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Užduotis + +[Sukurkite savo individualią vizualizaciją](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/3-Data-Visualization/README.md b/translations/lt/3-Data-Visualization/README.md new file mode 100644 index 00000000..8beffc47 --- /dev/null +++ b/translations/lt/3-Data-Visualization/README.md @@ -0,0 +1,42 @@ + +# Vizualizacijos + +![bitė ant levandos žiedo](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.lt.jpg) +> Nuotrauka Jenna Lee iš Unsplash + +Duomenų vizualizavimas yra viena svarbiausių duomenų mokslininko užduočių. Vaizdai verti tūkstančio žodžių, o vizualizacija gali padėti atskleisti įvairius įdomius jūsų duomenų aspektus, tokius kaip šuoliai, anomalijos, grupavimai, tendencijos ir dar daugiau, kas padeda suprasti istoriją, kurią jūsų duomenys bando papasakoti. + +Šiose penkiose pamokose tyrinėsite gamtos duomenis ir kursite įdomias bei gražias vizualizacijas naudodami įvairias technikas. + +| Temos numeris | Tema | Susieta pamoka | Autorius | +| :-----------: | :--: | :-----------: | :----: | +| 1. | Kiekių vizualizavimas |
  • [Python](09-visualization-quantities/README.md)
  • [R](../../../3-Data-Visualization/R/09-visualization-quantities)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 2. | Pasiskirstymo vizualizavimas |
  • [Python](10-visualization-distributions/README.md)
  • [R](../../../3-Data-Visualization/R/10-visualization-distributions)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 3. | Proporcijų vizualizavimas |
  • [Python](11-visualization-proportions/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 4. | Ryšių vizualizavimas |
  • [Python](12-visualization-relationships/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 5. | Reikšmingų vizualizacijų kūrimas |
  • [Python](13-meaningful-visualizations/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| + +### Kreditas + +Šios vizualizacijų pamokos buvo parašytos su 🌸 [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) ir [Vidushi Gupta](https://github.com/Vidushi-Gupta). + +🍯 Duomenys apie JAV medaus gamybą yra paimti iš Jessica Li projekto [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Duomenys](https://usda.library.cornell.edu/concern/publications/rn301137d) yra gauti iš [Jungtinių Valstijų Žemės ūkio departamento](https://www.nass.usda.gov/About_NASS/index.php). + +🍄 Duomenys apie grybus taip pat yra paimti iš [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), atnaujinti Hatteras Dunton. Šis duomenų rinkinys apima hipotetinių mėginių aprašymus, atitinkančius 23 rūšių grybus iš Agaricus ir Lepiota šeimų. Grybai aprašyti remiantis „The Audubon Society Field Guide to North American Mushrooms“ (1981). Šis duomenų rinkinys buvo perduotas UCI ML 27 1987 metais. + +🦆 Duomenys apie Minesotos paukščius yra iš [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), surinkti iš [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) Hannah Collins. + +Visi šie duomenų rinkiniai yra licencijuoti pagal [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/lt/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..aa3bb22d --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,123 @@ + +# Duomenų mokslo gyvavimo ciklo įvadas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| Duomenų mokslo gyvavimo ciklo įvadas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Prieš paskaitą: testas](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26) + +Šiuo metu tikriausiai jau supratote, kad duomenų mokslas yra procesas. Šį procesą galima suskirstyti į 5 etapus: + +- Duomenų rinkimas +- Apdorojimas +- Analizė +- Komunikacija +- Priežiūra + +Šioje pamokoje daugiausia dėmesio skiriama trims gyvavimo ciklo dalims: duomenų rinkimui, apdorojimui ir priežiūrai. + +![Duomenų mokslo gyvavimo ciklo diagrama](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.lt.jpg) +> Nuotrauka iš [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) + +## Duomenų rinkimas + +Pirmasis gyvavimo ciklo etapas yra labai svarbus, nes nuo jo priklauso visi kiti etapai. Iš esmės tai yra dviejų etapų derinys: duomenų gavimas ir tikslo bei problemų, kurias reikia spręsti, apibrėžimas. +Projekto tikslų apibrėžimas reikalauja gilesnio problemos ar klausimo konteksto supratimo. Pirmiausia reikia nustatyti ir įtraukti tuos, kuriems reikia išspręsti problemą. Tai gali būti verslo suinteresuotosios šalys arba projekto rėmėjai, kurie gali padėti nustatyti, kas ar kas gaus naudos iš šio projekto, taip pat ką ir kodėl jiems to reikia. Aiškiai apibrėžtas tikslas turėtų būti išmatuojamas ir kiekybiškai įvertinamas, kad būtų galima nustatyti priimtiną rezultatą. + +Klausimai, kuriuos gali užduoti duomenų mokslininkas: +- Ar ši problema jau buvo nagrinėta anksčiau? Ką pavyko atrasti? +- Ar visi dalyviai supranta tikslą ir paskirtį? +- Ar yra neaiškumų ir kaip juos sumažinti? +- Kokie yra apribojimai? +- Kaip gali atrodyti galutinis rezultatas? +- Kiek turime išteklių (laiko, žmonių, skaičiavimo galimybių)? + +Kitas žingsnis – nustatyti, surinkti ir galiausiai ištirti duomenis, reikalingus šiems tikslams pasiekti. Šiame duomenų gavimo etape duomenų mokslininkai taip pat turi įvertinti duomenų kiekį ir kokybę. Tai reikalauja tam tikro duomenų tyrimo, kad būtų patvirtinta, jog surinkti duomenys padės pasiekti norimą rezultatą. + +Klausimai, kuriuos gali užduoti duomenų mokslininkas apie duomenis: +- Kokie duomenys jau yra prieinami? +- Kas yra šių duomenų savininkas? +- Kokie yra privatumo klausimai? +- Ar turiu pakankamai duomenų šiai problemai išspręsti? +- Ar duomenų kokybė yra tinkama šiai problemai? +- Jei per šiuos duomenis atrasiu papildomos informacijos, ar turėtume apsvarstyti tikslų pakeitimą ar perapibrėžimą? + +## Apdorojimas + +Gyvavimo ciklo apdorojimo etapas orientuojasi į duomenų modeliavimą ir šablonų atradimą. Kai kurios technikos, naudojamos šiame etape, reikalauja statistinių metodų, kad būtų galima atskleisti šablonus. Paprastai tai būtų sudėtinga užduotis žmogui, dirbančiam su dideliais duomenų rinkiniais, todėl procesui paspartinti naudojami kompiuteriai. Šiame etape duomenų mokslas ir mašininis mokymasis susikerta. Kaip sužinojote pirmoje pamokoje, mašininis mokymasis yra modelių kūrimo procesas, siekiant suprasti duomenis. Modeliai yra kintamųjų santykių duomenyse reprezentacija, padedanti prognozuoti rezultatus. + +Įprastos technikos, naudojamos šiame etape, yra aptartos pradedančiųjų mašininio mokymosi kurse. Sekite nuorodas, kad sužinotumėte daugiau apie jas: + +- [Klasifikacija](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Duomenų organizavimas į kategorijas efektyvesniam naudojimui. +- [Grupavimas](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Duomenų grupavimas į panašias grupes. +- [Regresija](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Kintamųjų santykių nustatymas, siekiant prognozuoti ar numatyti vertes. + +## Priežiūra + +Gyvavimo ciklo diagramoje galite pastebėti, kad priežiūra yra tarp duomenų rinkimo ir apdorojimo. Priežiūra yra nuolatinis procesas, apimantis duomenų valdymą, saugojimą ir apsaugą viso projekto metu, ir turėtų būti svarstoma viso projekto eigoje. + +### Duomenų saugojimas + +Kaip ir kur duomenys saugomi, gali turėti įtakos saugojimo kaštams bei duomenų prieigos greičiui. Tokius sprendimus dažniausiai priima ne vien duomenų mokslininkai, tačiau jie gali turėti įtakos tam, kaip dirbama su duomenimis, atsižvelgiant į jų saugojimo būdą. + +Štai keletas šiuolaikinių duomenų saugojimo sistemų aspektų, kurie gali turėti įtakos šiems pasirinkimams: + +**Vietinis vs nuotolinis saugojimas vs viešas ar privatus debesis** + +Vietinis saugojimas reiškia duomenų valdymą savo įrangoje, pavyzdžiui, serveryje su kietaisiais diskais, o nuotolinis saugojimas priklauso nuo įrangos, kuri jums nepriklauso, pavyzdžiui, duomenų centro. Viešasis debesis yra populiarus pasirinkimas, kai nereikia žinoti, kaip ar kur tiksliai duomenys saugomi. Viešasis debesis reiškia bendrą infrastruktūrą, kuria naudojasi visi debesies vartotojai. Kai kurios organizacijos turi griežtas saugumo politikos taisykles, reikalaujančias visiškos prieigos prie įrangos, kurioje saugomi duomenys, ir pasirenka privatų debesį, kuris teikia savo debesų paslaugas. Apie duomenis debesyje sužinosite daugiau [vėlesnėse pamokose](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud). + +**Šalti vs karšti duomenys** + +Mokant modelius, gali prireikti daugiau mokymo duomenų. Jei esate patenkinti savo modeliu, vis tiek gali būti gaunami nauji duomenys, kad modelis atliktų savo paskirtį. Bet kuriuo atveju, kaupiant daugiau duomenų, didės jų saugojimo ir prieigos kaštai. Retai naudojamų duomenų, vadinamų šaltaisiais duomenimis, atskyrimas nuo dažnai naudojamų karštųjų duomenų gali būti pigesnis saugojimo sprendimas naudojant aparatinę ar programinę įrangą. Jei reikia pasiekti šaltuosius duomenis, jų gavimas gali užtrukti šiek tiek ilgiau nei karštųjų duomenų. + +### Duomenų valdymas + +Dirbdami su duomenimis galite pastebėti, kad kai kuriuos duomenis reikia išvalyti naudojant technikas, aptartas pamokoje apie [duomenų paruošimą](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation), kad būtų galima sukurti tikslius modelius. Kai gaunami nauji duomenys, jiems reikės taikyti tas pačias technikas, kad būtų išlaikyta kokybės nuoseklumas. Kai kurie projektai apima automatizuotų įrankių naudojimą duomenų valymui, agregavimui ir suspaudimui prieš perkeliant juos į galutinę vietą. Azure Data Factory yra vienas iš tokių įrankių pavyzdžių. + +### Duomenų apsauga + +Vienas pagrindinių duomenų apsaugos tikslų yra užtikrinti, kad tie, kurie dirba su duomenimis, kontroliuotų, kas yra renkama ir kokiame kontekste tai naudojama. Duomenų apsauga apima prieigos ribojimą tik tiems, kuriems jos reikia, vietinių įstatymų ir reglamentų laikymąsi bei etikos standartų laikymąsi, kaip aptarta [etikos pamokoje](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics). + +Štai keletas dalykų, kuriuos komanda gali daryti, atsižvelgdama į saugumą: +- Užtikrinti, kad visi duomenys būtų užšifruoti +- Suteikti klientams informaciją apie tai, kaip jų duomenys naudojami +- Pašalinti duomenų prieigą tiems, kurie paliko projektą +- Leisti tik tam tikriems projekto nariams keisti duomenis + +## 🚀 Iššūkis + +Yra daug duomenų mokslo gyvavimo ciklo versijų, kuriose kiekvienas etapas gali turėti skirtingus pavadinimus ir etapų skaičių, tačiau jose bus tie patys procesai, aptarti šioje pamokoje. + +Išnagrinėkite [Komandos duomenų mokslo proceso gyvavimo ciklą](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) ir [Kryžminės pramonės standartinį duomenų gavybos procesą](https://www.datascience-pm.com/crisp-dm-2/). Įvardykite 3 panašumus ir skirtumus tarp jų. + +|Komandos duomenų mokslo procesas (TDSP)|Kryžminės pramonės standartinis duomenų gavybos procesas (CRISP-DM)| +|--|--| +|![Komandos duomenų mokslo gyvavimo ciklas](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.lt.png) | ![Duomenų mokslo proceso aljanso vaizdas](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.lt.png) | +| Vaizdas iš [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Vaizdas iš [Duomenų mokslo proceso aljanso](https://www.datascience-pm.com/crisp-dm-2/) | + +## [Po paskaitos: testas](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27) + +## Apžvalga ir savarankiškas mokymasis + +Duomenų mokslo gyvavimo ciklo taikymas apima įvairius vaidmenis ir užduotis, kur kai kurie gali būti orientuoti į tam tikras kiekvieno etapo dalis. Komandos duomenų mokslo procesas pateikia keletą išteklių, kurie paaiškina vaidmenų ir užduočių tipus, kuriuos kažkas gali turėti projekte. + +* [Komandos duomenų mokslo proceso vaidmenys ir užduotys](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [Duomenų mokslo užduočių vykdymas: tyrimas, modeliavimas ir diegimas](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## Užduotis + +[Duomenų rinkinio vertinimas](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/lt/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..b27c1dce --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,37 @@ + +# Duomenų rinkinio vertinimas + +Klientas kreipėsi į jūsų komandą, prašydamas pagalbos tiriant taksi klientų sezoninius išlaidų įpročius Niujorke. + +Jie nori sužinoti: **Ar geltonojo taksi keleiviai Niujorke žiemą vairuotojams palieka daugiau arbatpinigių nei vasarą?** + +Jūsų komanda yra [Fiksavimo](Readme.md#Capturing) etape duomenų mokslo gyvavimo cikle, o jūs esate atsakingas už duomenų rinkinio tvarkymą. Jums buvo pateiktas užrašų knygelės failas ir [duomenys](../../../../data/taxi.csv), kuriuos reikia ištirti. + +Šiame kataloge yra [užrašų knygelė](notebook.ipynb), kurioje naudojama Python programavimo kalba geltonojo taksi kelionių duomenims įkelti iš [Niujorko taksi ir limuzinų komisijos](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). +Taip pat galite atidaryti taksi duomenų failą teksto redaktoriuje arba skaičiuoklių programinėje įrangoje, pavyzdžiui, Excel. + +## Instrukcijos + +- Įvertinkite, ar šio duomenų rinkinio duomenys gali padėti atsakyti į klausimą. +- Išnagrinėkite [Niujorko atvirų duomenų katalogą](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Nustatykite papildomą duomenų rinkinį, kuris galėtų būti naudingas atsakant į kliento klausimą. +- Parašykite 3 klausimus, kuriuos užduotumėte klientui, kad geriau suprastumėte problemą ir gautumėte daugiau paaiškinimų. + +Pasinaudokite [duomenų rinkinio žodynu](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ir [naudotojo vadovu](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf), kad gautumėte daugiau informacijos apie duomenis. + +## Vertinimo kriterijai + +Pavyzdinis | Tinkamas | Reikia patobulinimų +--- | --- | --- | --- + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama kreiptis į profesionalius vertėjus. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/lt/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..b5a95537 --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,62 @@ + +# Duomenų mokslo gyvavimo ciklas: Analizavimas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| Duomenų mokslo gyvavimo ciklas: Analizavimas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## Prieš paskaitą: testas + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28) + +Analizavimas duomenų gyvavimo cikle patvirtina, kad duomenys gali atsakyti į pateiktus klausimus arba išspręsti tam tikrą problemą. Šis etapas taip pat gali būti skirtas patvirtinti, kad modelis tinkamai sprendžia šiuos klausimus ir problemas. Ši pamoka orientuota į duomenų tyrimo analizę (EDA), kuri apima metodus, skirtus apibrėžti duomenų savybes ir ryšius, bei gali būti naudojama duomenų paruošimui modeliavimui. + +Naudosime pavyzdinį duomenų rinkinį iš [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), kad parodytume, kaip tai galima pritaikyti naudojant Python ir Pandas biblioteką. Šis duomenų rinkinys apima dažniausiai pasitaikančių žodžių skaičių el. laiškuose, o šių laiškų šaltiniai yra anonimiški. Naudokite [užrašų knygelę](notebook.ipynb) šiame kataloge, kad galėtumėte sekti pamoką. + +## Duomenų tyrimo analizė + +Duomenų surinkimo etapas gyvavimo cikle yra tas, kuriame duomenys yra įgyjami, taip pat apibrėžiamos problemos ir klausimai. Bet kaip žinoti, ar duomenys gali padėti pasiekti galutinį rezultatą? +Priminkime, kad duomenų mokslininkas gali užduoti šiuos klausimus, kai gauna duomenis: +- Ar turiu pakankamai duomenų šiai problemai išspręsti? +- Ar duomenų kokybė yra tinkama šiai problemai? +- Jei per šiuos duomenis atrandu papildomos informacijos, ar turėtume apsvarstyti tikslų pakeitimą ar perdefinavimą? + +Duomenų tyrimo analizė yra procesas, leidžiantis geriau pažinti duomenis ir gali būti naudojamas atsakyti į šiuos klausimus, taip pat nustatyti iššūkius, susijusius su duomenų rinkiniu. Pažvelkime į kai kuriuos metodus, naudojamus šiam tikslui pasiekti. + +## Duomenų profiliavimas, aprašomoji statistika ir Pandas +Kaip įvertinti, ar turime pakankamai duomenų problemai išspręsti? Duomenų profiliavimas gali apibendrinti ir surinkti bendrą informaciją apie mūsų duomenų rinkinį naudojant aprašomosios statistikos metodus. Duomenų profiliavimas padeda suprasti, kas mums yra prieinama, o aprašomoji statistika padeda suprasti, kiek dalykų yra prieinama. + +Keletą ankstesnių pamokų metu naudojome Pandas, kad pateiktume aprašomąją statistiką su [`describe()` funkcija](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Ji pateikia skaičių, maksimalias ir minimalias reikšmes, vidurkį, standartinį nuokrypį ir kvantiles skaitmeniniams duomenims. Naudojant aprašomąją statistiką, tokią kaip `describe()` funkcija, galima įvertinti, kiek turime duomenų ir ar jų reikia daugiau. + +## Imčių ėmimas ir užklausos +Didelio duomenų rinkinio tyrimas gali būti labai daug laiko reikalaujantis procesas, kurį dažniausiai atlieka kompiuteris. Tačiau imčių ėmimas yra naudingas įrankis, leidžiantis geriau suprasti duomenis ir tai, ką jie reprezentuoja. Naudodami imtį, galite taikyti tikimybių ir statistikos metodus, kad padarytumėte bendras išvadas apie savo duomenis. Nors nėra nustatytos taisyklės, kiek duomenų reikėtų imti, svarbu pažymėti, kad kuo daugiau duomenų imsite, tuo tikslesnę bendrą išvadą galėsite padaryti apie duomenis. + +Pandas bibliotekoje yra [`sample()` funkcija](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), kurioje galite nurodyti, kiek atsitiktinių imčių norite gauti ir naudoti. + +Bendros duomenų užklausos gali padėti atsakyti į kai kuriuos bendrus klausimus ir teorijas, kurias galite turėti. Skirtingai nuo imčių ėmimo, užklausos leidžia jums kontroliuoti ir susitelkti į konkrečias duomenų dalis, apie kurias turite klausimų. +[`query()` funkcija](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) Pandas bibliotekoje leidžia pasirinkti stulpelius ir gauti paprastus atsakymus apie duomenis per gautas eilutes. + +## Tyrimas naudojant vizualizacijas +Jums nereikia laukti, kol duomenys bus visiškai išvalyti ir išanalizuoti, kad pradėtumėte kurti vizualizacijas. Iš tiesų, vizualinis atvaizdavimas tyrimo metu gali padėti identifikuoti duomenų modelius, ryšius ir problemas. Be to, vizualizacijos suteikia galimybę bendrauti su tais, kurie nėra tiesiogiai susiję su duomenų valdymu, ir gali būti galimybė pasidalinti bei patikslinti papildomus klausimus, kurie nebuvo sprendžiami surinkimo etape. Žr. [Vizualizacijų skyrių](../../../../../../../../../3-Data-Visualization), kad sužinotumėte daugiau apie populiarius būdus tyrinėti vizualiai. + +## Tyrimas siekiant nustatyti neatitikimus +Visos šios pamokos temos gali padėti identifikuoti trūkstamas ar nesuderinamas reikšmes, tačiau Pandas suteikia funkcijas, leidžiančias patikrinti kai kurias iš jų. [isna() arba isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) gali patikrinti trūkstamas reikšmes. Vienas svarbus aspektas, tyrinėjant šias reikšmes jūsų duomenyse, yra suprasti, kodėl jos atsirado. Tai gali padėti nuspręsti, kokius [veiksmus reikėtų atlikti, kad jas išspręstumėte](/2-Working-With-Data/08-data-preparation/notebook.ipynb). + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27) + +## Užduotis + +[Tyrimas atsakymams rasti](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/lt/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..e1b50f3c --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,36 @@ + +# Atsakymų paieška + +Tai yra tęsinys ankstesnės pamokos [užduoties](../14-Introduction/assignment.md), kurioje trumpai apžvelgėme duomenų rinkinį. Dabar giliau pažvelgsime į duomenis. + +Dar kartą, klausimas, į kurį klientas nori gauti atsakymą: **Ar Niujorko geltonųjų taksi keleiviai žiemą vairuotojams palieka daugiau arbatpinigių nei vasarą?** + +Jūsų komanda yra [Analizės](README.md) etape Duomenų mokslo gyvavimo cikle, kur esate atsakingi už duomenų rinkinio tyrimą ir analizę. Jums buvo pateiktas užrašų knygelė ir duomenų rinkinys, kuriame yra 200 taksi operacijų iš 2019 m. sausio ir liepos mėnesių. + +## Instrukcijos + +Šiame kataloge yra [užrašų knygelė](assignment.ipynb) ir duomenys iš [Taksi ir limuzinų komisijos](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Daugiau informacijos apie duomenis rasite [duomenų žodyne](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ir [naudotojo vadove](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf). + +Naudokite kai kurias šioje pamokoje aptartas technikas, kad atliktumėte savo EDA užrašų knygelėje (jei reikia, pridėkite papildomų langelių) ir atsakykite į šiuos klausimus: + +- Kokie kiti duomenų veiksniai galėtų turėti įtakos arbatpinigių sumai? +- Kokios stulpeliai greičiausiai nebus reikalingi atsakant į kliento klausimus? +- Remiantis tuo, kas iki šiol pateikta, ar duomenys rodo kokius nors sezoninio arbatpinigių elgesio įrodymus? + +## Vertinimo kriterijai + +Pavyzdingas | Tinkamas | Reikia patobulinimų +--- | --- | --- + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/16-communication/README.md b/translations/lt/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..b4b62149 --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,220 @@ + +# Duomenų mokslo ciklas: Komunikacija + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)| +|:---:| +| Duomenų mokslo ciklas: Komunikacija - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Prieš paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30) + +Patikrinkite savo žinias apie tai, kas laukia, atlikdami aukščiau pateiktą prieš paskaitos testą! + +# Įvadas + +### Kas yra komunikacija? +Pradėkime šią pamoką apibrėždami, ką reiškia komunikuoti. **Komunikuoti – tai perduoti arba keistis informacija.** Informacija gali būti idėjos, mintys, jausmai, žinutės, slapti signalai, duomenys – bet kas, ką **_siuntėjas_** (tas, kuris siunčia informaciją) nori, kad **_gavėjas_** (tas, kuris gauna informaciją) suprastų. Šioje pamokoje siuntėjus vadinsime komunikatoriais, o gavėjus – auditorija. + +### Duomenų komunikacija ir pasakojimas +Suprantame, kad komunikuojant tikslas yra perduoti arba keistis informacija. Tačiau komunikuojant duomenis, jūsų tikslas neturėtų būti vien tik skaičių perdavimas auditorijai. Jūsų tikslas turėtų būti perteikti istoriją, kurią pagrindžia jūsų duomenys – efektyvi duomenų komunikacija ir pasakojimas yra neatsiejami. Auditorija labiau prisimins jūsų pasakojamą istoriją nei pateiktą skaičių. Vėliau šioje pamokoje aptarsime keletą būdų, kaip galite naudoti pasakojimą, kad efektyviau perteiktumėte savo duomenis. + +### Komunikacijos tipai +Šioje pamokoje bus aptarti du skirtingi komunikacijos tipai: vienpusė komunikacija ir dvikryptė komunikacija. + +**Vienpusė komunikacija** vyksta, kai siuntėjas perduoda informaciją gavėjui, nesitikėdamas jokio grįžtamojo ryšio ar atsakymo. Vienpusės komunikacijos pavyzdžių matome kasdien – masiniai el. laiškai, naujienos, kurios praneša naujausias istorijas, ar net televizijos reklamos, kurios informuoja, kodėl jų produktas yra puikus. Šiais atvejais siuntėjas nesiekia keistis informacija, o tik perduoti ją. + +**Dvikryptė komunikacija** vyksta, kai visos dalyvaujančios šalys veikia ir kaip siuntėjai, ir kaip gavėjai. Siuntėjas pradeda komunikuoti su gavėju, o gavėjas pateikia grįžtamąjį ryšį ar atsakymą. Dvikryptė komunikacija yra tai, ką tradiciškai įsivaizduojame, kai kalbame apie komunikaciją. Paprastai galvojame apie žmones, kurie bendrauja – asmeniškai, telefonu, socialiniuose tinkluose ar žinutėmis. + +Komunikuojant duomenis, bus atvejų, kai naudosite vienpusę komunikaciją (pvz., pristatydami konferencijoje ar didelėje grupėje, kur klausimai nebus užduodami iš karto po pristatymo), ir atvejų, kai naudosite dvikryptę komunikaciją (pvz., naudodami duomenis, kad įtikintumėte kelis suinteresuotus asmenis ar įtikintumėte komandos narį, kad verta skirti laiko ir pastangų kuriant naują sprendimą). + +# Efektyvi komunikacija + +### Jūsų atsakomybės kaip komunikatoriaus +Komunikuojant jūsų darbas yra užtikrinti, kad gavėjas (-ai) suprastų informaciją, kurią norite perduoti. Komunikuojant duomenis, nenorite, kad gavėjai tiesiog įsimintų skaičius – norite, kad jie suprastų istoriją, kurią pagrindžia jūsų duomenys. Geras duomenų komunikatorius yra geras pasakotojas. + +Kaip pasakoti istoriją naudojant duomenis? Yra begalė būdų, tačiau žemiau pateikiame 6, kuriuos aptarsime šioje pamokoje: +1. Supraskite savo auditoriją, kanalą ir komunikacijos metodą +2. Pradėkite nuo galutinio tikslo +3. Prieikite prie to kaip prie tikros istorijos +4. Naudokite prasmingus žodžius ir frazes +5. Naudokite emocijas + +Kiekviena iš šių strategijų bus išsamiau paaiškinta žemiau. + +### 1. Supraskite savo auditoriją, kanalą ir komunikacijos metodą +Bendravimo būdas su šeimos nariais greičiausiai skiriasi nuo bendravimo su draugais. Tikriausiai naudojate skirtingus žodžius ir frazes, kuriuos žmonės, su kuriais kalbate, labiau supras. Tą patį požiūrį turėtumėte taikyti komunikuodami duomenis. Pagalvokite, su kuo bendraujate. Pagalvokite apie jų tikslus ir kontekstą, kurį jie turi apie situaciją, kurią jiems aiškinate. + +Daugumą savo auditorijos galite suskirstyti į kategorijas. _Harvardo verslo apžvalgos_ straipsnyje „[Kaip pasakoti istoriją naudojant duomenis](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)“ Dell vykdomasis strategas Jim Stikeleather išskiria penkias auditorijų kategorijas: + +- **Naujokas**: pirmas susidūrimas su tema, tačiau nenori per daug supaprastinimo +- **Bendrasis**: susipažinęs su tema, bet ieško apžvalgos ir pagrindinių temų +- **Vadovaujantis**: išsamus, praktiškai pritaikomas supratimas apie sudėtingumus ir tarpusavio ryšius su prieiga prie detalių +- **Ekspertas**: daugiau tyrinėjimo ir atradimų, mažiau pasakojimo, su daug detalių +- **Vadovas**: turi laiko tik suprasti reikšmę ir išvadas, pagrįstas tikimybių svoriu + +Šios kategorijos gali padėti nuspręsti, kaip pateikti duomenis savo auditorijai. + +Be auditorijos kategorijos, taip pat turėtumėte atsižvelgti į kanalą, kurį naudojate bendraudami su auditorija. Jūsų požiūris turėtų šiek tiek skirtis, jei rašote memorandumą ar el. laišką, palyginti su susitikimu ar pristatymu konferencijoje. + +Be to, kad suprastumėte savo auditoriją, svarbu žinoti, kaip su ja bendrausite (naudodami vienpusę ar dvikryptę komunikaciją). + +Jei bendraujate su dauguma naujokų auditorijos ir naudojate vienpusę komunikaciją, pirmiausia turite šviesti auditoriją ir suteikti jai tinkamą kontekstą. Tada turite pateikti savo duomenis ir paaiškinti, ką jie reiškia ir kodėl jie svarbūs. Šiuo atveju turėtumėte būti itin aiškūs, nes jūsų auditorija negalės užduoti tiesioginių klausimų. + +Jei bendraujate su dauguma vadovaujančios auditorijos ir naudojate dvikryptę komunikaciją, greičiausiai nereikės šviesti auditorijos ar suteikti jai daug konteksto. Galbūt galėsite iš karto pradėti diskusiją apie surinktus duomenis ir jų svarbą. Tačiau šioje situacijoje turėtumėte sutelkti dėmesį į laiką ir savo pristatymo kontrolę. Naudojant dvikryptę komunikaciją (ypač su vadovaujančia auditorija, kuri siekia „praktiškai pritaikomo supratimo apie sudėtingumus ir tarpusavio ryšius su prieiga prie detalių“), diskusijos metu gali kilti klausimų, kurie gali nukreipti pokalbį nuo jūsų pasakojamos istorijos. Kai taip nutinka, galite imtis veiksmų ir grąžinti diskusiją į jūsų pasakojimą. + +### 2. Pradėkite nuo galutinio tikslo +Pradėti nuo galutinio tikslo reiškia suprasti, kokias išvadas norite, kad jūsų auditorija padarytų, dar prieš pradėdami su ja bendrauti. Apgalvojimas, ką norite, kad jūsų auditorija suprastų iš anksto, gali padėti sukurti istoriją, kurią auditorija galės sekti. Pradėti nuo galutinio tikslo tinka tiek vienpusėje, tiek dvikryptėje komunikacijoje. + +Kaip pradėti nuo galutinio tikslo? Prieš komunikuodami savo duomenis, užsirašykite pagrindines išvadas. Tada kiekviename pasiruošimo etape klauskite savęs: „Kaip tai integruojasi į istoriją, kurią pasakoju?“ + +Būkite atsargūs – nors pradėti nuo galutinio tikslo yra idealu, nenorite komunikuoti tik tų duomenų, kurie palaiko jūsų numatytas išvadas. Tai vadinama „vyšnių rinkimu“, kai komunikatorius pateikia tik tuos duomenis, kurie palaiko jo teiginį, ir ignoruoja visus kitus duomenis. + +Jei visi surinkti duomenys aiškiai palaiko jūsų numatytas išvadas – puiku. Tačiau jei yra duomenų, kurie nepalaiko jūsų išvadų arba netgi palaiko priešingą argumentą, turėtumėte pateikti ir tuos duomenis. Jei taip nutinka, būkite atviri su savo auditorija ir paaiškinkite, kodėl nusprendėte laikytis savo istorijos, nors ne visi duomenys ją palaiko. + +### 3. Prieikite prie to kaip prie tikros istorijos +Tradicinė istorija vyksta 5 fazėmis. Galbūt esate girdėję šias fazes išreikštas kaip Įžanga, Didėjanti įtampa, Kulminacija, Mažėjanti įtampa ir Pabaiga. Arba lengviau įsimenamus: Kontekstas, Konfliktas, Kulminacija, Sprendimas, Išvada. Komunikuodami savo duomenis ir istoriją, galite taikyti panašų požiūrį. + +Galite pradėti nuo konteksto, nustatyti sceną ir užtikrinti, kad jūsų auditorija būtų tame pačiame puslapyje. Tada pristatykite konfliktą. Kodėl reikėjo rinkti šiuos duomenis? Kokias problemas siekėte išspręsti? Po to – kulminacija. Kokie yra duomenys? Ką jie reiškia? Kokius sprendimus duomenys siūlo? Tada pereikite prie sprendimo, kur galite pakartoti problemą ir siūlomus sprendimus. Galiausiai – išvada, kurioje galite apibendrinti pagrindines išvadas ir rekomenduojamus kitus žingsnius. + +### 4. Naudokite prasmingus žodžius ir frazes +Jei dirbtume kartu prie produkto, ir aš jums pasakyčiau: „Mūsų vartotojams užtrunka ilgai prisijungti prie mūsų platformos“, kiek laiko jūs įsivaizduotumėte, kad „ilgai“ reiškia? Valandą? Savaitę? Sunku žinoti. O jei tą patį pasakyčiau visai auditorijai? Kiekvienas auditorijos narys galėtų turėti skirtingą supratimą apie tai, kiek laiko vartotojams užtrunka prisijungti prie mūsų platformos. + +Vietoj to, ką jei pasakyčiau: „Mūsų vartotojams vidutiniškai užtrunka 3 minutes prisijungti ir pradėti naudotis mūsų platforma.“ + +Šis pranešimas yra aiškesnis. Komunikuojant duomenis, gali būti lengva manyti, kad visi auditorijoje mąsto taip pat kaip jūs. Tačiau taip nėra visada. Aiškumo užtikrinimas apie jūsų duomenis ir jų reikšmę yra viena iš jūsų, kaip komunikatoriaus, atsakomybių. Jei duomenys ar jūsų istorija nėra aiškūs, auditorijai bus sunku sekti, ir mažiau tikėtina, kad jie supras jūsų pagrindines išvadas. + +Galite aiškiau komunikuoti duomenis, naudodami prasmingus žodžius ir frazes, o ne neaiškius. Žemiau pateikiami keli pavyzdžiai. + +- Turėjome *įspūdingus* metus! + - Vienas žmogus gali manyti, kad įspūdingi metai reiškia 2%–3% pajamų padidėjimą, o kitas – 50%–60%. +- Mūsų vartotojų sėkmės rodikliai *drastiškai* padidėjo. + - Kiek didelis padidėjimas yra drastiškas? +- Šiam projektui reikės *reikšmingų* pastangų. + - Kiek pastangų yra reikšminga? + +Naudoti neaiškius žodžius gali būti naudinga kaip įžanga į daugiau duomenų arba kaip santrauka istorijos, kurią ką tik papasakojote. Tačiau apsvarstykite galimybę užtikrinti, kad kiekviena jūsų pristatymo dalis būtų aiški auditorijai. + +### 5. Naudokite emocijas +Emocijos yra svarbios pasakojime. Jos dar svarbesnės, kai pasakojate istoriją su duomenimis. Komunikuojant duomenis, viskas sukasi apie išvadas, kurias norite, kad jūsų auditorija padarytų. Sukeldami emocijas auditorijoje, padedate jiems įsijausti ir padidinate tikimybę, kad jie imsis veiksmų. Emocijos taip pat padidina tikimybę, kad auditorija prisimins jūsų žinutę. + +Galbūt tai jau patyrėte žiūrėdami televizijos reklamas. Kai kurios reklamos yra labai liūdnos ir naudoja liūdesio emociją, kad susietų su auditorija ir išryškintų pateikiamus duomenis. Kitos reklamos yra labai linksmos ir laimingos, todėl sukelia teigiamas asociacijas su jų pateikiamais duomenimis. + +Kaip naudoti emocijas komunikuojant duomenis? Žemiau pateikiami keli būdai. + +- Naudokite liudijimus ir asmenines istorijas + - Rinkdami duomenis, stenkitės rinkti tiek kiekybinius, tiek kokybinius duomenis ir integruokite abu tipus komunikuodami. Jei jūsų duomenys yra daugiausia kiekybiniai, ieškokite asmeninių istorijų, kad sužinotumėte daugiau apie žmonių patirtį, susijusią su jūsų duomenimis. +- Naudokite vaizdus + - Vaizdai padeda auditorijai įsivaizduoti save situacijoje. Naudodami vaizdus galite nukreipti auditoriją link emocijos, kurią, jūsų manymu, jie turėtų jausti apie jūsų duomenis. +- Naudokite spalvas + - Skirtingos spalvos sukelia skirtingas emocijas. Populiarios spalvos ir jų sukeliamos emocijos yra šios. Atkreipkite dėmesį, kad spalvos gali turėti skirtingas reikšmes skirtingose kultūrose. + - Mėlyna dažniausiai sukelia ramybės ir pasitikėjimo emocijas + - Žalia dažniausiai siejama su gamta ir aplinka + - Raudona dažniausiai reiškia aistrą ir jaudulį + - Geltona dažniausiai simbolizuoja optimizmą ir laimę + +# Komunikacijos atvejo analizė +Emersonas yra mobiliosios programėlės produktų vadovas. Emersonas pastebėjo, kad savaitgaliais klientai pateikia 42% daugiau skundų ir klaidų pranešimų. Emersonas taip pat pastebėjo, kad klientai, kurie pateikia skundą, kuris lieka neatsakytas ilgiau nei 48 valandas, yra 32% labiau linkę suteikti programėlei 1 arba 2 žvaigždučių įvertinimą programėlių parduotuvėje. + +Atlikęs tyrimą, Emersonas turi keletą sprendimų, kurie išspręstų problemą. Emersonas suorganizuoja 30 minučių susitikimą su 3 įmonės vadovais, kad perteiktų duomenis ir pasiūlytus sprendimus. + +Šio susitikimo metu Emersono tikslas yra užtikrinti, kad įmonės vadovai suprastų, jog šie 2 sprendimai gali pagerinti programėlės įvertinimą, o tai greičiausiai reikš didesnes pajamas. + +**Sprendimas 1.** Sam +Susitikimo metu Emersonas praleidžia 5 minutes aiškindamas, kodėl žema programėlės reitingų parduotuvėje vertė yra blogai, 10 minučių pasakodamas apie tyrimo procesą ir kaip buvo nustatytos tendencijos, 10 minučių aptardamas kai kuriuos naujausius klientų skundus, o paskutines 5 minutes paviršutiniškai apžvelgdamas 2 galimus sprendimus. + +Ar tai buvo veiksmingas būdas Emersonui perteikti informaciją šio susitikimo metu? + +Susitikimo metu vienas įmonės vadovas susikoncentravo tik į 10 minučių, kurias Emersonas skyrė klientų skundams. Po susitikimo šie skundai buvo vienintelis dalykas, kurį šis vadovas prisiminė. Kitas įmonės vadovas daugiausia dėmesio skyrė Emersono aprašytam tyrimo procesui. Trečias įmonės vadovas prisiminė Emersono pasiūlytus sprendimus, tačiau nebuvo tikras, kaip tuos sprendimus būtų galima įgyvendinti. + +Aukščiau pateiktoje situacijoje matome, kad buvo reikšmingas atotrūkis tarp to, ką Emersonas norėjo, kad vadovai išsineštų iš susitikimo, ir to, ką jie iš tikrųjų išsinešė. Žemiau pateikiamas kitas požiūris, kurį Emersonas galėtų apsvarstyti. + +Kaip Emersonas galėtų patobulinti šį požiūrį? +Kontekstas, Konfliktas, Kulminacija, Uždarymas, Išvada +**Kontekstas** – Emersonas galėtų praleisti pirmąsias 5 minutes pristatydamas visą situaciją ir užtikrindamas, kad vadovai suprastų, kaip problemos veikia įmonei svarbius rodiklius, tokius kaip pajamos. + +Tai galėtų būti išdėstyta taip: „Šiuo metu mūsų programėlės reitingas parduotuvėje yra 2,5. Reitingai programėlių parduotuvėje yra labai svarbūs programėlių parduotuvės optimizavimui, kuris daro įtaką tam, kiek vartotojų mato mūsų programėlę paieškoje, ir kaip mūsų programėlė yra vertinama potencialių vartotojų. Ir, žinoma, vartotojų skaičius tiesiogiai susijęs su pajamomis.“ + +**Konfliktas** Emersonas galėtų pereiti prie konflikto aptarimo per kitas 5 minutes. + +Tai galėtų skambėti taip: „Vartotojai pateikia 42% daugiau skundų ir klaidų pranešimų savaitgaliais. Klientai, kurie pateikia skundą ir negauna atsakymo per 48 valandas, 32% rečiau suteikia mūsų programėlei reitingą, didesnį nei 2. Pagerinus mūsų programėlės reitingą parduotuvėje iki 4, mūsų matomumas padidėtų 20–30%, o tai, mano skaičiavimais, padidintų pajamas 10%." Žinoma, Emersonas turėtų būti pasiruošęs pagrįsti šiuos skaičius. + +**Kulminacija** Po pagrindo paruošimo Emersonas galėtų pereiti prie kulminacijos, skirdamas tam apie 5 minutes. + +Emersonas galėtų pristatyti siūlomus sprendimus, paaiškinti, kaip tie sprendimai išspręs iškeltas problemas, kaip jie galėtų būti įtraukti į esamus darbo procesus, kiek tie sprendimai kainuotų, kokia būtų jų investicijų grąža (ROI), ir galbūt net parodyti ekrano nuotraukas ar prototipus, kaip tie sprendimai atrodytų įgyvendinus. Emersonas taip pat galėtų pasidalinti vartotojų, kurių skundai buvo išspręsti per daugiau nei 48 valandas, atsiliepimais, taip pat dabartinio įmonės klientų aptarnavimo atstovo komentarais apie esamą bilietų sistemą. + +**Uždarymas** Dabar Emersonas galėtų praleisti 5 minutes dar kartą apžvelgdamas įmonės problemas, grįždamas prie siūlomų sprendimų ir peržiūrėdamas, kodėl tie sprendimai yra tinkami. + +**Išvada** Kadangi tai yra susitikimas su keliais suinteresuotais asmenimis, kuriame bus naudojama dvikryptė komunikacija, Emersonas galėtų suplanuoti palikti 10 minučių klausimams, kad būtų užtikrinta, jog vadovams būtų aišku viskas, kas galėjo būti neaišku. + +Jei Emersonas pasirinktų antrąjį požiūrį, yra daug didesnė tikimybė, kad vadovai iš susitikimo išsineštų būtent tai, ką Emersonas norėjo jiems perteikti – kad skundų ir klaidų valdymas galėtų būti patobulintas, ir yra 2 sprendimai, kuriuos būtų galima įgyvendinti, kad šis patobulinimas įvyktų. Šis požiūris būtų daug veiksmingesnis būdas perteikti duomenis ir istoriją, kurią Emersonas nori papasakoti. + +# Išvada +### Pagrindinių punktų santrauka +- Komunikacija – tai informacijos perteikimas ar apsikeitimas ja. +- Perduodant duomenis, jūsų tikslas neturėtų būti tiesiog skaičių pateikimas auditorijai. Jūsų tikslas turėtų būti papasakoti istoriją, kurią informuoja jūsų duomenys. +- Yra 2 komunikacijos tipai: vienkryptė komunikacija (informacija perduodama be atsako tikimybės) ir dvikryptė komunikacija (informacija perduodama abipusiai). +- Yra daug strategijų, kaip pasakoti istoriją naudojant duomenis. 5 strategijos, kurias aptarėme, yra: + - Supraskite savo auditoriją, savo terpę ir savo komunikacijos metodą + - Pradėkite galutinį tikslą turėdami omenyje + - Prieikite prie to kaip prie tikros istorijos + - Naudokite prasmingus žodžius ir frazes + - Naudokite emocijas + +### Rekomenduojami ištekliai savarankiškam mokymuisi +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31) + +Peržiūrėkite, ką ką tik išmokote, naudodamiesi aukščiau pateiktu testu! + +## Užduotis + +[Rinkos tyrimas](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/lt/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..4b1b3d66 --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,26 @@ + +# Papasakok istoriją + +## Instrukcijos + +Duomenų mokslas yra apie istorijų pasakojimą. Pasirinkite bet kokį duomenų rinkinį ir parašykite trumpą straipsnį apie istoriją, kurią galėtumėte papasakoti remdamiesi juo. Ką tikitės, kad jūsų duomenų rinkinys atskleis? Ką darysite, jei jo atskleisti dalykai pasirodys problemiški? Ką darysite, jei jūsų duomenys neatskleis savo paslapčių lengvai? Pagalvokite apie scenarijus, kuriuos jūsų duomenų rinkinys galėtų pateikti, ir užrašykite juos. + +## Vertinimo kriterijai + +Pavyzdinis | Tinkamas | Reikia patobulinimų +--- | --- | --- | + +Vieno puslapio esė pateikta .doc formatu, su paaiškintu, dokumentuotu ir priskirtu duomenų rinkiniu, bei nuosekliai papasakota istorija su išsamiais pavyzdžiais iš duomenų.| Trumpesnė esė pateikta mažiau detaliu formatu | Esė trūksta vienos iš aukščiau paminėtų detalių. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/4-Data-Science-Lifecycle/README.md b/translations/lt/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..ffdf8a3e --- /dev/null +++ b/translations/lt/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,30 @@ + +# Duomenų mokslo gyvavimo ciklas + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.lt.jpg) +> Nuotrauka Headway iš Unsplash + +Šiose pamokose nagrinėsite kai kuriuos duomenų mokslo gyvavimo ciklo aspektus, įskaitant duomenų analizę ir komunikaciją. + +### Temos + +1. [Įvadas](14-Introduction/README.md) +2. [Analizė](15-analyzing/README.md) +3. [Komunikacija](16-communication/README.md) + +### Autorystė + +Šios pamokos buvo parašytos su ❤️ [Jalen McGee](https://twitter.com/JalenMCG) ir [Jasmine Greenaway](https://twitter.com/paladique) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/lt/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..a1e86aa4 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,116 @@ + +# Įvadas į duomenų mokslą debesyje + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| Duomenų mokslas debesyje: Įvadas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Šioje pamokoje sužinosite pagrindinius debesų kompiuterijos principus, kodėl verta naudoti debesų paslaugas savo duomenų mokslo projektams vykdyti, ir peržiūrėsime keletą pavyzdžių, kaip duomenų mokslas vykdomas debesyje. + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32) + +## Kas yra debesis? + +Debesis, arba debesų kompiuterija, yra įvairių mokamų pagal poreikį kompiuterinių paslaugų teikimas, kurios yra talpinamos infrastruktūroje internete. Paslaugos apima sprendimus, tokius kaip saugyklos, duomenų bazės, tinklai, programinė įranga, analizė ir intelektualios paslaugos. + +Paprastai skiriame viešąjį, privatųjį ir hibridinį debesį: + +* Viešasis debesis: viešasis debesis priklauso ir yra valdomas trečiosios šalies debesų paslaugų teikėjo, kuris teikia savo kompiuterinius išteklius internetu visuomenei. +* Privatus debesis: tai debesų kompiuterijos ištekliai, naudojami tik vienos įmonės ar organizacijos, su paslaugomis ir infrastruktūra, palaikoma privačiame tinkle. +* Hibridinis debesis: hibridinis debesis yra sistema, kuri sujungia viešuosius ir privačiuosius debesis. Vartotojai pasirenka vietinį duomenų centrą, tuo pačiu leidžiant duomenims ir programoms veikti viename ar keliuose viešuosiuose debesyse. + +Dauguma debesų kompiuterijos paslaugų skirstomos į tris kategorijas: infrastruktūra kaip paslauga (IaaS), platforma kaip paslauga (PaaS) ir programinė įranga kaip paslauga (SaaS). + +* Infrastruktūra kaip paslauga (IaaS): vartotojai nuomojasi IT infrastruktūrą, tokią kaip serveriai, virtualios mašinos (VM), saugyklos, tinklai, operacinės sistemos. +* Platforma kaip paslauga (PaaS): vartotojai nuomojasi aplinką programinės įrangos kūrimui, testavimui, pristatymui ir valdymui. Vartotojams nereikia rūpintis serverių, saugyklų, tinklų ir duomenų bazių infrastruktūros nustatymu ar valdymu. +* Programinė įranga kaip paslauga (SaaS): vartotojai gauna prieigą prie programinės įrangos internetu pagal poreikį, dažniausiai prenumeratos pagrindu. Vartotojams nereikia rūpintis programinės įrangos talpinimu, valdymu, infrastruktūra ar priežiūra, pvz., programinės įrangos atnaujinimais ir saugumo pataisomis. + +Kai kurie didžiausi debesų paslaugų teikėjai yra Amazon Web Services, Google Cloud Platform ir Microsoft Azure. + +## Kodėl verta rinktis debesį duomenų mokslui? + +Kūrėjai ir IT specialistai renkasi darbą su debesimi dėl daugelio priežasčių, įskaitant šias: + +* Inovacijos: galite integruoti inovatyvias paslaugas, sukurtas debesų teikėjų, tiesiai į savo programas. +* Lankstumas: mokate tik už tas paslaugas, kurių jums reikia, ir galite rinktis iš daugybės paslaugų. Paprastai mokate pagal poreikį ir pritaikote paslaugas pagal savo besikeičiančius poreikius. +* Biudžetas: nereikia investuoti į pradinį aparatūros ir programinės įrangos pirkimą, vietinių duomenų centrų nustatymą ir valdymą – mokate tik už tai, ką naudojate. +* Skalavimas: jūsų ištekliai gali būti pritaikyti pagal projekto poreikius, tai reiškia, kad jūsų programos gali naudoti daugiau ar mažiau kompiuterinės galios, saugyklos ir pralaidumo, prisitaikydamos prie išorinių veiksnių bet kuriuo metu. +* Produktyvumas: galite susitelkti į savo verslą, užuot skyrę laiką užduotims, kurias gali valdyti kiti, pvz., duomenų centrų valdymui. +* Patikimumas: debesų kompiuterija siūlo kelis būdus nuolat kurti duomenų atsargines kopijas ir galite nustatyti atkūrimo po nelaimių planus, kad jūsų verslas ir paslaugos veiktų net krizės metu. +* Saugumas: galite pasinaudoti politikomis, technologijomis ir kontrolėmis, kurios stiprina jūsų projekto saugumą. + +Tai yra keletas dažniausiai pasitaikančių priežasčių, kodėl žmonės renkasi debesų paslaugas. Dabar, kai geriau suprantame, kas yra debesis ir kokie jo pagrindiniai privalumai, pažvelkime konkrečiau į duomenų mokslininkų ir kūrėjų, dirbančių su duomenimis, darbus ir kaip debesis gali padėti jiems spręsti įvairius iššūkius: + +* Didelių duomenų saugojimas: vietoj to, kad pirktumėte, valdytumėte ir apsaugotumėte didelius serverius, galite saugoti savo duomenis tiesiogiai debesyje, naudodami tokius sprendimus kaip Azure Cosmos DB, Azure SQL Database ir Azure Data Lake Storage. +* Duomenų integravimas: duomenų integravimas yra esminė duomenų mokslo dalis, leidžianti pereiti nuo duomenų rinkimo prie veiksmų atlikimo. Naudodami debesyje siūlomas duomenų integravimo paslaugas, galite rinkti, transformuoti ir integruoti duomenis iš įvairių šaltinių į vieną duomenų saugyklą, naudodami Data Factory. +* Duomenų apdorojimas: didelių duomenų apdorojimas reikalauja daug kompiuterinės galios, ir ne visi turi prieigą prie pakankamai galingų mašinų, todėl daugelis žmonių renkasi tiesiogiai naudoti debesies didžiulę kompiuterinę galią savo sprendimams vykdyti ir diegti. +* Duomenų analizės paslaugų naudojimas: debesų paslaugos, tokios kaip Azure Synapse Analytics, Azure Stream Analytics ir Azure Databricks, padeda paversti jūsų duomenis į veiksmingas įžvalgas. +* Mašininio mokymosi ir duomenų intelekto paslaugų naudojimas: vietoj to, kad pradėtumėte nuo nulio, galite naudoti debesų teikėjo siūlomus mašininio mokymosi algoritmus, su paslaugomis, tokiomis kaip AzureML. Taip pat galite naudoti kognityvines paslaugas, tokias kaip kalbos į tekstą, tekstas į kalbą, kompiuterinė vizija ir daugiau. + +## Duomenų mokslas debesyje: pavyzdžiai + +Padarykime tai konkretesniu, pažvelgdami į keletą scenarijų. + +### Socialinių tinklų nuotaikų analizė realiu laiku + +Pradėsime nuo scenarijaus, dažnai nagrinėjamo pradedantiesiems mašininio mokymosi srityje: socialinių tinklų nuotaikų analizė realiu laiku. + +Tarkime, jūs valdote naujienų svetainę ir norite pasinaudoti tiesioginiais duomenimis, kad suprastumėte, kokiu turiniu jūsų skaitytojai galėtų būti suinteresuoti. Norėdami sužinoti daugiau apie tai, galite sukurti programą, kuri atlieka realaus laiko nuotaikų analizę iš „Twitter“ publikacijų, susijusių su jūsų skaitytojams aktualiomis temomis. + +Pagrindiniai rodikliai, kuriuos stebėsite, yra „Twitter“ žinučių kiekis tam tikromis temomis (hashtag'ais) ir nuotaikos, kurios nustatomos naudojant analizės įrankius, atliekančius nuotaikų analizę apie nurodytas temas. + +Šio projekto kūrimo žingsniai yra šie: + +* Sukurkite įvykių centrą srauto įvestims, kuris rinks duomenis iš „Twitter“. +* Konfigūruokite ir paleiskite „Twitter“ klientų programą, kuri naudos „Twitter Streaming“ API. +* Sukurkite srauto analizės užduotį. +* Nurodykite užduoties įvestį ir užklausą. +* Sukurkite išvesties saugyklą ir nurodykite užduoties išvestį. +* Paleiskite užduotį. + +Norėdami peržiūrėti visą procesą, apsilankykite [dokumentacijoje](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099). + +### Mokslinių straipsnių analizė + +Pažvelkime į kitą projekto pavyzdį, sukurtą [Dmitrijaus Sošnikovo](http://soshnikov.com), vieno iš šios mokymo programos autorių. + +Dmitrijus sukūrė įrankį, kuris analizuoja COVID straipsnius. Peržiūrėdami šį projektą, pamatysite, kaip galite sukurti įrankį, kuris išgauna žinias iš mokslinių straipsnių, gauna įžvalgas ir padeda tyrėjams efektyviai naršyti per dideles straipsnių kolekcijas. + +Pažiūrėkime, kokie žingsniai buvo naudojami: + +* Informacijos išgavimas ir išankstinis apdorojimas naudojant [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Naudojant [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) apdorojimo paralelizavimui. +* Informacijos saugojimas ir užklausų vykdymas naudojant [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Interaktyvios duomenų tyrimo ir vizualizacijos ataskaitų kūrimas naudojant Power BI. + +Norėdami peržiūrėti visą procesą, apsilankykite [Dmitrijaus tinklaraštyje](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). + +Kaip matote, debesų paslaugas galima panaudoti įvairiais būdais duomenų mokslui vykdyti. + +## Pastabos + +Šaltiniai: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## Po paskaitos: testas + +[Po paskaitos: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33) + +## Užduotis + +[Rinkos tyrimas](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/lt/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..1fd4cf06 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,25 @@ + +# Rinkos tyrimai + +## Instrukcijos + +Šioje pamokoje sužinojote, kad yra keli svarbūs debesų kompiuterijos paslaugų teikėjai. Atlikite rinkos tyrimą, kad sužinotumėte, ką kiekvienas iš jų gali pasiūlyti duomenų mokslininkui. Ar pasiūlymai yra panašūs? Parašykite darbą, kuriame aprašytumėte trijų ar daugiau šių debesų paslaugų teikėjų pasiūlymus. + +## Vertinimo kriterijai + +Puikiai | Pakankamai | Reikia tobulinti +--- | --- | -- | +Vieno puslapio darbe aprašomi trijų debesų paslaugų teikėjų pasiūlymai duomenų mokslui ir išskiriami jų skirtumai. | Pateikiamas trumpesnis darbas | Pateikiamas darbas, kuriame nebaigta analizė + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/lt/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..0ec79d62 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,347 @@ + +# Duomenų mokslas debesyje: „Mažai kodo / Be kodo“ būdas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| Duomenų mokslas debesyje: Mažai kodo - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Turinys: + +- [Duomenų mokslas debesyje: „Mažai kodo / Be kodo“ būdas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Prieš paskaitą: klausimynas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. Įvadas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 Kas yra Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 Širdies nepakankamumo prognozavimo projektas:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 Širdies nepakankamumo duomenų rinkinys:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. Mažai kodo / Be kodo modelio mokymas Azure ML studijoje](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 Sukurkite Azure ML darbo sritį](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 Skaičiavimo ištekliai](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 Tinkamų skaičiavimo išteklių pasirinkimas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 Skaičiavimo klasterio kūrimas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 Duomenų rinkinio įkėlimas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 Mažai kodo / Be kodo mokymas naudojant AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. Mažai kodo / Be kodo modelio diegimas ir galinių taškų naudojimas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 Modelio diegimas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 Galinių taškų naudojimas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 Iššūkis](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Po paskaitos: klausimynas](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Apžvalga ir savarankiškas mokymasis](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Užduotis](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [Prieš paskaitą: klausimynas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34) + +## 1. Įvadas + +### 1.1 Kas yra Azure Machine Learning? + +Azure debesų platforma apima daugiau nei 200 produktų ir paslaugų, skirtų padėti jums kurti naujus sprendimus. Duomenų mokslininkai daug laiko skiria duomenų tyrimui, išankstiniam apdorojimui ir įvairių modelių mokymo algoritmų bandymui, siekdami sukurti tikslius modelius. Šios užduotys užima daug laiko ir dažnai neefektyviai naudoja brangius skaičiavimo išteklius. + +[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) yra debesų platforma, skirta kurti ir valdyti mašininio mokymosi sprendimus Azure aplinkoje. Ji siūlo daugybę funkcijų, kurios padeda duomenų mokslininkams paruošti duomenis, mokyti modelius, publikuoti prognozavimo paslaugas ir stebėti jų naudojimą. Svarbiausia, ji padeda padidinti efektyvumą automatizuojant daugelį laiko reikalaujančių užduočių, susijusių su modelių mokymu, ir leidžia naudoti debesų skaičiavimo išteklius, kurie efektyviai skaluojasi, apdorojant didelius duomenų kiekius, mokant tik už faktinį naudojimą. + +Azure ML siūlo visus įrankius, kurių reikia kūrėjams ir duomenų mokslininkams jų mašininio mokymosi darbo eigoms: + +- **Azure Machine Learning Studio**: žiniatinklio portalas, skirtas mažai kodo ir be kodo modelių mokymui, diegimui, automatizavimui, stebėjimui ir turto valdymui. Studija integruojasi su Azure Machine Learning SDK, kad būtų užtikrinta vientisa patirtis. +- **Jupyter Notebooks**: greitam ML modelių prototipavimui ir testavimui. +- **Azure Machine Learning Designer**: leidžia vilkti ir mesti modulius, kad būtų galima kurti eksperimentus ir diegti procesus mažai kodo aplinkoje. +- **Automatizuoto mašininio mokymosi sąsaja (AutoML)**: automatizuoja iteracines užduotis, susijusias su modelių kūrimu, leidžiant kurti ML modelius efektyviai ir produktyviai, išlaikant modelio kokybę. +- **Duomenų žymėjimas**: ML įrankis, padedantis automatiškai žymėti duomenis. +- **Mašininio mokymosi plėtinys Visual Studio Code**: suteikia pilnai funkcionalią aplinką ML projektų kūrimui ir valdymui. +- **Mašininio mokymosi CLI**: komandinės eilutės įrankis Azure ML išteklių valdymui. +- **Integracija su atvirojo kodo sistemomis**, tokiomis kaip PyTorch, TensorFlow, Scikit-learn ir kt., skirtomis mokymui, diegimui ir viso ML proceso valdymui. +- **MLflow**: atvirojo kodo biblioteka, skirta ML eksperimentų gyvavimo ciklui valdyti. **MLFlow Tracking** yra MLflow komponentas, kuris registruoja ir seka mokymo rezultatų metrikas bei modelio artefaktus, nepriklausomai nuo eksperimentų aplinkos. + +### 1.2 Širdies nepakankamumo prognozavimo projektas: + +Projektų kūrimas yra geriausias būdas patikrinti savo įgūdžius ir žinias. Šioje pamokoje mes nagrinėsime du skirtingus būdus, kaip sukurti duomenų mokslo projektą, skirtą širdies nepakankamumo prognozavimui Azure ML studijoje: naudojant mažai kodo / be kodo metodą ir naudojant Azure ML SDK, kaip parodyta toliau pateiktoje schemoje: + +![projekto schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.lt.png) + +Kiekvienas būdas turi savo privalumų ir trūkumų. Mažai kodo / be kodo metodas yra lengvesnis pradėti, nes jis apima darbą su grafinės vartotojo sąsajos (GUI) įrankiais, nereikalaujant išankstinių programavimo žinių. Šis metodas leidžia greitai patikrinti projekto gyvybingumą ir sukurti POC (Proof Of Concept). Tačiau, kai projektas auga ir reikia pasiruošti gamybai, neįmanoma visko sukurti per GUI. Tada tampa būtina viską automatizuoti programiškai, nuo išteklių kūrimo iki modelio diegimo. Čia svarbu mokėti naudotis Azure ML SDK. + +| | Mažai kodo / Be kodo | Azure ML SDK | +|-------------------|----------------------|---------------------------| +| Programavimo žinios | Nereikalingos | Reikalingos | +| Kūrimo laikas | Greitas ir paprastas | Priklauso nuo žinių | +| Paruoštas gamybai | Ne | Taip | + +### 1.3 Širdies nepakankamumo duomenų rinkinys: + +Širdies ir kraujagyslių ligos (CVD) yra pagrindinė mirties priežastis pasaulyje, sudaranti 31% visų mirčių. Aplinkos ir elgesio rizikos veiksniai, tokie kaip tabako vartojimas, nesveika mityba, nutukimas, fizinis neveiklumas ir žalingas alkoholio vartojimas, gali būti naudojami kaip modelių prognozavimo požymiai. Gebėjimas įvertinti CVD išsivystymo tikimybę galėtų būti labai naudingas siekiant užkirsti kelią atakoms rizikos grupės žmonėms. + +Kaggle platformoje yra viešai prieinamas [Širdies nepakankamumo duomenų rinkinys](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), kurį naudosime šiame projekte. Galite atsisiųsti šį duomenų rinkinį dabar. Tai lentelinis duomenų rinkinys su 13 stulpelių (12 požymių ir 1 tikslinė kintamoji) ir 299 eilutėmis. + +| | Kintamojo pavadinimas | Tipas | Aprašymas | Pavyzdys | +|----|---------------------------|-----------------|---------------------------------------------------------|-------------------| +| 1 | age | skaitinis | Paciento amžius | 25 | +| 2 | anaemia | loginis | Raudonųjų kraujo kūnelių ar hemoglobino sumažėjimas | 0 arba 1 | +| 3 | creatinine_phosphokinase | skaitinis | CPK fermento lygis kraujyje | 542 | +| 4 | diabetes | loginis | Ar pacientas serga diabetu | 0 arba 1 | +| 5 | ejection_fraction | skaitinis | Kraujo procentas, išeinantis iš širdies per susitraukimą| 45 | +| 6 | high_blood_pressure | loginis | Ar pacientas turi hipertenziją | 0 arba 1 | +| 7 | platelets | skaitinis | Trombocitų kiekis kraujyje | 149000 | +| 8 | serum_creatinine | skaitinis | Serumo kreatinino lygis kraujyje | 0.5 | +| 9 | serum_sodium | skaitinis | Serumo natrio lygis kraujyje | jun | +| 10 | sex | loginis | Moteris ar vyras | 0 arba 1 | +| 11 | smoking | loginis | Ar pacientas rūko | 0 arba 1 | +| 12 | time | skaitinis | Stebėjimo laikotarpis (dienos) | 4 | +|----|---------------------------|-----------------|---------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [Tikslas] | loginis | Ar pacientas mirė stebėjimo laikotarpiu | 0 arba 1 | + +Kai turėsite duomenų rinkinį, galėsime pradėti projektą Azure aplinkoje. + +## 2. Mažai kodo / Be kodo modelio mokymas Azure ML studijoje + +### 2.1 Sukurkite Azure ML darbo sritį + +Norėdami mokyti modelį Azure ML, pirmiausia turite sukurti Azure ML darbo sritį. Darbo sritis yra aukščiausio lygio išteklius Azure Machine Learning, suteikiantis centralizuotą vietą visiems artefaktams, kuriuos sukuriate naudodami Azure Machine Learning. Darbo sritis saugo visų mokymo sesijų istoriją, įskaitant žurnalus, metriką, rezultatus ir jūsų scenarijų momentinę kopiją. Ši informacija leidžia nustatyti, kuri mokymo sesija sukūrė geriausią modelį. [Sužinokite daugiau](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +Rekomenduojama naudoti naujausią naršyklę, suderinamą su jūsų operacine sistema. Palaikomos šios naršyklės: + +- Microsoft Edge (naujausia versija, ne Microsoft Edge legacy) +- Safari (naujausia versija, tik Mac) +- Chrome (naujausia versija) +- Firefox (naujausia versija) + +Norėdami naudoti Azure Machine Learning, sukurkite darbo sritį savo Azure prenumeratoje. Tada galite naudoti šią darbo sritį duomenų, skaičiavimo išteklių, kodo, modelių ir kitų artefaktų, susijusių su jūsų mašininio mokymosi užduotimis, valdymui. + +> **_PASTABA:_** Jūsų Azure prenumerata bus apmokestinta nedidele suma už duomenų saugojimą, kol Azure Machine Learning darbo sritis egzistuos jūsų prenumeratoje, todėl rekomenduojame ištrinti darbo sritį, kai jos nebereikia. + +1. Prisijunkite prie [Azure portalo](https://ms.portal.azure.com/) naudodami Microsoft kredencialus, susijusius su jūsų Azure prenumerata. +2. Pasirinkite **＋Sukurti išteklių** + + ![darbo sritis-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.lt.png) + + Ieškokite „Machine Learning“ ir pasirinkite „Machine Learning“ plytelę. + + ![darbo sritis-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.lt.png) + + Spustelėkite mygtuką „Sukurti“. + + ![darbo sritis-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.lt.png) + + Užpildykite nustatymus taip: + - Prenumerata: Jūsų Azure prenumerata + - Išteklių grupė: Sukurkite arba pasirinkite išteklių grupę + - Darbo srities pavadinimas: Įveskite unikalų darbo srities pavadinimą + - Regionas: Pasirinkite geografinį regioną, esantį arčiausiai jūsų + - Saugojimo paskyra: Atkreipkite dėmesį į numatytąją naują saugojimo paskyrą, kuri bus sukurta jūsų darbo sričiai + - Raktų saugykla: Atkreipkite dėmesį į numatytąją naują raktų saugyklą, kuri bus sukurta jūsų darbo sričiai + - Programos įžvalgos: Atkreipkite dėmesį į numatytąją naują programos įžvalgų išteklių, kuris bus sukurtas jūsų darbo sričiai + - Konteinerių registras: Nėra (vienas bus sukurtas automatiškai pirmą kartą diegiant modelį į konteinerį) + + ![darbo sritis-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.lt.png) + + - Spustelėkite „Peržiūrėti + sukurti“, tada „Sukurti“. +3. Palaukite, kol jūsų darbo sritis bus sukurta (tai gali užtrukti kelias minutes). Tada eikite į ją portale. Ją galite rasti per „Machine Learning“ Azure paslaugą. +4. Darbo srities apžvalgos puslapyje paleiskite Azure Machine Learning studiją (arba atidarykite naują naršyklės skirtuką ir eikite į https://ml.azure.com), ir prisijunkite prie Azure Machine Learning studijos naudodami savo Microsoft paskyrą. Jei paprašoma, pasirinkite savo Azure katalogą ir prenumeratą bei Azure Machine Learning darbo sritį. + +![darbo sritis-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.lt.png) + +5. Azure Machine Learning studijoje perjunkite ☰ piktogramą viršutiniame kairiajame kampe, kad peržiūrėtumėte įvairius sąsajos puslapius. Šiuos puslapius galite naudoti savo darbo srities ištekliams valdyti. + +![darbo sritis-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.lt.png) + +Darbo sritį galite valdyti naudodami Azure portalą, tačiau duomenų mokslininkams ir mašininio mokymosi operacijų inžinieriams Azure Machine Learning studija suteikia labiau pritaikytą vartotojo sąsają išteklių valdymui. + +### 2.2 Skaičiavimo ištekliai + +Skaičiavimo ištekliai yra debesų pagrindu veikiantys ištekliai, kuriuose galite vykdyti modelių mokymo ir duomenų tyrimo procesus. Yra keturi skaičiavimo išteklių tipai, kuriuos galite su +- **Prijungtas skaičiavimas**: Nuorodos į esamus „Azure“ skaičiavimo išteklius, tokius kaip virtualios mašinos ar „Azure Databricks“ klasteriai. + +#### 2.2.1 Tinkamų skaičiavimo išteklių pasirinkimas + +Kai kuriant skaičiavimo išteklius reikia atsižvelgti į keletą svarbių veiksnių, kurie gali būti kritiniai sprendimai. + +**Ar jums reikia CPU ar GPU?** + +CPU (centrinis procesorius) yra elektroninė grandinė, vykdanti kompiuterio programos instrukcijas. GPU (grafikos procesorius) yra specializuota elektroninė grandinė, galinti vykdyti su grafika susijusį kodą labai dideliu greičiu. + +Pagrindinis CPU ir GPU architektūros skirtumas yra tas, kad CPU yra sukurtas greitai atlikti įvairias užduotis (matuojama pagal CPU laikrodžio greitį), tačiau yra ribotas užduočių, kurios gali būti vykdomos vienu metu, lygiagretumu. GPU yra sukurti lygiagrečiam skaičiavimui, todėl jie daug geriau tinka giluminio mokymosi užduotims. + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| Mažiau brangus | Brangesnis | +| Mažesnis lygiagretumo lygis | Didesnis lygiagretumo lygis | +| Lėtesnis mokant giluminio mokymosi modelius | Optimalus giluminiam mokymuisi | + +**Klasterio dydis** + +Didesni klasteriai yra brangesni, tačiau jie užtikrina geresnį atsaką. Todėl, jei turite laiko, bet ribotą biudžetą, pradėkite nuo mažo klasterio. Priešingai, jei turite pakankamai pinigų, bet mažai laiko, pradėkite nuo didesnio klasterio. + +**VM dydis** + +Priklausomai nuo jūsų laiko ir biudžeto apribojimų, galite keisti RAM, disko, branduolių skaičiaus ir laikrodžio greičio dydį. Visų šių parametrų didinimas kainuos daugiau, tačiau užtikrins geresnį našumą. + +**Skirti ar mažo prioriteto egzemplioriai?** + +Mažo prioriteto egzempliorius reiškia, kad jis gali būti nutrauktas: iš esmės „Microsoft Azure“ gali perimti šiuos išteklius ir priskirti juos kitai užduočiai, taip nutraukdama darbą. Skirtas egzempliorius, arba nenutraukiamas, reiškia, kad darbas niekada nebus nutrauktas be jūsų leidimo. Tai dar vienas laiko ir pinigų svarstymas, nes nutraukiami egzemplioriai yra pigesni nei skirti. + +#### 2.2.2 Skaičiavimo klasterio kūrimas + +„[Azure ML darbo erdvėje](https://ml.azure.com/)“, kurią sukūrėme anksčiau, eikite į skaičiavimą ir galėsite matyti įvairius skaičiavimo išteklius, kuriuos ką tik aptarėme (pvz., skaičiavimo egzempliorius, skaičiavimo klasterius, prognozavimo klasterius ir prijungtą skaičiavimą). Šiam projektui mums reikės skaičiavimo klasterio modelio mokymui. Studijoje spustelėkite meniu „Compute“, tada skirtuką „Compute cluster“ ir spustelėkite mygtuką „+ New“, kad sukurtumėte skaičiavimo klasterį. + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.lt.png) + +1. Pasirinkite savo parinktis: Skirtas ar mažo prioriteto, CPU ar GPU, VM dydis ir branduolių skaičius (šiam projektui galite palikti numatytuosius nustatymus). +2. Spustelėkite mygtuką „Next“. + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.lt.png) + +3. Suteikite klasteriui pavadinimą. +4. Pasirinkite savo parinktis: Minimalus/maksimalus mazgų skaičius, neveiklumo sekundės prieš sumažinimą, SSH prieiga. Atkreipkite dėmesį, kad jei minimalus mazgų skaičius yra 0, sutaupysite pinigų, kai klasteris neveiks. Atkreipkite dėmesį, kad kuo didesnis maksimalus mazgų skaičius, tuo trumpesnis bus mokymas. Rekomenduojamas maksimalus mazgų skaičius yra 3. +5. Spustelėkite mygtuką „Create“. Šis žingsnis gali užtrukti kelias minutes. + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.lt.png) + +Puiku! Dabar, kai turime skaičiavimo klasterį, turime įkelti duomenis į „Azure ML Studio“. + +### 2.3 Duomenų rinkinio įkėlimas + +1. „[Azure ML darbo erdvėje](https://ml.azure.com/)“, kurią sukūrėme anksčiau, spustelėkite „Datasets“ kairiajame meniu ir spustelėkite mygtuką „+ Create dataset“, kad sukurtumėte duomenų rinkinį. Pasirinkite parinktį „From local files“ ir pasirinkite anksčiau atsisiųstą „Kaggle“ duomenų rinkinį. + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.lt.png) + +2. Suteikite savo duomenų rinkiniui pavadinimą, tipą ir aprašymą. Spustelėkite „Next“. Įkelkite duomenis iš failų. Spustelėkite „Next“. + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.lt.png) + +3. Schemoje pakeiskite duomenų tipą į „Boolean“ šiems požymiams: anaemia, diabetes, high blood pressure, sex, smoking ir DEATH_EVENT. Spustelėkite „Next“ ir „Create“. + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.lt.png) + +Puiku! Dabar, kai duomenų rinkinys yra vietoje ir skaičiavimo klasteris sukurtas, galime pradėti modelio mokymą! + +### 2.4 Mažo kodo/Be kodo mokymas naudojant AutoML + +Tradicinis mašininio mokymosi modelių kūrimas reikalauja daug išteklių, reikšmingų žinių ir laiko, kad būtų galima sukurti ir palyginti dešimtis modelių. Automatinis mašininis mokymasis (AutoML) yra procesas, automatizuojantis daug laiko reikalaujančias, pasikartojančias mašininio mokymosi modelių kūrimo užduotis. Tai leidžia duomenų mokslininkams, analitikams ir kūrėjams kurti ML modelius dideliu mastu, efektyviai ir produktyviai, išlaikant modelio kokybę. Tai sumažina laiką, reikalingą paruošti ML modelius gamybai, su dideliu paprastumu ir efektyvumu. [Sužinokite daugiau](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. „[Azure ML darbo erdvėje](https://ml.azure.com/)“, kurią sukūrėme anksčiau, spustelėkite „Automated ML“ kairiajame meniu ir pasirinkite ką tik įkeltą duomenų rinkinį. Spustelėkite „Next“. + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.lt.png) + +2. Įveskite naują eksperimento pavadinimą, tikslinį stulpelį (DEATH_EVENT) ir sukurtą skaičiavimo klasterį. Spustelėkite „Next“. + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.lt.png) + +3. Pasirinkite „Classification“ ir spustelėkite „Finish“. Šis žingsnis gali užtrukti nuo 30 minučių iki 1 valandos, priklausomai nuo jūsų skaičiavimo klasterio dydžio. + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.lt.png) + +4. Kai vykdymas bus baigtas, spustelėkite skirtuką „Automated ML“, pasirinkite savo vykdymą ir spustelėkite algoritmą kortelėje „Best model summary“. + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.lt.png) + +Čia galite matyti išsamią informaciją apie geriausią modelį, kurį sukūrė AutoML. Taip pat galite tyrinėti kitus modelius skirtuke „Models“. Skirkite kelias minutes modelių tyrinėjimui skirtuke „Explanations (preview)“. Kai pasirinksite modelį, kurį norite naudoti (čia pasirinkime geriausią modelį, kurį pasirinko AutoML), pamatysime, kaip jį galima diegti. + +## 3. Mažo kodo/Be kodo modelio diegimas ir galutinio taško naudojimas +### 3.1 Modelio diegimas + +Automatinio mašininio mokymosi sąsaja leidžia diegti geriausią modelį kaip žiniatinklio paslaugą keliais žingsniais. Diegimas yra modelio integravimas, kad jis galėtų atlikti prognozes pagal naujus duomenis ir nustatyti galimas galimybių sritis. Šiame projekte diegimas kaip žiniatinklio paslauga reiškia, kad medicininės programos galės naudoti modelį, kad galėtų atlikti tiesiogines pacientų širdies smūgio rizikos prognozes. + +Geriausio modelio aprašyme spustelėkite mygtuką „Deploy“. + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.lt.png) + +15. Suteikite jam pavadinimą, aprašymą, skaičiavimo tipą (Azure Container Instance), įjunkite autentifikavimą ir spustelėkite „Deploy“. Šis žingsnis gali užtrukti apie 20 minučių. Diegimo procesas apima kelis žingsnius, įskaitant modelio registravimą, išteklių generavimą ir jų konfigūravimą žiniatinklio paslaugai. Būsena rodoma po „Deploy status“. Periodiškai spustelėkite „Refresh“, kad patikrintumėte diegimo būseną. Kai būsena yra „Healthy“, diegimas baigtas ir veikia. + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.lt.png) + +16. Kai jis bus įdiegtas, spustelėkite skirtuką „Endpoint“ ir pasirinkite ką tik įdiegtą galutinį tašką. Čia galite rasti visą informaciją apie galutinį tašką. + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.lt.png) + +Nuostabu! Dabar, kai turime įdiegtą modelį, galime pradėti naudoti galutinį tašką. + +### 3.2 Galutinio taško naudojimas + +Spustelėkite skirtuką „Consume“. Čia galite rasti REST galutinį tašką ir „Python“ scenarijų naudojimo parinktyje. Skirkite laiko perskaityti „Python“ kodą. + +Šis scenarijus gali būti vykdomas tiesiogiai iš jūsų vietinio kompiuterio ir naudos jūsų galutinį tašką. + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.lt.png) + +Skirkite akimirką patikrinti šias dvi kodo eilutes: + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # Replace this with the API key for the web service +``` +Kintamasis `url` yra REST galutinio taško adresas, rastas naudojimo skirtuke, o kintamasis `api_key` yra pirminis raktas, taip pat rastas naudojimo skirtuke (tik tuo atveju, jei įjungėte autentifikavimą). Štai kaip scenarijus gali naudoti galutinį tašką. + +18. Vykdydami scenarijų turėtumėte matyti šį rezultatą: + ```python + b'"{\\"result\\": [true]}"' + ``` +Tai reiškia, kad širdies nepakankamumo prognozė pagal pateiktus duomenis yra teisinga. Tai logiška, nes jei atidžiau pažvelgsite į scenarijuje automatiškai sugeneruotus duomenis, viskas pagal numatytuosius nustatymus yra 0 ir klaidinga. Galite pakeisti duomenis naudodami šį pavyzdį: + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +Scenarijus turėtų grąžinti: + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +Sveikiname! Jūs ką tik panaudojote įdiegtą modelį ir jį apmokėte „Azure ML“! + +> **_PASTABA:_** Kai baigsite projektą, nepamirškite ištrinti visų išteklių. +## 🚀 Iššūkis + +Atidžiai pažvelkite į modelio paaiškinimus ir detales, kurias AutoML sugeneravo geriausiems modeliams. Pabandykite suprasti, kodėl geriausias modelis yra geresnis už kitus. Kokie algoritmai buvo palyginti? Kokie jų skirtumai? Kodėl šis modelis šiuo atveju veikia geriau? + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35) + +## Apžvalga ir savarankiškas mokymasis + +Šioje pamokoje išmokote, kaip apmokyti, įdiegti ir naudoti modelį, skirtą širdies nepakankamumo rizikai prognozuoti, naudojant mažo kodo/Be kodo metodą debesyje. Jei dar to nepadarėte, gilinkitės į modelio paaiškinimus, kuriuos AutoML sugeneravo geriausiems modeliams, ir pabandykite suprasti, kodėl geriausias modelis yra geresnis už kitus. + +Galite gilintis į mažo kodo/Be kodo AutoML skaitydami šią [dokumentaciją](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Užduotis + +[Mažo kodo/Be kodo duomenų mokslo projektas „Azure ML“](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama kreiptis į profesionalius vertėjus. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/lt/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..392fd041 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,25 @@ + +# Mažai kodo/Be kodo duomenų mokslų projektas Azure ML platformoje + +## Instrukcijos + +Mes išmokome, kaip naudoti Azure ML platformą modelio mokymui, diegimui ir naudojimui mažai kodo/visiškai be kodo būdu. Dabar paieškokite duomenų, kuriuos galėtumėte panaudoti kito modelio mokymui, diegimui ir naudojimui. Duomenų rinkinius galite rasti [Kaggle](https://kaggle.com) ir [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Vertinimo kriterijai + +| Puikiai | Pakankamai | Reikia tobulinti | +|---------|------------|------------------| +|Įkeldami duomenis pasirūpinote, kad prireikus pakeistumėte savybių tipus. Taip pat išvalėte duomenis, jei to reikėjo. Atlikote mokymą naudodami AutoML ir patikrinote modelio paaiškinimus. Diegėte geriausią modelį ir sugebėjote jį naudoti. | Įkeldami duomenis pasirūpinote, kad prireikus pakeistumėte savybių tipus. Atlikote mokymą naudodami AutoML, diegėte geriausią modelį ir sugebėjote jį naudoti. | Diegėte geriausią AutoML mokytą modelį ir sugebėjote jį naudoti. | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/lt/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..3586b3c5 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,325 @@ + +# Duomenų mokslas debesyje: „Azure ML SDK“ būdas + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| Duomenų mokslas debesyje: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Turinys: + +- [Duomenų mokslas debesyje: „Azure ML SDK“ būdas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Prieš paskaitą: testas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. Įvadas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 Kas yra Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 Širdies nepakankamumo prognozavimo projektas ir duomenų rinkinio pristatymas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. Modelio mokymas naudojant Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 Sukurti Azure ML darbo sritį](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 Sukurti skaičiavimo instanciją](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 Duomenų rinkinio įkėlimas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 Užrašinių kūrimas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 Modelio mokymas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 Darbo srities, eksperimento, skaičiavimo klasterio ir duomenų rinkinio nustatymas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 AutoML konfigūracija ir mokymas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. Modelio diegimas ir naudojimas per Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 Geriausio modelio išsaugojimas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 Modelio diegimas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 Naudojimasis galutiniu tašku](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 Iššūkis](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Po paskaitos: testas](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Apžvalga ir savarankiškas mokymasis](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Užduotis](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36) + +## 1. Įvadas + +### 1.1 Kas yra Azure ML SDK? + +Duomenų mokslininkai ir dirbtinio intelekto kūrėjai naudoja „Azure Machine Learning SDK“, kad kurtų ir vykdytų mašininio mokymosi darbo eigas naudodami „Azure Machine Learning“ paslaugą. Galite sąveikauti su paslauga bet kurioje „Python“ aplinkoje, įskaitant „Jupyter Notebooks“, „Visual Studio Code“ ar jūsų mėgstamą „Python IDE“. + +Pagrindinės SDK sritys apima: + +- Duomenų rinkinių, naudojamų mašininio mokymosi eksperimentuose, tyrimą, paruošimą ir gyvavimo ciklo valdymą. +- Debesų išteklių valdymą eksperimentų stebėjimui, žurnalavimui ir organizavimui. +- Modelių mokymą tiek lokaliai, tiek naudojant debesų išteklius, įskaitant modelių mokymą su GPU. +- Automatinį mašininį mokymą, kuris priima konfigūracijos parametrus ir mokymo duomenis. Jis automatiškai iteruoja per algoritmus ir hiperparametrų nustatymus, kad rastų geriausią modelį prognozėms vykdyti. +- Žiniatinklio paslaugų diegimą, kad jūsų apmokyti modeliai taptų RESTful paslaugomis, kurias galima naudoti bet kurioje programoje. + +[Daugiau apie „Azure Machine Learning SDK“](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +[Ankstesnėje pamokoje](../18-Low-Code/README.md) matėme, kaip treniruoti, diegti ir naudoti modelį naudojant mažai kodo arba be kodo metodą. Naudojome širdies nepakankamumo duomenų rinkinį, kad sukurtume širdies nepakankamumo prognozavimo modelį. Šioje pamokoje darysime tą patį, bet naudodami „Azure Machine Learning SDK“. + +![projekto-schema](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.lt.png) + +### 1.2 Širdies nepakankamumo prognozavimo projektas ir duomenų rinkinio pristatymas + +Peržiūrėkite [čia](../18-Low-Code/README.md) širdies nepakankamumo prognozavimo projekto ir duomenų rinkinio pristatymą. + +## 2. Modelio mokymas naudojant Azure ML SDK + +### 2.1 Sukurti Azure ML darbo sritį + +Paprastumo dėlei dirbsime „Jupyter Notebook“. Tai reiškia, kad jau turite darbo sritį ir skaičiavimo instanciją. Jei jau turite darbo sritį, galite pereiti tiesiai prie skyriaus 2.3 Užrašinių kūrimas. + +Jei ne, vadovaukitės instrukcijomis skyriuje **2.1 Sukurti Azure ML darbo sritį** [ankstesnėje pamokoje](../18-Low-Code/README.md), kad sukurtumėte darbo sritį. + +### 2.2 Sukurti skaičiavimo instanciją + +„[Azure ML darbo srityje](https://ml.azure.com/)“, kurią sukūrėme anksčiau, eikite į skaičiavimo meniu ir pamatysite skirtingus skaičiavimo išteklius. + +![skaiciavimo-instancija-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.lt.png) + +Sukurkime skaičiavimo instanciją, kad galėtume naudoti „Jupyter Notebook“. +1. Spustelėkite mygtuką + Naujas. +2. Suteikite savo skaičiavimo instancijai pavadinimą. +3. Pasirinkite parinktis: CPU arba GPU, VM dydį ir branduolių skaičių. +4. Spustelėkite mygtuką Kurti. + +Sveikiname, ką tik sukūrėte skaičiavimo instanciją! Šią skaičiavimo instanciją naudosime užrašinei sukurti skyriuje [Užrašinių kūrimas](../../../../5-Data-Science-In-Cloud/19-Azure). + +### 2.3 Duomenų rinkinio įkėlimas + +Jei dar neįkėlėte duomenų rinkinio, peržiūrėkite [ankstesnę pamoką](../18-Low-Code/README.md) skyriuje **2.3 Duomenų rinkinio įkėlimas**. + +### 2.4 Užrašinių kūrimas + +> **_PASTABA:_** Kitame žingsnyje galite sukurti naują užrašinę nuo nulio arba įkelti [užrašinę, kurią sukūrėme](notebook.ipynb) į savo „Azure ML Studio“. Norėdami ją įkelti, tiesiog spustelėkite meniu „Notebook“ ir įkelkite užrašinę. + +Užrašinės yra labai svarbi duomenų mokslo proceso dalis. Jos gali būti naudojamos tyrinėjimo duomenų analizei (EDA), modelio mokymui skaičiavimo klasteryje arba galutinio taško diegimui. + +Norėdami sukurti užrašinę, mums reikia skaičiavimo mazgo, kuris paleistų „Jupyter Notebook“ instanciją. Grįžkite į [Azure ML darbo sritį](https://ml.azure.com/) ir spustelėkite Skaičiavimo instancijos. Skaičiavimo instancijų sąraše turėtumėte matyti [anksčiau sukurtą skaičiavimo instanciją](../../../../5-Data-Science-In-Cloud/19-Azure). + +1. Skiltyje Programos spustelėkite parinktį Jupyter. +2. Pažymėkite langelį „Taip, suprantu“ ir spustelėkite mygtuką Tęsti. +![uzrasine-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.lt.png) +3. Tai turėtų atidaryti naują naršyklės skirtuką su jūsų „Jupyter Notebook“ instancija. Spustelėkite mygtuką „Naujas“, kad sukurtumėte užrašinę. + +![uzrasine-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.lt.png) + +Dabar, kai turime užrašinę, galime pradėti mokyti modelį naudodami „Azure ML SDK“. + +### 2.5 Modelio mokymas + +Visų pirma, jei turite kokių nors abejonių, peržiūrėkite [Azure ML SDK dokumentaciją](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Joje pateikiama visa reikalinga informacija apie modulius, kuriuos aptarsime šioje pamokoje. + +#### 2.5.1 Darbo srities, eksperimento, skaičiavimo klasterio ir duomenų rinkinio nustatymas + +Turite įkelti `workspace` iš konfigūracijos failo naudodami šį kodą: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +Tai grąžina objektą `Workspace` tipo, kuris atstovauja darbo sritį. Tada turite sukurti `eksperimentą` naudodami šį kodą: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` + +Norėdami gauti arba sukurti eksperimentą iš darbo srities, turite nurodyti eksperimento pavadinimą. Eksperimento pavadinimas turi būti nuo 3 iki 36 simbolių, prasidėti raide arba skaičiumi ir gali turėti tik raides, skaičius, pabraukimus ir brūkšnelius. Jei darbo srityje eksperimentas nerandamas, sukuriamas naujas eksperimentas. + +Dabar turite sukurti skaičiavimo klasterį mokymui naudodami šį kodą. Atkreipkite dėmesį, kad šis žingsnis gali užtrukti kelias minutes. + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +Duomenų rinkinį galite gauti iš darbo srities naudodami duomenų rinkinio pavadinimą šiuo būdu: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` + +#### 2.5.2 AutoML konfigūracija ir mokymas + +Norėdami nustatyti AutoML konfigūraciją, naudokite [AutoMLConfig klasę](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +Kaip aprašyta dokumentacijoje, yra daug parametrų, su kuriais galite eksperimentuoti. Šiam projektui naudosime šiuos parametrus: + +- `experiment_timeout_minutes`: Maksimalus laikas (minutėmis), kurį eksperimentas gali veikti prieš automatinį sustabdymą. +- `max_concurrent_iterations`: Maksimalus leidžiamų vienu metu vykdomų mokymo iteracijų skaičius. +- `primary_metric`: Pagrindinis metrikos rodiklis, naudojamas eksperimento būsenai nustatyti. +- `compute_target`: „Azure Machine Learning“ skaičiavimo tikslas, kuriame vykdomas automatinis mašininis mokymas. +- `task`: Užduoties tipas. Vertės gali būti „classification“, „regression“ arba „forecasting“. +- `training_data`: Mokymo duomenys, naudojami eksperimente. Jie turėtų apimti tiek mokymo funkcijas, tiek etikečių stulpelį. +- `label_column_name`: Etikečių stulpelio pavadinimas. +- `path`: Pilnas kelias iki „Azure Machine Learning“ projekto aplanko. +- `enable_early_stopping`: Ar įjungti ankstyvą nutraukimą, jei rezultatai trumpuoju laikotarpiu negerėja. +- `featurization`: Indikatorius, ar featurizacija turėtų būti atliekama automatiškai, ar pritaikyta. +- `debug_log`: Žurnalo failas, į kurį rašoma derinimo informacija. + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` + +Dabar, kai turite savo konfigūraciją, galite mokyti modelį naudodami šį kodą. Šis žingsnis gali užtrukti iki valandos, priklausomai nuo jūsų klasterio dydžio. + +```python +remote_run = experiment.submit(automl_config) +``` + +Galite paleisti „RunDetails“ valdiklį, kad pamatytumėte skirtingus eksperimentus. + +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` + +## 3. Modelio diegimas ir naudojimas per Azure ML SDK + +### 3.1 Geriausio modelio išsaugojimas + +`remote_run` yra objektas [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) tipo. Šis objektas turi metodą `get_output()`, kuris grąžina geriausią vykdymą ir atitinkamą pritaikytą modelį. + +```python +best_run, fitted_model = remote_run.get_output() +``` + +Galite matyti geriausio modelio parametrus tiesiog atspausdinę `fitted_model` ir naudodami [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metodą. + +```python +best_run.get_properties() +``` + +Dabar užregistruokite modelį naudodami [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metodą. + +```python +model_name = best_run.properties['model_name'] +script_file_name = 'inference/score.py' +best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') +description = "aml heart failure project sdk" +model = best_run.register_model(model_name = model_name, + model_path = './outputs/', + description = description, + tags = None) +``` + +### 3.2 Modelio diegimas + +Kai geriausias modelis išsaugotas, galime jį diegti naudodami [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) klasę. „InferenceConfig“ atstovauja konfigūracijos nustatymus, naudojamus diegimui. [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) klasė atstovauja mašininio mokymosi modelį, diegiamą kaip žiniatinklio paslaugos galutinį tašką „Azure Container Instances“. Diegta paslauga yra apkrovos balansavimo HTTP galutinis taškas su REST API. Galite siųsti duomenis į šį API ir gauti modelio grąžintą prognozę. + +Modelis diegiamas naudojant [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metodą. + +```python +from azureml.core.model import InferenceConfig, Model +from azureml.core.webservice import AciWebservice + +inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment()) + +aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1, + memory_gb = 1, + tags = {'type': "automl-heart-failure-prediction"}, + description = 'Sample service for AutoML Heart Failure Prediction') + +aci_service_name = 'automl-hf-sdk' +aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig) +aci_service.wait_for_deployment(True) +print(aci_service.state) +``` + +Šis žingsnis turėtų užtrukti kelias minutes. + +### 3.3 Naudojimasis galutiniu tašku + +Galutinį tašką naudojate sukurdami pavyzdinį įvestį: + +```python +data = { + "data": + [ + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} + +test_sample = str.encode(json.dumps(data)) +``` + +Tada galite siųsti šį įvestį savo modeliui prognozei gauti: +```python +response = aci_service.run(input_data=test_sample) +response +``` +Tai turėtų išvesti `'{"result": [false]}'`. Tai reiškia, kad paciento duomenys, kuriuos išsiuntėme į galinį tašką, sukūrė prognozę `false`, kas reiškia, jog šis asmuo greičiausiai nepatirs širdies smūgio. + +Sveikiname! Jūs ką tik panaudojote modelį, kuris buvo įdiegtas ir apmokytas naudojant Azure ML su Azure ML SDK! + +> **_NOTE:_** Baigę projektą, nepamirškite ištrinti visų resursų. + +## 🚀 Iššūkis + +Yra daugybė kitų dalykų, kuriuos galite atlikti naudodami SDK, deja, visų jų negalime aptarti šioje pamokoje. Tačiau gera žinia – išmokę greitai peržiūrėti SDK dokumentaciją, galėsite daug pasiekti savarankiškai. Peržiūrėkite Azure ML SDK dokumentaciją ir suraskite `Pipeline` klasę, kuri leidžia kurti procesus. Procesas yra žingsnių rinkinys, kurį galima vykdyti kaip darbo eigą. + +**Patarimas:** Eikite į [SDK dokumentaciją](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ir paieškos laukelyje įveskite tokius raktažodžius kaip „Pipeline“. Paieškos rezultatuose turėtumėte rasti `azureml.pipeline.core.Pipeline` klasę. + +## [Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37) + +## Apžvalga ir savarankiškas mokymasis + +Šioje pamokoje išmokote, kaip apmokyti, įdiegti ir panaudoti modelį, skirtą širdies nepakankamumo rizikai prognozuoti, naudojant Azure ML SDK debesyje. Peržiūrėkite šią [dokumentaciją](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109), kad gautumėte daugiau informacijos apie Azure ML SDK. Pabandykite sukurti savo modelį naudodami Azure ML SDK. + +## Užduotis + +[Duomenų mokslo projektas naudojant Azure ML SDK](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/lt/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..ca040be0 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,25 @@ + +# Duomenų mokslo projektas naudojant Azure ML SDK + +## Instrukcijos + +Mes matėme, kaip naudoti Azure ML platformą modelio treniravimui, diegimui ir naudojimui su Azure ML SDK. Dabar paieškokite duomenų, kuriuos galėtumėte panaudoti kito modelio treniravimui, diegimui ir naudojimui. Duomenų rinkinių galite ieškoti [Kaggle](https://kaggle.com) ir [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Vertinimo kriterijai + +| Puikiai | Pakankamai | Reikia patobulinimų | +|---------|-----------|---------------------| +|Atliekant AutoML konfigūraciją, peržiūrėjote SDK dokumentaciją, kad sužinotumėte, kokius parametrus galite naudoti. Atlikote duomenų rinkinio treniravimą naudodami AutoML su Azure ML SDK ir patikrinote modelio paaiškinimus. Diegėte geriausią modelį ir sugebėjote jį naudoti per Azure ML SDK. | Atlikote duomenų rinkinio treniravimą naudodami AutoML su Azure ML SDK ir patikrinote modelio paaiškinimus. Diegėte geriausią modelį ir sugebėjote jį naudoti per Azure ML SDK. | Atlikote duomenų rinkinio treniravimą naudodami AutoML su Azure ML SDK. Diegėte geriausią modelį ir sugebėjote jį naudoti per Azure ML SDK. | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/5-Data-Science-In-Cloud/README.md b/translations/lt/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..8e699052 --- /dev/null +++ b/translations/lt/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,35 @@ + +# Duomenų mokslas debesyje + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.lt.jpg) + +> Nuotrauka [Jelleke Vanooteghem](https://unsplash.com/@ilumire) iš [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) + +Kalbant apie duomenų mokslą su dideliais duomenų kiekiais, debesis gali būti tikras žaidimo keitiklis. Per artimiausias tris pamokas sužinosime, kas yra debesis ir kodėl jis gali būti labai naudingas. Taip pat išnagrinėsime širdies nepakankamumo duomenų rinkinį ir sukursime modelį, kuris padės įvertinti tikimybę, ar žmogui gresia širdies nepakankamumas. Naudosime debesies galią, kad apmokytume, diegtume ir naudotume modelį dviem skirtingais būdais. Vienas būdas – naudojant tik vartotojo sąsają „Low code/No code“ stiliumi, kitas – naudojant „Azure Machine Learning Software Developer Kit“ (Azure ML SDK). + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.lt.png) + +### Temos + +1. [Kodėl naudoti debesį duomenų mokslui?](17-Introduction/README.md) +2. [Duomenų mokslas debesyje: „Low code/No code“ būdas](18-Low-Code/README.md) +3. [Duomenų mokslas debesyje: „Azure ML SDK“ būdas](19-Azure/README.md) + +### Kreditas +Šios pamokos buvo parašytos su ☁️ ir 💕 [Maud Levy](https://twitter.com/maudstweets) ir [Tiffany Souterre](https://twitter.com/TiffanySouterre). + +Duomenys širdies nepakankamumo prognozavimo projektui yra paimti iš [ +Larxel](https://www.kaggle.com/andrewmvd) platformos [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Jie yra licencijuoti pagal [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. \ No newline at end of file diff --git a/translations/lt/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/lt/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..3d599b82 --- /dev/null +++ b/translations/lt/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,148 @@ + +# Duomenų mokslas realiame pasaulyje + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| Duomenų mokslas realiame pasaulyje - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Mes beveik pasiekėme šios mokymosi kelionės pabaigą! + +Pradėjome nuo duomenų mokslo ir etikos apibrėžimų, tyrinėjome įvairius duomenų analizės ir vizualizacijos įrankius bei technikas, peržiūrėjome duomenų mokslo gyvavimo ciklą ir aptarėme, kaip mastelį ir automatizaciją galima pasiekti naudojant debesų kompiuterijos paslaugas. Taigi, tikriausiai klausiate savęs: _"Kaip tiksliai pritaikyti visus šiuos mokymus realiame pasaulyje?"_ + +Šioje pamokoje nagrinėsime duomenų mokslo taikymą įvairiose pramonės srityse ir gilinsimės į konkrečius pavyzdžius, susijusius su tyrimais, skaitmeninėmis humanitarinėmis mokslų sritimis ir tvarumu. Taip pat aptarsime studentų projektų galimybes ir užbaigsime naudingais ištekliais, kurie padės tęsti mokymosi kelionę! + +## Prieš paskaitą: testas + +[Prieš paskaitą: testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) + +## Duomenų mokslas + Pramonė + +Dėl AI demokratizacijos kūrėjams dabar lengviau kurti ir integruoti AI pagrįstus sprendimus bei duomenimis pagrįstas įžvalgas į vartotojų patirtis ir kūrimo procesus. Štai keletas pavyzdžių, kaip duomenų mokslas "taikomas" realiame pasaulyje įvairiose pramonės srityse: + + * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) naudojo duomenų mokslą, kad susietų paieškos terminus su gripo tendencijomis. Nors metodas turėjo trūkumų, jis atkreipė dėmesį į galimybes (ir iššūkius) prognozuojant sveikatos būklę remiantis duomenimis. + + * [UPS maršrutų prognozės](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - paaiškina, kaip UPS naudoja duomenų mokslą ir mašininį mokymąsi, kad numatytų optimaliausius pristatymo maršrutus, atsižvelgiant į oro sąlygas, eismo modelius, pristatymo terminus ir kt. + + * [NYC taksi maršrutų vizualizacija](http://chriswhong.github.io/nyctaxi/) - duomenys, surinkti naudojant [Informacijos laisvės įstatymus](https://chriswhong.com/open-data/foil_nyc_taxi/), padėjo vizualizuoti vieną NYC taksi dieną, leidžiant suprasti, kaip jie naviguoja užimtame mieste, kiek uždirba ir kiek trunka kelionės per 24 valandas. + + * [Uber duomenų mokslo darbo aplinka](https://eng.uber.com/dsw/) - naudoja duomenis (apie paėmimo ir išlaipinimo vietas, kelionės trukmę, pageidaujamus maršrutus ir kt.), surinktus iš milijonų Uber kelionių *kasdien*, kad sukurtų duomenų analizės įrankį, padedantį nustatyti kainas, saugumą, sukčiavimo aptikimą ir navigacijos sprendimus. + + * [Sporto analitika](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - orientuojasi į _prognozavimo analitiką_ (komandų ir žaidėjų analizė - pagalvokite apie [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - ir gerbėjų valdymą) bei _duomenų vizualizaciją_ (komandų ir gerbėjų skydeliai, žaidimai ir kt.) su taikymu, kaip talentų paieška, sporto lažybos ir inventoriaus/vietos valdymas. + + * [Duomenų mokslas bankininkystėje](https://data-flair.training/blogs/data-science-in-banking/) - pabrėžia duomenų mokslo vertę finansų pramonėje, taikant rizikos modeliavimą, sukčiavimo aptikimą, klientų segmentavimą, realaus laiko prognozes ir rekomendacijų sistemas. Prognozavimo analitika taip pat skatina svarbias priemones, tokias kaip [kredito reitingai](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit). + + * [Duomenų mokslas sveikatos apsaugoje](https://data-flair.training/blogs/data-science-in-healthcare/) - pabrėžia taikymą, kaip medicininė vaizdinė analizė (pvz., MRT, rentgenas, CT-skenavimas), genomika (DNR sekos nustatymas), vaistų kūrimas (rizikos vertinimas, sėkmės prognozė), prognozavimo analitika (pacientų priežiūra ir tiekimo logistika), ligų stebėjimas ir prevencija ir kt. + +![Duomenų mokslo taikymas realiame pasaulyje](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.lt.png) Vaizdo kreditas: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) + +Paveikslėlyje parodytos kitos sritys ir pavyzdžiai, kaip taikyti duomenų mokslo technikas. Norite tyrinėti kitus taikymus? Peržiūrėkite [Peržiūra ir savarankiškas mokymasis](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) skyrių žemiau. + +## Duomenų mokslas + Tyrimai + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Duomenų mokslas ir tyrimai - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Nors realaus pasaulio taikymas dažnai orientuojasi į pramonės naudojimo atvejus mastu, _tyrimų_ taikymas ir projektai gali būti naudingi iš dviejų perspektyvų: + +* _inovacijų galimybės_ - tyrinėti pažangių koncepcijų greitą prototipavimą ir vartotojų patirties testavimą kitų kartų taikymams. +* _diegimo iššūkiai_ - tirti galimus žalingus ar netikėtus duomenų mokslo technologijų padarinius realiame pasaulyje. + +Studentams šie tyrimų projektai gali suteikti tiek mokymosi, tiek bendradarbiavimo galimybių, kurios gali pagerinti jūsų supratimą apie temą ir praplėsti jūsų sąmoningumą bei įsitraukimą su atitinkamais žmonėmis ar komandomis, dirbančiomis dominančiose srityse. Taigi, kaip atrodo tyrimų projektai ir kaip jie gali turėti įtakos? + +Pažvelkime į vieną pavyzdį - [MIT Gender Shades Study](http://gendershades.org/overview.html) iš Joy Buolamwini (MIT Media Labs) su [reikšmingu tyrimo straipsniu](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf), kurį kartu parašė Timnit Gebru (tuomet Microsoft Research), kuris buvo orientuotas į: + + * **Kas:** Tyrimo projekto tikslas buvo _įvertinti šališkumą automatizuotų veido analizės algoritmų ir duomenų rinkinių_ pagrindu pagal lytį ir odos tipą. + * **Kodėl:** Veido analizė naudojama tokiose srityse kaip teisėsauga, oro uostų saugumas, įdarbinimo sistemos ir kt. - kontekstuose, kur netikslūs klasifikavimai (pvz., dėl šališkumo) gali sukelti ekonominius ir socialinius padarinius paveiktiems asmenims ar grupėms. Šališkumo supratimas (ir jo pašalinimas ar mažinimas) yra raktas į teisingumą naudojime. + * **Kaip:** Tyrėjai pastebėjo, kad esami etalonai daugiausia naudojo šviesesnės odos subjektus, ir sukūrė naują duomenų rinkinį (1000+ vaizdų), kuris buvo _labiau subalansuotas_ pagal lytį ir odos tipą. Duomenų rinkinys buvo naudojamas trijų lyties klasifikavimo produktų (Microsoft, IBM ir Face++) tikslumui įvertinti. + +Rezultatai parodė, kad nors bendras klasifikavimo tikslumas buvo geras, buvo pastebimas klaidų rodiklių skirtumas tarp įvairių pogrupių - su **neteisingu lyties nustatymu**, kuris buvo didesnis moterims ar tamsesnės odos tipų asmenims, rodantis šališkumą. + +**Pagrindiniai rezultatai:** Atkreiptas dėmesys, kad duomenų mokslui reikia daugiau _reprezentatyvių duomenų rinkinių_ (subalansuotų pogrupių) ir daugiau _įtraukiančių komandų_ (įvairių kilmės), kad būtų galima anksčiau atpažinti ir pašalinti ar sumažinti tokį šališkumą AI sprendimuose. Tokie tyrimų pastangos taip pat yra svarbios daugeliui organizacijų, apibrėžiančių principus ir praktikas _atsakingam AI_, siekiant pagerinti teisingumą jų AI produktuose ir procesuose. + +**Norite sužinoti apie atitinkamus tyrimų pastangas Microsoft?** + +* Peržiūrėkite [Microsoft tyrimų projektus](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) apie dirbtinį intelektą. +* Tyrinėkite studentų projektus iš [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/). +* Peržiūrėkite [Fairlearn](https://fairlearn.org/) projektą ir [Atsakingo AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) iniciatyvas. + +## Duomenų mokslas + Humanitariniai mokslai + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Duomenų mokslas ir skaitmeninės humanitarinės mokslų sritys - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Skaitmeninės humanitarinės mokslų sritys [apibrėžtos](https://digitalhumanities.stanford.edu/about-dh-stanford) kaip "praktikų ir metodų rinkinys, derinantis skaičiavimo metodus su humanitariniais tyrimais". [Stanford projektai](https://digitalhumanities.stanford.edu/projects), tokie kaip _"istorijos atnaujinimas"_ ir _"poetinis mąstymas"_, iliustruoja ryšį tarp [Skaitmeninių humanitarinių mokslų ir duomenų mokslo](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - pabrėžiant technikas, tokias kaip tinklo analizė, informacijos vizualizacija, erdvinė ir teksto analizė, kurios gali padėti mums iš naujo peržiūrėti istorinius ir literatūrinius duomenų rinkinius, kad gautume naujų įžvalgų ir perspektyvų. + +*Norite tyrinėti ir plėsti projektą šioje srityje?* + +Peržiūrėkite ["Emily Dickinson ir nuotaikos metras"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - puikus pavyzdys iš [Jen Looper](https://twitter.com/jenlooper), kuris klausia, kaip galime naudoti duomenų mokslą, kad iš naujo peržiūrėtume pažįstamą poeziją ir įvertintume jos prasmę bei autoriaus indėlį naujuose kontekstuose. Pavyzdžiui, _ar galime prognozuoti sezoną, kuriame buvo parašytas eilėraštis, analizuodami jo toną ar nuotaiką_ - ir ką tai pasakoja apie autoriaus būseną per atitinkamą laikotarpį? + +Norėdami atsakyti į šį klausimą, sekame duomenų mokslo gyvavimo ciklo žingsnius: + * [`Duomenų gavimas`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - surinkti tinkamą duomenų rinkinį analizei. Galimybės apima API naudojimą (pvz., [Poetry DB API](https://poetrydb.org/index.html)) arba tinklalapių nuskaitymą (pvz., [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) naudojant įrankius, tokius kaip [Scrapy](https://scrapy.org/). + * [`Duomenų valymas`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - paaiškina, kaip tekstas gali būti formatuojamas, valomas ir supaprastinamas naudojant pagrindinius įrankius, tokius kaip Visual Studio Code ir Microsoft Excel. + * [`Duomenų analizė`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - paaiškina, kaip dabar galime importuoti duomenų rinkinį į "Notebooks" analizei naudojant Python paketus (pvz., pandas, numpy ir matplotlib), kad organizuotume ir vizualizuotume duomenis. + * [`Nuotaikos analizė`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - paaiškina, kaip galime integruoti debesų paslaugas, tokias kaip Teksto analizė, naudojant mažo kodo įrankius, tokius kaip [Power Automate](https://flow.microsoft.com/en-us/) automatizuotoms duomenų apdorojimo darbo eigoms. + +Naudodami šį darbo eigą, galime tyrinėti sezoninius poveikius eilėraščių nuotaikai ir padėti mums suformuoti savo perspektyvas apie autorių. Išbandykite patys - tada išplėskite užrašų knygelę, kad užduotumėte kitus klausimus arba vizualizuotumėte duomenis naujais būdais! + +> Galite naudoti kai kuriuos įrankius iš [Skaitmeninių humanitarinių mokslų įrankių rinkinio](https://github.com/Digital-Humanities-Toolkit), kad tęstumėte šias tyrimų kryptis. + +## Duomenų mokslas + Tvarumas + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Duomenų mokslas ir tvarumas - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[2030 m. darbotvarkė tvariam vystymuisi](https://sdgs.un.org/2030agenda) - priimta visų Jungtinių Tautų narių 2015 m. - identifikuoja 17 tikslų, įskaitant tuos, kurie orientuojasi į **planetos apsaugą** nuo degradacijos ir klimato kaitos poveikio. [Microsoft tvarumo](https://www.microsoft.com/en-us/sustainability) iniciatyva palaiko šiuos tikslus, tyrinėdama, kaip technologiniai sprendimai gali padėti kurti tvaresnę ateitį, orientuojantis į [4 tikslus](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - būti anglies neigiamais, vandens teigiamais, be atliekų ir bioįvairiais iki +**Planetary Computer projektas šiuo metu yra peržiūros stadijoje (nuo 2021 m. rugsėjo)** - štai kaip galite pradėti prisidėti prie tvarumo sprendimų naudodami duomenų mokslą. + +* [Prašyti prieigos](https://planetarycomputer.microsoft.com/account/request), kad galėtumėte pradėti tyrinėti ir bendrauti su bendraminčiais. +* [Naršyti dokumentaciją](https://planetarycomputer.microsoft.com/docs/overview/about), kad suprastumėte palaikomus duomenų rinkinius ir API. +* Naršykite tokias programas kaip [Ekosistemos stebėjimas](https://analytics-lab.org/ecosystemmonitoring/), kad gautumėte idėjų programų kūrimui. + +Pagalvokite, kaip galite naudoti duomenų vizualizaciją, kad atskleistumėte ar sustiprintumėte svarbias įžvalgas tokiose srityse kaip klimato kaita ir miškų naikinimas. Arba apsvarstykite, kaip įžvalgos gali būti panaudotos kuriant naujas vartotojų patirtis, kurios motyvuotų elgesio pokyčius siekiant tvaresnio gyvenimo. + +## Duomenų mokslas + studentai + +Mes kalbėjome apie realaus pasaulio pritaikymą pramonėje ir moksliniuose tyrimuose, taip pat nagrinėjome duomenų mokslo taikymo pavyzdžius skaitmeninėse humanitarinėse mokslų srityse ir tvarume. Taigi, kaip galite ugdyti savo įgūdžius ir dalintis savo žiniomis kaip pradedantieji duomenų mokslininkai? + +Štai keletas duomenų mokslo studentų projektų pavyzdžių, kurie gali jus įkvėpti: + +* [MSR Duomenų mokslo vasaros mokykla](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) su GitHub [projektais](https://github.com/msr-ds3), nagrinėjančiais tokias temas kaip: + - [Rasinis šališkumas policijos jėgos naudojime](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) + - [Niujorko metro sistemos patikimumas](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) +* [Materialinės kultūros skaitmeninimas: socioekonominių pasiskirstymų tyrimas Sirkape](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - nuo [Ornella Altunyan](https://twitter.com/ornelladotcom) ir komandos Claremont, naudojant [ArcGIS StoryMaps](https://storymaps.arcgis.com/). + +## 🚀 Iššūkis + +Ieškokite straipsnių, kurie rekomenduoja pradedantiesiems tinkamus duomenų mokslo projektus - pavyzdžiui, [šias 50 temų](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [šias 21 projekto idėją](https://www.intellspot.com/data-science-project-ideas) arba [šiuos 16 projektų su šaltinio kodu](https://data-flair.training/blogs/data-science-project-ideas/), kuriuos galite analizuoti ir pritaikyti. Nepamirškite rašyti tinklaraščio apie savo mokymosi kelionę ir dalintis savo įžvalgomis su visais. + +## Po paskaitos testas + +[Po paskaitos testas](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) + +## Apžvalga ir savarankiškas mokymasis + +Norite tyrinėti daugiau pritaikymo atvejų? Štai keletas susijusių straipsnių: +* [17 duomenų mokslo taikymo sričių ir pavyzdžių](https://builtin.com/data-science/data-science-applications-examples) - 2021 m. liepa +* [11 stulbinančių duomenų mokslo taikymo sričių realiame pasaulyje](https://myblindbird.com/data-science-applications-real-world/) - 2021 m. gegužė +* [Duomenų mokslas realiame pasaulyje](https://towardsdatascience.com/data-science-in-the-real-world/home) - straipsnių kolekcija +* Duomenų mokslas: [Švietime](https://data-flair.training/blogs/data-science-in-education/), [Žemės ūkyje](https://data-flair.training/blogs/data-science-in-agriculture/), [Finansuose](https://data-flair.training/blogs/data-science-in-finance/), [Filmuose](https://data-flair.training/blogs/data-science-at-movies/) ir daugiau. + +## Užduotis + +[Tyrinėkite Planetary Computer duomenų rinkinį](assignment.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/lt/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..a33a92c8 --- /dev/null +++ b/translations/lt/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,50 @@ + +# Tyrinėkite Planetary Computer duomenų rinkinį + +## Instrukcijos + +Šioje pamokoje aptarėme įvairias duomenų mokslo taikymo sritis – išsamiai nagrinėjome pavyzdžius, susijusius su tyrimais, tvarumu ir skaitmeninėmis humanitarinėmis mokslų sritimis. Šioje užduotyje išsamiau išnagrinėsite vieną iš šių pavyzdžių ir pritaikysite savo žinias apie duomenų vizualizacijas bei analizę, kad gautumėte įžvalgų apie tvarumo duomenis. + +[Planetary Computer](https://planetarycomputer.microsoft.com/) projektas siūlo duomenų rinkinius ir API, prie kurių galima prisijungti turint paskyrą – jei norite atlikti papildomą užduoties žingsnį, užsiregistruokite paskyrai. Svetainėje taip pat yra [Explorer](https://planetarycomputer.microsoft.com/explore) funkcija, kurią galite naudoti be paskyros kūrimo. + +`Žingsniai:` +Explorer sąsaja (pavaizduota žemiau esančiame ekrano vaizde) leidžia pasirinkti duomenų rinkinį (iš pateiktų variantų), iš anksto nustatytą užklausą (duomenų filtravimui) ir atvaizdavimo parinktį (reikšmingai vizualizacijai sukurti). Šioje užduotyje jūsų užduotis yra: + + 1. Perskaityti [Explorer dokumentaciją](https://planetarycomputer.microsoft.com/docs/overview/explorer/) – suprasti galimybes. + 2. Išnagrinėti duomenų rinkinių [Katalogą](https://planetarycomputer.microsoft.com/catalog) – sužinoti kiekvieno paskirtį. + 3. Naudoti Explorer – pasirinkti jus dominantį duomenų rinkinį, pasirinkti tinkamą užklausą ir atvaizdavimo parinktį. + +![Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.lt.png) + +`Jūsų užduotis:` +Dabar išanalizuokite naršyklėje sugeneruotą vizualizaciją ir atsakykite į šiuos klausimus: + * Kokias _savybes_ turi duomenų rinkinys? + * Kokias _įžvalgas_ ar rezultatus pateikia vizualizacija? + * Kokios yra šių įžvalgų _pasekmės_ projekto tvarumo tikslams? + * Kokie yra vizualizacijos _apribojimai_ (t. y., kokių įžvalgų negavote)? + * Jei galėtumėte gauti neapdorotus duomenis, kokias _alternatyvias vizualizacijas_ sukurtumėte ir kodėl? + +`Papildomi taškai:` +Užsiregistruokite paskyrai – ir prisijunkite, kai ji bus patvirtinta. + * Naudokite _Launch Hub_ parinktį, kad atidarytumėte neapdorotus duomenis Notepad'e. + * Interaktyviai tyrinėkite duomenis ir įgyvendinkite alternatyvias vizualizacijas, kurias sugalvojote. + * Dabar išanalizuokite savo sukurtas vizualizacijas – ar pavyko gauti įžvalgas, kurių anksčiau trūko? + +## Vertinimo kriterijai + +Pavyzdingai | Pakankamai | Reikia patobulinimų +--- | --- | -- | +Atsakyta į visus penkis pagrindinius klausimus. Studentas aiškiai nurodė, kaip dabartinės ir alternatyvios vizualizacijos galėtų suteikti įžvalgų apie tvarumo tikslus ar rezultatus. | Studentas išsamiai atsakė bent į 3 pagrindinius klausimus, parodydamas, kad praktiškai dirbo su Explorer. | Studentas neatsakė į kelis klausimus arba pateikė nepakankamai detalius atsakymus, kas rodo, kad užduotis nebuvo atlikta prasmingai. | + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/6-Data-Science-In-Wild/README.md b/translations/lt/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..ad1cdf3a --- /dev/null +++ b/translations/lt/6-Data-Science-In-Wild/README.md @@ -0,0 +1,25 @@ + +# Duomenų mokslas praktikoje + +Duomenų mokslo taikymas įvairiose pramonės šakose. + +### Temos + +1. [Duomenų mokslas realiame pasaulyje](20-Real-World-Examples/README.md) + +### Kreditas + +Parašyta su ❤️ [Nitya Narasimhan](https://twitter.com/nitya) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. \ No newline at end of file diff --git a/translations/lt/CODE_OF_CONDUCT.md b/translations/lt/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..c247ff8d --- /dev/null +++ b/translations/lt/CODE_OF_CONDUCT.md @@ -0,0 +1,23 @@ + +# Microsoft atvirojo kodo elgesio kodeksas + +Šis projektas priėmė [Microsoft atvirojo kodo elgesio kodeksą](https://opensource.microsoft.com/codeofconduct/). + +Ištekliai: + +- [Microsoft atvirojo kodo elgesio kodeksas](https://opensource.microsoft.com/codeofconduct/) +- [Microsoft elgesio kodekso DUK](https://opensource.microsoft.com/codeofconduct/faq/) +- Klausimams ar rūpesčiams rašykite adresu [opencode@microsoft.com](mailto:opencode@microsoft.com) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama kreiptis į profesionalius vertėjus. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/CONTRIBUTING.md b/translations/lt/CONTRIBUTING.md new file mode 100644 index 00000000..3932b2bc --- /dev/null +++ b/translations/lt/CONTRIBUTING.md @@ -0,0 +1,23 @@ + +# Prisidėjimas + +Šis projektas kviečia prisidėti ir teikti pasiūlymus. Dauguma indėlių reikalauja, kad sutiktumėte su Contributor License Agreement (CLA), kuriame deklaruojate, jog turite teisę suteikti mums teises naudoti jūsų indėlį. Daugiau informacijos rasite adresu https://cla.microsoft.com. + +Kai pateikiate „pull request“, CLA-botas automatiškai nustatys, ar jums reikia pateikti CLA, ir atitinkamai pažymės PR (pvz., pridės etiketę, komentarą). Tiesiog vykdykite boto pateiktas instrukcijas. Tai reikės padaryti tik vieną kartą visuose saugyklose, kurios naudoja mūsų CLA. + +Šis projektas priėmė [Microsoft atvirojo kodo elgesio kodeksą](https://opensource.microsoft.com/codeofconduct/). +Daugiau informacijos rasite [Elgesio kodekso DUK](https://opensource.microsoft.com/codeofconduct/faq/) +arba susisiekite el. paštu [opencode@microsoft.com](mailto:opencode@microsoft.com), jei turite papildomų klausimų ar komentarų. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama kreiptis į profesionalius vertėjus. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/README.md b/translations/lt/README.md new file mode 100644 index 00000000..3dae87ba --- /dev/null +++ b/translations/lt/README.md @@ -0,0 +1,155 @@ + +# Duomenų mokslas pradedantiesiems – mokymo programa + +Azure Cloud Advocates komanda iš Microsoft džiaugiasi galėdama pasiūlyti 10 savaičių, 20 pamokų mokymo programą apie duomenų mokslą. Kiekviena pamoka apima prieš pamoką ir po pamokos pateikiamus testus, rašytines instrukcijas, kaip atlikti užduotis, sprendimus ir užduotis. Mūsų projektinis mokymosi metodas leidžia mokytis kuriant – tai įrodytas būdas įtvirtinti naujus įgūdžius. + +**Nuoširdžiai dėkojame mūsų autoriams:** [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). + +**🙏 Ypatinga padėka 🙏 mūsų [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autoriams, recenzentams ir turinio kūrėjams,** tarp jų 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/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.lt.png)| +|:---:| +| Duomenų mokslas pradedantiesiems – _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +### 🌐 Daugiakalbė parama + +#### Palaikoma per GitHub Action (automatiškai ir visada atnaujinama) + +[Prancūzų](../fr/README.md) | [Ispanų](../es/README.md) | [Vokiečių](../de/README.md) | [Rusų](../ru/README.md) | [Arabų](../ar/README.md) | [Persų (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Kinų (supaprastinta)](../zh/README.md) | [Kinų (tradicinė, Makao)](../mo/README.md) | [Kinų (tradicinė, Honkongas)](../hk/README.md) | [Kinų (tradicinė, Taivanas)](../tw/README.md) | [Japonų](../ja/README.md) | [Korėjiečių](../ko/README.md) | [Hindi](../hi/README.md) | [Bengalų](../bn/README.md) | [Marathi](../mr/README.md) | [Nepalų](../ne/README.md) | [Pandžabų (Gurmukhi)](../pa/README.md) | [Portugalų (Portugalija)](../pt/README.md) | [Portugalų (Brazilija)](../br/README.md) | [Italų](../it/README.md) | [Lenkų](../pl/README.md) | [Turkų](../tr/README.md) | [Graikų](../el/README.md) | [Tajų](../th/README.md) | [Švedų](../sv/README.md) | [Danų](../da/README.md) | [Norvegų](../no/README.md) | [Suomių](../fi/README.md) | [Olandų](../nl/README.md) | [Hebrajų](../he/README.md) | [Vietnamiečių](../vi/README.md) | [Indoneziečių](../id/README.md) | [Malajų](../ms/README.md) | [Tagalogų (Filipinų)](../tl/README.md) | [Svahilių](../sw/README.md) | [Vengrų](../hu/README.md) | [Čekų](../cs/README.md) | [Slovakų](../sk/README.md) | [Rumunų](../ro/README.md) | [Bulgarų](../bg/README.md) | [Serbų (kirilica)](../sr/README.md) | [Kroatų](../hr/README.md) | [Slovėnų](../sl/README.md) | [Ukrainiečių](../uk/README.md) | [Birmos (Mianmaras)](../my/README.md) + +**Jei norite, kad būtų palaikomos papildomos kalbos, sąrašą rasite [čia](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** + +#### Prisijunkite prie mūsų bendruomenės +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) + +# Ar esate studentas? + +Pradėkite nuo šių išteklių: + +- [Studentų centras](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Šiame puslapyje rasite pradedančiųjų išteklius, studentų paketus ir net būdus, kaip gauti nemokamą sertifikato kuponą. Tai puslapis, kurį verta pažymėti ir reguliariai tikrinti, nes turinys keičiamas bent kartą per mėnesį. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Prisijunkite prie pasaulinės studentų ambasadorių bendruomenės – tai gali būti jūsų kelias į Microsoft. + +# Pradžia + +> **Mokytojai**: mes [įtraukėme keletą pasiūlymų](for-teachers.md), kaip naudoti šią mokymo programą. Laukiame jūsų atsiliepimų [mūsų diskusijų forume](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! + +> **[Studentai](https://aka.ms/student-page)**: norėdami naudoti šią mokymo programą savarankiškai, fork'inkite visą repozitoriją ir atlikite užduotis savarankiškai, pradėdami nuo prieš paskaitą pateikiamo testo. Tada perskaitykite paskaitą ir atlikite likusias veiklas. Stenkitės kurti projektus suprasdami pamokas, o ne kopijuodami sprendimų kodą; tačiau tas kodas yra prieinamas /solutions aplankuose kiekvienoje projektinėje pamokoje. Kita idėja – sukurti mokymosi grupę su draugais ir kartu peržiūrėti turinį. Tolimesniam mokymuisi rekomenduojame [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). + +## Susipažinkite su komanda + +[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") + +**Gif sukūrė** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) + +> 🎥 Spustelėkite aukščiau esančią nuotrauką, kad pamatytumėte vaizdo įrašą apie projektą ir žmones, kurie jį sukūrė! + +## Pedagogika + +Kurdami šią mokymo programą pasirinkome du pedagoginius principus: užtikrinti, kad ji būtų projektinė, ir įtraukti dažnus testus. Pasibaigus šiai serijai, studentai bus išmokę pagrindinius duomenų mokslo principus, įskaitant etikos koncepcijas, duomenų paruošimą, įvairius darbo su duomenimis būdus, duomenų vizualizaciją, duomenų analizę, realaus pasaulio duomenų mokslo taikymo atvejus ir dar daugiau. + +Be to, mažos rizikos testas prieš pamoką padeda studentui susitelkti į temos mokymąsi, o antrasis testas po pamokos užtikrina geresnį įsiminimą. Ši mokymo programa buvo sukurta taip, kad būtų lanksti ir smagi, ir ją galima naudoti visą arba dalimis. Projektai prasideda nuo paprastų ir tampa vis sudėtingesni per 10 savaičių ciklą. +> Rasite mūsų [Elgesio kodeksą](CODE_OF_CONDUCT.md), [Prisidėjimo](CONTRIBUTING.md), [Vertimo](TRANSLATIONS.md) gaires. Laukiame jūsų konstruktyvių atsiliepimų! +## Kiekviena pamoka apima: + +- Pasirenkamą eskizą +- Pasirenkamą papildomą vaizdo įrašą +- Įžanginį testą prieš pamoką +- Rašytinę pamoką +- Projektinėms pamokoms – žingsnis po žingsnio vadovus, kaip sukurti projektą +- Žinių patikrinimus +- Iššūkį +- Papildomą literatūrą +- Užduotį +- [Testą po pamokos](https://ff-quizzes.netlify.app/en/) + +> **Pastaba apie testus**: Visi testai yra „Quiz-App“ aplanke, iš viso 40 testų, kiekviename po tris klausimus. Jie yra susieti su pamokomis, tačiau testų programėlę galima paleisti lokaliai arba įdiegti „Azure“; sekite instrukcijas „quiz-app“ aplanke. Testai palaipsniui lokalizuojami. + +## Pamokos + +|![ Eskizas @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.lt.png)| +|:---:| +| Duomenų mokslas pradedantiesiems: Planas - _Eskizas [@nitya](https://twitter.com/nitya)_ | + + +| Pamokos numeris | Tema | Pamokų grupavimas | Mokymosi tikslai | Susieta pamoka | Autorius | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | Duomenų mokslo apibrėžimas | [Įvadas](1-Introduction/README.md) | Sužinokite pagrindines duomenų mokslo sąvokas ir kaip jis susijęs su dirbtiniu intelektu, mašininio mokymosi ir didžiųjų duomenų sritimis. | [pamoka](1-Introduction/01-defining-data-science/README.md) [vaizdo įrašas](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | +| 02 | Duomenų mokslo etika | [Įvadas](1-Introduction/README.md) | Duomenų etikos sąvokos, iššūkiai ir struktūros. | [pamoka](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 03 | Duomenų apibrėžimas | [Įvadas](1-Introduction/README.md) | Kaip klasifikuojami duomenys ir kokie yra jų dažniausi šaltiniai. | [pamoka](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 04 | Įvadas į statistiką ir tikimybes | [Įvadas](1-Introduction/README.md) | Matematiniai tikimybių ir statistikos metodai duomenims suprasti. | [pamoka](1-Introduction/04-stats-and-probability/README.md) [vaizdo įrašas](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | +| 05 | Darbas su reliaciniais duomenimis | [Darbas su duomenimis](2-Working-With-Data/README.md) | Įvadas į reliacinius duomenis ir pagrindai, kaip tyrinėti ir analizuoti reliacinius duomenis naudojant struktūrinės užklausos kalbą (SQL, tariama „si-kvel“). | [pamoka](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | +| 06 | Darbas su NoSQL duomenimis | [Darbas su duomenimis](2-Working-With-Data/README.md) | Įvadas į nereliacinius duomenis, jų įvairius tipus ir pagrindai, kaip tyrinėti ir analizuoti dokumentų duomenų bazes. | [pamoka](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| +| 07 | Darbas su Python | [Darbas su duomenimis](2-Working-With-Data/README.md) | Python naudojimo pagrindai duomenų tyrinėjimui su tokiomis bibliotekomis kaip Pandas. Rekomenduojama turėti pagrindinį Python programavimo supratimą. | [pamoka](2-Working-With-Data/07-python/README.md) [vaizdo įrašas](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | +| 08 | Duomenų paruošimas | [Darbas su duomenimis](2-Working-With-Data/README.md) | Temos apie duomenų valymo ir transformavimo technikas, siekiant spręsti trūkstamų, netikslių ar neišsamių duomenų problemas. | [pamoka](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 09 | Kiekių vizualizavimas | [Duomenų vizualizacija](3-Data-Visualization/README.md) | Sužinokite, kaip naudoti Matplotlib vizualizuojant paukščių duomenis 🦆 | [pamoka](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | +| 10 | Duomenų pasiskirstymo vizualizavimas | [Duomenų vizualizacija](3-Data-Visualization/README.md) | Vizualizuojant stebėjimus ir tendencijas intervale. | [pamoka](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 11 | Proporcijų vizualizavimas | [Duomenų vizualizacija](3-Data-Visualization/README.md) | Vizualizuojant diskrečius ir grupuotus procentus. | [pamoka](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 12 | Ryšių vizualizavimas | [Duomenų vizualizacija](3-Data-Visualization/README.md) | Vizualizuojant ryšius ir koreliacijas tarp duomenų rinkinių ir jų kintamųjų. | [pamoka](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | +| 13 | Reikšmingos vizualizacijos | [Duomenų vizualizacija](3-Data-Visualization/README.md) | Technikos ir patarimai, kaip padaryti vizualizacijas vertingas efektyviam problemų sprendimui ir įžvalgoms. | [pamoka](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | +| 14 | Įvadas į duomenų mokslo gyvavimo ciklą | [Gyvavimo ciklas](4-Data-Science-Lifecycle/README.md) | Įvadas į duomenų mokslo gyvavimo ciklą ir jo pirmąjį žingsnį – duomenų gavimą ir ištrauką. | [pamoka](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | Analizavimas | [Gyvavimo ciklas](4-Data-Science-Lifecycle/README.md) | Ši duomenų mokslo gyvavimo ciklo fazė orientuota į duomenų analizės technikas. | [pamoka](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | Komunikacija | [Gyvavimo ciklas](4-Data-Science-Lifecycle/README.md) | Ši duomenų mokslo gyvavimo ciklo fazė orientuota į įžvalgų iš duomenų pateikimą taip, kad sprendimų priėmėjams būtų lengviau suprasti. | [pamoka](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 17 | Duomenų mokslas debesyje | [Debesų duomenys](5-Data-Science-In-Cloud/README.md) | Ši pamokų serija pristato duomenų mokslą debesyje ir jo privalumus. | [pamoka](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) ir [Maud](https://twitter.com/maudstweets) | +| 18 | Duomenų mokslas debesyje | [Debesų duomenys](5-Data-Science-In-Cloud/README.md) | Modelių mokymas naudojant mažo kodo įrankius. |[pamoka](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) ir [Maud](https://twitter.com/maudstweets) | +| 19 | Duomenų mokslas debesyje | [Debesų duomenys](5-Data-Science-In-Cloud/README.md) | Modelių diegimas naudojant „Azure Machine Learning Studio“. | [pamoka](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) ir [Maud](https://twitter.com/maudstweets) | +| 20 | Duomenų mokslas realiame pasaulyje | [Realiame pasaulyje](6-Data-Science-In-Wild/README.md) | Duomenų mokslo projektai realiame pasaulyje. | [pamoka](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | + +## GitHub Codespaces + +Sekite šiuos žingsnius, kad atidarytumėte šį pavyzdį „Codespace“ aplinkoje: +1. Spustelėkite „Code“ išskleidžiamąjį meniu ir pasirinkite „Open with Codespaces“ parinktį. +2. Pasirinkite + „New codespace“ apačioje esančiame lange. +Daugiau informacijos rasite [GitHub dokumentacijoje](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). + +## VSCode Remote - Containers +Sekite šiuos žingsnius, kad atidarytumėte šį repo konteineryje naudodami savo vietinį kompiuterį ir VSCode su VS Code Remote - Containers plėtiniu: + +1. Jei tai jūsų pirmas kartas naudojant vystymo konteinerį, įsitikinkite, kad jūsų sistema atitinka reikalavimus (pvz., įdiegta „Docker“) [pradžios dokumentacijoje](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). + +Norėdami naudoti šį repo, galite jį atidaryti izoliuotame „Docker“ tūryje: + +**Pastaba**: Viduje tai naudos „Remote-Containers: **Clone Repository in Container Volume...**“ komandą, kad nukopijuotų šaltinio kodą į „Docker“ tūrį, o ne į vietinę failų sistemą. [Tūriai](https://docs.docker.com/storage/volumes/) yra rekomenduojamas mechanizmas konteinerio duomenims išsaugoti. + +Arba atidarykite vietoje nukopijuotą ar atsisiųstą repo versiją: + +- Nukopijuokite šį repo į savo vietinę failų sistemą. +- Paspauskite F1 ir pasirinkite **Remote-Containers: Open Folder in Container...** komandą. +- Pasirinkite nukopijuotą šio aplanko kopiją, palaukite, kol konteineris pradės veikti, ir išbandykite. + +## Prieiga neprisijungus + +Šią dokumentaciją galite paleisti neprisijungus naudodami [Docsify](https://docsify.js.org/#/). Nukopijuokite šį repo, [įdiekite Docsify](https://docsify.js.org/#/quickstart) savo vietiniame kompiuteryje, tada šio repo šakniniame aplanke įveskite `docsify serve`. Svetainė bus paleista 3000 prievade jūsų vietiniame kompiuteryje: `localhost:3000`. + +> Pastaba, užrašų knygelės nebus rodomos per Docsify, todėl, kai reikia paleisti užrašų knygelę, tai darykite atskirai VS Code naudojant Python branduolį. + +## Kiti mokymo planai + +Mūsų komanda kuria kitus mokymo planus! Peržiūrėkite: + +- [Generatyvus AI pradedantiesiems](https://aka.ms/genai-beginners) +- [Generatyvus AI pradedantiesiems .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Generatyvus AI su JavaScript](https://github.com/microsoft/generative-ai-with-javascript) +- [Generatyvus AI su Java](https://aka.ms/genaijava) +- [AI pradedantiesiems](https://aka.ms/ai-beginners) +- [Duomenų mokslas pradedantiesiems](https://aka.ms/datascience-beginners) +- [ML pradedantiesiems](https://aka.ms/ml-beginners) +- [Kibernetinis saugumas pradedantiesiems](https://github.com/microsoft/Security-101) +- [Web kūrimas pradedantiesiems](https://aka.ms/webdev-beginners) +- [IoT pradedantiesiems](https://aka.ms/iot-beginners) +- [XR kūrimas pradedantiesiems](https://github.com/microsoft/xr-development-for-beginners) +- [GitHub Copilot įvaldymas poriniam programavimui](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [GitHub Copilot įvaldymas C#/.NET programuotojams](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Pasirinkite savo Copilot nuotykį](https://github.com/microsoft/CopilotAdventures) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/SECURITY.md b/translations/lt/SECURITY.md new file mode 100644 index 00000000..665ef18c --- /dev/null +++ b/translations/lt/SECURITY.md @@ -0,0 +1,51 @@ + +## Saugumas + +„Microsoft“ rimtai žiūri į savo programinės įrangos produktų ir paslaugų saugumą, įskaitant visus šaltinio kodo saugyklas, valdomas per mūsų „GitHub“ organizacijas, tokias kaip [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) ir [mūsų GitHub organizacijas](https://opensource.microsoft.com/). + +Jei manote, kad radote saugumo pažeidžiamumą bet kurioje „Microsoft“ valdomoje saugykloje, atitinkančioje [„Microsoft“ saugumo pažeidžiamumo apibrėžimą](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), praneškite apie tai mums, kaip aprašyta toliau. + +## Saugumo problemų pranešimas + +**Prašome nepranešti apie saugumo pažeidžiamumus viešose „GitHub“ problemose.** + +Vietoj to, praneškite apie juos „Microsoft Security Response Center“ (MSRC) adresu [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report). + +Jei norite pateikti pranešimą neprisijungę, siųskite el. laišką adresu [secure@microsoft.com](mailto:secure@microsoft.com). Jei įmanoma, užšifruokite savo pranešimą naudodami mūsų PGP raktą; atsisiųskite jį iš [Microsoft Security Response Center PGP Key puslapio](https://www.microsoft.com/en-us/msrc/pgp-key-msrc). + +Atsakymą turėtumėte gauti per 24 valandas. Jei dėl kokių nors priežasčių jo negaunate, susisiekite el. paštu dar kartą, kad įsitikintumėte, jog gavome jūsų pradinį pranešimą. Papildomos informacijos galite rasti [microsoft.com/msrc](https://www.microsoft.com/msrc). + +Prašome pateikti kuo daugiau žemiau išvardytos informacijos, kad padėtumėte mums geriau suprasti galimos problemos pobūdį ir mastą: + + * Problemos tipas (pvz., buferio perpildymas, SQL injekcija, kryžminio svetainės scenarijaus vykdymas ir pan.) + * Pilni šaltinio failų keliai, susiję su problemos pasireiškimu + * Pažeisto šaltinio kodo vieta (žyma/šaka/įsipareigojimas arba tiesioginis URL) + * Bet kokia speciali konfigūracija, reikalinga problemai atkurti + * Žingsnis po žingsnio instrukcijos, kaip atkurti problemą + * Įrodymo koncepcija arba išnaudojimo kodas (jei įmanoma) + * Problemos poveikis, įskaitant tai, kaip užpuolikas galėtų išnaudoti šią problemą + +Ši informacija padės mums greičiau įvertinti jūsų pranešimą. + +Jei pranešate apie klaidą, siekdami gauti atlygį, išsamesni pranešimai gali prisidėti prie didesnio atlygio. Daugiau informacijos apie mūsų aktyvias programas rasite mūsų [„Microsoft Bug Bounty Program“](https://microsoft.com/msrc/bounty) puslapyje. + +## Pageidaujamos kalbos + +Pageidaujame, kad visa komunikacija būtų anglų kalba. + +## Politika + +„Microsoft“ laikosi [Koordinuoto pažeidžiamumo atskleidimo principo](https://www.microsoft.com/en-us/msrc/cvd). + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/SUPPORT.md b/translations/lt/SUPPORT.md new file mode 100644 index 00000000..bb152ea8 --- /dev/null +++ b/translations/lt/SUPPORT.md @@ -0,0 +1,24 @@ + +# Palaikymas +## Kaip pranešti apie problemas ir gauti pagalbą + +Šis projektas naudoja „GitHub Issues“ klaidoms ir funkcijų užklausoms stebėti. Prieš pateikdami naują problemą, paieškokite esamų problemų, kad išvengtumėte dubliavimo. Naujas problemas pateikite kaip naują klaidą arba funkcijos užklausą. + +Jei reikia pagalbos ar turite klausimų apie šio projekto naudojimą, pateikite problemą. + +## „Microsoft“ palaikymo politika + +Šio saugyklos palaikymas apsiriboja aukščiau išvardytais ištekliais. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/docs/_sidebar.md b/translations/lt/docs/_sidebar.md new file mode 100644 index 00000000..8595a9fa --- /dev/null +++ b/translations/lt/docs/_sidebar.md @@ -0,0 +1,40 @@ + +- Įvadas + - [Duomenų mokslo apibrėžimas](../1-Introduction/01-defining-data-science/README.md) + - [Duomenų mokslo etika](../1-Introduction/02-ethics/README.md) + - [Duomenų apibrėžimas](../1-Introduction/03-defining-data/README.md) + - [Tikimybė ir statistika](../1-Introduction/04-stats-and-probability/README.md) +- Darbas su duomenimis + - [Reliacinės duomenų bazės](../2-Working-With-Data/05-relational-databases/README.md) + - [Nereliacinės duomenų bazės](../2-Working-With-Data/06-non-relational/README.md) + - [Python](../2-Working-With-Data/07-python/README.md) + - [Duomenų paruošimas](../2-Working-With-Data/08-data-preparation/README.md) +- Duomenų vizualizacija + - [Kiekio vizualizavimas](../3-Data-Visualization/09-visualization-quantities/README.md) + - [Pasiskirstymų vizualizavimas](../3-Data-Visualization/10-visualization-distributions/README.md) + - [Proporcijų vizualizavimas](../3-Data-Visualization/11-visualization-proportions/README.md) + - [Ryšių vizualizavimas](../3-Data-Visualization/12-visualization-relationships/README.md) + - [Reikšmingos vizualizacijos](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- Duomenų mokslo gyvavimo ciklas + - [Įvadas](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [Analizavimas](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [Komunikacija](../4-Data-Science-Lifecycle/16-communication/README.md) +- Duomenų mokslas debesijoje + - [Įvadas](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [Mažai kodo](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md) +- Duomenų mokslas praktikoje + - [Duomenų mokslas praktikoje](../6-Data-Science-In-Wild/README.md) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/for-teachers.md b/translations/lt/for-teachers.md new file mode 100644 index 00000000..38f3afd3 --- /dev/null +++ b/translations/lt/for-teachers.md @@ -0,0 +1,78 @@ + +## Mokytojams + +Norėtumėte naudoti šią mokymo programą savo klasėje? Prašome, naudokitės! + +Iš tiesų, galite naudoti ją tiesiogiai GitHub platformoje, pasitelkdami GitHub Classroom. + +Norėdami tai padaryti, sukurkite šio repozitorijos šaką (fork). Jums reikės sukurti atskirą repozitoriją kiekvienai pamokai, todėl turėsite išskirstyti kiekvieną aplanką į atskirą repozitoriją. Tokiu būdu [GitHub Classroom](https://classroom.github.com/classrooms) galės atskirai apdoroti kiekvieną pamoką. + +Šios [išsamios instrukcijos](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) padės jums suprasti, kaip sukurti savo klasę. + +## Naudojimasis repozitorija tokia, kokia ji yra + +Jei norėtumėte naudoti šią repozitoriją tokia, kokia ji yra, be GitHub Classroom, tai taip pat įmanoma. Jums reikės susitarti su savo mokiniais, kurią pamoką nagrinėti kartu. + +Naudojant internetinį formatą (pvz., Zoom, Teams ar kitą), galite sukurti atskiras grupes testams, o mokinius mentoriauti, kad jie pasiruoštų mokymuisi. Tada pakvieskite mokinius atlikti testus ir pateikti atsakymus kaip „issues“ tam tikru laiku. Tą patį galite daryti ir su užduotimis, jei norite, kad mokiniai dirbtų atvirai ir bendradarbiautų. + +Jei labiau mėgstate privatesnį formatą, paprašykite mokinių sukurti šios mokymo programos šakas (fork), pamoka po pamokos, savo privačiose GitHub repozitorijose ir suteikti jums prieigą. Tada jie galės atlikti testus ir užduotis privačiai bei pateikti juos jums kaip „issues“ jūsų klasės repozitorijoje. + +Yra daug būdų, kaip pritaikyti šią mokymo programą internetinėje klasėje. Prašome pranešti, kas jums veikia geriausiai! + +## Šioje mokymo programoje yra: + +20 pamokų, 40 testų ir 20 užduočių. Pamokas lydi eskizai, skirti vizualiems besimokantiesiems. Daugelis pamokų yra prieinamos tiek Python, tiek R kalbomis ir gali būti atliekamos naudojant Jupyter užrašines (notebooks) VS Code aplinkoje. Sužinokite daugiau apie tai, kaip paruošti savo klasę naudoti šią technologijų bazę: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +Visi eskizai, įskaitant didelio formato plakatą, yra [šiame aplanke](../../sketchnotes). + +Visa mokymo programa yra prieinama [PDF formatu](../../pdf/readme.pdf). + +Taip pat galite paleisti šią mokymo programą kaip atskirą, neprisijungus veikiančią svetainę, naudodami [Docsify](https://docsify.js.org/#/). [Įdiekite Docsify](https://docsify.js.org/#/quickstart) savo vietiniame kompiuteryje, tada pagrindiniame šios repozitorijos aplanke įveskite `docsify serve`. Svetainė bus pasiekiama 3000 prievade jūsų vietiniame serveryje: `localhost:3000`. + +Neprisijungus veikianti mokymo programos versija bus atidaryta kaip atskiras tinklalapis: https://localhost:3000 + +Pamokos yra suskirstytos į 6 dalis: + +- 1: Įvadas + - 1: Duomenų mokslo apibrėžimas + - 2: Etika + - 3: Duomenų apibrėžimas + - 4: Tikimybių ir statistikos apžvalga +- 2: Darbas su duomenimis + - 5: Reliacinės duomenų bazės + - 6: Nereliacinės duomenų bazės + - 7: Python + - 8: Duomenų paruošimas +- 3: Duomenų vizualizacija + - 9: Kiekių vizualizacija + - 10: Pasiskirstymų vizualizacija + - 11: Proporcijų vizualizacija + - 12: Ryšių vizualizacija + - 13: Prasmingos vizualizacijos +- 4: Duomenų mokslo gyvavimo ciklas + - 14: Įvadas + - 15: Analizė + - 16: Komunikacija +- 5: Duomenų mokslas debesyje + - 17: Įvadas + - 18: Mažo kodo sprendimai + - 19: Azure +- 6: Duomenų mokslas praktikoje + - 20: Apžvalga + +## Prašome pasidalinti savo mintimis! + +Norime, kad ši mokymo programa būtų naudinga jums ir jūsų mokiniams. Prašome pateikti atsiliepimus diskusijų lentose! Drąsiai sukurkite klasės erdvę diskusijų lentose savo mokiniams. + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/quiz-app/README.md b/translations/lt/quiz-app/README.md new file mode 100644 index 00000000..4856869d --- /dev/null +++ b/translations/lt/quiz-app/README.md @@ -0,0 +1,138 @@ + +# Viktorinos + +Šios viktorinos yra prieš ir po paskaitų vykstančios viktorinos, skirtos duomenų mokslo mokymo programai adresu https://aka.ms/datascience-beginners. + +## Kaip pridėti išverstą viktorinų rinkinį + +Pridėkite viktorinų vertimą, sukurdami atitinkamas viktorinų struktūras aplankuose `assets/translations`. Pagrindinės viktorinos yra aplanke `assets/translations/en`. Viktorinos yra suskirstytos į kelias grupes. Užtikrinkite, kad numeracija atitiktų tinkamą viktorinų sekciją. Šioje mokymo programoje yra iš viso 40 viktorinų, o numeracija prasideda nuo 0. + +Po vertimų redagavimo, redaguokite failą `index.js` vertimų aplanke, kad importuotumėte visus failus pagal `en` aplanko konvencijas. + +Redaguokite failą `index.js` aplanke `assets/translations`, kad importuotumėte naujus išverstus failus. + +Tada redaguokite išskleidžiamąjį meniu faile `App.vue` šiame projekte, kad pridėtumėte savo kalbą. Suderinkite lokalizuotą santrumpą su jūsų kalbos aplanko pavadinimu. + +Galiausiai, redaguokite visus viktorinų nuorodas išverstose pamokose, jei jos egzistuoja, kad įtrauktumėte šią lokalizaciją kaip užklausos parametrą: pavyzdžiui, `?loc=fr`. + +## Projekto nustatymas + +``` +npm install +``` + +### Kompiliavimas ir karštasis perkrovimas kūrimui + +``` +npm run serve +``` + +### Kompiliavimas ir minimizavimas gamybai + +``` +npm run build +``` + +### Failų tikrinimas ir taisymas + +``` +npm run lint +``` + +### Konfigūracijos pritaikymas + +Žr. [Konfigūracijos nuorodą](https://cli.vuejs.org/config/). + +Kreditai: Dėkojame už pradinę šios viktorinų programėlės versiją: https://github.com/arpan45/simple-quiz-vue + +## Diegimas į Azure + +Štai žingsnis po žingsnio vadovas, kaip pradėti: + +1. Sukurkite GitHub saugyklos šaką +Įsitikinkite, kad jūsų statinės žiniatinklio programos kodas yra jūsų GitHub saugykloje. Sukurkite šaką iš šios saugyklos. + +2. Sukurkite Azure statinę žiniatinklio programą +- Susikurkite [Azure paskyrą](http://azure.microsoft.com) +- Eikite į [Azure portalą](https://portal.azure.com) +- Spustelėkite „Sukurti išteklių“ ir ieškokite „Static Web App“. +- Spustelėkite „Sukurti“. + +3. Konfigūruokite statinę žiniatinklio programą +- Pagrindai: Prenumerata: Pasirinkite savo Azure prenumeratą. +- Išteklių grupė: Sukurkite naują išteklių grupę arba naudokite esamą. +- Pavadinimas: Nurodykite savo statinės žiniatinklio programos pavadinimą. +- Regionas: Pasirinkite regioną, artimiausią jūsų naudotojams. + +- #### Diegimo detalės: +- Šaltinis: Pasirinkite „GitHub“. +- GitHub paskyra: Įgaliokite Azure pasiekti jūsų GitHub paskyrą. +- Organizacija: Pasirinkite savo GitHub organizaciją. +- Saugykla: Pasirinkite saugyklą, kurioje yra jūsų statinė žiniatinklio programa. +- Šaka: Pasirinkite šaką, iš kurios norite diegti. + +- #### Kūrimo detalės: +- Kūrimo nustatymai: Pasirinkite sistemą, su kuria sukurta jūsų programa (pvz., React, Angular, Vue ir kt.). +- Programos vieta: Nurodykite aplanką, kuriame yra jūsų programos kodas (pvz., / jei jis yra šakniniame kataloge). +- API vieta: Jei turite API, nurodykite jos vietą (nebūtina). +- Išvesties vieta: Nurodykite aplanką, kuriame sugeneruojama kūrimo išvestis (pvz., build arba dist). + +4. Peržiūrėkite ir sukurkite +Peržiūrėkite savo nustatymus ir spustelėkite „Sukurti“. Azure nustatys reikiamus išteklius ir sukurs GitHub Actions darbo eigą jūsų saugykloje. + +5. GitHub Actions darbo eiga +Azure automatiškai sukurs GitHub Actions darbo eigos failą jūsų saugykloje (.github/workflows/azure-static-web-apps-.yml). Ši darbo eiga tvarkys kūrimo ir diegimo procesą. + +6. Stebėkite diegimą +Eikite į „Actions“ skirtuką savo GitHub saugykloje. +Turėtumėte matyti veikiančią darbo eigą. Ši darbo eiga sukurs ir įdiegs jūsų statinę žiniatinklio programą į Azure. +Kai darbo eiga bus baigta, jūsų programa bus pasiekiama pateiktu Azure URL. + +### Pavyzdinis darbo eigos failas + +Štai pavyzdys, kaip gali atrodyti GitHub Actions darbo eigos failas: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### Papildomi ištekliai +- [Azure Static Web Apps dokumentacija](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [GitHub Actions dokumentacija](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/lt/sketchnotes/README.md b/translations/lt/sketchnotes/README.md new file mode 100644 index 00000000..7e42758c --- /dev/null +++ b/translations/lt/sketchnotes/README.md @@ -0,0 +1,21 @@ + +Raskite visas sketchnotes čia! + +## Kreditas + +Nitya Narasimhan, menininkė + +![kelio žemėlapio sketchnote](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.lt.png) + +--- + +**Atsakomybės apribojimas**: +Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo. \ No newline at end of file diff --git a/translations/my/1-Introduction/01-defining-data-science/README.md b/translations/my/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..449386b0 --- /dev/null +++ b/translations/my/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,83 @@ + +# ဒေတာ သိပ္ပံကို သတ်မှတ်ခြင်း + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/01-Definitions.png) | +| :----------------------------------------------------------------------------------------------------: | +| ဒေတာ သိပ္ပံကို သတ်မှတ်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +--- + +[![ဒေတာ သိပ္ပံကို သတ်မှတ်ခြင်း ဗီဒီယို](../../../../translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.my.png)](https://youtu.be/beZ7Mb_oz9I) + +## [မဆွေးနွေးမီ မေးခွန်းများ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/0) + +## ဒေတာ ဆိုတာဘာလဲ? +နေ့စဉ်ဘဝမှာ ဒေတာတွေက ကျွန်တော်တို့ကို အမြဲဝန်းရံနေပါတယ်။ သင်အခုဖတ်နေတဲ့ စာသားက ဒေတာတစ်ခုပါပဲ။ သင့်ဖုန်းထဲမှာရှိတဲ့ သူငယ်ချင်းတွေရဲ့ ဖုန်းနံပါတ်စာရင်းက ဒေတာတစ်ခုဖြစ်သလို၊ နာရီမှာ ပြထားတဲ့ လက်ရှိအချိန်လည်း ဒေတာတစ်ခုပါပဲ။ လူသားတွေဟာ ဒေတာနဲ့ သဘာဝအတိုင်း အလုပ်လုပ်တတ်ကြပါတယ်၊ ဥပမာ - ငွေကို ရေတွက်တာ၊ သူငယ်ချင်းတွေကို စာရေးတာတွေပါ။ + +ဒါပေမယ့် ကွန်ပျူတာတွေ ပေါ်ထွက်လာပြီးနောက် ဒေတာဟာ အရေးကြီးမှု ပိုများလာပါတယ်။ ကွန်ပျူတာတွေရဲ့ အဓိကအလုပ်က တွက်ချက်မှုတွေကို လုပ်ဆောင်တာဖြစ်ပေမယ့် ဒေတာမရှိရင် အလုပ်မလုပ်နိုင်ပါဘူး။ ဒါကြောင့် ကွန်ပျူတာတွေ ဒေတာကို ဘယ်လို သိမ်းဆည်းပြီး လုပ်ဆောင်တတ်သလဲဆိုတာကို နားလည်ဖို့ လိုအပ်ပါတယ်။ + +အင်တာနက် ပေါ်ထွက်လာပြီးနောက် ကွန်ပျူတာတွေဟာ ဒေတာကို ကိုင်တွယ်စီမံတဲ့ စက်ပစ္စည်းအဖြစ် ပိုပြီး အရေးကြီးလာပါတယ်။ သင်စဉ်းစားကြည့်ပါ - အခုဆိုရင် ကျွန်တော်တို့ဟာ တွက်ချက်မှုတွေကို လုပ်တာထက် ဒေတာကို ကိုင်တွယ်ပြီး ဆက်သွယ်မှုလုပ်တာ ပိုများလာပါတယ်။ သူငယ်ချင်းကို အီးမေးလ်ရေးတာ၊ အင်တာနက်မှာ အချက်အလက်ရှာတာတွေဟာ အခြေခံအားဖြင့် ဒေတာကို ဖန်တီးတာ၊ သိမ်းဆည်းတာ၊ ပို့ဆောင်တာ၊ ပြောင်းလဲတာတွေပါပဲ။ +> သင်ကွန်ပျူတာကို တကယ်တမ်း တွက်ချက်မှုလုပ်ဖို့ အသုံးပြုခဲ့တဲ့ နောက်ဆုံးအကြိမ်ကို သတိရနိုင်ပါသလား? + +## ဒေတာ သိပ္ပံ ဆိုတာဘာလဲ? + +[Wikipedia](https://en.wikipedia.org/wiki/Data_science) မှာ **ဒေတာ သိပ္ပံ** ကို *သိပ္ပံနည်းလမ်းတွေကို အသုံးပြုပြီး ဖွဲ့စည်းထားတဲ့ ဒေတာနဲ့ မဖွဲ့စည်းထားတဲ့ ဒေတာတွေထဲကနေ အသိပညာနဲ့ အချက်အလက်တွေကို ထုတ်ယူပြီး၊ အက်ရှင်လုပ်ဆောင်နိုင်တဲ့ အချက်အလက်တွေကို အမျိုးမျိုးသော လုပ်ငန်းခွင်တွေမှာ အသုံးချတဲ့ သိပ္ပံနယ်ပယ်တစ်ခု* လို့ သတ်မှတ်ထားပါတယ်။ + +ဒီအဓိပ္ပာယ်မှာ ဒေတာ သိပ္ပံရဲ့ အရေးကြီးတဲ့ အချက်အချို့ကို ဖော်ပြထားပါတယ် - + +* ဒေတာ သိပ္ပံရဲ့ အဓိကရည်မှန်းချက်က **အသိပညာကို ထုတ်ယူ**ဖို့ ဖြစ်ပါတယ်၊ ဒါမှဆိုရင် ဒေတာကို **နားလည်**ပြီး၊ ဖုံးကွယ်နေတဲ့ ဆက်စပ်မှုတွေကို ရှာဖွေပြီး **မော်ဒယ်** တစ်ခုတည်ဆောက်နိုင်မှာ ဖြစ်ပါတယ်။ +* ဒေတာ သိပ္ပံဟာ **သိပ္ပံနည်းလမ်းတွေ**ကို အသုံးပြုပါတယ်၊ ဥပမာ - အလားအလာနဲ့ သင်္ချာ။ *ဒေတာ သိပ္ပံ* ဆိုတဲ့ စကားလုံးကို ပထမဆုံး အသုံးပြုခဲ့တဲ့အခါမှာ ဒေတာ သိပ္ပံဟာ သင်္ချာရဲ့ နာမည်အသစ်တစ်ခုသာ ဖြစ်တယ်လို့ အချို့က ဆိုခဲ့ကြပါတယ်။ ယနေ့မှာတော့ ဒေတာ သိပ္ပံဟာ ပိုကျယ်ပြန့်တဲ့ နယ်ပယ်တစ်ခုဖြစ်ကြောင်း ထင်ရှားလာပါတယ်။ +* ရရှိတဲ့ အသိပညာတွေကို **အက်ရှင်လုပ်ဆောင်နိုင်တဲ့ အချက်အလက်**တွေ အဖြစ် အသုံးချနိုင်ဖို့ လိုအပ်ပါတယ်၊ ဒါမှဆိုရင် လက်တွေ့လုပ်ငန်းခွင်တွေမှာ အသုံးချနိုင်မယ့် အချက်အလက်တွေ ဖြစ်ပါတယ်။ +* **ဖွဲ့စည်းထားတဲ့ ဒေတာ**နဲ့ **မဖွဲ့စည်းထားတဲ့ ဒေတာ** နှစ်မျိုးလုံးကို ကိုင်တွယ်နိုင်ဖို့ လိုအပ်ပါတယ်။ ဒေတာရဲ့ အမျိုးအစားတွေကို ကျွန်တော်တို့ ဒီသင်တန်းမှာ နောက်ပိုင်းမှာ ပြန်လည်ဆွေးနွေးပါမယ်။ +* **လျှောက်လွှာနယ်ပယ်** ဆိုတာ အရေးကြီးတဲ့ အယူအဆတစ်ခုဖြစ်ပြီး၊ ဒေတာ သိပ္ပံပညာရှင်တွေဟာ ပြဿနာနယ်ပယ်မှာ အနည်းဆုံး အတတ်နိုင်ဆုံး အဆင့်တစ်ခုအထိ ကျွမ်းကျင်မှုရှိဖို့ လိုအပ်ပါတယ်၊ ဥပမာ - ဘဏ္ဍာရေး၊ ဆေးဘက်ဆိုင်ရာ၊ စျေးကွက်ရှာဖွေရေး စသဖြင့်။ + +> ဒေတာ သိပ္ပံရဲ့ အရေးကြီးတဲ့ အချက်တစ်ခုက ဒေတာကို ဘယ်လို စုဆောင်းပြီး သိမ်းဆည်းပြီး ကွန်ပျူတာတွေနဲ့ ကိုင်တွယ်နိုင်မလဲဆိုတာကိုလည်း လေ့လာတာပါ။ သင်္ချာက ကျွန်တော်တို့ကို သင်္ချာဆိုင်ရာ အခြေခံပညာပေးသလို၊ ဒေတာ သိပ္ပံက ဒေတာထဲက အချက်အလက်တွေကို တကယ်တမ်း ရှာဖွေဖို့ သင်္ချာဆိုင်ရာ အယူအဆတွေကို အသုံးချပါတယ်။ + +ဒေတာ သိပ္ပံကို [Jim Gray](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) က သတ်မှတ်ခဲ့တဲ့ နည်းလမ်းတစ်ခုအနေနဲ့ ကြည့်မယ်ဆိုရင်၊ ဒေတာ သိပ္ပံဟာ သိပ္ပံရဲ့ သီးခြားနယ်ပယ်တစ်ခုအဖြစ် ရှုမြင်နိုင်ပါတယ် - + +* **အတွေ့အကြုံအခြေပြု**, အတွေ့အကြုံနဲ့ စမ်းသပ်မှုရလဒ်တွေကို အဓိကအားထားတဲ့ နည်းလမ်း +* **သီအိုရီအခြေပြု**, ရှိပြီးသား သိပ္ပံပညာမှ အသစ်သော အယူအဆတွေကို ဖန်တီးခြင်း +* **ကွန်ပျူတာအခြေပြု**, ကွန်ပျူတာစမ်းသပ်မှုတွေမှ အသစ်သော မူဝါဒတွေကို ရှာဖွေခြင်း +* **ဒေတာအခြေပြု**, ဒေတာထဲက ဆက်စပ်မှုနဲ့ ပုံစံတွေကို ရှာဖွေခြင်း + +## ဆက်စပ်နယ်ပယ်များ + +ဒေတာဟာ အရာရာမှာ ရှိနေတဲ့အတွက် ဒေတာ သိပ္ပံဟာလည်း ကျယ်ပြန့်တဲ့ နယ်ပယ်တစ်ခုဖြစ်ပြီး အခြားသော အတော်များများသော နယ်ပယ်များကို ထိတွေ့နေပါတယ်။ +သင်ဤနည်းလမ်းကို အကောင်းဆုံးမဟုတ်ဘူးလို့ ပြောနိုင်ပါတယ်၊ အကြောင်းကတော့ module တွေဟာ အရှည်အတို မတူညီနိုင်တာကြောင့်ပါ။ module ရဲ့ အရှည် (စာလုံးအရေအတွက်) နဲ့ အချိန်ကို ခွဲတွက်ပြီး၊ အဲဒီတန်ဖိုးတွေကို နှိုင်းယှဉ်တာက ပိုတရားမျှတနိုင်ပါတယ်။ +ကျွန်ုပ်တို့ မျိုးစုံရွေးချယ်မှု စမ်းသပ်မှုရလဒ်များကို စတင်ခွဲခြမ်းစိတ်ဖြာစဉ်တွင် ကျောင်းသားများ နားလည်ရန် အခက်အခဲရှိသော အကြောင်းအရာများကို သတ်မှတ်နိုင်ပြီး၊ ထိုအချက်အလက်များကို အသုံးပြု၍ အကြောင်းအရာများကို တိုးတက်အောင် ပြုလုပ်နိုင်ပါသည်။ ၎င်းကို ပြုလုပ်ရန်၊ စမ်းသပ်မှုများကို တစ်ခုချင်းစီသည် အချို့သော အကြောင်းအရာ သို့မဟုတ် အသိပညာတစ်ခုနှင့် ဆက်စပ်နေစေရန် ဒီဇိုင်းဆွဲရန် လိုအပ်ပါသည်။ + +ပိုပြီး ရှုပ်ထွေးစေလိုပါက၊ ကျွန်ုပ်တို့ သင်ခန်းစာတစ်ခုချင်းစီအတွက် သုံးစွဲချိန်ကို ကျောင်းသားများ၏ အသက်အုပ်စုနှင့် နှိုင်းယှဉ်ကြည့်နိုင်ပါသည်။ အသက်အုပ်စုတစ်ချို့အတွက် သင်ခန်းစာကို ပြီးစီးရန် မသင့်တော်လောက်အောင် ကြာမြင့်နေသည်ကို သို့မဟုတ် သင်ခန်းစာကို ပြီးစီးမီ ကျောင်းသားများ ထွက်သွားကြသည်ကို တွေ့နိုင်ပါသည်။ ၎င်းက သင်ခန်းစာအတွက် အသက်အကြံပြုချက်များပေးရန်နှင့် မျှော်လင့်ချက်မှားခြင်းကြောင့် လူများ မကျေနပ်မှုကို လျှော့ချရန် ကူညီနိုင်ပါသည်။ + +## 🚀 စိန်ခေါ်မှု + +ဤစိန်ခေါ်မှုတွင် ကျွန်ုပ်တို့ Data Science နယ်ပယ်နှင့် သက်ဆိုင်သော အကြောင်းအရာများကို စာသားများကို ကြည့်ပြီး ရှာဖွေကြိုးစားပါမည်။ ကျွန်ုပ်တို့ Data Science အကြောင်း Wikipedia ဆောင်းပါးတစ်ခုကို ဒေါင်းလုဒ်လုပ်ပြီး စာသားကို ပြုပြင်ပြီး၊ ထို့နောက် အောက်ပါပုံကဲ့သို့သော စကားလုံးတိမ်တစ်ခုကို တည်ဆောက်ပါမည်- + +![Data Science အတွက် စကားလုံးတိမ်](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.my.png) + +[`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') သို့ သွား၍ ကုဒ်ကို ဖတ်ရှုပါ။ သင်သည် ကုဒ်ကို လည်ပတ်စေပြီး၊ ဒေတာပြောင်းလဲမှုများကို အချိန်နှင့်တပြေးညီ ဘယ်လိုလုပ်ဆောင်သည်ကို ကြည့်ရှုနိုင်ပါသည်။ + +> Jupyter Notebook တွင် ကုဒ်ကို ဘယ်လို လည်ပတ်ရမည်ကို မသိသေးပါက၊ [ဤဆောင်းပါး](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ကို ကြည့်ပါ။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1) + +## လုပ်ငန်းများ + +* **Task 1**: အထက်ပါ ကုဒ်ကို ပြုပြင်ပြီး **Big Data** နှင့် **Machine Learning** နယ်ပယ်များအတွက် သက်ဆိုင်သော အကြောင်းအရာများကို ရှာဖွေပါ။ +* **Task 2**: [Data Science အခြေအနေများအကြောင်း စဉ်းစားပါ](assignment.md) + +## အကျိုးတူဆောင်ရွက်သူများ + +ဤသင်ခန်းစာကို [Dmitry Soshnikov](http://soshnikov.com) မှ ♥️ ဖြင့် ရေးသားထားပါသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/01-defining-data-science/assignment.md b/translations/my/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..d474c424 --- /dev/null +++ b/translations/my/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,46 @@ + +# အလုပ်တာဝန်: ဒေတာသိပ္ပံအခြေအနေများ + +ဒီပထမအလုပ်တာဝန်မှာတော့ သင့်ကို အမျိုးမျိုးသော ပြဿနာနယ်ပယ်များတွင် ဖြစ်ပေါ်နေသော အမှန်တကယ်ဖြစ်ရပ်များ သို့မဟုတ် ပြဿနာတစ်ခုကို စဉ်းစားပြီး ဒေတာသိပ္ပံလုပ်ငန်းစဉ်ကို အသုံးပြု၍ ဘယ်လိုတိုးတက်အောင်လုပ်နိုင်မလဲဆိုတာကို စဉ်းစားဖို့ တိုက်တွန်းပါမည်။ အောက်ပါအချက်များကို စဉ်းစားပါ- + +1. ဘယ်လိုဒေတာတွေကို စုဆောင်းနိုင်မလဲ? +1. ဒေတာကို ဘယ်လိုစုဆောင်းမလဲ? +1. ဒေတာကို ဘယ်လိုသိမ်းဆည်းမလဲ? ဒေတာရဲ့အရွယ်အစား ဘယ်လောက်ကြီးမလဲ? +1. ဒီဒေတာကနေ ဘယ်လိုအမြင်တွေ ရနိုင်မလဲ? ဒေတာအပေါ်အခြေခံပြီး ဘယ်လိုဆုံးဖြတ်ချက်တွေ ချမှတ်နိုင်မလဲ? + +သုံးမျိုးသော ပြဿနာ/လုပ်ငန်းစဉ်များကို စဉ်းစားကြည့်ပြီး အထက်ပါအချက်များကို တစ်ခုချင်းစီအတွက် ဖော်ပြပါ။ + +အောက်မှာ စဉ်းစားစရာအကြံဉာဏ်အဖြစ် ပြဿနာနယ်ပယ်များနှင့် ပြဿနာအချို့ကို ဖော်ပြထားပါသည်- + +1. ကျောင်းတွင် ကလေးများအတွက် ပညာရေးလုပ်ငန်းစဉ်ကို ဘယ်လိုဒေတာအသုံးပြုပြီး တိုးတက်အောင်လုပ်နိုင်မလဲ? +1. ကပ်ရောဂါအတွင်း ကာကွယ်ဆေးထိုးနှံမှုကို ဘယ်လိုဒေတာအသုံးပြုပြီး ထိန်းချုပ်နိုင်မလဲ? +1. အလုပ်မှာ သင့်ကိုယ်သင့် Productivity (ထွက်ရှိမှု) ရှိနေမရှိကို ဘယ်လိုဒေတာအသုံးပြုပြီး သေချာစေနိုင်မလဲ? + +## လမ်းညွှန်ချက်များ + +အောက်ပါဇယားကို ဖြည့်ပါ (လိုအပ်ပါက အကြံပြုထားသော ပြဿနာနယ်ပယ်များကို သင့်ကိုယ်ပိုင်နယ်ပယ်များဖြင့် အစားထိုးပါ) - + +| ပြဿနာနယ်ပယ် | ပြဿနာ | ဘယ်လိုဒေတာကို စုဆောင်းမလဲ | ဒေတာကို ဘယ်လိုသိမ်းဆည်းမလဲ | ဘယ်လိုအမြင်/ဆုံးဖြတ်ချက်တွေ ရနိုင်မလဲ | +|----------------|---------|-----------------------|-----------------------|--------------------------------------| +| ပညာရေး | | | | | +| ကာကွယ်ဆေးထိုးနှံမှု | | | | | +| ထွက်ရှိမှု | | | | | + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | +ပြဿနာနယ်ပယ်အားလုံးအတွက် သင့်လျော်သော ဒေတာရင်းမြစ်များ၊ ဒေတာသိမ်းဆည်းနည်းများနှင့် အမြင်/ဆုံးဖြတ်ချက်များကို ဖော်ပြနိုင်ခဲ့သည် | ဖြေရှင်းချက်၏ အချို့သောအချက်များကို အသေးစိတ်မဖော်ပြထား၊ ဒေတာသိမ်းဆည်းမှုကို မဆွေးနွေးထား၊ အနည်းဆုံး ပြဿနာနယ်ပယ် ၂ ခုကို ဖော်ပြထားသည် | ဒေတာဖြေရှင်းချက်၏ အချို့သောအစိတ်အပိုင်းများကိုသာ ဖော်ပြထားသည်၊ ပြဿနာနယ်ပယ်တစ်ခုသာ စဉ်းစားထားသည် | + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် ရှုလေ့လာသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/my/1-Introduction/01-defining-data-science/solution/assignment.md new file mode 100644 index 00000000..7d46e8b6 --- /dev/null +++ b/translations/my/1-Introduction/01-defining-data-science/solution/assignment.md @@ -0,0 +1,48 @@ + +# အလုပ်: ဒေတာသိပ္ပံ အခြေအနေများ + +ဒီပထမအလုပ်မှာ၊ သင့်ကို အမျိုးမျိုးသော ပြဿနာနယ်ပယ်များတွင် ဖြစ်ပျက်နေသော အမှန်တကယ် လုပ်ငန်းစဉ် သို့မဟုတ် ပြဿနာတစ်ခုအပေါ်တွင် စဉ်းစားစေလိုပါတယ်၊ ဒါနဲ့အတူ ဒေတာသိပ္ပံ လုပ်ငန်းစဉ်ကို အသုံးပြုပြီး ဘယ်လိုတိုးတက်အောင်လုပ်နိုင်မလဲဆိုတာကို တွေးပါ။ အောက်ပါအချက်များကို စဉ်းစားပါ- + +1. ဘယ်ဒေတာတွေကို စုဆောင်းနိုင်မလဲ? +1. ဒေတာကို ဘယ်လို စုဆောင်းမလဲ? +1. ဒေတာကို ဘယ်လို သိမ်းဆည်းမလဲ? ဒေတာအရွယ်အစား ဘယ်လောက်ကြီးနိုင်မလဲ? +1. ဒီဒေတာကနေ ဘယ်လို အမြင်တွေ ရနိုင်မလဲ? ဒေတာအပေါ် အခြေခံပြီး ဘယ်လို ဆုံးဖြတ်ချက်တွေ ချနိုင်မလဲ? + +သုံးမျိုးသော ပြဿနာ/လုပ်ငန်းစဉ်များကို စဉ်းစားကြည့်ပြီး၊ အထက်ပါအချက်များကို တစ်ခုချင်းစီအတွက် ဖော်ပြပါ။ + +အောက်မှာ စဉ်းစားစရာအကြံဉာဏ်အဖြစ် ပြဿနာနယ်ပယ်များနဲ့ ပြဿနာအချို့ကို ဖော်ပြထားပါတယ်- + +1. ကျောင်းတွင် ကလေးများအတွက် ပညာရေးလုပ်ငန်းစဉ်ကို ဘယ်လို ဒေတာအသုံးပြုပြီး တိုးတက်အောင်လုပ်နိုင်မလဲ? +1. ကပ်ရောဂါအတွင်း ကာကွယ်ဆေးထိုးခြင်းကို ဘယ်လို ဒေတာအသုံးပြုပြီး ထိန်းချုပ်နိုင်မလဲ? +1. အလုပ်မှာ သင့်ကိုယ်သင့် Productivity (ထုတ်လုပ်နိုင်စွမ်း) ရှိနေမရှိကို ဘယ်လို ဒေတာအသုံးပြုပြီး သေချာစေမလဲ? + +## လမ်းညွှန်ချက်များ + +အောက်ပါဇယားကို ဖြည့်ပါ (လိုအပ်ပါက သင့်အကြံဉာဏ်အတိုင်း ပြဿနာနယ်ပယ်များကို အစားထိုးပါ) - + +| ပြဿနာနယ်ပယ် | ပြဿနာ | ဘယ်ဒေတာကို စုဆောင်းမလဲ | ဒေတာကို ဘယ်လို သိမ်းဆည်းမလဲ | ဘယ်လို အမြင်/ဆုံးဖြတ်ချက်တွေ ရနိုင်မလဲ | +|----------------|---------|-----------------------|-----------------------|--------------------------------------| +| ပညာရေး | တက္ကသိုလ်တွင် ကျောင်းသားများ၏ သင်တန်းတက်ရောက်မှုနည်းပါးမှုရှိပြီး၊ သင်တန်းတက်ရောက်မှုရှိသော ကျောင်းသားများသည် စာမေးပွဲတွင် ပိုမိုကောင်းမွန်ကြောင်း သီအိုရီတစ်ခုရှိသည်။ ကျောင်းသားများ၏ တက်ရောက်မှုကို တိုးတက်စေပြီး သီအိုရီကို စမ်းသပ်လိုပါသည်။ | သင်တန်းခန်းထဲရှိ လုံခြုံရေးကင်မရာမှ ရိုက်ထားသော ဓာတ်ပုံများ သို့မဟုတ် သင်တန်းခန်းထဲရှိ ကျောင်းသားများ၏ Bluetooth/WiFi လိပ်စာများကို စောင့်ကြည့်ခြင်းဖြင့် တက်ရောက်မှုကို စုဆောင်းနိုင်သည်။ စာမေးပွဲဒေတာသည် တက္ကသိုလ်ဒေတာဘေ့စ်တွင် ရရှိပြီးသားဖြစ်သည်။ | လုံခြုံရေးကင်မရာဓာတ်ပုံများကို စောင့်ကြည့်ပါက သင်တန်းအတွင်း ဓာတ်ပုံအနည်းငယ် (၅-၁၀) ကို သိမ်းဆည်းရမည် (Unstructured Data)၊ ထို့နောက် AI ကို အသုံးပြု၍ ကျောင်းသားများ၏ မျက်နှာများကို ဖော်ထုတ်ပြီး (Structured Data) အဖြစ် ပြောင်းလဲရမည်။ | ကျောင်းသားတစ်ဦးချင်းစီအတွက် တက်ရောက်မှုအလယ်အလတ်ဒေတာကို တွက်ချက်နိုင်ပြီး၊ စာမေးပွဲအမှတ်များနှင့် ဆက်စပ်မှုရှိမရှိကို ကြည့်နိုင်သည်။ ကျောင်းသားတက်ရောက်မှုကို တိုးတက်စေရန်၊ အပတ်စဉ်တက်ရောက်မှုအဆင့်ကို ကျောင်းဝက်ဘ်ဆိုက်တွင် ဖော်ပြပြီး၊ အမြင့်ဆုံးတက်ရောက်မှုရှိသူများအကြား ဆုများကို မဲဖောက်ပေးနိုင်သည်။ | +| ကာကွယ်ဆေးထိုးခြင်း | | | | | +| ထုတ်လုပ်နိုင်စွမ်း | | | | | + +> *ဤအလုပ်အတွက် မျှော်မှန်းထားသော အဖြေကို နားလည်စေရန်၊ တစ်ခုသာ ဥပမာအဖြစ် ပေးထားပါသည်။* + +## အကဲဖြတ်စနစ် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | +ဒေတာရင်းမြစ်များ၊ ဒေတာသိမ်းဆည်းနည်းလမ်းများနှင့် အမြင်/ဆုံးဖြတ်ချက်များကို ပြဿနာနယ်ပယ်အားလုံးအတွက် သင့်တော်စွာ ဖော်ပြနိုင်သည် | ဖြေရှင်းချက်၏ အချို့သော အချက်များကို အသေးစိတ်မဖော်ပြထား၊ ဒေတာသိမ်းဆည်းမှုကို မဆွေးနွေးထား၊ အနည်းဆုံး ပြဿနာနယ်ပယ် ၂ ခုကို ဖော်ပြထားသည် | ဒေတာဖြေရှင်းချက်၏ အချို့သော အစိတ်အပိုင်းများကိုသာ ဖော်ပြထား၊ ပြဿနာနယ်ပယ် တစ်ခုသာ စဉ်းစားထားသည်။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/02-ethics/README.md b/translations/my/1-Introduction/02-ethics/README.md new file mode 100644 index 00000000..813a8385 --- /dev/null +++ b/translations/my/1-Introduction/02-ethics/README.md @@ -0,0 +1,171 @@ + +# ဒေတာအကျင့်သိက္ခာအကျဉ်းချုပ် + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| +|:---:| +| ဒေတာသိပ္ပံအကျင့်သိက္ခာ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +--- + +ကျွန်ုပ်တို့အားလုံးသည် ဒေတာဖြင့်ပြည့်နှက်နေသောကမ္ဘာတွင် နေထိုင်နေသော ဒေတာပြည်သူများဖြစ်ပါသည်။ + +စျေးကွက်လမ်းကြောင်းများအရ ၂၀၂၂ ခုနှစ်တွင် ၁-၃ အကြီးစားအဖွဲ့အစည်းများသည် [Marketplaces and Exchanges](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) မှတဆင့် သူတို့၏ဒေတာကို ဝယ်ယူရောင်းချမည်ဖြစ်သည်ဟု ပြောကြားထားသည်။ **App Developers** အနေဖြင့် ဒေတာအခြေခံသုံးသပ်မှုများနှင့် algorithm အခြေခံအလိုအလျောက်လုပ်ဆောင်မှုများကို နေ့စဉ်အသုံးပြုသူအတွေ့အကြုံများတွင် ပေါင်းစပ်ရန် ပိုမိုလွယ်ကူပြီး စျေးနှုန်းသက်သာလာမည်ဖြစ်သည်။ သို့သော် AI သည် ပျံ့နှံ့လာသည့်အခါတွင် [weaponization](https://www.youtube.com/watch?v=TQHs8SA1qpk) အကြီးအကျယ်ဖြင့် algorithm များကို အသုံးချခြင်းကြောင့် ဖြစ်ပေါ်နိုင်သော နစ်နာမှုများကိုလည်း နားလည်ရန်လိုအပ်ပါသည်။ + +လမ်းကြောင်းများအရ ၂၀၂၅ ခုနှစ်တွင် [၁၈၀ zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) ကျော်သော ဒေတာကို ဖန်တီးပြီး သုံးစွဲမည်ဖြစ်သည်ဟု ပြောကြားထားသည်။ **Data Scientists** အနေဖြင့် ဒါသည် ကိုယ်ရေးအချက်အလက်များကို များစွာရရှိနိုင်စေသည်။ ဒါသည် အသုံးပြုသူများ၏ အပြုအမူကို ပုံဖော်ပြီး [illusion of free choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ဖန်တီးခြင်းဖြင့် အသုံးပြုသူများကို ကျွန်ုပ်တို့နှစ်သက်သော ရလဒ်များသို့ ညွှန်ကြားနိုင်စေသည်။ ဒါဟာ ဒေတာကိုယ်ရေးအချက်အလက်နှင့် အသုံးပြုသူကာကွယ်မှုများနှင့် ပတ်သက်သော ကျယ်ပြန့်သောမေးခွန်းများကိုလည်း ရှုမြင်စေပါသည်။ + +ဒေတာအကျင့်သိက္ခာသည် ဒေတာသိပ္ပံနှင့် အင်ဂျင်နီယာလုပ်ငန်းများအတွက် _လိုအပ်သောလမ်းညွှန်များ_ ဖြစ်လာပြီး ဒေတာအခြေခံလုပ်ဆောင်မှုများမှ ဖြစ်ပေါ်နိုင်သော နစ်နာမှုများနှင့် မတော်တဆဖြစ်ရပ်များကို လျှော့ချရန် ကူညီပေးပါသည်။ [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) သည် ဒစ်ဂျစ်တယ်အကျင့်သိက္ခာ၊ တာဝန်ရှိသော AI နှင့် AI အုပ်ချုပ်မှုတို့ကို _AI ရှေးဉီးတန်း_ နှင့် _စက်မှုလုပ်ငန်း_ အဖြစ် ပိုမိုကျယ်ပြန့်လာစေရန် အရေးပါသောအချက်များအဖြစ် ဖော်ပြထားသည်။ + +![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) + +ဒီသင်ခန်းစာတွင် ဒေတာအကျင့်သိက္ခာ၏ စိတ်ဝင်စားဖွယ်ရာနယ်ပယ်ကို လေ့လာမည်ဖြစ်ပြီး အခြေခံအယူအဆများနှင့် စိန်ခေါ်မှုများ၊ ကိစ္စလေ့လာမှုများနှင့် အကျင့်သိက္ခာအခြေခံ AI အယူအဆများကို လေ့လာမည်ဖြစ်သည်။ ဒါဟာ ဒေတာနှင့် AI ကို အသုံးပြုသောအဖွဲ့အစည်းများတွင် အကျင့်သိက္ခာယဉ်ကျေးမှုတည်ဆောက်ရန် ကူညီပေးပါသည်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 + +## အခြေခံအဓိပ္ပါယ်များ + +အဓိပ္ပါယ်အခြေခံစကားလုံးများကို နားလည်ခြင်းဖြင့် စတင်ကြပါစို့။ + +"Ethics" ဆိုသောစကားလုံးသည် [ဂရိစကားလုံး "ethikos"](https://en.wikipedia.org/wiki/Ethics) (နှင့် "ethos" ဟူသောအမြစ်) မှ ဆင်းသက်လာပြီး _စရိုက်သဘောသဘာဝ_ ကို ဆိုလိုသည်။ + +**Ethics** သည် လူမှုအဖွဲ့အစည်းတွင် ကျွန်ုပ်တို့၏အပြုအမူကို စီမံခန့်ခွဲသော အတူတူမျှဝေသောတန်ဖိုးများနှင့် သီလတရားများအကြောင်းဖြစ်သည်။ Ethics သည် ဥပဒေများအပေါ်မူတည်ခြင်းမဟုတ်ဘဲ "မှန်/မှား" ဟု ကျယ်ကျယ်ပြန့်ပြန့်လက်ခံထားသောစံနှုန်းများအပေါ်မူတည်သည်။ သို့သော် အကျင့်သိက္ခာဆိုင်ရာစဉ်းစားမှုများသည် ကော်ပိုရိတ်အုပ်ချုပ်မှုနှင့် အစိုးရစည်းမျဉ်းများကို လွှမ်းမိုးနိုင်ပြီး လိုက်နာမှုအတွက် ပိုမိုအကျိုးခံစားမှုများဖန်တီးနိုင်သည်။ + +**Data Ethics** သည် [Ethics ၏အသစ်သောခွဲခြားမှု](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ဖြစ်ပြီး "ဒေတာ၊ algorithm နှင့် ဆက်စပ်သောအလေ့အကျင့်များနှင့်ပတ်သက်သော သီလတရားဆိုင်ရာပြဿနာများကို လေ့လာပြီး အကဲဖြတ်သည်"။ ဒီမှာ **"ဒေတာ"** သည် ဖန်တီးခြင်း၊ မှတ်တမ်းတင်ခြင်း၊ စုစည်းခြင်း၊ အလုပ်လုပ်ခြင်း၊ ဖြန့်ဝေခြင်း၊ မျှဝေခြင်းနှင့် အသုံးပြုခြင်းဆိုင်ရာ လုပ်ဆောင်မှုများကို အဓိကထားပြီး **"algorithm"** သည် AI၊ agents၊ machine learning နှင့် robots ကို အဓိကထားပြီး **"practices"** သည် တာဝန်ရှိသောဆန်းသစ်မှု၊ programming၊ hacking နှင့် ethics codes စသည်တို့ကို အဓိကထားသည်။ + +**Applied Ethics** သည် [သီလတရားဆိုင်ရာစဉ်းစားမှုများ၏ လက်တွေ့အသုံးချမှု](https://en.wikipedia.org/wiki/Applied_ethics) ဖြစ်သည်။ ၎င်းသည် _လက်တွေ့လုပ်ဆောင်မှုများ၊ ထုတ်ကုန်များနှင့် လုပ်ငန်းစဉ်များ_ အတွင်း သီလတရားဆိုင်ရာပြဿနာများကို တက်ကြွစွာလေ့လာပြီး သတ်မှတ်ထားသောအကျင့်သိက္ခာတန်ဖိုးများနှင့်အညီရှိနေစေရန် ပြင်ဆင်မှုများလုပ်ဆောင်ခြင်းဖြစ်သည်။ + +**Ethics Culture** သည် [_Applied Ethics ကို လက်တွေ့ကျကျလုပ်ဆောင်ခြင်း_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) အကြောင်းဖြစ်ပြီး ကျွန်ုပ်တို့၏အကျင့်သိက္ခာဆိုင်ရာအယူအဆများနှင့် လုပ်ဆောင်မှုများကို အဖွဲ့အစည်းတစ်ခုလုံးအတွင်းတွင် တစ်စည်းတစ်လုံးနှင့် အကျိုးရှိစွာ လက်ခံအသုံးပြုစေရန် သေချာစေရန်ဖြစ်သည်။ အောင်မြင်သော ethics culture များသည် အဖွဲ့အစည်းအတိုင်းအတာအကျင့်သိက္ခာဆိုင်ရာအယူအဆများကို သတ်မှတ်ပြီး လိုက်နာမှုအတွက် အဓိပ္ပါယ်ရှိသောအကျိုးခံစားမှုများပေးပြီး အဖွဲ့အစည်းအဆင့်တိုင်းတွင် လိုအပ်သောအပြုအမူများကို အားပေးပြီး တိုးတက်စေသည်။ + +## Ethics အယူအဆများ + +ဒီအပိုင်းတွင် **မျှဝေသောတန်ဖိုးများ** (principles) နှင့် **အကျင့်သိက္ခာဆိုင်ရာစိန်ခေါ်မှုများ** (problems) ကို ဆွေးနွေးပြီး **ကိစ္စလေ့လာမှုများ** ကို လေ့လာမည်ဖြစ်သည်။ ၎င်းတို့သည် လက်တွေ့ကမ္ဘာတွင် အကျင့်သိက္ခာအယူအဆများကို နားလည်စေရန် ကူညီပေးသည်။ + +### 1. Ethics Principles + +ဒေတာအကျင့်သိက္ခာမဟာဗျူဟာတိုင်းသည် _Ethics Principles_ သတ်မှတ်ခြင်းဖြင့် စတင်သည် - ဒါဟာ "မျှဝေသောတန်ဖိုးများ" ဖြစ်ပြီး ဒေတာနှင့် AI ပရောဂျက်များတွင် လက်ခံနိုင်သောအပြုအမူများကို ဖော်ပြပြီး လိုက်နာမှုလုပ်ဆောင်မှုများကို လမ်းညွှန်သည်။ ၎င်းတို့ကို တစ်ဦးချင်းအဆင့်တွင် သို့မဟုတ် အဖွဲ့အဆင့်တွင် သတ်မှတ်နိုင်သည်။ သို့သော် အကြီးစားအဖွဲ့အစည်းများအများစုသည် ၎င်းတို့၏ _Ethical AI_ မဟာဗျူဟာ သို့မဟုတ် Framework ကို ကော်ပိုရိတ်အဆင့်တွင် သတ်မှတ်ပြီး အဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်စည်းတစ်လုံးနှင့် အကျိုးရှိစွာ လိုက်နာမှုလုပ်ဆောင်မှုများကို အတည်ပြုသည်။ + +**ဥပမာ:** Microsoft's [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) မဟာဗျူဟာသည် _"AI ကို လူသားများကို ဦးစားပေးသော အကျင့်သိက္ခာဆိုင်ရာအယူအဆများဖြင့် တိုးတက်စေရန် ကျွန်ုပ်တို့ကတိပြုထားသည်"_ ဟုဖော်ပြထားပြီး အောက်ပါ Framework တွင် ၆ ခုသော အကျင့်သိက္ခာအယူအဆများကို ဖော်ပြထားသည်။ + +![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) + +ဒီအယူအဆများကို အနည်းငယ်လေ့လာကြပါစို့။ _Transparency_ နှင့် _Accountability_ သည် အခြေခံတန်ဖိုးများဖြစ်ပြီး အခြားအယူအဆများကို အခြေခံထားသည် - ဒါကြောင့် အဲဒီနေရာမှ စတင်ပါစို့။ + +* [**Accountability**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) သည် ဒေတာနှင့် AI လုပ်ဆောင်မှုများအတွက် လုပ်ဆောင်သူများကို _တာဝန်ရှိ_ စေပြီး အကျင့်သိက္ခာအယူအဆများနှင့် လိုက်နာမှုလုပ်ဆောင်မှုများကို အတည်ပြုစေသည်။ +* [**Transparency**](https://www.microsoft.com/en-us/ai/res +[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) သည် အယ်လဂိုရီသမ်ဒီဇိုင်းသည် အချက်အလက်အုပ်စုတစ်ခုခုကို စနစ်တကျ ခွဲခြားဆက်ဆံမှုရှိမရှိ စစ်ဆေးရာတွင် အသုံးပြုသည်။ ၎င်းသည် _အရင်းအမြစ်များခွဲဝေမှု_ (အုပ်စုတစ်ခုကို အရင်းအမြစ်များ ပိတ်ပင်ခြင်း သို့မဟုတ် ငြင်းပယ်ခြင်း) နှင့် _ဝန်ဆောင်မှုအရည်အသွေး_ (AI သည် အုပ်စုတစ်ခုအတွက် တိကျမှုနည်းပြီး အခြားအုပ်စုများအတွက် ပိုမိုတိကျမှုရှိခြင်း) တို့တွင် [အန္တရာယ်ဖြစ်နိုင်မှုများ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ဖြစ်ပေါ်စေသည်။ + +ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ- + * မျိုးစုံသောအုပ်စုများနှင့် အခြေအနေများအတွက် မော်ဒယ်တိကျမှုကို သုံးသပ်ပြီးပါသလား။ + * စနစ်ကို အန္တရာယ်ဖြစ်နိုင်မှုများ (ဥပမာ- စံနှုန်းချမှတ်မှု) အတွက် စိစစ်ပြီးပါသလား။ + * ရှာဖွေတွေ့ရှိထားသော အန္တရာယ်များကို လျှော့ချရန် အချက်အလက်များကို ပြင်ဆင်ခြင်း သို့မဟုတ် မော်ဒယ်များကို ပြန်လေ့ကျင့်ခြင်းဖြင့် ပြုပြင်နိုင်ပါသလား။ + +[AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ကဲ့သို့သော အရင်းအမြစ်များကို လေ့လာပါ။ + +#### 2.9 အချက်အလက်မှားယွင်းမှု + +[Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation) သည် အချက်အလက်များကို မှန်မှန်ကန်ကန် တင်ပြခြင်းမှ မဟုတ်ဘဲ တစ်ဖက်သတ်အကြောင်းပြချက်များကို ထောက်ခံရန် လှည့်ဖြားတင်ပြခြင်း ဖြစ်နိုင်သည်။ + +ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ- + * မပြည့်စုံသော သို့မဟုတ် မမှန်ကန်သော အချက်အလက်များကို တင်ပြနေပါသလား။ + * အချက်အလက်များကို လှည့်ဖြားသော အနိမ့်ဆုံးသဘောထားများကို ဖော်ဆောင်ရန် ရည်ရွယ်၍ ရှုထောင့်ပြသနေပါသလား။ + * ရလဒ်များကို လှည့်ဖြားရန် ရွေးချယ်ထားသော သင်္ချာနည်းလမ်းများကို အသုံးပြုနေပါသလား။ + * အခြားသော ရှင်းလင်းချက်များဖြင့် ကွဲပြားသော သဘောတရားများကို ဖော်ပြနိုင်ပါသလား။ + +#### 2.10 လွတ်လပ်စွာရွေးချယ်မှု + +[Illusion of Free Choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) သည် စနစ်၏ "ရွေးချယ်မှုဖွဲ့စည်းမှုများ" သည် လူများကို ရွေးချယ်မှုများနှင့် ထိန်းချုပ်မှုရှိသည်ဟု ထင်ရစေပြီး သတ်မှတ်ထားသော ရလဒ်တစ်ခုသို့ ဦးတည်စေသော အခြေအနေဖြစ်သည်။ ဤ [dark patterns](https://www.darkpatterns.org/) များသည် အသုံးပြုသူများအတွက် လူမှုရေးနှင့် စီးပွားရေးဆိုင်ရာ အန္တရာယ်များ ဖြစ်စေသည်။ အသုံးပြုသူ၏ ဆုံးဖြတ်ချက်များသည် အပြုအမူပရိုဖိုင်များကို သက်ရောက်စေပြီး အန္တရာယ်များကို ပိုမိုကြီးထွားစေသည်။ + +ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ- + * အသုံးပြုသူသည် ရွေးချယ်မှု၏ သက်ရောက်မှုများကို နားလည်ခဲ့ပါသလား။ + * အသုံးပြုသူသည် (အခြားရွေးချယ်မှုများ) နှင့် ၎င်းတို့၏ အားသာချက်/အားနည်းချက်များကို သိရှိခဲ့ပါသလား။ + * အသုံးပြုသူသည် အလိုအလျောက် သို့မဟုတ် သက်ရောက်မှုရှိသော ရွေးချယ်မှုကို နောက်ပိုင်း ပြန်လည်ပြောင်းလဲနိုင်ပါသလား။ + +### 3. လေ့လာမှုများ + +ဤကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုများကို အမှန်တကယ်ဖြစ်ပျက်သော အခြေအနေများတွင် နားလည်ရန်၊ ကျင့်ဝတ်ချိုးဖောက်မှုများကို မျက်လုံးပိတ်ထားခြင်းကြောင့် လူပုဂ္ဂိုလ်များနှင့် လူ့အဖွဲ့အစည်းအပေါ် ဖြစ်ပေါ်လာသော အန္တရာယ်များနှင့် ရလဒ်များကို ဖော်ပြသည့် လေ့လာမှုများကို ကြည့်ရှုပါ။ + +ဤနေရာတွင် ဥပမာအချို့ကို ဖော်ပြထားသည်- + +| ကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှု | လေ့လာမှု | +|--- |--- | +| **သဘောတူညီမှု** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - အာဖရိကန်-အမေရိကန်လူမျိုးများကို အခမဲ့ဆေးကုသမှုပေးမည်ဟု ကတိပြုခဲ့သော်လည်း၊ ၎င်းတို့၏ ရောဂါအခြေအနေ သို့မဟုတ် ကုသမှုရရှိနိုင်မှုအကြောင်း မသိစေဘဲ လှည့်ဖြားခဲ့သည်။ ၄၀ နှစ်ကြာခဲ့သည်။ | +| **အချက်အလက်ကိုယ်ရေးအချက်အလက်** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) - ၁၀ သန်းအမည်မဖော်ထားသော ရုပ်ရှင်အဆင့်သတ်မှတ်ချက်များကို ထုတ်ပြန်ခဲ့ပြီး၊ အခြားအချက်အလက်များနှင့် ဆက်စပ်၍ Netflix အသုံးပြုသူများကို "အမည်ဖော်" လုပ်နိုင်ခဲ့သည်။ | +| **စုဆောင်းမှုဘက်လိုက်မှု** | 2013 - [Street Bump](https://www.boston.gov/transportation/street-bump) - အနည်းငွေဝင်သူများ၏ လမ်းပြဿနာများကို မဖော်ပြနိုင်ခဲ့သည့် Boston ၏ app တစ်ခု။ | +| **Algorithmic Fairness** | 2018 - [Gender Shades Study](http://gendershades.org/overview.html) - AI များတွင် အမျိုးသမီးများနှင့် အရောင်အသားမတူသူများအတွက် တိကျမှုနည်းပါးမှုကို ဖော်ပြခဲ့သည်။ | +| **အချက်အလက်မှားယွင်းမှု** | 2020 - [Georgia COVID-19 charts](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) - အချိန်လိုက်မဟုတ်သော x-axis ဖြင့် ပြည်သူများကို လှည့်ဖြားခဲ့သည်။ | +| **လွတ်လပ်စွာရွေးချယ်မှု၏ မျက်လှည့်** | 2020 - [ABCmouse](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) - မိဘများကို စာရင်းပယ်ဖျက်ရန် မဖြစ်နိုင်စေသော dark patterns ကို အသုံးပြုခဲ့သည်။ | +| **ကိုယ်ရေးအချက်အလက်နှင့် အသုံးပြုသူအခွင့်အရေးများ** | 2021 - [Facebook Data Breach](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) - အသုံးပြုသူများကို အသိပေးရန် ငြင်းဆန်ခဲ့သည်။ | + +ပိုမိုလေ့လာလိုပါသလား? ဤအရင်းအမြစ်များကို ကြည့်ပါ- +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - စက်မှုလုပ်ငန်းများအနှံ့ ကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုများ။ +* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - ကျင့်ဝတ်ဆိုင်ရာ landmark လေ့လာမှုများ။ +* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon checklist နှင့် ဥပမာများ။ + +> 🚨 သင်ကြည့်ရှုခဲ့သော လေ့လာမှုများအပေါ်တွင် စဉ်းစားပါ - သင်၏ဘဝတွင် အလားတူကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုကို ကြုံတွေ့ဖူးပါသလား? ဤအပိုင်းတွင် ဆွေးနွေးထားသော ကျင့်ဝတ်ဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုကို ဖော်ပြသည့် အခြားလေ့လာမှုတစ်ခုကို စဉ်းစားနိုင်ပါသလား? + +## ကျင့်ဝတ်ဆိုင်ရာ လက်တွေ့ကျင့်သုံးမှု + +ကျင့်ဝတ်ဆိုင်ရာ အယူအဆများ၊ စိန်ခေါ်မှုများနှင့် အမှန်တကယ်ဖြစ်ပျက်သော အခြေအနေများကို ဆွေးနွေးပြီးပါပြီ။ ဒါပေမယ့် ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများနှင့် လုပ်ဆောင်မှုများကို သင်၏ပရောဂျက်များတွင် ဘယ်လိုစတင်အသုံးချရမလဲ? ၎င်းတို့ကို အုပ်ချုပ်မှုအတွက် ဘယ်လို စနစ်တကျလုပ်ဆောင်ရမလဲ? + +### 1. ပရော်ဖက်ရှင်နယ် စံပြများ + +ပရော်ဖက်ရှင်နယ် စံပြများသည် အဖွဲ့အစည်းများအတွက် ၎င်းတို့၏ ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများနှင့် မစ်ရှင်ကို ထောက်ခံရန် အဖွဲ့ဝင်များကို "အားပေး" ရန် ရွေးချယ်မှုတစ်ခုဖြစ်သည်။ + +ဥပမာများ- + * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Code of Ethics + * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Code of Conduct + * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) + +> 🚨 သင်သည် ပရော်ဖက်ရှင်နယ် အင်ဂျင်နီယာ သို့မဟုတ် ဒေတာသိပ္ပံအဖွဲ့အစည်းတစ်ခု၏ အဖွဲ့ဝင်ဖြစ်ပါသလား? ၎င်းတို့၏ ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများကို လေ့လာပါ။ + +### 2. ကျင့်ဝတ် စစ်ဆေးစာရင်းများ + +ကျင့်ဝတ် စစ်ဆေးစာရင်းများသည် ကျင့်ဝတ်ဆိုင်ရာ မူဝါဒများကို လုပ်ဆောင်နိုင်သော နည်းလမ်းများဖြင့် ချိတ်ဆက်ရန် အထောက်အကူပြုသည်။ + +ဥပမာများ- + * [Deon](https://deon.drivendata.org/) - ဒေတာကျင့်ဝတ် စစ်ဆေးစာရင်း။ + * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ကိုယ်ရေးအချက်အလက်ဆိုင်ရာ လမ်းညွှန်ချက်များ။ + * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ဖွံ့ဖြိုးမှုတွင် တရားမျှတမှု စစ်ဆေးမှုများ။ + * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ကျင့်ဝတ်ဆိုင်ရာ အခြေခံမေးခွန်းများ။ + +### 3. ကျင့်ဝတ်ဆိုင်ရာ စည်းမျဉ်းများ + +ကျင့်ဝတ်သည် အတူတူမျှဝေသော တန်ဖိုးများကို သတ်မှတ်ခြင်းနှင့် စိတ်ကြိုက်လုပ်ဆောင်ခြင်းဖြစ်သည်။ **အညီအဖွဲ့** သည် သတ်မှတ်ထားသော ဥပဒေများကို လိုက်နာခြင်းဖြစ်သည်။ + +ဥပမာများ- + * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) + * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) + * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) + +> 🚨 GDPR သည် ယနေ့အထိ အရေးကြီးသော ဒေတာကိုယ်ရေးအချက်အလက်ဆိုင်ရာ စည်းမျဉ်းများထဲမှ တစ်ခုဖြစ်သည်။ ၎င်းသည် [အသုံးပြုသူ၏ ၈ ချက်အခွင့်အရေးများ](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ကိုလည်း သတ်မှတ်ထားသည်။ + +### 4. ကျင့်ဝတ်ယဉ်ကျေးမှု + +**အညီအဖွဲ့** နှင့် [စနစ်ဆိုင်ရာပြဿနာများ](https://www.coursera.org/learn/data-science-ethics/home/week/4) ကို ဖြေရှင်းရန် အဖွဲ့အစည်းများအတွင်း ကျင့်ဝတ်ယဉ်ကျေးမှုများကို တည်ဆောက်ရန် လိုအပ်သည်။ + +--- +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯 +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာမှု + +သင်ယူရန် အရင်းအမြစ်များ- +* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft မှ Fairness သင်ခန်းစာ။ +* [AI တာဝန်ယူမှုဆိုင်ရာ မူဝါဒများ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn မှ အခမဲ့ သင်ကြားမှုလမ်းကြောင်း။ +* [Ethics and Data Science](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason et. al) +* [Data Science Ethics](https://www.coursera.org/learn/data-science-ethics#syllabus) - မီချီဂန်တက္ကသိုလ်မှ အွန်လိုင်းသင်တန်း။ +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - တက္ကဆက်တက္ကသိုလ်မှ ကိစ္စလေ့လာမှုများ။ + +# လုပ်ငန်း + +[Data Ethics Case Study ရေးရန်](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို ကျေးဇူးပြု၍ သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်ရန် လိုအပ်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ အတည်ပြုထားသော ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားမှုများ သို့မဟုတ် အဓိပ္ပာယ်မှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/02-ethics/assignment.md b/translations/my/1-Introduction/02-ethics/assignment.md new file mode 100644 index 00000000..8d698746 --- /dev/null +++ b/translations/my/1-Introduction/02-ethics/assignment.md @@ -0,0 +1,34 @@ + +## ဒေတာအကျင့်သိက္ခာ ကိစ္စလေ့လာမှုရေးသားခြင်း + +## လမ်းညွှန်ချက်များ + +သင်သည် [ဒေတာအကျင့်သိက္ခာ စိန်ခေါ်မှုများ](README.md#2-ethics-challenges) နှင့် [ကိစ္စလေ့လာမှုများ](README.md#3-case-studies) ကို လက်တွေ့အသုံးချမှုများတွင် အကျင့်သိက္ခာ စိန်ခေါ်မှုများကို ရှင်းလင်းပြသထားသော ဥပမာများကို သင်ယူပြီးဖြစ်ပါသည်။ + +ဤအလုပ်မှာ သင်၏ကိုယ်ပိုင်အတွေ့အကြုံမှ သို့မဟုတ် သင်နားလည်သော သက်ဆိုင်ရာ လက်တွေ့ကမ္ဘာအခြေအနေမှ ဒေတာအကျင့်သိက္ခာ စိန်ခေါ်မှုကို ရှင်းလင်းပြသထားသော ကိုယ်ပိုင် ကိစ္စလေ့လာမှုကို ရေးသားရမည်ဖြစ်သည်။ အောက်ပါအဆင့်များကို လိုက်နာပါ- + +1. `ဒေတာအကျင့်သိက္ခာ စိန်ခေါ်မှုကို ရွေးပါ`။ [သင်ခန်းစာ ဥပမာများ](README.md#2-ethics-challenges) ကိုကြည့်ပါ သို့မဟုတ် [Deon Checklist](https://deon.drivendata.org/examples/) ကဲ့သို့သော အွန်လိုင်း ဥပမာများကို ရှာဖွေပြီး အကြံဉာဏ်ရယူပါ။ + +2. `လက်တွေ့ကမ္ဘာအခြေအနေကို ဖော်ပြပါ`။ သင်ကြားဖူးသော အခြေအနေတစ်ခု (သတင်းခေါင်းစဉ်များ၊ သုတေသန စသည်) သို့မဟုတ် သင်၏ဒေသခံအသိုင်းအဝိုင်းတွင် ကြုံတွေ့ဖူးသော အခြေအနေတစ်ခုကို စဉ်းစားပါ၊ အဲဒီအခြေအနေမှာ အကျင့်သိက္ခာ စိန်ခေါ်မှုဖြစ်ပေါ်ခဲ့သည်။ အကျင့်သိက္ခာနှင့်ဆက်စပ်သော ဒေတာမေးခွန်းများကို စဉ်းစားပြီး ဤပြဿနာကြောင့် ဖြစ်ပေါ်လာသော အန္တရာယ်များ သို့မဟုတ် မျှော်လင့်မထားသော အကျိုးဆက်များကို ဆွေးနွေးပါ။ အပိုအမှတ်ရရန်- ဤပြဿနာကြောင့် ဖြစ်ပေါ်လာသော အကျိုးဆက်များကို ဖယ်ရှားရန် သို့မဟုတ် လျော့ပါးစေရန် အသုံးပြုနိုင်သော ဖြေရှင်းနည်းများ သို့မဟုတ် လုပ်ငန်းစဉ်များကို စဉ်းစားပါ။ + +3. `သက်ဆိုင်သော အရင်းအမြစ်များစာရင်းကို ပေးပါ`။ ဤအခြေအနေသည် လက်တွေ့ကမ္ဘာတွင် ဖြစ်ပေါ်ခဲ့သည်ကို သက်သေပြနိုင်ရန် ဆောင်းပါး၊ ကိုယ်ပိုင်ဘလော့ဂ် သို့မဟုတ် ပုံ၊ အွန်လိုင်းသုတေသနစာတမ်း စသည်တို့ကို ချိတ်ဆက်ထားသော အရင်းအမြစ်တစ်ခု သို့မဟုတ် အများကြီးကို မျှဝေပါ။ အပိုအမှတ်ရရန်- အကျိုးဆက်များနှင့် အန္တရာယ်များကို ပြသထားသော အရင်းအမြစ်များ သို့မဟုတ် ပြန်လည်ဖြစ်ပေါ်မှုကို ကာကွယ်ရန် လုပ်ဆောင်ခဲ့သော အကောင်းဆုံးအဆင့်များကို ဖော်ပြထားသော အရင်းအမြစ်များကို မျှဝေပါ။ + + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | +ဒေတာအကျင့်သိက္ခာ စိန်ခေါ်မှုတစ်ခု သို့မဟုတ် အများကြီးကို ဖော်ပြထားသည်။

ကိစ္စလေ့လာမှုသည် အကျင့်သိက္ခာ စိန်ခေါ်မှုကို ရှင်းလင်းပြသထားသော လက်တွေ့ကမ္ဘာအဖြစ်အပျက်ကို ဖော်ပြထားပြီး အန္တရာယ်များ သို့မဟုတ် မလိုလားအပ်သော အကျိုးဆက်များကို အထူးပြောထားသည်။

ဤအဖြစ်အပျက်ကို သက်သေပြနိုင်ရန် ချိတ်ဆက်ထားသော အရင်းအမြစ်တစ်ခု ရှိသည်။ | ဒေတာအကျင့်သိက္ခာ စိန်ခေါ်မှုတစ်ခုကို ဖော်ပြထားသည်။

သက်ဆိုင်သော အန္တရာယ် သို့မဟုတ် အကျိုးဆက်တစ်ခုကို အနည်းငယ် ဆွေးနွေးထားသည်။

သို့သော် ဆွေးနွေးချက်သည် အကန့်အသတ်ရှိသည် သို့မဟုတ် လက်တွေ့ကမ္ဘာအဖြစ်အပျက်ကို သက်သေပြနိုင်မှုမရှိပါ။ | ဒေတာစိန်ခေါ်မှုတစ်ခုကို ဖော်ပြထားသည်။

သို့သော် ဖော်ပြချက် သို့မဟုတ် အရင်းအမြစ်များသည် စိန်ခေါ်မှုကို သက်သေပြနိုင်မှုမရှိ သို့မဟုတ် လက်တွေ့ကမ္ဘာအဖြစ်အပျက်ကို မလုံလောက်စွာ ဖော်ပြထားသည်။ | + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ဆိုမှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို ကျေးဇူးပြု၍ သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်ရန် လိုအပ်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပြန်ဆိုမှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/03-defining-data/README.md b/translations/my/1-Introduction/03-defining-data/README.md new file mode 100644 index 00000000..64b84579 --- /dev/null +++ b/translations/my/1-Introduction/03-defining-data/README.md @@ -0,0 +1,82 @@ + +# ဒေတာကို သတ်မှတ်ခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)| +|:---:| +|ဒေတာကို သတ်မှတ်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒေတာဆိုတာ အချက်အလက်များ၊ သတင်းအချက်အလက်များ၊ ကြည့်ရှုချက်များနှင့် တိုင်းတာချက်များဖြစ်ပြီး ရှာဖွေတွေ့ရှိမှုများနှင့် သတိပြုထားသော ဆုံးဖြတ်ချက်များကို ပံ့ပိုးရန် အသုံးပြုသည်။ ဒေတာအချက်အလက်တစ်ခုသည် ဒေတာအချက်အလက်စုစည်းမှုတစ်ခုအတွင်းရှိ ဒေတာ၏ တစ်ခုတည်းသောယူနစ်ဖြစ်ပြီး ဒေတာအချက်အလက်များ၏ စုစည်းမှုတစ်ခုဖြစ်သည်။ ဒေတာအချက်အလက်စုစည်းမှုများသည် အမျိုးအစားနှင့် ဖွဲ့စည်းပုံများကွဲပြားနိုင်ပြီး ဒေတာရရှိသော အရင်းအမြစ်ပေါ်မူတည်၍ ဖြစ်လေ့ရှိသည်။ ဥပမာအားဖြင့် ကုမ္ပဏီ၏ လစဉ်ဝင်ငွေများသည် စာရင်းဇယားတွင်ရှိနိုင်သော်လည်း smartwatch မှ နာရီနှုန်းနှင့် နှလုံးခုန်နှုန်းဒေတာသည် [JSON](https://stackoverflow.com/a/383699) ဖော်မတ်တွင်ရှိနိုင်သည်။ ဒေတာသိပ္ပံပညာရှင်များသည် ဒေတာအမျိုးအစားများစွာနှင့် အလုပ်လုပ်လေ့ရှိသည်။ + +ဒီသင်ခန်းစာမှာ ဒေတာ၏ လက္ခဏာများနှင့် အရင်းအမြစ်များအပေါ်မူတည်၍ ဒေတာကို သတ်မှတ်ခြင်းနှင့် အမျိုးအစားခွဲခြင်းကို အဓိကထားသည်။ + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4) +## ဒေတာကို ဘယ်လို ဖော်ပြထားသလဲ + +### Raw Data +Raw data ဆိုတာ ဒေတာရရှိသော အရင်းအမြစ်မှ မူလအခြေအနေတွင်ရှိပြီး မသုံးသပ်ထားသော ဒေတာဖြစ်သည်။ ဒေတာအချက်အလက်စုစည်းမှုတစ်ခုတွင် ဖြစ်နေသောအရာကို နားလည်နိုင်ရန် လူသားများနှင့် နောက်ထပ်သုံးသပ်ရန် အသုံးပြုနိုင်သော နည်းပညာများအတွက် နားလည်နိုင်သော ဖော်မတ်တစ်ခုအဖြစ် စီစဉ်ရန် လိုအပ်သည်။ ဒေတာအချက်အလက်စုစည်းမှု၏ ဖွဲ့စည်းပုံသည် ဒေတာကို ဘယ်လို စီစဉ်ထားသည်ကို ဖော်ပြပြီး structured, unstructured နှင့် semi-structured အဖြစ် အမျိုးအစားခွဲနိုင်သည်။ ဒီအမျိုးအစားများသည် အရင်းအမြစ်ပေါ်မူတည်၍ ကွဲပြားနိုင်သော်လည်း အဓိကအားဖြင့် ဒီသုံးမျိုးအတွင်းသို့ အဆင့်သတ်မှတ်နိုင်သည်။ + +### Quantitative Data +Quantitative data ဆိုတာ ဒေတာအချက်အလက်စုစည်းမှုတစ်ခုအတွင်းရှိ ကိန်းဂဏန်းဆိုင်ရာ ကြည့်ရှုချက်များဖြစ်ပြီး သုံးသပ်နိုင်သည်၊ တိုင်းတာနိုင်သည်၊ သို့မဟုတ် သင်္ချာဆိုင်ရာအနေနှင့် အသုံးပြုနိုင်သည်။ Quantitative data ၏ ဥပမာများမှာ - တစ်နိုင်ငံ၏ လူဦးရေ၊ တစ်ဦး၏ အရပ်အမြင့်၊ သို့မဟုတ် ကုမ္ပဏီ၏ သုံးလပတ်ဝင်ငွေများဖြစ်သည်။ နောက်ထပ်သုံးသပ်မှုများဖြင့် Quantitative data ကို Air Quality Index (AQI) ၏ ရာသီဥတုဆိုင်ရာ လမ်းကြောင်းများကို ရှာဖွေခြင်း သို့မဟုတ် အလုပ်လုပ်ရက်များတွင် Rush Hour Traffic ဖြစ်နိုင်ခြေကို ခန့်မှန်းခြင်းအတွက် အသုံးပြုနိုင်သည်။ + +### Qualitative Data +Qualitative data (categorical data ဟုလည်းခေါ်သည်) ဆိုတာ Quantitative data ကဲ့သို့ တိုင်းတာနိုင်သော ဒေတာမဟုတ်ဘဲ အရည်အသွေးဆိုင်ရာကို ဖမ်းယူထားသော ဒေတာဖြစ်သည်။ Qualitative data သည် အမျိုးမျိုးသော subjective data ဖော်မတ်များဖြစ်ပြီး အရာဝတ္ထု သို့မဟုတ် လုပ်ငန်းစဉ်၏ အရည်အသွေးကို ဖော်ပြသည်။ တစ်ခါတစ်ရံ Qualitative data သည် ကိန်းဂဏန်းဖြစ်နိုင်သော်လည်း သင်္ချာဆိုင်ရာအနေနှင့် မသုံးလေ့ရှိပါ။ ဥပမာအားဖြင့် ဖုန်းနံပါတ်များ သို့မဟုတ် အချိန်မှတ်တိုင်များ။ Qualitative data ၏ ဥပမာများမှာ - ဗီဒီယိုမှတ်ချက်များ၊ ကား၏ အမျိုးအစားနှင့် မော်ဒယ်၊ သို့မဟုတ် သင့်အနီးဆုံးသူငယ်ချင်းများ၏ အကြိုက်ဆုံးအရောင်များဖြစ်သည်။ Qualitative data ကို စားသုံးသူများအကြိုက်ဆုံးထုတ်ကုန်များကို နားလည်ရန် သို့မဟုတ် အလုပ်လျှောက်လွှာများတွင် လူကြိုက်များသော keyword များကို ရှာဖွေရန် အသုံးပြုနိုင်သည်။ + +### Structured Data +Structured data ဆိုတာ အတန်းနှင့် ကော်လံများအဖြစ် စီစဉ်ထားသော ဒေတာဖြစ်ပြီး အတန်းတစ်ခုစီတွင် အတန်းတစ်ခုစီ၏ ကော်လံများတူညီသည်။ ကော်လံများသည် တစ်ခုတည်းသော အမျိုးအစားတန်ဖိုးကို ကိုယ်စားပြုပြီး အတန်းတန်ဖိုးကို ဖော်ပြသော နာမည်ဖြင့် ဖော်ပြထားသည်။ Structured data ၏ အကျိုးကျေးဇူးမှာ ဒေတာကို အခြား structured data နှင့် ဆက်စပ်စီစဉ်နိုင်သည်။ သို့သော် ဒေတာကို အတိအကျစီစဉ်ထားသောကြောင့် ဖွဲ့စည်းပုံကို ပြောင်းလဲရန် အချိန်နှင့် အင်အားများလိုအပ်သည်။ + +ဥပမာများ - စာရင်းဇယားများ၊ relational databases၊ ဖုန်းနံပါတ်များ၊ ဘဏ်စာရင်းများ + +### Unstructured Data +Unstructured data သည် အတန်းနှင့် ကော်လံများအဖြစ် စီစဉ်ထားနိုင်သော ဒေတာမဟုတ်ဘဲ ဖော်မတ် သို့မဟုတ် စည်းမျဉ်းများမပါသော ဒေတာဖြစ်သည်။ Unstructured data ၏ အကျိုးကျေးဇူးမှာ ဒေတာကို ပိုမိုလွယ်ကူစွာ ထည့်သွင်းနိုင်သည်။ သို့သော် ဒေတာကို သုံးသပ်ရန် ပိုမိုအချိန်ယူနိုင်သည်။ + +ဥပမာများ - စာသားဖိုင်များ၊ စာသားမက်ဆေ့များ၊ ဗီဒီယိုဖိုင်များ + +### Semi-structured +Semi-structured data သည် structured နှင့် unstructured data ၏ အရည်အသွေးများပေါင်းစပ်ထားသော ဒေတာဖြစ်သည်။ ဒေတာကို စီစဉ်ထားသော ဖွဲ့စည်းပုံရှိသော်လည်း အတန်းနှင့် ကော်လံများအဖြစ် မသတ်မှတ်ထားပါ။ Metadata သည် ဒေတာကို ဘယ်လို စီစဉ်ထားသည်ကို ဆုံးဖြတ်ရန် အညွှန်းများဖြစ်ပြီး tags, elements, entities, attributes စသည်ဖြင့် ခေါ်နိုင်သည်။ + +ဥပမာများ - HTML, CSV ဖိုင်များ, JavaScript Object Notation (JSON) + +## ဒေတာရင်းမြစ်များ + +ဒေတာရင်းမြစ်ဆိုတာ ဒေတာကို စတင်ဖန်တီးသောနေရာ သို့မဟုတ် "နေထိုင်ရာ" ဖြစ်ပြီး ဒေတာကို ဘယ်လိုနှင့် ဘယ်အချိန်တွင် စုဆောင်းခဲ့သည်ပေါ်မူတည်၍ ကွဲပြားနိုင်သည်။ အသုံးပြုသူများမှ ဖန်တီးသော ဒေတာကို primary data ဟုခေါ်ပြီး အခြားသူများကို မျှဝေသော ဒေတာကို secondary data ဟုခေါ်သည်။ + +ဥပမာ - database, ဖိုင်များ, အင်တာနက်ရင်းမြစ်များ, APIs, web scraping + +## နိဂုံး + +ဒီသင်ခန်းစာမှာ ကျွန်ုပ်တို့ သင်ယူခဲ့သည် - + +- ဒေတာဆိုတာ ဘာလဲ +- ဒေတာကို ဘယ်လို ဖော်ပြထားသလဲ +- ဒေတာကို ဘယ်လို အမျိုးအစားခွဲထားသလဲ +- ဒေတာကို ဘယ်နေရာမှာ ရှာဖွေနိုင်သလဲ + +## 🚀 စိန်ခေါ်မှု + +Kaggle သည် ဖွင့်လွှင့်ထားသော ဒေတာအချက်အလက်စုစည်းမှုများရရှိနိုင်သော အရင်းအမြစ်ကောင်းတစ်ခုဖြစ်သည်။ [dataset search tool](https://www.kaggle.com/datasets) ကို အသုံးပြု၍ စိတ်ဝင်စားဖွယ် ဒေတာအချက်အလက်စုစည်းမှုများကို ရှာဖွေပြီး အောက်ပါအတိုင်း အမျိုးအစားခွဲပါ - + +- ဒေတာသည် Quantitative သို့မဟုတ် Qualitative ဖြစ်ပါသလား။ +- ဒေတာသည် Structured, Unstructured သို့မဟုတ် Semi-structured ဖြစ်ပါသလား။ + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +- Microsoft Learn ၏ [Classify your Data](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) ဟုခေါ်သော unit သည် structured, semi-structured, နှင့် unstructured data အကြောင်းကို အသေးစိတ်ဖော်ပြထားသည်။ + +## အိမ်စာ + +[Classifying Datasets](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသောအချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/03-defining-data/assignment.md b/translations/my/1-Introduction/03-defining-data/assignment.md new file mode 100644 index 00000000..2d1d37af --- /dev/null +++ b/translations/my/1-Introduction/03-defining-data/assignment.md @@ -0,0 +1,79 @@ + +# ဒေတာများကို အမျိုးအစားခွဲခြားခြင်း + +## လမ်းညွှန်ချက်များ + +ဤအလုပ်ပေးစာတွင်ပါရှိသော အကြံပြုချက်များကို လိုက်နာပြီး ဒေတာကို အောက်ပါ ဒေတာအမျိုးအစားများအနက် တစ်ခုစီဖြင့် သတ်မှတ်ပါ။ + +**ဖွဲ့စည်းမှုအမျိုးအစားများ**: ဖွဲ့စည်းထားသော၊ အနည်းငယ်ဖွဲ့စည်းထားသော၊ ဖွဲ့စည်းမထားသော + +**တန်ဖိုးအမျိုးအစားများ**: အရည်အသွေးဆိုင်ရာ (Qualitative) သို့မဟုတ် အရေအတွက်ဆိုင်ရာ (Quantitative) + +**အရင်းအမြစ်အမျိုးအစားများ**: မူလအရင်းအမြစ် (Primary) သို့မဟုတ် ဒုတိယအရင်းအမြစ် (Secondary) + +1. ကုမ္ပဏီတစ်ခုကို ဝယ်ယူပြီး ယခုအခါ မိဘကုမ္ပဏီတစ်ခုရှိနေပါသည်။ ဒေတာသိပ္ပံပညာရှင်များသည် မိဘကုမ္ပဏီမှ ဖုန်းနံပါတ်များပါရှိသော စာရင်းဇယားကို လက်ခံရရှိထားသည်။ + +ဖွဲ့စည်းမှုအမျိုးအစား: + +တန်ဖိုးအမျိုးအစား: + +အရင်းအမြစ်အမျိုးအစား: + +--- + +2. စမတ်နာရီတစ်လက်သည် ၎င်းကို ဝတ်ဆင်ထားသူ၏ နှလုံးခုန်နှုန်းဒေတာကို စုဆောင်းထားပြီး၊ အဆိုပါ မူရင်းဒေတာသည် JSON ဖော်မတ်ဖြစ်သည်။ + +ဖွဲ့စည်းမှုအမျိုးအစား: + +တန်ဖိုးအမျိုးအစား: + +အရင်းအမြစ်အမျိုးအစား: + +--- + +3. အလုပ်ခွင်တွင် ဝန်ထမ်းများ၏ စိတ်ဓာတ်အခြေအနေကို စစ်ဆေးထားသော စစ်တမ်းကို CSV ဖိုင်တွင် သိမ်းဆည်းထားသည်။ + +ဖွဲ့စည်းမှုအမျိုးအစား: + +တန်ဖိုးအမျိုးအစား: + +အရင်းအမြစ်အမျိုးအစား: + +--- + +4. နက္ခတ္တဗေဒပညာရှင်များသည် အာကာသစူးစမ်းရေးယာဉ်မှ စုဆောင်းထားသော ဂလက်ဆီများ၏ ဒေတာအခြေခံအချက်အလက်များကို အသုံးပြုနေသည်။ ဤဒေတာတွင် တစ်ခုချင်းစီသော ဂလက်ဆီအတွင်းရှိ ဂြိုဟ်များအရေအတွက်ပါရှိသည်။ + +ဖွဲ့စည်းမှုအမျိုးအစား: + +တန်ဖိုးအမျိုးအစား: + +အရင်းအမြစ်အမျိုးအစား: + +--- + +5. ကိုယ်ပိုင်ဘဏ္ဍာရေးအက်ပ်တစ်ခုသည် အသုံးပြုသူ၏ ဘဏ္ဍာရေးအကောင့်များနှင့် API များကို ချိတ်ဆက်ပြီး ၎င်းတို့၏ စုစုပေါင်းပိုင်ဆိုင်မှုကိုတွက်ချက်ပေးသည်။ ၎င်းတို့သည် စာရင်းဇယားနှင့် ဆင်တူသော အတန်းနှင့် ကော်လံများဖြင့် ၎င်းတို့၏ လုပ်ငန်းစဉ်များအားလုံးကို ကြည့်နိုင်သည်။ + +ဖွဲ့စည်းမှုအမျိုးအစား: + +တန်ဖိုးအမျိုးအစား: + +အရင်းအမြစ်အမျိုးအစား: + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက်သော | တိုးတက်မှုလိုအပ် +--- | --- | -- | +ဖွဲ့စည်းမှု၊ တန်ဖိုးနှင့် အရင်းအမြစ်များအားလုံးကို မှန်ကန်စွာသတ်မှတ်ထားသည် | ဖွဲ့စည်းမှု၊ တန်ဖိုးနှင့် အရင်းအမြစ်များ ၃ ခုကို မှန်ကန်စွာသတ်မှတ်ထားသည် | ဖွဲ့စည်းမှု၊ တန်ဖိုးနှင့် အရင်းအမြစ်များ ၂ ခု သို့မဟုတ် အနည်းငယ်ကိုမှန်ကန်စွာသတ်မှတ်ထားသည် | + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှု ဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/04-stats-and-probability/README.md b/translations/my/1-Introduction/04-stats-and-probability/README.md new file mode 100644 index 00000000..43f9c301 --- /dev/null +++ b/translations/my/1-Introduction/04-stats-and-probability/README.md @@ -0,0 +1,259 @@ + +# စာရင်းအင်းနှင့် အလားအလာအကြောင်း အကျဉ်းချုပ် + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)| +|:---:| +| စာရင်းအင်းနှင့် အလားအလာ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +စာရင်းအင်းနှင့် အလားအလာ သီအိုရီများသည် သင်္ချာ၏ အလွန်နီးစပ်သော နယ်ပယ်နှစ်ခုဖြစ်ပြီး ဒေတာသိပ္ပံတွင် အလွန်အရေးပါသည်။ သင်္ချာအကြောင်းနက်နက်ရှိုင်းရှိုင်း မသိဘဲ ဒေတာနှင့် လုပ်ဆောင်နိုင်သည်။ သို့သော် အခြေခံအယူအဆများကို အနည်းဆုံး သိထားခြင်းက ပိုမိုကောင်းမွန်ပါသည်။ ဒီမှာ သင်စတင်နိုင်ရန် အကျိုးရှိမည့် အကျဉ်းချုပ်ကို တင်ပြပေးပါမည်။ + +[![Intro Video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.my.png)](https://youtu.be/Z5Zy85g4Yjw) + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) + +## အလားအလာနှင့် အလားအလာမရေရာသော အပြောင်းအလဲများ + +**အလားအလာ** ဆိုသည်မှာ 0 နှင့် 1 အကြားရှိ နံပါတ်တစ်ခုဖြစ်ပြီး **အဖြစ်အပျက်** တစ်ခုဖြစ်နိုင်မှုကို ဖော်ပြသည်။ ၎င်းကို အဖြစ်အပျက်ကို ဖြစ်စေသော အကောင်းဆုံးရလဒ်များ၏ အရေအတွက်ကို အားလုံးတူညီစွာဖြစ်နိုင်သော ရလဒ်များ၏ စုစုပေါင်းအရေအတွက်ဖြင့် ခွဲခြားခြင်းဖြင့် သတ်မှတ်သည်။ ဥပမာအားဖြင့် ကစားသမားတစ်ခုကို လွှဲလိုက်သောအခါ၊ စဉ်ကိန်းရရှိနိုင်မှုမှာ 3/6 = 0.5 ဖြစ်သည်။ + +အဖြစ်အပျက်များကို ပြောသောအခါ **အလားအလာမရေရာသော အပြောင်းအလဲများ** ကို အသုံးပြုသည်။ ဥပမာအားဖြင့် ကစားသမားတစ်ခုကို လွှဲလိုက်သောအခါရရှိသော နံပါတ်ကို ကိုယ်စားပြုသော အလားအလာမရေရာသော အပြောင်းအလဲသည် 1 မှ 6 အထိ တန်ဖိုးများကို ယူပါမည်။ 1 မှ 6 အထိ နံပါတ်များ၏ စုစုပေါင်းကို **နမူနာအကျယ်** ဟုခေါ်သည်။ အလားအလာမရေရာသော အပြောင်းအလဲသည် တန်ဖိုးတစ်ခုကို ယူနိုင်မှုအလားအလာကို ပြောနိုင်သည်။ ဥပမာအားဖြင့် P(X=3)=1/6 ဖြစ်သည်။ + +အထက်ပါ ဥပမာတွင် အလားအလာမရေရာသော အပြောင်းအလဲကို **Discrete** ဟုခေါ်သည်။ အကြောင်းမှာ ၎င်းတွင် ရေတွက်နိုင်သော နမူနာအကျယ်ရှိပြီး၊ သီးခြားတန်ဖိုးများကို ရေတွက်နိုင်သည်။ နမူနာအကျယ်သည် အမှန်တကယ်နံပါတ်များ၏ အကွာအဝေး သို့မဟုတ် အမှန်တကယ်နံပါတ်များ၏ စုံလုံးဖြစ်သော အခြေအနေများလည်း ရှိနိုင်သည်။ ၎င်းတို့ကို **Continuous** ဟုခေါ်သည်။ ကောင်းမွန်သော ဥပမာတစ်ခုမှာ ဘတ်စ်ကားရောက်ရှိချိန်ဖြစ်သည်။ + +## အလားအလာဖြန့်ဖြူးမှု + +Discrete အလားအလာမရေရာသော အပြောင်းအလဲများ၏ အခြေအနေတွင်၊ အဖြစ်အပျက်တစ်ခုစီ၏ အလားအလာကို P(X) ဟုခေါ်သော အလုပ်လုပ်ပုံတစ်ခုဖြင့် ရှင်းလင်းဖော်ပြရန် လွယ်ကူသည်။ နမူနာအကျယ် *S* မှ တန်ဖိုး *s* တစ်ခုစီအတွက်၊ ၎င်းသည် 0 မှ 1 အထိ နံပါတ်တစ်ခုကို ပေးမည်ဖြစ်ပြီး၊ အဖြစ်အပျက်အားလုံးအတွက် P(X=s) တန်ဖိုးများ၏ စုစုပေါင်းသည် 1 ဖြစ်ရမည်။ + +အလွန်ကျော်ကြားသော Discrete ဖြန့်ဖြူးမှုတစ်ခုမှာ **Uniform Distribution** ဖြစ်ပြီး၊ ၎င်းတွင် N အစိတ်အပိုင်းများပါရှိသော နမူနာအကျယ်ရှိပြီး၊ ၎င်းတို့၏ တစ်ခုစီအတွက် အလားအလာမှာ 1/N ဖြစ်သည်။ + +Continuous အပြောင်းအလဲတစ်ခု၏ အလားအလာဖြန့်ဖြူးမှုကို ဖော်ပြရန် ပိုမိုခက်ခဲသည်။ ၎င်းတွင် [a,b] အကွာအဝေး သို့မဟုတ် အမှန်တကယ်နံပါတ်များ၏ စုံလုံး ℝ မှ တန်ဖိုးများကို ရယူသည်။ ဘတ်စ်ကားရောက်ရှိချိန်ကို စဉ်းစားပါ။ အမှန်တကယ်တွင်၊ တိကျသောရောက်ရှိချိန် *t* တစ်ခုအတွက်၊ ဘတ်စ်ကားသည် အတိအကျအချိန်၌ ရောက်ရှိနိုင်မှုအလားအလာမှာ 0 ဖြစ်သည်။ + +> အလားအလာ 0 ရှိသော အဖြစ်အပျက်များသည် ဖြစ်ပျက်လေ့ရှိပြီး၊ အနည်းဆုံး ဘတ်စ်ကားရောက်ရှိသောအချိန်တိုင်း ဖြစ်ပျက်သည်။ + +ကျွန်ုပ်တို့သည် အပြောင်းအလဲတစ်ခုသည် တန်ဖိုးများ၏ အကွာအဝေးတစ်ခုတွင် ရောက်ရှိနိုင်မှုအလားအလာကိုသာ ပြောနိုင်သည်။ ဥပမာအားဖြင့် P(t1≤X2) ဖြစ်သည်။ ဒီအခြေအနေတွင်၊ အလားအလာဖြန့်ဖြူးမှုကို **Probability Density Function** p(x) ဖြင့် ဖော်ပြသည်။ + +![P(t_1\le X1, x2, ..., xn ဖြစ်သည်။ **ပျမ်းမျှတန်ဖိုး** (သို့မဟုတ် **အက္ခရာပျမ်းမျှ**) ကို (x1+x2+xn)/n အဖြစ် ရိုးရှင်းသောနည်းလမ်းဖြင့် သတ်မှတ်နိုင်သည်။ နမူနာအရွယ်အစားကို ကြီးထွားလာသည် (n→∞ ဖြစ်သည်) ဟုယူဆပါက၊ ဖြန့်ဖြူးမှု၏ ပျမ်းမျှတန်ဖိုး (**မျှော်လင့်ချက်**) ကို ရရှိမည်ဖြစ်သည်။ **E**(x) ဟု မျှော်လင့်ချက်ကို မှတ်သားမည်။ + +> Discrete ဖြန့်ဖြူးမှုတစ်ခုသည် {x1, x2, ..., xN} တန်ဖိုးများနှင့် p1, p2, ..., pN အလားအလာများပါရှိသည်ဟုယူဆပါက၊ မျှော်လင့်ချက်သည် E(X)=x1p1+x2p2+...+xNpN ဖြစ်သည်။ + +တန်ဖိုးများသည် ဘယ်လောက်အထိ ပျံ့နှံ့နေသည်ကို သိရန်၊ အပြောင်းအလဲ σ2 = ∑(xi - μ)2/n ကို တွက်ချက်နိုင်သည်။ μ သည် စဉ်၏ ပျမ်းမျှတန်ဖိုးဖြစ်သည်။ σ ကို **စံအလျားအပြောင်းအလဲ** ဟုခေါ်ပြီး၊ σ2 ကို **အပြောင်းအလဲ** ဟုခေါ်သည်။ + +## Mode, Median နှင့် Quartiles + +တစ်ခါတစ်ရံ၊ ပျမ်းမျှတန်ဖိုးသည် ဒေတာ၏ "ပုံမှန်" တန်ဖိုးကို လုံလောက်စွာ ကိုယ်စားပြုမထားနိုင်ပါ။ ဥပမာအားဖြင့်၊ အလွန်အမင်းတန်ဖိုးများရှိပြီး၊ ၎င်းတို့သည် ပျမ်းမျှတန်ဖိုးကို ထိခိုက်စေပါက၊ ပျမ်းမျှတန်ဖိုးကို ထိခိုက်စေပါသည်။ **Median** သည် ဒေတာအချက်အလက်၏ တစ်ဝက်သည် ၎င်းထက်နိမ့်ပြီး၊ တစ်ဝက်သည် ၎င်းထက်မြင့်သော တန်ဖိုးဖြစ်သည်။ + +Quartiles ကို အသုံးပြုခြင်းသည် ဒေတာဖြန့်ဖြူးမှုကို နားလည်ရန် အထောက်အကူဖြစ်သည်။ + +* ပထမ Quartile (Q1) သည် ဒေတာ၏ 25% သည် ၎င်းထက်နိမ့်သော တန်ဖိုးဖြစ်သည်။ +* တတိယ Quartile (Q3) သည် ဒေတာ၏ 75% သည် ၎င်းထက်နိမ့်သော တန်ဖိုးဖြစ်သည်။ + +Median နှင့် Quartiles တို့၏ ဆက်နွယ်မှုကို **Box Plot** ဟုခေါ်သော အကြမ်းဖျင်းပုံစံတွင် ဖော်ပြနိုင်သည်။ + + + +ဒီမှာ **Inter-quartile Range** IQR=Q3-Q1 ကို တွက်ချက်ပြီး၊ **Outliers** ဟုခေါ်သော တန်ဖိုးများကို တွေ့နိုင်သည်။ ၎င်းတို့သည် [Q1-1.5*IQR,Q3+1.5*IQR] အကွာအဝေးအပြင်ရှိသည်။ + +နည်းနည်းသော တန်ဖိုးများပါရှိသော အကန့်အသတ်ဖြန့်ဖြူးမှုအတွက်၊ "ပုံမှန်" တန်ဖိုးက အများဆုံးထပ်နေသော တန်ဖိုးဖြစ်ပြီး၊ ၎င်းကို **Mode** ဟုခေါ်သည်။ ၎င်းကို အရောင်များကဲ့သို့သော အမျိုးအစားဒေတာတွင် အများဆုံးအသုံးပြုသည်။ + +ဥပမာအားဖြင့်၊ လူအုပ်နှစ်အုပ်ရှိပြီး၊ တစ်အုပ်သည် အနီရောင်ကို အလွန်နှစ်သက်ပြီး၊ တစ်အုပ်သည် အပြာရောင်ကို နှစ်သက်သည်။ အရောင်များကို နံပါတ်များဖြင့် ကုဒ်ဖြင့် သတ်မှတ်ပါက၊ အကြိုက်ဆုံးအရောင်အတွက် ပျမ်းမျှတန်ဖိုးသည် လိမ္မော်-အစိမ်းရောင်အကွာအဝေးတွင် ရှိနိုင်ပြီး၊ ၎င်းသည် အုပ်စုနှစ်ခု၏ အကြိုက်ကို မကိုယ်စားပြုနိုင်ပါ။ သို့သော် Mode သည် အရောင်တစ်ခု သို့မဟုတ် အရောင်နှစ်ခုဖြစ်နိုင်ပြီး၊ ၎င်းတို့ကို မဲပေးသူအရေအတွက်တူညီပါက **Multimodal** ဟုခေါ်သည်။ + +## အမှန်တကယ်ဒေတာ + +အမှန်တကယ်ဒေတာကို ခွဲခြမ်းစိတ်ဖြာသောအခါ၊ ၎င်းတို့သည် အလားအလာမရေရာသော အပြောင်းအလဲများမဟုတ်ပါ။ အကြောင်းမှာ ၎င်းတို့သည် မသိသောရလဒ်များဖြင့် စမ်းသပ်မှုများမလုပ်ဆောင်ပါ။ + +ဥပမာအားဖြင့် ဘေ့စ်ဘောကစားသမားအဖွဲ့တစ်ခုနှင့် ၎င်းတို့၏ ကိုယ်ခန္ဓာဒေတာများ၊ height, weight နှင့် age ကဲ့သို့သော ဒေတာများကို စဉ်းစားပါ။ ၎င်းတို့သည် အလားအလာမရေရာသော အပြောင်းအလဲများမဟုတ်သော်လည်း၊ အလားအလာသီအိုရီများကို အလွယ်တကူ အသုံးပြုနိုင်သည်။ + +ဥပမာအားဖြင့် လူများ၏ အလေးချိန်များ၏ စဉ်သည် အလားအလာမရေရာသော အပြောင်းအလဲတစ်ခုမှ ရယူထားသော တန်ဖိုးများ၏ စဉ်အဖြစ် စဉ်းစားနိုင်သည်။ + +``` +[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] +``` + +> **Note**: ဒီဒေတာကို အသုံးပြု၍ အလုပ်လုပ်ပုံကို ကြည့်ရန် [accompanying notebook](notebook.ipynb) ကို ကြည့်ပါ။ ၎င်းသင်ခန်းစာတွင် စိန်ခေါ်မှုများစွာပါရှိပြီး၊ ၎င်းတို့ကို notebook တွင် ကုဒ်ထည့်သွင်းခြင်းဖြင့် ပြီးမြောက်နိုင်သည်။ ဒေတာကို လုပ်ဆောင်ရန် မသိပါက စိတ်မပူပါနှင့် - ကျွန်ုပ်တို့သည် Python ကို အသုံးပြု၍ ဒေတာနှင့် လုပ်ဆောင်ခြင်းကို နောက်ပိုင်းတွင် ပြန်လည်ဆွေးနွေးမည်။ Jupyter Notebook တွင် ကုဒ်ကို အကောင်အထည်ဖော်ရန် မသိပါက [ဒီဆောင်းပါး](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ကို ကြည့်ပါ။ + +ဒီမှာ ကျွန်ုပ်တို့၏ ဒေတာအတွက် ပျမ်းမျှတန်ဖိုး၊ Median နှင့် Quartiles ကို ဖော်ပြထားသော Box Plot ဖြစ်သည်။ + +![Weight Box Plot](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.my.png) + +ကျွန်ုပ်တို့၏ ဒေတာတွင် ကစားသမား **Roles** များအကြောင်း အချက်အလက်များပါရှိသောကြောင့်၊ Role အလိုက် Box Plot ကို ပြုလုပ်နိုင်သည်။ ၎င်းသည် Role အလိုက် Parameter တန်ဖိုးများကွာခြားမှုကို နားလည်ရန် အထောက်အကူဖြစ်စေသည်။ ဒီအကြိမ်မှာ Height ကို စဉ်းစားပါမည်။ + +![Box plot by role](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.my.png) + +ဒီပုံစံသည် ပထမအခြေခံကစားသမား၏ အမြင့်သည် ဒုတိယအခြေခံကစားသမား၏ အမြင့်ထက် ပျမ်းမျှအားဖြင့် မြင့်မားသည်ဟု ဖော်ပြသည်။ ဒီသင်ခန်းစာတွင် ကျွန်ုပ်တို့သည် ဒီအယူအဆကို ပိုမိုတိကျစွာ စမ်းသပ်နည်းများနှင့် ဒေတာသည် အထောက်အထားအလုံလောက်ရှိကြောင်း သက်သေပြနည်းများကို လေ့လာမည်။ + +> အမှန်တကယ်ဒေတာနှင့် အလုပ်လုပ်သောအခါ၊ ဒေတာအချက်အလက်များအားလုံးသည် အလားအလာဖြန့်ဖြူးမှုတစ်ခုမှ ရယူထားသော နမူနာများဖြစ်သည်ဟု ယူဆပါသည်။ ဒီယူဆချက်သည် Machine Learning နည်းလမ်းများကို အသုံးပြုရန်နှင့် အလုပ်လုပ်နိုင်သော ခန့်မှန်းပုံစံများကို တည်ဆောက်ရန် ခွင့်ပြုသည်။ + +ကျွန်ုပ်တို့၏ ဒေတာဖြန့်ဖြူးမှုကို ကြည့်ရန် **Histogram** ဟုခေါ်သော ပုံစံကို ရှုနိုင်သည်။ X-axis တွင် အလေးချိန် interval များ (သို့မဟုတ် **bins**) ပါရှိပြီး၊ Y-axis တွင် အလားအလာမရေရာသော အပြောင်းအလဲနမူနာသည် interval တစ်ခုတွင် ရှိနေသော အကြိမ်အရေအတွက်ကို ဖော်ပြသည်။ + +![Histogram of real world data](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.my.png) + +ဒီ Histogram မှာ အလေးချိန်များ +> **ယုံကြည်မှုအကွာအဝေး** ဆိုသည်မှာ ကျွန်ုပ်တို့၏နမူနာအရ လူဦးရေ၏ အမှန်တကယ်အလယ်တန်းကို ခန့်မှန်းခြင်းဖြစ်ပြီး၊ သတ်မှတ်ထားသော အချို့သောဖြစ်နိုင်ခြေ (သို့မဟုတ် **ယုံကြည်မှုအဆင့်**) ဖြင့် တိကျမှုရှိသည်။ +Suppose ကျွန်တော်တို့မှာ X1, ..., Xn ဆိုတဲ့ distribution မှာ sample တစ်ခုရှိတယ်။ Distribution မှာ sample တစ်ခုကို အကြိမ်ကြိမ်ယူတဲ့အခါ mean value μ က မတူညီတဲ့အချိန်တိုင်းရရှိမယ်။ ဒါကြောင့် μ ကို random variable တစ်ခုအနေနဲ့ သတ်မှတ်နိုင်တယ်။ **Confidence interval** ဆိုတာ confidence p ရှိတဲ့ value pair (Lp,Rp) ဖြစ်ပြီး **P**(Lp≤μ≤Rp) = p ဖြစ်တယ်။ ဒါဟာ mean value တစ်ခု interval အတွင်းမှာ ရောက်ရှိဖို့ probability p ရှိတယ်ဆိုတာကို ဆိုလိုတာပါ။ + +Confidence interval တွေကို ဘယ်လိုတွက်ချက်ရမယ်ဆိုတာကို အကြမ်းဖျင်းအနေနဲ့ မဖော်ပြနိုင်ပါဘူး။ [Wikipedia](https://en.wikipedia.org/wiki/Confidence_interval) မှာ အချက်အလက်ပိုမိုသိရှိနိုင်ပါတယ်။ အကြမ်းဖျင်းအားဖြင့် population ရဲ့ true mean နဲ့ sample mean ရဲ့ distribution ကို **student distribution** လို့ခေါ်ပါတယ်။ + +> **စိတ်ဝင်စားစရာအချက်**: Student distribution ကို mathematician William Sealy Gosset ရေးသားခဲ့ပြီး "Student" ဆိုတဲ့ နာမည်နဲ့ စာတမ်းတင်ခဲ့တယ်။ သူ Guinness brewery မှာ အလုပ်လုပ်ခဲ့ပြီး statistical tests တွေကို raw materials ရဲ့ quality ကိုသတ်မှတ်ဖို့ အသုံးပြုတာကို သူ့အလုပ်ရှင်က အများပြည်သူမသိစေချင်ခဲ့တယ်လို့ ဆိုပါတယ်။ + +Population ရဲ့ mean μ ကို confidence p နဲ့ ခန့်မှန်းချင်ရင် *(1-p)/2-th percentile* ကို Student distribution A မှာယူရမယ်။ Tables မှာယူနိုင်သလို statistical software (ဥပမာ Python, R, စသည်) ရဲ့ built-in functions တွေကို အသုံးပြုနိုင်ပါတယ်။ μ ရဲ့ interval ကို X±A*D/√n နဲ့ ရရှိမယ်။ ဒီမှာ X က sample ရဲ့ mean ဖြစ်ပြီး D က standard deviation ဖြစ်ပါတယ်။ + +> **Note**: Student distribution နဲ့ ဆက်စပ်တဲ့ [degrees of freedom](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) ဆိုတဲ့ အရေးကြီးသော concept ကို ဒီမှာ မဖော်ပြပါဘူး။ Statistics ပိုမိုနက်နက်ရှိုင်းရှိုင်းလေ့လာချင်ရင် စာအုပ်တွေကို ဖတ်ရှုနိုင်ပါတယ်။ + +Weight နဲ့ height တွေကို confidence interval တွေတွက်ချက်တဲ့ ဥပမာကို [accompanying notebooks](notebook.ipynb) မှာတွေ့နိုင်ပါတယ်။ + +| p | Weight mean | +|-----|-----------| +| 0.85 | 201.73±0.94 | +| 0.90 | 201.73±1.08 | +| 0.95 | 201.73±1.28 | + +Confidence probability ပိုမြင့်လာတာနဲ့ confidence interval ပိုကျယ်လာတာကို သတိပြုပါ။ + +## Hypothesis Testing + +Baseball players dataset မှာ player roles မျိုးစုံရှိပြီး အောက်ပါအတိုင်း စုစည်းနိုင်ပါတယ် ([accompanying notebook](notebook.ipynb) ကိုကြည့်ပါ): + +| Role | Height | Weight | Count | +|------|--------|--------|-------| +| Catcher | 72.723684 | 204.328947 | 76 | +| Designated_Hitter | 74.222222 | 220.888889 | 18 | +| First_Baseman | 74.000000 | 213.109091 | 55 | +| Outfielder | 73.010309 | 199.113402 | 194 | +| Relief_Pitcher | 74.374603 | 203.517460 | 315 | +| Second_Baseman | 71.362069 | 184.344828 | 58 | +| Shortstop | 71.903846 | 182.923077 | 52 | +| Starting_Pitcher | 74.719457 | 205.163636 | 221 | +| Third_Baseman | 73.044444 | 200.955556 | 45 | + +First basemen ရဲ့ mean height က second basemen ရဲ့ height ထက် မြင့်တယ်ဆိုတာကို သတိပြုမိတယ်။ ဒါကြောင့် **first basemen are higher than second basemen** ဆိုတဲ့ အကြောင်းအရာကို သတ်မှတ်ချင်တယ်။ + +> ဒီ statement ကို **hypothesis** လို့ခေါ်တယ်။ အကြောင်းက ဒီအချက်အလက်ဟာ တကယ်မှန်မမှန် မသိရသေးလို့ပါ။ + +ဒါပေမယ့် ဒီအချက်အလက်ကို သတ်မှတ်ဖို့ အလွယ်တကူ မဖြစ်နိုင်ပါဘူး။ Mean တစ်ခုစီမှာ confidence interval ရှိပြီး statistical error ဖြစ်နိုင်ပါတယ်။ Hypothesis ကို စမ်းသပ်ဖို့ formal method တစ်ခုလိုအပ်ပါတယ်။ + +First basemen နဲ့ second basemen ရဲ့ height တွေကို confidence interval တွေတွက်ချက်ကြည့်ရအောင်: + +| Confidence | First Basemen | Second Basemen | +|------------|---------------|----------------| +| 0.85 | 73.62..74.38 | 71.04..71.69 | +| 0.90 | 73.56..74.44 | 70.99..71.73 | +| 0.95 | 73.47..74.53 | 70.92..71.81 | + +Confidence level မည်သည့်အချိန်မှာမဆို interval တွေ overlap မဖြစ်ပါဘူး။ ဒါဟာ first basemen are higher than second basemen ဆိုတဲ့ hypothesis ကို အတည်ပြုပါတယ်။ + +Formal အနေနဲ့ ကျွန်တော်တို့ရဲ့ ပြဿနာက **two probability distributions are the same** ဖြစ်မဖြစ်ကို စမ်းသပ်ဖို့ပါ။ Distribution ပေါ်မူတည်ပြီး test မျိုးစုံကို အသုံးပြုရမယ်။ Distribution တွေ normal ဖြစ်တယ်ဆိုရင် **[Student t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)** ကို အသုံးပြုနိုင်ပါတယ်။ + +Student t-test မှာ **t-value** ကိုတွက်ချက်ပြီး variance ကို ထည့်သွင်းစဉ်းစားတယ်။ T-value ဟာ **student distribution** ကို follow လုပ်ပြီး confidence level **p** အတွက် threshold value ရရှိနိုင်တယ်။ T-value ကို threshold နဲ့ နှိုင်းယှဉ်ပြီး hypothesis ကို approve/reject လုပ်နိုင်ပါတယ်။ + +Python မှာ **SciPy** package ကို အသုံးပြုနိုင်ပြီး `ttest_ind` function ပါဝင်ပါတယ်။ Function က t-value ကိုတွက်ချက်ပေးပြီး confidence p-value ကို reverse lookup လုပ်ပေးတယ်။ ဒါကြောင့် confidence ကိုကြည့်ပြီး အတည်ပြုနိုင်ပါတယ်။ + +ဥပမာအားဖြင့် first basemen နဲ့ second basemen ရဲ့ height တွေကို နှိုင်းယှဉ်တဲ့အခါ: +```python +from scipy.stats import ttest_ind + +tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) +print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") +``` +``` +T-value = 7.65 +P-value: 9.137321189738925e-12 +``` +P-value အနည်းငယ်ရှိတာကြောင့် first basemen are taller ဆိုတဲ့ hypothesis ကို အတည်ပြုနိုင်ပါတယ်။ + +အခြား hypothesis မျိုးစုံကိုလည်း စမ်းသပ်နိုင်ပါတယ်၊ ဥပမာ: +* Sample တစ်ခုက distribution တစ်ခုကို follow လုပ်တယ်ဆိုတာကို အတည်ပြုဖို့ +* Sample ရဲ့ mean value က predefined value တစ်ခုနဲ့ ကိုက်ညီတယ်ဆိုတာကို အတည်ပြုဖို့ +* Samples များစွာရဲ့ mean တွေကို နှိုင်းယှဉ်ဖို့ (ဥပမာ: အသက်အရွယ်အုပ်စုများအကြား happiness level တွေကို နှိုင်းယှဉ်) + +## Law of Large Numbers and Central Limit Theorem + +Normal distribution အရေးကြီးတဲ့အကြောင်းအရင်းတစ်ခုက **central limit theorem** ဖြစ်ပါတယ်။ N→∞ ဖြစ်တဲ့အခါ independent N values X1, ..., XN ရဲ့ mean ΣiXi ဟာ normal distribution ဖြစ်တယ်။ Mean က μ ဖြစ်ပြီး variance က σ2/N ဖြစ်တယ်။ + +> Central limit theorem ကို အခြားနည်းလမ်းတစ်ခုနဲ့လည်း ရှင်းလင်းနိုင်ပါတယ်။ Random variable values တွေကို စုပေါင်းပြီး mean တွက်တဲ့အခါ normal distribution ရရှိတယ်။ + +Central limit theorem က N→∞ ဖြစ်တဲ့အခါ sample mean က μ နဲ့ တူဖို့ probability 1 ရှိတယ်ဆိုတာကိုလည်း ပြောပါတယ်။ ဒါကို **law of large numbers** လို့ခေါ်တယ်။ + +## Covariance and Correlation + +Data Science ရဲ့ အရေးကြီးအပိုင်းတစ်ခုက data တွေကြားဆက်စပ်မှုကို ရှာဖွေဖို့ပါ။ Sequence နှစ်ခု **correlate** လုပ်တယ်ဆိုတာက တစ်ချိန်တည်းမှာ behavior တူတူပြသတယ်ဆိုတာပါ။ Sequence တစ်ခုတက်တဲ့အခါ တစ်ခုကျသွားတာမျိုးလည်း ဖြစ်နိုင်ပါတယ်။ + +> Correlation ဟာ causal relationship ကို မပြသနိုင်ပါဘူး။ Variables နှစ်ခုဟာ အခြားအကြောင်းအရာတစ်ခုကြောင့် ဆက်စပ်နိုင်ပါတယ်၊ ဒါမှမဟုတ် chance ကြောင့် correlation ဖြစ်နိုင်ပါတယ်။ ဒါပေမယ့် strong mathematical correlation ရှိရင် variables နှစ်ခုကြားမှာ ဆက်စပ်မှုရှိတယ်လို့ သံသယရှိနိုင်ပါတယ်။ + +Mathematically, random variables နှစ်ခုကြားဆက်စပ်မှုကို **covariance** နဲ့ဖော်ပြတယ်။ Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\] ဖြစ်တယ်။ Variables နှစ်ခု mean values ကနေ ဘယ်လို deviate လုပ်တယ်ဆိုတာကို တွက်ပြီး product တွေကို စုပေါင်းတယ်။ Deviations တူတူဖြစ်ရင် positive covariance ရရှိတယ်။ Deviations မတူရင် negative covariance ရရှိတယ်။ Deviations မဆက်စပ်ရင် covariance က 0 နီးပါးဖြစ်တယ်။ + +Covariance ရဲ့ absolute value က correlation ရဲ့ အရွယ်အစားကို မပြသနိုင်ပါဘူး။ Standard deviation နဲ့ normalize လုပ်ပြီး **correlation** ရရှိနိုင်တယ်။ Correlation က [-1,1] အတွင်းရှိပြီး 1 က strong positive correlation, -1 က strong negative correlation, 0 က correlation မရှိတာကို ဆိုလိုတယ်။ + +**ဥပမာ**: Baseball players dataset မှာ weight နဲ့ height ကြား correlation တွက်ကြည့်ရအောင်: +```python +print(np.corrcoef(weights,heights)) +``` +Result အနေနဲ့ **correlation matrix** ရရှိတယ်: +``` +array([[1. , 0.52959196], + [0.52959196, 1. ]]) +``` + +> Correlation matrix C ကို input sequences S1, ..., Sn အတွက် တွက်နိုင်တယ်။ Cij က Si နဲ့ Sj ကြား correlation ဖြစ်ပြီး diagonal elements တွေက 1 ဖြစ်တယ် (self-correlation of Si). + +Weight နဲ့ height ကြား correlation 0.53 ရှိတာက variables နှစ်ခုကြား ဆက်စပ်မှုရှိတယ်ဆိုတာကို ပြသတယ်။ Scatter plot ကိုလည်း ရိုက်ပြီး relationship ကို visually ကြည့်နိုင်တယ်: + +![Relationship between weight and height](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.my.png) + +> Correlation နဲ့ covariance ရဲ့ ဥပမာများကို [accompanying notebook](notebook.ipynb) မှာတွေ့နိုင်ပါတယ်။ + +## နိဂုံး + +ဒီအပိုင်းမှာ ကျွန်တော်တို့: + +* data ရဲ့ mean, variance, mode, quartiles စတဲ့ statistical properties တွေကို လေ့လာခဲ့တယ် +* random variables ရဲ့ distributions မျိုးစုံကို လေ့လာခဲ့တယ် +* properties မျိုးစုံကြား correlation ရှာဖွေခဲ့တယ် +* math နဲ့ statistics apparatus ကို hypothesis တွေကို အတည်ပြုဖို့ အသုံးပြုခဲ့တယ် +* data sample ရဲ့ random variable အတွက် confidence interval တွေတွက်ခဲ့တယ် + +Probability နဲ့ statistics ရဲ့ အခြေခံအချက်အလက်တွေကို လေ့လာခဲ့ပြီး ဒီ course ကို စတင်ဖို့ လုံလောက်ပါတယ်။ + +## 🚀 Challenge + +Notebook မှာ sample code ကို အသုံးပြုပြီး hypothesis အောက်ပါအတိုင်း စမ်းသပ်ပါ: +1. First basemen are older than second basemen +2. First basemen are taller than third basemen +3. Shortstops are taller than second basemen + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7) + +## Review & Self Study + +Probability နဲ့ statistics ဟာ အကျယ်အဝန်းရှိတဲ့အကြောင်းအရာဖြစ်ပြီး သီးသန့် course တစ်ခုအနေနဲ့လေ့လာဖို့ လိုအပ်ပါတယ်။ Theory ကိုပိုမိုနက်နက်ရှိုင်းရှိုင်းလေ့လာချင်ရင် အောက်ပါစာအုပ်များကို ဖတ်ရှုနိုင်ပါတယ်: + +1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) ရဲ့ [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) lecture notes (online မှာရရှိနိုင်ပါတယ်) +1. [Peter and Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[sample code in R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. +1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[sample code in R](https://github.com/PacktPublishing/Statistics-for-Data-Science)] + +## Assignment + +[Small Diabetes Study](assignment.md) + +## Credits + +ဒီ lesson ကို [Dmitry Soshnikov](http://soshnikov.com) မှ ♥️ နဲ့ရေးသားထားပါတယ်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/04-stats-and-probability/assignment.md b/translations/my/1-Introduction/04-stats-and-probability/assignment.md new file mode 100644 index 00000000..5ac9e457 --- /dev/null +++ b/translations/my/1-Introduction/04-stats-and-probability/assignment.md @@ -0,0 +1,40 @@ + +# သေးငယ်သော ဆီးချိုလေ့လာမှု + +ဒီအလုပ်မှာ [ဒီမှာ](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html) ရရှိတဲ့ ဆီးချိုလူနာများ၏ သေးငယ်သော ဒေတာစနစ်ကို အသုံးပြုမည်ဖြစ်သည်။ + +| | အသက် | ကျား/မ | ကိုယ်အလေးချိန် | သွေးပေါင် | S1 | S2 | S3 | S4 | S5 | S6 | Y | +|---|-----|-----|-----|----|----|----|----|----|----|----|----| +| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 | +| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 | +| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 | +| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... | + +## လုပ်ဆောင်ရန် + +* [assignment notebook](assignment.ipynb) ကို jupyter notebook ပတ်ဝန်းကျင်တွင် ဖွင့်ပါ။ +* notebook တွင် ဖော်ပြထားသော အလုပ်များကို ပြီးမြောက်စေရန် လုပ်ဆောင်ပါ၊ အထူးသဖြင့်: + * [ ] တန်ဖိုးများ၏ ပျမ်းမျှနှင့် အပြောင်းအလဲကို တွက်ချက်ပါ။ + * [ ] ကျား/မပေါ်မူတည်၍ ကိုယ်အလေးချိန် (BMI), သွေးပေါင် (BP) နှင့် Y အတွက် boxplot များ ရှုပါ။ + * [ ] အသက်, ကျား/မ, ကိုယ်အလေးချိန် (BMI) နှင့် Y အပြောင်းအလဲများ၏ ဖြန့်ဖြူးမှုကို ရှာပါ။ + * [ ] အမျိုးမျိုးသော အပြောင်းအလဲများနှင့် ရောဂါတိုးတက်မှု (Y) အကြား ဆက်နွယ်မှုကို စမ်းသပ်ပါ။ + * [ ] ဆီးချိုရောဂါတိုးတက်မှုအဆင့်သည် ကျား/မအလိုက် ကွာခြားမှုရှိသည်ဟု ဆိုသော သီအိုရီကို စမ်းသပ်ပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | +လိုအပ်သော အလုပ်အားလုံး ပြီးမြောက်ပြီး၊ ဂရပ်များနှင့် ရှင်းလင်းချက်များ ပါဝင်သည် | အလုပ်များ၏ အများစု ပြီးမြောက်ပြီး၊ ဂရပ်များနှင့်/သို့မဟုတ် ရရှိသော တန်ဖိုးများအပေါ် ရှင်းလင်းချက်များ မပါဝင် | ပျမ်းမျှတန်ဖိုး/အပြောင်းအလဲ တွက်ချက်ခြင်းနှင့် အခြေခံဂရပ်များသာ ပြုလုပ်ပြီး၊ ဒေတာမှ အနှိပ်အယူများ မပြုလုပ်ထား + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/1-Introduction/README.md b/translations/my/1-Introduction/README.md new file mode 100644 index 00000000..b1e0dbb8 --- /dev/null +++ b/translations/my/1-Introduction/README.md @@ -0,0 +1,31 @@ + +# ဒေတာသိပ္ပံအကျဉ်းချုပ် + +![ဒေတာအလုပ်လုပ်နေမှု](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.my.jpg) +> ဓာတ်ပုံကို Stephen Dawson မှ Unsplash တွင် ရိုက်ထားသည် + +ဒီသင်ခန်းစာများတွင် ဒေတာသိပ္ပံကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်ဆိုရမယ်ဆိုတာကို ရှင်းလင်းသွားမှာဖြစ်ပြီး ဒေတာသိပ္ပံပညာရှင်တစ်ဦးအနေနဲ့ လိုက်နာရမယ့် ကျင့်ဝတ်ဆိုင်ရာအချက်များကိုလည်း သင်ယူရမယ်။ ဒေတာကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်ဆိုရမယ်ဆိုတာကိုလည်း သင်ယူရမယ်။ ဒါ့အပြင် ဒေတာသိပ္ပံရဲ့ အဓိကပညာရပ်များဖြစ်တဲ့ စာရင်းအင်းနှင့် အလားအလာဆိုင်ရာအခြေခံအချက်များကိုလည်း နည်းနည်းလေး သင်ယူရမယ်။ + +### ခေါင်းစဉ်များ + +1. [ဒေတာသိပ္ပံကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်း](01-defining-data-science/README.md) +2. [ဒေတာသိပ္ပံကျင့်ဝတ်များ](02-ethics/README.md) +3. [ဒေတာကို အဓိပ္ပာယ်ဖွင့်ဆိုခြင်း](03-defining-data/README.md) +4. [စာရင်းအင်းနှင့် အလားအလာဆိုင်ရာ အကျဉ်းချုပ်](04-stats-and-probability/README.md) + +### ကျေးဇူးတင်စကား + +ဒီသင်ခန်းစာများကို ❤️ ဖြင့် [Nitya Narasimhan](https://twitter.com/nitya) နှင့် [Dmitry Soshnikov](https://twitter.com/shwars) တို့က ရေးသားထားပါသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် ရှုလေ့လာသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်ခြင်းကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/05-relational-databases/README.md b/translations/my/2-Working-With-Data/05-relational-databases/README.md new file mode 100644 index 00000000..892d4ad3 --- /dev/null +++ b/translations/my/2-Working-With-Data/05-relational-databases/README.md @@ -0,0 +1,181 @@ + +# ဒေတာနှင့်အလုပ်လုပ်ခြင်း: ဆက်စပ်ဒေတာဘေ့စ်များ + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)| +|:---:| +| ဒေတာနှင့်အလုပ်လုပ်ခြင်း: ဆက်စပ်ဒေတာဘေ့စ်များ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +သင်ဟာ အတိတ်မှာ spreadsheet တစ်ခုကို သတင်းအချက်အလက်များကို သိမ်းဆည်းရန် အသုံးပြုဖူးတယ်ဆိုတာ များစွာဖြစ်နိုင်ပါတယ်။ သင်မှာ အတန်းများနဲ့ ကော်လံများရှိပြီး၊ အတန်းတွေမှာ သတင်းအချက်အလက် (သို့မဟုတ် ဒေတာ) ပါဝင်ပြီး၊ ကော်လံတွေကတော့ သတင်းအချက်အလက်ကို ဖော်ပြပေးပါတယ် (တခါတရံ metadata လို့ခေါ်ပါတယ်)။ ဆက်စပ်ဒေတာဘေ့စ်ဟာ ကော်လံနဲ့ အတန်းတွေပါဝင်တဲ့ ဒီအခြေခံအယူအဆပေါ်မှာ တည်ဆောက်ထားပြီး၊ သတင်းအချက်အလက်တွေကို အမျိုးမျိုးသောဇယားများတွင် ဖြန့်ဝေထားနိုင်စေပါတယ်။ ဒါကတော့ ပိုမိုရှုပ်ထွေးတဲ့ ဒေတာတွေနဲ့ အလုပ်လုပ်နိုင်စေပြီး၊ ထပ်တူထပ်မျှဖြစ်မှုကို ရှောင်ရှားနိုင်စေပြီး၊ ဒေတာကို စူးစမ်းဖော်ထုတ်ရာမှာ လွယ်ကူမှုရှိစေပါတယ်။ ဆက်စပ်ဒေတာဘေ့စ်၏ အယူအဆများကို လေ့လာကြည့်ရအောင်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8) + +## အားလုံးဟာ ဇယားတွေနဲ့ စတင်တည်ဆောက်ထားပါတယ် + +ဆက်စပ်ဒေတာဘေ့စ်တစ်ခုမှာ အဓိကအခြေခံအနေနဲ့ ဇယားတွေရှိပါတယ်။ spreadsheet တစ်ခုနဲ့တူသလို၊ ဇယားတစ်ခုဟာ ကော်လံနဲ့ အတန်းတွေကို စုစည်းထားတာဖြစ်ပါတယ်။ အတန်းတွေဟာ ကျွန်တော်တို့ အလုပ်လုပ်ချင်တဲ့ ဒေတာ သို့မဟုတ် သတင်းအချက်အလက်တွေကို ပါဝင်ပြီး၊ ကော်လံတွေကတော့ သူတို့ သိမ်းဆည်းထားတဲ့ ဒေတာကို ဖော်ပြပေးပါတယ်။ + +မြို့တော်များအကြောင်း သတင်းအချက်အလက်ကို သိမ်းဆည်းရန် ဇယားတစ်ခုကို စတင်ဖန်တီးကြည့်ရအောင်။ သူတို့ရဲ့ နာမည်နဲ့ နိုင်ငံကို စတင်သိမ်းဆည်းနိုင်ပါတယ်။ ဒါကို အောက်ပါဇယားအတိုင်း သိမ်းဆည်းနိုင်ပါတယ်- + +| City | Country | +| -------- | ------------- | +| Tokyo | Japan | +| Atlanta | United States | +| Auckland | New Zealand | + +**city**, **country** နဲ့ **population** ကော်လံနာမည်တွေက သိမ်းဆည်းထားတဲ့ ဒေတာကို ဖော်ပြပေးပြီး၊ အတန်းတစ်ခုစီမှာ မြို့တစ်မြို့အကြောင်း သတင်းအချက်အလက်တွေ ပါဝင်ပါတယ်။ + +## တစ်ခုတည်းသော ဇယားနည်းလမ်း၏ အားနည်းချက်များ + +အထက်ပါဇယားဟာ သင့်အတွက် ရိုးရှင်းပြီး မျက်နှာမူဖွယ်ရှိတယ်လို့ ထင်ရနိုင်ပါတယ်။ ဒေတာဘေ့စ်ကို ပိုမိုချဲ့ထွင်ပြီး နှစ်စဉ်မိုးရွာမှု (မီလီမီတာဖြင့်) အချက်အလက်တွေကို ထည့်သွင်းကြည့်ရအောင်။ 2018, 2019, 2020 နှစ်တွေကို အာရုံစိုက်ကြည့်မယ်။ Tokyo အတွက် ထည့်သွင်းမယ်ဆိုရင် အောက်ပါအတိုင်း ဖြစ်နိုင်ပါတယ်- + +| City | Country | Year | Amount | +| ----- | ------- | ---- | ------ | +| Tokyo | Japan | 2020 | 1690 | +| Tokyo | Japan | 2019 | 1874 | +| Tokyo | Japan | 2018 | 1445 | + +ဒီဇယားကို ကြည့်ပြီး သတိထားမိတာရှိလား? မြို့နာမည်နဲ့ နိုင်ငံအမည်ကို ထပ်တူထပ်မျှ ထည့်သွင်းထားတာကို သတိထားမိနိုင်ပါတယ်။ ဒါဟာ သိမ်းဆည်းမှုအများကြီးယူသွားနိုင်ပြီး၊ အဓိကအားဖြင့် မလိုအပ်တဲ့ ထပ်တူဖြစ်မှုဖြစ်ပါတယ်။ Tokyo ဟာ ကျွန်တော်တို့စိတ်ဝင်စားတဲ့ နာမည်တစ်ခုသာ ရှိပါတယ်။ + +အိုကေ၊ တခြားနည်းလမ်းကို ကြိုးစားကြည့်ရအောင်။ နှစ်စဉ်အတွက် ကော်လံအသစ်တွေ ထည့်သွင်းကြည့်မယ်- + +| City | Country | 2018 | 2019 | 2020 | +| -------- | ------------- | ---- | ---- | ---- | +| Tokyo | Japan | 1445 | 1874 | 1690 | +| Atlanta | United States | 1779 | 1111 | 1683 | +| Auckland | New Zealand | 1386 | 942 | 1176 | + +ဒီနည်းလမ်းက အတန်းထပ်တူဖြစ်မှုကို ရှောင်ရှားပေးနိုင်ပေမယ့် အခြားပြဿနာတွေကို ဖြစ်စေပါတယ်။ နှစ်အသစ်တစ်ခုရောက်တိုင်း ဇယားဖွဲ့စည်းမှုကို ပြင်ဆင်ဖို့ လိုအပ်လာနိုင်ပါတယ်။ ထို့အပြင် ဒေတာတွေ တိုးလာတာနဲ့အမျှ နှစ်တွေကို ကော်လံအဖြစ်ထားတာက ဒေတာကို ရှာဖွေခြင်းနဲ့ တွက်ချက်ရာမှာ ပိုမိုခက်ခဲစေပါတယ်။ + +ဒါကြောင့် ဇယားများစွာနဲ့ ဆက်စပ်မှုတွေ လိုအပ်ပါတယ်။ ဒေတာကို ခွဲထုတ်ထားခြင်းဖြင့် ထပ်တူဖြစ်မှုကို ရှောင်ရှားနိုင်ပြီး၊ ဒေတာနဲ့ အလုပ်လုပ်ရာမှာ ပိုမိုလွယ်ကူမှု ရရှိနိုင်ပါတယ်။ + +## ဆက်စပ်မှု၏ အယူအဆများ + +ကျွန်တော်တို့ရဲ့ ဒေတာကို ပြန်လည်ကြည့်ပြီး ဘယ်လိုခွဲထုတ်မလဲ ဆုံးဖြတ်ကြည့်ရအောင်။ မြို့နာမည်နဲ့ နိုင်ငံအမည်ကို သိမ်းဆည်းချင်တာကို သိပြီးသားဖြစ်ပါတယ်၊ ဒါကြောင့် ဒါကို ဇယားတစ်ခုမှာ သိမ်းဆည်းရမယ်လို့ ထင်ရပါတယ်။ + +| City | Country | +| -------- | ------------- | +| Tokyo | Japan | +| Atlanta | United States | +| Auckland | New Zealand | + +ဒါပေမယ့် နောက်ထပ်ဇယားကို ဖန်တီးမတိုင်မီ၊ မြို့တစ်မြို့ကို ဘယ်လိုကိုးကားမလဲ ဆုံးဖြတ်ဖို့ လိုအပ်ပါတယ်။ တစ်ခုတည်းသော အတန်းကို သတ်မှတ်ဖော်ပြဖို့ ID သို့မဟုတ် (နည်းပညာဆိုင်ရာဒေတာဘေ့စ်အရ) primary key တစ်ခုလိုအပ်ပါတယ်။ Primary key ဟာ ဇယားတစ်ခုမှာ အတန်းတစ်ခုစီကို သီးခြားသတ်မှတ်ဖော်ပြဖို့ အသုံးပြုတဲ့ တန်ဖိုးတစ်ခုဖြစ်ပါတယ်။ ဒါဟာ နာမည်လိုက်မူတည်နိုင်ပေမယ့် (ဥပမာ မြို့နာမည်ကို အသုံးပြုနိုင်ပါတယ်)၊ အမြဲတမ်းနံပါတ် သို့မဟုတ် အခြား ID တစ်ခုဖြစ်သင့်ပါတယ်။ ID ဟာ ဘယ်တော့မှ မပြောင်းလဲသင့်ပါဘူး၊ ပြောင်းလဲမယ်ဆိုရင် ဆက်စပ်မှုကို ပျက်စီးစေမှာဖြစ်ပါတယ်။ အများအားဖြင့် primary key သို့မဟုတ် ID ဟာ အလိုအလျောက်ဖန်တီးတဲ့ နံပါတ်ဖြစ်လေ့ရှိပါတယ်။ + +> ✅ Primary key ကို အတိုကောက် PK လို့ ခေါ်လေ့ရှိပါတယ်။ + +### cities + +| city_id | City | Country | +| ------- | -------- | ------------- | +| 1 | Tokyo | Japan | +| 2 | Atlanta | United States | +| 3 | Auckland | New Zealand | + +> ✅ ဒီသင်ခန်းစာအတွင်း "id" နဲ့ "primary key" ဆိုတဲ့ စကားလုံးတွေကို အပြောင်းအလဲအသုံးပြုတာကို သတိထားမိပါလိမ့်မယ်။ ဒီအယူအဆတွေဟာ DataFrames တွေမှာလည်း သက်ဆိုင်ပါတယ်၊ ဒါပေမယ့် DataFrames တွေမှာ "primary key" ဆိုတဲ့ စကားလုံးကို အသုံးမပြုပါဘူး၊ သို့သော် သူတို့ဟာ အလားတူပုံစံနဲ့ အလုပ်လုပ်တယ်ဆိုတာ သတိထားမိပါလိမ့်မယ်။ + +မြို့တော်ဇယားကို ဖန်တီးပြီးပါက၊ မိုးရွာမှုကို သိမ်းဆည်းကြည့်ရအောင်။ မြို့အကြောင်း အပြည့်အစုံကို ထပ်တူထည့်သွင်းမယ့်အစား ID ကို အသုံးပြုနိုင်ပါတယ်။ အသစ်ဖန်တီးတဲ့ ဇယားမှာလည်း *id* ကော်လံတစ်ခု ထည့်သွင်းထားသင့်ပါတယ်၊ ဇယားတိုင်းမှာ id သို့မဟုတ် primary key တစ်ခုရှိသင့်ပါတယ်။ + +### rainfall + +| rainfall_id | city_id | Year | Amount | +| ----------- | ------- | ---- | ------ | +| 1 | 1 | 2018 | 1445 | +| 2 | 1 | 2019 | 1874 | +| 3 | 1 | 2020 | 1690 | +| 4 | 2 | 2018 | 1779 | +| 5 | 2 | 2019 | 1111 | +| 6 | 2 | 2020 | 1683 | +| 7 | 3 | 2018 | 1386 | +| 8 | 3 | 2019 | 942 | +| 9 | 3 | 2020 | 1176 | + +အသစ်ဖန်တီးထားတဲ့ **rainfall** ဇယားထဲမှာ **city_id** ကော်လံကို သတိထားမိပါလိမ့်မယ်။ ဒီကော်လံဟာ **cities** ဇယားထဲက ID တွေကို ကိုးကားထားတဲ့ တန်ဖိုးတွေ ပါဝင်ပါတယ်။ နည်းပညာဆိုင်ရာ ဆက်စပ်ဒေတာအရ ဒီကို **foreign key** လို့ ခေါ်ပါတယ်၊ ဒါဟာ တခြားဇယားက primary key တစ်ခုဖြစ်ပါတယ်။ ဒါကို ကိုးကားချက် သို့မဟုတ် pointer တစ်ခုအနေနဲ့ ထင်မြင်နိုင်ပါတယ်။ **city_id** 1 ဟာ Tokyo ကို ကိုးကားထားပါတယ်။ + +> [!NOTE] Foreign key ကို အတိုကောက် FK လို့ ခေါ်လေ့ရှိပါတယ်။ + +## ဒေတာကို ရှာဖွေခြင်း + +ဒေတာကို ဇယားနှစ်ခုခွဲထားပြီးနောက်၊ ဒေတာကို ဘယ်လိုရှာဖွေမလဲဆိုတာ စဉ်းစားနိုင်ပါတယ်။ MySQL, SQL Server, Oracle တို့လို ဆက်စပ်ဒေတာဘေ့စ်ကို အသုံးပြုမယ်ဆိုရင် Structured Query Language (SQL) လို့ခေါ်တဲ့ ဘာသာစကားတစ်ခုကို အသုံးပြုနိုင်ပါတယ်။ SQL (တခါတရံ sequel လို့လည်း အသံထွက်) ဟာ ဆက်စပ်ဒေတာဘေ့စ်ထဲက ဒေတာကို ရှာဖွေခြင်းနဲ့ ပြင်ဆင်ခြင်းအတွက် အသုံးပြုတဲ့ စံဘာသာစကားတစ်ခုဖြစ်ပါတယ်။ + +ဒေတာကို ရှာဖွေဖို့ `SELECT` ဆိုတဲ့ command ကို အသုံးပြုပါတယ်။ အဓိကအားဖြင့် သင် **ကြည့်ချင်တဲ့ ကော်လံတွေကို** **သင့်ဇယားထဲကနေ** ရွေးချယ်ပါတယ်။ မြို့နာမည်တွေကိုသာ ပြသချင်တယ်ဆိုရင် အောက်ပါအတိုင်း ရေးနိုင်ပါတယ်- + +```sql +SELECT city +FROM cities; + +-- Output: +-- Tokyo +-- Atlanta +-- Auckland +``` + +`SELECT` ဟာ သင်ကြည့်ချင်တဲ့ ကော်လံတွေကို ရေးတဲ့နေရာဖြစ်ပြီး၊ `FROM` ဟာ သူတို့ပါဝင်တဲ့ ဇယားကို ရေးတဲ့နေရာဖြစ်ပါတယ်။ + +> [NOTE] SQL syntax ဟာ case-insensitive ဖြစ်ပါတယ်၊ `select` နဲ့ `SELECT` ဟာ တူညီတဲ့အဓိပ္ပါယ်ရှိပါတယ်။ သို့သော် သင်အသုံးပြုတဲ့ ဒေတာဘေ့စ်အမျိုးအစားပေါ်မူတည်ပြီး ကော်လံနဲ့ ဇယားတွေက case-sensitive ဖြစ်နိုင်ပါတယ်။ ဒါကြောင့် programming မှာ အရာအားလုံးကို case-sensitive ဖြစ်တယ်လို့ သတ်မှတ်ပြီး အမြဲတမ်းလုပ်ဆောင်သင့်ပါတယ်။ SQL query တွေကို ရေးတဲ့အခါ keyword တွေကို အမြဲ uppercase နဲ့ရေးတာဟာ သုံးစွဲမှုအလေ့အကျင့်ဖြစ်ပါတယ်။ + +အထက်ပါ query ဟာ မြို့အားလုံးကို ပြသပေးပါလိမ့်မယ်။ အကယ်၍ New Zealand မှာရှိတဲ့ မြို့တွေကိုသာ ပြသချင်တယ်ဆိုရင် filter တစ်ခုလိုအပ်ပါတယ်။ SQL keyword ကတော့ `WHERE` ဖြစ်ပြီး၊ "တစ်ခုခုမှန်ကန်တဲ့နေရာ" လို့ အဓိပ္ပါယ်ရပါတယ်။ + +```sql +SELECT city +FROM cities +WHERE country = 'New Zealand'; + +-- Output: +-- Auckland +``` + +## ဒေတာတွေကို ပေါင်းစည်းခြင်း + +အခုထိ ကျွန်တော်တို့ ဇယားတစ်ခုထဲက ဒေတာကိုသာ ရှာဖွေခဲ့ပါတယ်။ အခုတော့ **cities** နဲ့ **rainfall** ဇယားနှစ်ခုက ဒေတာတွေကို ပေါင်းစည်းချင်ပါတယ်။ ဒါကို *joining* လို့ခေါ်ပါတယ်။ သင် effectively ဇယားနှစ်ခုကြားမှာ ချိတ်ဆက်မှုတစ်ခု ဖန်တီးပြီး၊ ဇယားတစ်ခုစီက ကော်လံတစ်ခုစီရဲ့ တန်ဖိုးတွေကို ကိုက်ညီစေမှာဖြစ်ပါတယ်။ + +ကျွန်တော်တို့ရဲ့ ဥပမာမှာ **rainfall** ဇယားထဲက **city_id** ကော်လံနဲ့ **cities** ဇယားထဲက **city_id** ကော်လံကို ကိုက်ညီစေမှာဖြစ်ပါတယ်။ ဒါဟာ မိုးရွာမှုတန်ဖိုးကို သူ့ရဲ့ သက်ဆိုင်ရာ မြို့နဲ့ ကိုက်ညီစေမှာဖြစ်ပါတယ်။ ကျွန်တော်တို့လုပ်မယ့် join အမျိုးအစားက *inner* join လို့ခေါ်ပြီး၊ ဇယားတစ်ခုက အတန်းတစ်ခုစီဟာ တစ်ခုခုနဲ့ ကိုက်ညီမယ်ဆိုမှသာ ပြသပေးမှာဖြစ်ပါတယ်။ ကျွန်တော်တို့ရဲ့ ဥပမာမှာ မြို့တိုင်းမှာ မိုးရွာမှုရှိတာကြောင့် အားလုံးကို ပြသပေးမှာဖြစ်ပါတယ်။ + +ကျွန်တော်တို့ရဲ့ မြို့အားလုံးအတွက် 2019 ခုနှစ် မိုးရွာမှုကို ရှာဖွေကြည့်ရအောင်။ + +ဒီကို အဆင့်လိုက်လုပ်ဆောင်ပါမယ်။ ပထမအဆင့်ကတော့ **city_id** ကော်လံကို ကိုက်ညီစေပြီး ဇယားတွေကို ပေါင်းစည်းဖို့ ဖြစ်ပါတယ်။ + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +``` + +ကျွန်တော်တို့ highlight လုပ်ထားတဲ့ ကော်လံနှစ်ခုနဲ့ ဇယားတွေကို **city_id** ကော်လံဖြင့် ပေါင်းစည်းချင်တယ်ဆိုတာကို ဖော်ပြထားပါတယ်။ အခုတော့ `WHERE` statement ကို ထည့်သွင်းပြီး 2019 ခုနှစ်ကိုသာ filter လုပ်ကြည့်ရအောင်။ + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +WHERE rainfall.year = 2019 + +-- Output + +-- city | amount +-- -------- | ------ +-- Tokyo | 1874 +-- Atlanta | 1111 +-- Auckland | 942 +``` + +## အနှိပ်ချုပ် + +ဆက်စပ်ဒေတာဘေ့စ်တွေဟာ သတင်းအချက်အလက်တွေကို ဇယားများစွာအကြား ခွဲထုတ်ထားပြီး၊ ပြန်လည်ဖော်ပြခြင်းနဲ့ ချိန်ညှိမှုအတွက် ပြန်လည်ပေါင်းစည်းထားတာဖြစ်ပါတယ်။ ဒါဟာ တွက်ချက်မှုတွေကို ပြုလုပ်ခြင်းနဲ့ ဒေတာကို ပြောင်းလဲခြင်းအတွက် အလွန်လွယ်ကူမှုရှိစေပါတယ်။ သင်ဟာ ဆက်စပ်ဒေတာဘေ့စ်ရဲ့ အဓိကအယူအဆတွေကို မြင်တွေ့ပြီး၊ ဇယားနှစ်ခုကြား join ပြုလုပ်ပုံကိုလည်း လေ့လာခဲ့ပါပြီ။ + +## 🚀 စိန်ခေါ်မှု + +အင်တာနက်ပေါ်မှာ ဆက်စပ်ဒေတာဘေ့စ်အမျိုးမျိုး ရှိပါတယ်။ သင်လေ့လာခဲ့တဲ့ ကျွမ်းကျင်မှုတွေကို အသုံးပြုပြီး ဒေတာကို စူးစမ်းကြည့်နိုင်ပါတယ်။ + +## Post + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားခြင်း သို့မဟုတ် အဓိပ္ပါယ်မှားခြင်းများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/05-relational-databases/assignment.md b/translations/my/2-Working-With-Data/05-relational-databases/assignment.md new file mode 100644 index 00000000..9f159a14 --- /dev/null +++ b/translations/my/2-Working-With-Data/05-relational-databases/assignment.md @@ -0,0 +1,73 @@ + +# လေဆိပ်ဆိုင်ရာ ဒေတာကို ပြသခြင်း + +သင့်အား [SQLite](https://sqlite.org/index.html) အခြေခံပြီး တည်ဆောက်ထားသော [ဒေတာဘေစ်စ်](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) တစ်ခုကို ပေးထားပြီး၊ လေဆိပ်ဆိုင်ရာ အချက်အလက်များ ပါဝင်သည်။ Schema ကို အောက်တွင် ပြထားသည်။ သင်သည် [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) တွင် [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) ကို အသုံးပြု၍ မြို့များ၏ လေဆိပ်ဆိုင်ရာ အချက်အလက်များကို ပြသမည်ဖြစ်သည်။ + +## လုပ်ဆောင်ရန်ညွှန်ကြားချက်များ + +ဤအလုပ်ကို စတင်လုပ်ဆောင်ရန် သင်သည် အဆင့်အတန်းအချို့ကို လုပ်ဆောင်ရန် လိုအပ်ပါမည်။ အချို့သော tools များကို ထည့်သွင်းပြီး နမူနာ ဒေတာဘေစ်စ်ကို ဒေါင်းလုဒ်လုပ်ရန် လိုအပ်ပါမည်။ + +### သင့်စနစ်ကို ပြင်ဆင်ပါ + +Visual Studio Code နှင့် SQLite extension ကို အသုံးပြု၍ ဒေတာဘေစ်စ်နှင့် အပြန်အလှန် ဆက်သွယ်နိုင်ပါသည်။ + +1. [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) သို့ သွားပြီး Visual Studio Code ကို ထည့်သွင်းရန် ညွှန်ကြားချက်များကို လိုက်နာပါ +1. [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) ကို Marketplace စာမျက်နှာတွင် ရှိသော ညွှန်ကြားချက်များအတိုင်း ထည့်သွင်းပါ + +### ဒေတာဘေစ်စ်ကို ဒေါင်းလုဒ်လုပ်ပြီး ဖွင့်ပါ + +နောက်တစ်ဆင့်တွင် ဒေတာဘေစ်စ်ကို ဒေါင်းလုဒ်လုပ်ပြီး ဖွင့်ပါ။ + +1. [GitHub မှ ဒေတာဘေစ်စ်ဖိုင်](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) ကို ဒေါင်းလုဒ်လုပ်ပြီး ဖိုင်ကို တစ်ခုခုသော ဒါရိုက်ထရီတွင် သိမ်းဆည်းပါ +1. Visual Studio Code ကို ဖွင့်ပါ +1. **Ctl-Shift-P** (Mac တွင် **Cmd-Shift-P**) ကို ရိုက်နှိပ်ပြီး `SQLite: Open database` ဟု ရိုက်ပါ၊ ထို့နောက် SQLite extension တွင် ဒေတာဘေစ်စ်ကို ဖွင့်ပါ +1. **Choose database from file** ကို ရွေးပြီး သင် ဒေါင်းလုဒ်လုပ်ထားသော **airports.db** ဖိုင်ကို ဖွင့်ပါ +1. ဒေတာဘေစ်စ်ကို ဖွင့်ပြီးနောက် (Screen တွင် update များ မမြင်ရပါ) **Ctl-Shift-P** (Mac တွင် **Cmd-Shift-P**) ကို ရိုက်နှိပ်ပြီး `SQLite: New query` ဟု ရိုက်ပါ + +ဖွင့်ပြီးနောက် query window အသစ်ကို SQL statements များကို ဒေတာဘေစ်စ်တွင် run လုပ်ရန် အသုံးပြုနိုင်ပါသည်။ **Ctl-Shift-Q** (Mac တွင် **Cmd-Shift-Q**) ကို အသုံးပြု၍ query များကို run လုပ်နိုင်ပါသည်။ + +> [!NOTE] SQLite extension အကြောင်း ပိုမိုသိရှိလိုပါက [documentation](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) ကို ကြည့်ရှုနိုင်ပါသည်။ + +## ဒေတာဘေစ်စ် Schema + +ဒေတာဘေစ်စ်၏ schema သည် table design နှင့် structure ဖြစ်သည်။ **airports** ဒေတာဘေစ်စ်တွင် `cities` နှင့် `airports` ဟုခေါ်သော table နှစ်ခု ပါဝင်သည်။ `cities` တွင် United Kingdom နှင့် Ireland ရှိ မြို့များ၏ စာရင်းပါဝင်ပြီး၊ `airports` တွင် လေဆိပ်များ၏ စာရင်းပါဝင်သည်။ အချို့သော မြို့များတွင် လေဆိပ်များစွာ ရှိနိုင်သောကြောင့် အချက်အလက်များကို သိမ်းဆည်းရန် table နှစ်ခုကို ဖန်တီးထားသည်။ ဤလေ့ကျင့်ခန်းတွင် သင်သည် joins ကို အသုံးပြု၍ မြို့များအတွက် အချက်အလက်များကို ပြသမည်ဖြစ်သည်။ + +| Cities | +| ---------------- | +| id (PK, integer) | +| city (text) | +| country (text) | + +| Airports | +| -------------------------------- | +| id (PK, integer) | +| name (text) | +| code (text) | +| city_id (FK to id in **Cities**) | + +## လုပ်ငန်းတာဝန် + +အောက်ပါ အချက်အလက်များကို ပြန်ပေးရန် query များကို ဖန်တီးပါ- + +1. `Cities` table တွင် မြို့အမည်အားလုံး +1. `Cities` table တွင် Ireland ရှိ မြို့များအားလုံး +1. လေဆိပ်အမည်များအားလုံး၊ ၎င်းတို့၏ မြို့နှင့် နိုင်ငံ +1. London, United Kingdom ရှိ လေဆိပ်များအားလုံး + +## အဆင့်သတ်မှတ်ချက် + +| ထူးချွန် | လုံလောက် | တိုးတက်ရန်လိုအပ် | +| --------- | -------- | ---------------- | + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/06-non-relational/README.md b/translations/my/2-Working-With-Data/06-non-relational/README.md new file mode 100644 index 00000000..6d986c0d --- /dev/null +++ b/translations/my/2-Working-With-Data/06-non-relational/README.md @@ -0,0 +1,152 @@ + +# ဒေတာနှင့် အလုပ်လုပ်ခြင်း: မဟုတ်သော ဆက်စပ်ဒေတာ + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)| +|:---:| +|NoSQL ဒေတာနှင့် အလုပ်လုပ်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10) + +ဒေတာသည် ဆက်စပ်ဒေတာဘေ့စ်များတွင်သာ ကန့်သတ်ထားခြင်းမဟုတ်ပါ။ ဒီသင်ခန်းစာမှာ မဟုတ်သော ဆက်စပ်ဒေတာ (Non-Relational Data) ကို အဓိကထားပြီး စာရင်းဇယားများနှင့် NoSQL အခြေခံများကို လေ့လာသွားပါမည်။ + +## စာရင်းဇယားများ (Spreadsheets) + +စာရင်းဇယားများသည် ဒေတာကို သိမ်းဆည်းရန်နှင့် စမ်းသပ်ရန် လူကြိုက်များသော နည်းလမ်းတစ်ခုဖြစ်ပြီး စတင်ရန် အလုပ်ပင်ပန်းမှုနည်းပါသည်။ ဒီသင်ခန်းစာတွင် စာရင်းဇယား၏ အခြေခံအစိတ်အပိုင်းများ၊ ဖော်မြူလာများနှင့် ဖန်ရှင်များကို လေ့လာသွားပါမည်။ ဥပမာများကို Microsoft Excel ဖြင့် ဖော်ပြမည်ဖြစ်သော်လည်း အခြားစာရင်းဇယားဆော့ဖ်ဝဲများနှင့် နှိုင်းယှဉ်ပါက အများစုမှာ နာမည်နှင့် လုပ်ဆောင်မှုအဆင့်များ တူညီပါမည်။ + +![Microsoft Excel စာအုပ်အလွတ်နှင့် worksheet နှစ်ခု](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.my.png) + +စာရင်းဇယားသည် ဖိုင်တစ်ခုဖြစ်ပြီး ကွန်ပျူတာ၊ စက်ပစ္စည်း သို့မဟုတ် cloud-based ဖိုင်စနစ်တွင် ရရှိနိုင်ပါသည်။ ဆော့ဖ်ဝဲကို browser-based ဖြစ်နိုင်သလို ကွန်ပျူတာတွင် ထည့်သွင်းရမည့် အက်ပ်လည်း ဖြစ်နိုင်ပါသည်။ Excel တွင် ဒီဖိုင်များကို **workbooks** ဟု သတ်မှတ်ထားပြီး ဒီသင်ခန်းစာတစ်ခုလုံးတွင် ဒီအသုံးအနှုန်းကို သုံးသွားပါမည်။ + +Workbook တစ်ခုတွင် worksheet တစ်ခု သို့မဟုတ် အများအပြား ပါဝင်နိုင်ပြီး worksheet တစ်ခုစီကို tabs ဖြင့် အမည်ပေးထားသည်။ Worksheet တစ်ခုတွင် **cells** ဟုခေါ်သော စတုရန်းပုံသဏ္ဍာန်များပါဝင်ပြီး ဒေတာအမှန်တစ်ခုကို ထည့်သွင်းထားသည်။ Cell တစ်ခုသည် အတန်းနှင့် ကော်လံ၏ ချင်းဆက်မှုဖြစ်ပြီး ကော်လံများကို အက္ခရာများဖြင့် အတန်းများကို အနံပါတ်များဖြင့် သတ်မှတ်ထားသည်။ စာရင်းဇယားတစ်ခုတွင် အတန်းအနည်းငယ်တွင် header များပါဝင်ပြီး cell တွင်ရှိသော ဒေတာကို ဖော်ပြထားသည်။ + +Excel workbook ၏ အခြေခံအစိတ်အပိုင်းများဖြင့် Microsoft Templates မှ [ဥပမာ](https://templates.office.com/) တစ်ခုကို အသုံးပြုကာ စာရင်းဇယား၏ အပိုင်းအခြားများကို လေ့လာသွားပါမည်။ + +### စာရင်းစီမံခြင်း + +"InventoryExample" ဟုအမည်ပေးထားသော စာရင်းဇယားဖိုင်သည် inventory အတွင်းရှိ ပစ္စည်းများကို ဖော်ပြထားသော စီမံထားသော စာရင်းဇယားဖြစ်ပြီး worksheet သုံးခုပါဝင်သည်။ Tabs များကို "Inventory List", "Inventory Pick List" နှင့် "Bin Lookup" ဟု အမည်ပေးထားသည်။ Inventory List worksheet ၏ အတန်း ၄ သည် header ဖြစ်ပြီး header ကော်လံတွင်ရှိသော cell တစ်ခုစီ၏ တန်ဖိုးကို ဖော်ပြထားသည်။ + +![Microsoft Excel ၏ inventory list မှ ဖော်မြူလာတစ်ခုကို အထူးပြထားသည်](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.my.png) + +တစ်ခါတစ်ရံ cell တစ်ခုသည် ၎င်း၏ တန်ဖိုးကို ထုတ်ယူရန် အခြား cell များ၏ တန်ဖိုးများပေါ် မူတည်ရပါသည်။ Inventory List စာရင်းဇယားသည် inventory အတွင်းရှိ ပစ္စည်းတစ်ခုစီ၏ ကုန်ကျစရိတ်ကို ထိန်းသိမ်းထားသော်လည်း inventory အတွင်းရှိ အားလုံး၏ တန်ဖိုးကို သိရန် လိုအပ်ပါက [**Formulas**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) ကို အသုံးပြုကာ cell ဒေတာများပေါ်တွင် လုပ်ဆောင်မှုများ ပြုလုပ်နိုင်သည်။ ဤဥပမာတွင် Inventory Value ကော်လံတွင် ဖော်မြူလာတစ်ခုကို အသုံးပြုကာ QTY header အောက်ရှိ အရေအတွက်နှင့် COST header အောက်ရှိ ကုန်ကျစရိတ်ကို များစွာမြှောက်ကာ တန်ဖိုးကိုတွက်ချက်ထားသည်။ Cell ကို နှစ်ချက်နှိပ်ခြင်း သို့မဟုတ် အထူးပြခြင်းဖြင့် ဖော်မြူလာကို ကြည့်နိုင်သည်။ ဖော်မြူလာများသည် အချိန်တိုင်း "=" သင်္ကေတဖြင့် စတင်ပြီး တွက်ချက်မှု သို့မဟုတ် လုပ်ဆောင်မှုကို ဆက်လက်ဖော်ပြသည်။ + +![Microsoft Excel ၏ inventory list မှ function တစ်ခုကို အထူးပြထားသည်](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.my.png) + +Inventory Value ၏ တန်ဖိုးအားလုံးကို ပေါင်းထည့်ကာ စုစုပေါင်းတန်ဖိုးကို ရရှိရန် ဖော်မြူလာတစ်ခုကို အသုံးပြုနိုင်သည်။ Cell တစ်ခုစီကို ပေါင်းထည့်ကာ စုစုပေါင်းကို တွက်ချက်နိုင်သော်လည်း ၎င်းသည် အချိန်စားသော အလုပ်ဖြစ်နိုင်သည်။ Excel တွင် [**functions**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89) ဟုခေါ်သော ကြိုတင်သတ်မှတ်ထားသော ဖော်မြူလာများကို cell တန်ဖိုးများပေါ်တွင် တွက်ချက်မှုများ ပြုလုပ်ရန် အသုံးပြုနိုင်သည်။ Functions များသည် arguments လိုအပ်ပြီး ၎င်းတို့သည် တွက်ချက်မှုများ ပြုလုပ်ရန် လိုအပ်သော တန်ဖိုးများဖြစ်သည်။ Functions များတွင် argument တစ်ခုထက်ပိုမိုလိုအပ်ပါက ၎င်းတို့ကို အတိအကျ အစီအစဉ်အတိုင်း ရေးသားရမည်။ ဤဥပမာတွင် SUM function ကို အသုံးပြုကာ Inventory Value ၏ တန်ဖိုးများကို argument အဖြစ် အသုံးပြုကာ စုစုပေါင်းတန်ဖိုးကို တွက်ချက်ထားပြီး row 3, column B (B3) တွင် ဖော်ပြထားသည်။ + +## NoSQL + +NoSQL သည် မဟုတ်သော ဆက်စပ်ဒေတာကို သိမ်းဆည်းရန် အမျိုးမျိုးသော နည်းလမ်းများကို ဖော်ပြသည့် umbrella term ဖြစ်ပြီး "non-SQL", "non-relational" သို့မဟုတ် "not only SQL" ဟု အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်။ ဒီလိုဒေတာဘေ့စ်စနစ်များကို အမျိုးအစား ၄ မျိုးအဖြစ် ခွဲခြားနိုင်သည်။ + +![Key-value ဒေတာစတိုး၏ ပုံဆွဲပုံ](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.my.png) +> [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) မှ ရင်းမြစ် + +[Key-value](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) ဒေတာဘေ့စ်များသည် တန်ဖိုးနှင့် ဆက်စပ်ထားသော တူညီမရသော key များကို တွဲဖက်ထားသည်။ ၎င်းတို့ကို [hash table](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) တစ်ခုနှင့် သင့်လျော်သော hashing function ကို အသုံးပြုကာ သိမ်းဆည်းထားသည်။ + +![Graph ဒေတာစတိုး၏ ပုံဆွဲပုံ](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.my.png) +> [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) မှ ရင်းမြစ် + +[Graph](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) ဒေတာဘေ့စ်များသည် ဒေတာအတွင်းရှိ ဆက်စပ်မှုများကို ဖော်ပြပြီး nodes နှင့် edges များအဖြစ် ဖော်ပြထားသည်။ Node တစ်ခုသည် ကျောင်းသား သို့မဟုတ် ဘဏ်စာရင်းကဲ့သို့ အမှန်တစ်ခုကို ကိုယ်စားပြုသည်။ Edge များသည် entity နှစ်ခုအကြား ဆက်စပ်မှုကို ကိုယ်စားပြုသည်။ Node နှင့် edge တစ်ခုစီတွင် ထပ်ဆောင်းအချက်အလက်များကို ဖော်ပြသည့် properties များပါဝင်သည်။ + +![Columnar ဒေတာစတိုး၏ ပုံဆွဲပုံ](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.my.png) + +[Columnar](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) ဒေတာစတိုးများသည် ဒေတာကို ကော်လံများနှင့် အတန်းများအဖြစ် စီစဉ်ထားပြီး ဆက်စပ်ဒေတာစနစ်နှင့် ဆင်တူသော်လည်း ကော်လံတစ်ခုစီကို column family ဟုခေါ်သော အုပ်စုများအဖြစ် ခွဲခြားထားသည်။ + +### Azure Cosmos DB နှင့် Document Data Stores + +[Document](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) ဒေတာစတိုးများသည် key-value ဒေတာစတိုး၏ အယူအဆကို အခြေခံထားပြီး fields နှင့် objects များဖြင့် ဖွဲ့စည်းထားသည်။ Cosmos DB emulator ဖြင့် document ဒေတာဘေ့စ်များကို လေ့လာသွားပါမည်။ + +Cosmos DB ဒေတာဘေ့စ်သည် "Not Only SQL" ဟု သတ်မှတ်နိုင်ပြီး Cosmos DB ၏ document ဒေတာဘေ့စ်သည် SQL ကို အသုံးပြုကာ ဒေတာကို query လုပ်သည်။ SQL ၏ အခြေခံများကို [ယခင်သင်ခန်းစာ](../05-relational-databases/README.md) တွင် ဖော်ပြထားပြီး ဒီနေရာတွင် document ဒေတာဘေ့စ်တွင် အချို့သော query များကို အသုံးပြုနိုင်ပါမည်။ Cosmos DB Emulator ကို အသုံးပြုကာ ဒေတာဘေ့စ်တစ်ခုကို တည်ဆောက်ပြီး လေ့လာနိုင်ပါသည်။ Emulator အကြောင်းကို [ဒီမှာ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21) ဖတ်ရှုနိုင်ပါသည်။ + +Document တစ်ခုသည် fields နှင့် object values များဖြင့် ဖွဲ့စည်းထားပြီး fields များသည် object value ၏ အဓိပ္ပာယ်ကို ဖော်ပြသည်။ အောက်တွင် document တစ်ခု၏ ဥပမာကို ဖော်ပြထားသည်။ + +```json +{ + "firstname": "Eva", + "age": 44, + "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5", + "_rid": "bHwDAPQz8s0BAAAAAAAAAA==", + "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"", + "_attachments": "attachments/", + "_ts": 1630544034 +} +``` + +ဒီ document ၏ စိတ်ဝင်စားဖွယ် field များမှာ `firstname`, `id`, နှင့် `age` ဖြစ်သည်။ အခြား field များသည် Cosmos DB မှ auto-generate လုပ်ထားခြင်းဖြစ်သည်။ + +#### Cosmos DB Emulator ဖြင့် ဒေတာကို လေ့လာခြင်း + +Windows အတွက် Emulator ကို [ဒီမှာ](https://aka.ms/cosmosdb-emulator) ဒေါင်းလုပ်လုပ်နိုင်သည်။ macOS နှင့် Linux အတွက် Emulator ကို အသုံးပြုရန် [ဒီစာရွက်စာတမ်း](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) ကို ကိုးကားပါ။ + +Emulator သည် browser window တစ်ခုကို ဖွင့်ပြီး Explorer view တွင် document များကို လေ့လာနိုင်သည်။ + +![Cosmos DB Emulator ၏ Explorer view](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.my.png) + +လိုက်နာနေပါက "Start with Sample" ကို နှိပ်ပြီး SampleDB ဟုခေါ်သော ဒေတာဘေ့စ်ကို ဖန်တီးပါ။ SampleDB ကို arrow ဖြင့် ဖွင့်ပါက `Persons` ဟုခေါ်သော container တစ်ခုကို တွေ့ပါမည်။ Container သည် item များ၏ စုစည်းမှုဖြစ်ပြီး ၎င်းတို့သည် container အတွင်းရှိ document များဖြစ်သည်။ `Items` အောက်တွင် document လေးခုကို လေ့လာနိုင်ပါသည်။ + +![Cosmos DB Emulator ၏ sample data ကို လေ့လာခြင်း](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.my.png) + +#### Cosmos DB Emulator ဖြင့် Document Data ကို Query လုပ်ခြင်း + +Sample data ကို query လုပ်ရန် SQL Query button (ဘယ်ဘက်မှ ဒုတိယ button) ကို နှိပ်ပါ။ + +`SELECT * FROM c` သည် container အတွင်းရှိ document အားလုံးကို ပြန်ပေးသည်။ အောက်တွင် where clause ကို ထည့်ပြီး အသက် ၄၀ ထက်ငယ်သောလူများကို ရှာဖွေကြည့်ပါ။ + +`SELECT * FROM c where c.age < 40` + +![Cosmos DB Emulator ၏ sample data တွင် အသက် ၄၀ ထက်ငယ်သော document များကို ရှာဖွေခြင်း](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.my.png) + +Query သည် document နှစ်ခုကို ပြန်ပေးပြီး document တစ်ခုစီ၏ အသက်တန်ဖိုးသည် ၄၀ ထက်ငယ်သည်ကို သတိပြုပါ။ + +#### JSON နှင့် Documents + +JavaScript Object Notation (JSON) နှင့် ရင်းနှီးပါက document များသည် JSON နှင့် ဆင်တူသည်ကို သတိပြုမည်ဖြစ်သည်။ ဒီ directory တွင် `PersonsData.json` ဖိုင်တစ်ခုရှိပြီး ၎င်းကို Emulator ၏ Persons container တွင် `Upload Item` button ဖြင့် upload လုပ်နိုင်သည်။ + +အများစုတွင် JSON ဒေတာကို ပြန်ပေးသော API များသည် document ဒေတာဘေ့စ်များတွင် တိုက်ရိုက်သိမ်းဆည်းနိုင်သည်။ အောက်တွင် Microsoft Twitter အကောင့်မှ tweet များကို Twitter API ဖြင့် ရယူကာ Cosmos DB တွင် ထည့်သွင်းထားသော document တစ်ခုကို ဖော်ပြထားသည်။ + +```json +{ + "created_at": "2021-08-31T19:03:01.000Z", + "id": "1432780985872142341", + "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK", + "_rid": "dhAmAIUsA4oHAAAAAAAAAA==", + "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"", + "_attachments": "attachments/", + "_ts": 1630537000 +``` + +ဒီ document ၏ စိတ်ဝင်စားဖွယ် field များမှာ `created_at`, `id`, နှင့် `text` ဖြစ်သည်။ + +## 🚀 စိန်ခေါ်မှု + +`TwitterData.json` ဖိုင်တစ်ခုကို SampleDB ဒေတာဘေ့စ်တွင် upload လုပ်နိုင်သည်။ ၎င်းကို သီးခြား container တွင် ထည့်သွင်းရန် အကြံပြုပါသည်။ ၎င်းကို ပြုလုပ်ရန်: + +1. ညာဘက်ထိပ်တွင်ရှိသော new container button ကို နှိပ်ပါ +1. ရှိပြီးသား ဒေတာဘေ့စ် (SampleDB) ကို ရွေးချယ်ပြီး container id ကို ဖန်တီးပါ +1. Partition key ကို `/id` အဖြစ် သတ်မှတ်ပါ +1. OK ကို နှိပ်ပါ (ဤ view တွင် အခြားအချက်အလက်များကို လျစ်လျူရှုနိုင်သည်၊ ဒါဟာ သင့်စက်ပေါ်တွင် လုပ်ဆောင်နေသော dataset သေးငယ်တစ်ခုဖြစ်သည်) +1. သင့် container အသစ်ကို ဖွင့်ပြီး Twitter Data ဖိုင်ကို `Upload Item` button ဖြင့် upload လုပ်ပါ + +Text field တွင် Microsoft ပါဝင်သော document များကို ရှာဖွေရန် select query များကို စမ်းကြည့်ပါ။ အကြံပြုချက် - [LIKE keyword](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character) ကို အသုံးပြုကြည့်ပါ။ + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +- ဒီသင်ခန်းစာတွင် မဖော်ပြထားသော စာရင်းဇယား၏ အပိုဆောင်းဖော်ပြမှုများနှင့် လုပ်ဆောင်ချက်များလည်း ရှိပါသည်။ Microsoft ၏ Excel အတွက် [စာရွက်စာတမ်းများနှင့် ဗီဒီယိုများ](https://support.microsoft.com/excel) ကို စိတ်ဝင်စားပါက လေ့လာနိုင်ပါသည်။ + +- မဟုတ်သော ဆက်စပ်ဒေတာ၏ အမျိုးအစားများ၏ လက္ခဏာများကို ဖော်ပြထားသော ဒီ architectural documentation ကို ဖတ်ရှုပါ: [Non-relational + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/06-non-relational/assignment.md b/translations/my/2-Working-With-Data/06-non-relational/assignment.md new file mode 100644 index 00000000..8fdf6354 --- /dev/null +++ b/translations/my/2-Working-With-Data/06-non-relational/assignment.md @@ -0,0 +1,33 @@ + +# ဆိုဒါ အမြတ် + +## ညွှန်ကြားချက်များ + +[Coca Cola Co spreadsheet](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) တွင် အချို့သောတွက်ချက်မှုများ မပါရှိသေးပါ။ သင့်တာဝန်မှာ အောက်ပါအတိုင်းဖြစ်ပါသည်- + +1. FY '15, '16, '17, နှင့် '18 အတွက် အကြီးစားအမြတ် (Gross profits) ကိုတွက်ချက်ပါ။ + - အကြီးစားအမြတ် = Net Operating revenues - Cost of goods sold +1. အကြီးစားအမြတ်အားလုံး၏ ပျမ်းမျှတန်ဖိုးကိုတွက်ချက်ပါ။ ဤအရာကို function တစ်ခုဖြင့်လုပ်ကြည့်ပါ။ + - ပျမ်းမျှတန်ဖိုး = အကြီးစားအမြတ်များ၏ စုစုပေါင်းကို ဘဏ္ဍာရေးနှစ် (Fiscal years) ၁၀ နှင့်စားခြင်း + - [AVERAGE function](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) အကြောင်းအရာကို ကြည့်ပါ။ +1. ဤသည်မှာ Excel ဖိုင်ဖြစ်သော်လည်း မည်သည့် spreadsheet platform တွင်မဆို ပြင်ဆင်နိုင်ရမည်။ + +[ဒေတာရင်းမြစ်အတွက် Yiyi Wang ကို ကျေးဇူးတင်ပါသည်](https://www.kaggle.com/yiyiwang0826/cocacola-excel) + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/07-python/README.md b/translations/my/2-Working-With-Data/07-python/README.md new file mode 100644 index 00000000..053d05ab --- /dev/null +++ b/translations/my/2-Working-With-Data/07-python/README.md @@ -0,0 +1,293 @@ + +# ဒေတာနှင့်အလုပ်လုပ်ခြင်း: Python နှင့် Pandas Library + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) | +| :-------------------------------------------------------------------------------------------------------: | +| Python နှင့်အလုပ်လုပ်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[![Intro Video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.my.png)](https://youtu.be/dZjWOGbsN4Y) + +ဒေတာများကို သိမ်းဆည်းရန်နှင့် query languages အသုံးပြု၍ ရှာဖွေရန်အတွက် databases သည် အလွန်ထိရောက်သောနည်းလမ်းများပေးနိုင်သော်လည်း၊ ဒေတာကို ကိုယ်တိုင်ရေးသားထားသော program ဖြင့် ပြုပြင်ရန်သည် အလွန် flexible ဖြစ်သည်။ အချို့သောအခြေအနေများတွင် database query သည် ပိုထိရောက်နိုင်သော်လည်း၊ SQL ဖြင့် လွယ်ကူစွာလုပ်ဆောင်၍မရသော အလွန်ရှုပ်ထွေးသော ဒေတာပြုပြင်မှုများအတွက် program ရေးသားရန်လိုအပ်နိုင်သည်။ + +ဒေတာပြုပြင်မှုကို programming language မည်သည့်အမျိုးအစားဖြင့်မဆို ပြုလုပ်နိုင်သော်လည်း၊ ဒေတာနှင့်အလုပ်လုပ်ရန်အထူးသင့်လျော်သော programming languages ရှိသည်။ ဒေတာသိပ္ပံပညာရှင်များသည် အောက်ပါဘာသာစကားများကို အများအားဖြင့်နှစ်သက်ကြသည်- + +* **[Python](https://www.python.org/)** - အထွေထွေရည်ရွယ်ချက် programming language ဖြစ်ပြီး၊ ရိုးရှင်းမှုကြောင့် beginner များအတွက် အကောင်းဆုံးရွေးချယ်မှုတစ်ခုအဖြစ်လည်း often သတ်မှတ်ခံရသည်။ Python တွင် practical ပြဿနာများကို ဖြေရှင်းရန်အထောက်အကူပြုသော libraries များစွာပါဝင်သည်။ ဥပမာအားဖြင့် ZIP archive မှ ဒေတာကို extract လုပ်ခြင်း၊ သို့မဟုတ် ပုံကို grayscale သို့ပြောင်းခြင်း။ ဒေတာသိပ္ပံအပြင် Python သည် web development အတွက်လည်း အများအားဖြင့်အသုံးပြုသည်။ +* **[R](https://www.r-project.org/)** - statistical data processing အတွက်ထုတ်လုပ်ထားသော traditional toolbox ဖြစ်သည်။ CRAN libraries များစွာပါဝင်သောကြောင့် ဒေတာပြုပြင်မှုအတွက် ရွေးချယ်ရန်ကောင်းသောရွေးချယ်မှုဖြစ်သည်။ သို့သော် R သည် general-purpose programming language မဟုတ်သည့်အပြင် ဒေတာသိပ္ပံနယ်ပယ်အပြင် အခြားနယ်ပယ်များတွင် ရှားရှားပါးပါးအသုံးပြုသည်။ +* **[Julia](https://julialang.org/)** - ဒေတာသိပ္ပံအတွက်အထူးထုတ်လုပ်ထားသောဘာသာစကားတစ်ခုဖြစ်သည်။ Python ထက် performance ပိုကောင်းစေရန်ရည်ရွယ်ထားပြီး၊ သိပ္ပံလေ့လာမှုများအတွက် tool ကောင်းတစ်ခုဖြစ်သည်။ + +ဒီသင်ခန်းစာတွင် Python ကို simple data processing အတွက် အသုံးပြုခြင်းကို အဓိကထားမည်ဖြစ်သည်။ ဘာသာစကားနှင့်အခြေခံကျွမ်းကျင်မှုရှိသည်ဟုယူဆမည်။ Python ကိုပိုမိုနက်နက်ရှိုင်းရှိုင်းလေ့လာလိုပါက အောက်ပါ resources များကို ရည်ညွှန်းနိုင်သည်- + +* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) - GitHub-based Python Programming အကျဉ်း course +* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Microsoft Learn တွင် Learning Path + +ဒေတာသည် အမျိုးမျိုးသောပုံစံများဖြင့် ရှိနိုင်သည်။ ဒီသင်ခန်းစာတွင် **tabular data**, **text** နှင့် **images** ဆိုသည့် ဒေတာပုံစံသုံးမျိုးကို စဉ်းစားမည်။ + +ဒေတာပြုပြင်မှုအတွက် libraries အားလုံးကို အပြည့်အစုံမဖော်ပြဘဲ၊ အချို့သောဥပမာများကိုသာ အဓိကထားမည်။ ဒါက သင်ကို အဓိကအကြောင်းအရာကိုနားလည်စေပြီး၊ လိုအပ်သောအခါတွင် သင့်ပြဿနာများအတွက် ဖြေရှင်းချက်များကို ရှာဖွေရန် နားလည်မှုရရှိစေမည်။ + +> **အထောက်အကူပြုသောအကြံပေးချက်**: သင်မသိသော ဒေတာအပေါ် operation တစ်ခုကိုလုပ်ဆောင်ရန်လိုအပ်ပါက၊ အင်တာနက်တွင်ရှာဖွေကြည့်ပါ။ [Stackoverflow](https://stackoverflow.com/) တွင် Python ဖြင့်လုပ်ဆောင်နိုင်သော typical tasks များအတွက် code sample များစွာပါဝင်သည်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12) + +## Tabular Data နှင့် Dataframes + +Relational databases အကြောင်းပြောသောအခါ သင်သည် tabular data ကို ရင်းနှီးပြီးဖြစ်သည်။ ဒေတာများစွာရှိပြီး၊ အမျိုးမျိုးသော tables များတွင်ချိတ်ဆက်ထားသောအခါ SQL ကိုအသုံးပြုရန် make sense ဖြစ်သည်။ သို့သော် အချို့သောအခြေအနေများတွင် table တစ်ခုရှိပြီး၊ ဒေတာအကြောင်း **နားလည်မှု** သို့မဟုတ် **insights** ရရှိရန်လိုအပ်သည်။ ဥပမာအားဖြင့် distribution, correlation between values စသည်တို့။ ဒေတာသိပ္ပံတွင် original data ကို transformation ပြုလုပ်ပြီး visualization လုပ်ရန်လိုအပ်သောအခြေအနေများများစွာရှိသည်။ Python ကိုအသုံးပြု၍ အလွယ်တကူလုပ်ဆောင်နိုင်သည်။ + +Python တွင် tabular data ကို handle လုပ်ရန် အထောက်အကူပြုသော libraries အရေးကြီးနှစ်ခုရှိသည်- + +* **[Pandas](https://pandas.pydata.org/)** - **Dataframes** ကို manipulate လုပ်ရန်အထောက်အကူပြုသည်။ Dataframes သည် relational tables နှင့်ဆင်တူသည်။ Named columns ရှိပြီး၊ rows, columns နှင့် dataframes အပေါ် operation များပြုလုပ်နိုင်သည်။ +* **[Numpy](https://numpy.org/)** - **tensors** (multi-dimensional **arrays**) နှင့်အလုပ်လုပ်ရန် library ဖြစ်သည်။ Array သည် တူညီသော underlying type ရှိသော values များပါဝင်ပြီး၊ dataframe ထက် simple ဖြစ်သော်လည်း mathematical operations များပိုမိုပေးနိုင်သည်။ + +အခြား libraries အချို့ကိုလည်းသိထားသင့်သည်- + +* **[Matplotlib](https://matplotlib.org/)** - data visualization နှင့် graph plotting အတွက်အသုံးပြုသည် +* **[SciPy](https://www.scipy.org/)** - probability နှင့် statistics အကြောင်းပြောသောအခါ တွေ့ရှိခဲ့သော additional scientific functions ပါဝင်သော library + +Python program ရဲ့အစမှာ libraries များကို import လုပ်ရန် typically အသုံးပြုသော code: +```python +import numpy as np +import pandas as pd +import matplotlib.pyplot as plt +from scipy import ... # you need to specify exact sub-packages that you need +``` + +Pandas သည် အခြေခံ concepts အချို့ကိုအဓိကထားသည်။ + +### Series + +**Series** သည် list သို့မဟုတ် numpy array နှင့်ဆင်တူသော values များ၏အစဉ်ဖြစ်သည်။ အဓိကကွာခြားချက်မှာ series တွင် **index** ပါဝင်ပြီး၊ series အပေါ် operation (ဥပမာ- add) ပြုလုပ်သောအခါ index ကိုအရေးထားသည်။ Index သည် integer row number (list သို့မဟုတ် array မှ series တစ်ခုဖန်တီးသောအခါ default index) လိုရိုးရှင်းသောအရာဖြစ်နိုင်သလို၊ date interval လိုရှုပ်ထွေးသော structure ဖြစ်နိုင်သည်။ + +> **Note**: Pandas code အချို့ကို notebook [`notebook.ipynb`](notebook.ipynb) တွင်ပါဝင်သည်။ ဤနေရာတွင် အချို့သောဥပမာများကို outline လုပ်ပြီး၊ notebook အပြည့်အစုံကိုကြည့်ရှုရန်လည်းကြိုဆိုပါသည်။ + +ဥပမာအားဖြင့်- ကျွန်ုပ်တို့ရဲ့ ice-cream spot ရဲ့ရောင်းအားကို analysis လုပ်လိုသည်။ အချိန်ကာလတစ်ခုအတွင်းရောင်းအားနံပါတ်များ series တစ်ခုကို generate လုပ်မည်: + +```python +start_date = "Jan 1, 2020" +end_date = "Mar 31, 2020" +idx = pd.date_range(start_date,end_date) +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/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.my.png) + +အပတ်စဉ် ကျွန်ုပ်တို့သည် party တစ်ခုကိုကျင်းပပြီး၊ party အတွက် ice-cream packs 10 ခုကိုထပ်ယူသည်။ အပတ်အလိုက် index ပြုလုပ်ထားသော series တစ်ခုကိုဖန်တီးနိုင်သည်: +```python +additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W")) +``` +series နှစ်ခုကိုပေါင်းလိုက်သောအခါ၊ စုစုပေါင်းနံပါတ်ရရှိမည်: +```python +total_items = items_sold.add(additional_items,fill_value=0) +total_items.plot() +``` +![Time Series Plot](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.my.png) + +> **Note**: simple syntax `total_items+additional_items` ကိုမသုံးပါ။ သုံးခဲ့လျှင် `NaN` (*Not a Number*) values များစွာရရှိမည်။ ဒါဟာ `additional_items` series ရဲ့ index point အချို့တွင် missing values ရှိသောကြောင့်ဖြစ်ပြီး၊ `NaN` ကိုတစ်ခုခုနှင့်ပေါင်းလိုက်သောအခါ `NaN` ဖြစ်သွားသည်။ ထို့ကြောင့် addition လုပ်သောအခါ `fill_value` parameter ကိုသတ်မှတ်ရန်လိုအပ်သည်။ + +Time series တွင် **resample** လုပ်၍ time interval များကိုပြောင်းနိုင်သည်။ ဥပမာအားဖြင့် monthly mean sales volume ကိုတွက်လိုပါက အောက်ပါ code ကိုအသုံးပြုနိုင်သည်: +```python +monthly = total_items.resample("1M").mean() +ax = monthly.plot(kind='bar') +``` +![Monthly Time Series Averages](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.my.png) + +### DataFrame + +DataFrame သည် index တူညီသော series များ၏စုစည်းမှုဖြစ်သည်။ Series များစွာကို DataFrame တစ်ခုအဖြစ်ပေါင်းစည်းနိုင်သည်: +```python +a = pd.Series(range(1,10)) +b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9)) +df = pd.DataFrame([a,b]) +``` +ဤသည်မှာ အောက်ပါလို horizontal table တစ်ခုကိုဖန်တီးမည်: +| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | +| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- | +| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | +| 1 | I | like | to | use | Python | and | Pandas | very | much | + +Series များကို columns အဖြစ်အသုံးပြုနိုင်ပြီး၊ dictionary အသုံးပြု၍ column names သတ်မှတ်နိုင်သည်: +```python +df = pd.DataFrame({ 'A' : a, 'B' : b }) +``` +ဤသည်မှာ အောက်ပါလို table ကိုရရှိမည်: + +| | A | B | +| --- | --- | ------ | +| 0 | 1 | I | +| 1 | 2 | like | +| 2 | 3 | to | +| 3 | 4 | use | +| 4 | 5 | Python | +| 5 | 6 | and | +| 6 | 7 | Pandas | +| 7 | 8 | very | +| 8 | 9 | much | + +**Note**: အရင် table ကို transpose လုပ်၍ layout ကိုရနိုင်သည်။ ဥပမာအားဖြင့် +```python +df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' }) +``` +`.T` သည် DataFrame ကို transpose လုပ်ခြင်း (rows နှင့် columns ကိုပြောင်းခြင်း) ကိုဆိုလိုသည်။ `rename` operation သည် column names ကိုအရင်ဥပမာနှင့်ကိုက်ညီရန်ပြောင်းနိုင်သည်။ + +DataFrames အပေါ်လုပ်ဆောင်နိုင်သော အရေးကြီးသော operations အချို့မှာ- + +**Column selection**. Individual columns ကို `df['A']` ဖြင့်ရွေးနိုင်သည်။ ဤ operation သည် Series ကို return ပြန်သည်။ Columns အချို့ကို DataFrame တစ်ခုအဖြစ် `df[['B','A']]` ဖြင့်ရွေးနိုင်သည်။ + +**Filtering**. Row အချို့ကို criteria အပေါ်အခြေခံ၍ filter လုပ်နိုင်သည်။ ဥပမာအားဖြင့် column `A` > 5 ဖြစ်သော rows များကိုသာထားလိုပါက `df[df['A']>5]` ကိုရေးနိုင်သည်။ + +> **Note**: Filtering သည် boolean series ကိုအသုံးပြုသည်။ `df['A']<5` သည် boolean series ကို return ပြန်ပြီး၊ expression သည် `True` သို့မဟုတ် `False` ဖြစ်သည်ကိုပြသည်။ Boolean series ကို index အဖြစ်အသုံးပြုသောအခါ DataFrame ရဲ့ subset rows ကို return ပြန်သည်။ Python boolean expression မည်သည့်အမျိုးအစားကိုမဆိုအသုံးပြု၍မရပါ။ ဥပမာအားဖြင့် `df[df['A']>5 and df['A']<7]` သည်မှားသည်။ `&` operation ကို boolean series အပေါ်အသုံးပြု၍ `df[(df['A']>5) & (df['A']<7)]` ကိုရေးသင့်သည် (*brackets အရေးကြီးသည်*). + +**Creating new computable columns**. DataFrame အတွက် computable columns အသစ်များကို intuitive expression အသုံးပြု၍ ဖန်တီးနိုင်သည်: +```python +df['DivA'] = df['A']-df['A'].mean() +``` +ဤဥပမာသည် A ရဲ့ mean value မှ divergence ကိုတွက်ချက်သည်။ Series တစ်ခုကိုတွက်ချက်ပြီး၊ left-hand-side သို့ assign လုပ်၍ column အသစ်တစ်ခုကိုဖန်တီးသည်။ Series နှင့်မကိုက်ညီသော operations များကိုအသုံးပြု၍မရပါ။ ဥပမာအားဖြင့် အောက်ပါ code မှားသည်: +```python +# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi" +df['LenB'] = len(df['B']) # <- Wrong result +``` +Syntax မှန်သော်လည်း၊ Series `B` ရဲ့ length ကို column value အားလုံးသို့ assign လုပ်ပြီး၊ intended result မရရှိပါ။ + +Complex expressions တွက်ရန် `apply` function ကိုအသုံးပြုနိုင်သည်။ အထက်ပါဥပမာကို အောက်ပါအတိုင်းရေးနိုင်သည်: +```python +df['LenB'] = df['B'].apply(lambda x : len(x)) +# or +df['LenB'] = df['B'].apply(len) +``` + +အထက်ပါ operations များပြီးဆုံးသောအခါ DataFrame သည် အောက်ပါအတိုင်းဖြစ်မည်: + +| | A | B | DivA | LenB | +| --- | --- | ------ | ---- | ---- | +| 0 | 1 | I | -4.0 | 1 | +| 1 | 2 | like | -3.0 | 4 | +| 2 | 3 | to | -2.0 | 2 | +| 3 | 4 | use | -1.0 | 3 | +| 4 | 5 | Python | 0.0 | 6 | +| 5 | 6 | and | 1.0 | 3 | +| 6 | 7 | Pandas | 2.0 | 6 | +| 7 | 8 | very | 3.0 | 4 | +| 8 | 9 | much | 4.0 | 4 | + +**Selecting rows based on numbers**. Row အချို့ကို `iloc` construct အသုံးပြု၍ရွေးနိုင်သည်။ ဥပမာအားဖြင့် DataFrame ရဲ့ပထမ 5 rows ကိုရွေးရန်: +```python +df.iloc[:5] +``` + +**Grouping**. Excel ရဲ့ *pivot tables* နှင့်ဆင်တူသောရလဒ်ရရန် often အသုံးပြုသည်။ ဥပမာအားဖြင့် column `A` ရဲ့ mean value ကို `LenB` တစ်ခုချင်းစီအတွက်တွက်လိုပါက DataFrame ကို `LenB` ဖြင့် group လုပ်ပြီး `mean` ကိုခေါ်နိုင်သည်: +```python +df.groupby(by='LenB').mean() +``` +Mean နှင့် group ရဲ့ element အရေအတွက်ကိုတွက်လိုပါက `aggregate` function ကိုအသုံးပြုနိုင်သည်: +```python +df.groupby(by='LenB') \ + .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \ + .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'}) +``` +ဤသည်မှာ အောက်ပါ table ကိုရရှိမည်: + +| LenB | Count | Mean | +| ---- | ----- | -------- | +| 1 | 1 | 1.000000 | +| 2 | 1 | 3.000000 | +| 3 | 2 | 5.000000 | +| 4 | 3 | 6.333333 | +| 6 | 2 | 6.000000 | + +### ဒေတာရယူခြင်း +### Series နှင့် DataFrames ကို Python objects မှတည်ဆောက်ရတာ ဘယ်လောက်လွယ်ကူတယ်ဆိုတာကို ကြည့်ပြီးပါပြီ။ သို့သော် အချက်အလက်များသည် များသောအားဖြင့် text file သို့မဟုတ် Excel table အဖြစ်ရှိလေ့ရှိသည်။ ကံကောင်းစွာ Pandas က disk မှ data ကို load လုပ်ဖို့ လွယ်ကူတဲ့နည်းလမ်းတစ်ခုကို ပေးထားပါတယ်။ ဥပမာ CSV file ကိုဖတ်ရန် အလွယ်တကူ ဒီလိုလုပ်နိုင်ပါတယ်။ +```python +df = pd.read_csv('file.csv') +``` +"Challenge" အပိုင်းမှာ အခြားသော data loading နမူနာများ၊ အပြင်ဘက် website များမှ data ကို ရယူခြင်းတို့ကိုလည်း ကြည့်နိုင်ပါမည်။ + +### Printing နှင့် Plotting + +Data Scientist တစ်ဦးအနေဖြင့် အချက်အလက်များကို ရှာဖွေတတ်ဖို့ လိုအပ်ပါတယ်၊ ဒါကြောင့် visualization လုပ်နိုင်ဖို့ အရေးကြီးပါတယ်။ DataFrame ကြီးများကို handling လုပ်တဲ့အခါမှာ အစပိုင်း rows အနည်းငယ်ကို print လုပ်ပြီး အားလုံးမှန်ကန်နေမနေ စစ်ဆေးချင်တတ်ပါတယ်။ ဒါကို `df.head()` ကိုခေါ်ပြီး လုပ်နိုင်ပါတယ်။ Jupyter Notebook မှ run လုပ်ပါက DataFrame ကို tabular form လှပလှပနဲ့ ပြသပါမည်။ + +`plot` function ကို အသုံးပြုပြီး column အချို့ကို visualize လုပ်တာကိုလည်း ကြည့်ပြီးပါပြီ။ `plot` သည် အလုပ်များစွာအတွက် အသုံးဝင်ပြီး `kind=` parameter ကို အသုံးပြုကာ graph အမျိုးအစားများစွာကို support လုပ်ပေးနိုင်သလို၊ `matplotlib` library ကို raw အသုံးပြုကာ ပိုမိုရှုပ်ထွေးသော graph များကို plot လုပ်နိုင်ပါသည်။ Data visualization ကို သီးသန့်သင်ခန်းစာများတွင် အသေးစိတ်လေ့လာပါမည်။ + +ဒီအကျဉ်းချုပ်သည် Pandas ၏ အရေးကြီးသော concept များကို ဖော်ပြထားပြီး library သည် အလွန်ချောမွေ့ပြီး မလုပ်နိုင်တာမရှိပါဘူး! အခုတော့ ဒီအတတ်ပညာကို အသုံးပြုကာ အထူးပြဿနာများကို ဖြေရှင်းကြပါစို့။ + +## 🚀 Challenge 1: COVID-19 ပျံ့နှံ့မှုကို ခွဲခြမ်းစိတ်ဖြာခြင်း + +ပထမပြဿနာမှာ COVID-19 ရောဂါပျံ့နှံ့မှုကို မော်ဒယ်တူဖွဲ့စည်းခြင်းဖြစ်သည်။ ဒါကိုလုပ်ရန် [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) မှ [Johns Hopkins University](https://jhu.edu/) က ပေးထားသော အမျိုးသားများအနေနှင့် ကူးစက်ခံရသူအရေအတွက် data ကို အသုံးပြုပါမည်။ Dataset ကို [ဒီ GitHub Repository](https://github.com/CSSEGISandData/COVID-19) တွင် ရရှိနိုင်ပါသည်။ + +Data ကို handling လုပ်ပုံကို ပြသရန် [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) ကို ဖွင့်ပြီး အပေါ်မှ အောက်သို့ ဖတ်ပါ။ Cells များကို run လုပ်နိုင်ပြီး အဆုံးတွင် ကျွန်ုပ်တို့ထားခဲ့သော challenge များကို လုပ်ဆောင်နိုင်ပါသည်။ + +![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.my.png) + +> Jupyter Notebook မှ code ကို run လုပ်ပုံမသိပါက [ဒီဆောင်းပါး](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ကို ကြည့်ပါ။ + +## Unstructured Data နှင့် အလုပ်လုပ်ခြင်း + +Data များသည် များသောအားဖြင့် tabular form ဖြင့် ရှိလေ့ရှိသော်လည်း အချို့က text သို့မဟုတ် images ကဲ့သို့ ပုံစံမရှိသော data ကို handling လုပ်ရတတ်သည်။ ဒီအခါမှာ အပေါ်မှာ ပြထားသော data processing နည်းလမ်းများကို အသုံးပြုရန် structured data ကို **extract** လုပ်ရပါမည်။ ဥပမာများမှာ - + +* Text မှ keyword များကို extract လုပ်ပြီး keyword များပေါ်လာသော အကြိမ်ရေကို ကြည့်ခြင်း +* Neural networks ကို အသုံးပြုကာ ပုံထဲရှိ objects အကြောင်းကို extract လုပ်ခြင်း +* Video camera feed မှ လူများ၏ခံစားချက်အကြောင်းကို ရယူခြင်း + +## 🚀 Challenge 2: COVID Papers ကို ခွဲခြမ်းစိတ်ဖြာခြင်း + +ဒီ challenge မှာ COVID pandemic အကြောင်းကို ဆက်လက်လေ့လာပြီး အကြောင်းအရာနှင့်ပတ်သက်သော သိပ္ပံစာတမ်းများကို process လုပ်ပါမည်။ [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) တွင် metadata နှင့် abstracts ပါဝင်သော COVID အကြောင်းစာတမ်း 7000 ကျော် (ရေးသားချိန်အတိုင်း) ရရှိနိုင်ပါသည်။ + +[Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) cognitive service ကို အသုံးပြုကာ dataset ကို ခွဲခြမ်းစိတ်ဖြာပုံကို [ဒီ blog post](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) တွင် အပြည့်အစုံဖော်ပြထားပါသည်။ ကျွန်ုပ်တို့သည် simplified version ကို ဆွေးနွေးပါမည်။ + +> **NOTE**: Dataset ကို repository မှ မပါဝင်ပေးပါ။ [Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) မှ [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) ကို download လုပ်ရန် Registration လိုအပ်နိုင်ပါသည်။ [ဒီနေရာ](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html) မှ registration မလိုအပ်ဘဲ download လုပ်နိုင်ပါသည်။ + +[`notebook-papers.ipynb`](notebook-papers.ipynb) ကို ဖွင့်ပြီး အပေါ်မှ အောက်သို့ ဖတ်ပါ။ Cells များကို run လုပ်နိုင်ပြီး အဆုံးတွင် ကျွန်ုပ်တို့ထားခဲ့သော challenge များကို လုပ်ဆောင်နိုင်ပါသည်။ + +![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.my.png) + +## Image Data ကို Process လုပ်ခြင်း + +လတ်တလောတွင် images ကို နားလည်နိုင်သော အလွန်အစွမ်းထက်သော AI models များ ဖွံ့ဖြိုးလာပါသည်။ Pre-trained neural networks သို့မဟုတ် cloud services ကို အသုံးပြုကာ အလုပ်များစွာကို ဖြေရှင်းနိုင်ပါသည်။ ဥပမာများမှာ - + +* **Image Classification** - ပုံကို pre-defined classes တစ်ခုခုအဖြစ် categorize လုပ်နိုင်သည်။ [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) ကို အသုံးပြုကာ သင့်ကိုယ်ပိုင် image classifiers ကို training လုပ်နိုင်သည်။ +* **Object Detection** - ပုံထဲရှိ objects များကို detect လုပ်နိုင်သည်။ [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) သည် objects များစွာကို detect လုပ်နိုင်ပြီး [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) ကို training လုပ်ကာ သင့်စိတ်ဝင်စားသော objects ကို detect လုပ်နိုင်သည်။ +* **Face Detection** - အသက်အရွယ်၊ ကျား/မ၊ ခံစားချက် detection ကို [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) မှတဆင့် လုပ်နိုင်သည်။ + +Python SDKs ကို အသုံးပြုကာ cloud services များကို ခေါ်နိုင်ပြီး သင့် data exploration workflow တွင် ပေါင်းစပ်နိုင်ပါသည်။ + +ဥပမာများ: +* [How to Learn Data Science without Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) blog post တွင် Instagram photos ကို explore လုပ်ကာ ပုံတစ်ပုံကို likes ပေးစေသော အကြောင်းရင်းကို နားလည်ရန် ကြိုးစားပါသည်။ +* [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) တွင် [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) ကို အသုံးပြုကာ event photos တွင် လူများ၏ခံစားချက်ကို extract လုပ်ကာ လူများကို ပျော်ရွှင်စေသော အကြောင်းရင်းကို နားလည်ရန် ကြိုးစားပါသည်။ + +## နိဂုံး + +Structured data သို့မဟုတ် unstructured data ရှိပါက Python ကို အသုံးပြုကာ data processing နှင့် နားလည်မှုဆိုင်ရာ အဆင့်များအားလုံးကို လုပ်ဆောင်နိုင်ပါသည်။ Python သည် data processing အတွက် အလွန် flexible ဖြစ်ပြီး data scientists များအများစုသည် Python ကို အဓိက tool အဖြစ် အသုံးပြုကြသည်။ သင့် data science ခရီးစဉ်ကို အလေးထားလိုပါက Python ကို အနက်အနက်လေ့လာခြင်းသည် အကောင်းဆုံးအကြံပေးချက်ဖြစ်ပါသည်။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13) + +## Review & Self Study + +**Books** +* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662) + +**Online Resources** +* Official [10 minutes to Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) tutorial +* [Documentation on Pandas Visualization](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) + +**Learning Python** +* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) +* [Take your First Steps with Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Learning Path on [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +## Assignment + +[Perform more detailed data study for the challenges above](assignment.md) + +## Credits + +ဒီသင်ခန်းစာကို [Dmitry Soshnikov](http://soshnikov.com) မှ ♥️ ဖြင့်ရေးသားထားပါသည်။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/07-python/assignment.md b/translations/my/2-Working-With-Data/07-python/assignment.md new file mode 100644 index 00000000..4b6e31c4 --- /dev/null +++ b/translations/my/2-Working-With-Data/07-python/assignment.md @@ -0,0 +1,37 @@ + +# Python တွင် ဒေတာကို အလုပ်လုပ်ခြင်းအတွက် လုပ်ငန်းတာဝန် + +ဒီလုပ်ငန်းတာဝန်မှာ ကျွန်တော်တို့ရဲ့ စိန်ခေါ်မှုများတွင် စတင်ဖန်တီးထားသော ကုဒ်ကို ဆက်လက်ဖော်ပြရန် မေးမြန်းပါမည်။ လုပ်ငန်းတာဝန်ကို အပိုင်းနှစ်ပိုင်းခွဲထားသည်။ + +## COVID-19 ကူးစက်မှု ပုံစံဖော်ပြခြင်း + + - [ ] 5-6 နိုင်ငံအတွက် *R* ဂရပ်များကို တစ်ခုတည်းသော ဂရပ်ပေါ်တွင် နှိုင်းယှဉ်ဖော်ပြရန်၊ သို့မဟုတ် ဘေးချင်းကပ်ထားသော ဂရပ်များတွင် ဖော်ပြရန် + - [ ] သေဆုံးမှုနှင့် ပြန်လည်ကောင်းမွန်မှုအရေအတွက်သည် ကူးစက်ခံရသူအရေအတွက်နှင့် ဘယ်လိုဆက်စပ်နေသည်ကို ကြည့်ရန် + - [ ] ရောဂါတစ်ခု၏ သာမန်ကြာမြင့်ချိန်ကို ကူးစက်နှုန်းနှင့် သေဆုံးနှုန်းကို မြင်သာစွာ နှိုင်းယှဉ်ကြည့်ပြီး အထူးအဆန်းများကို ရှာဖွေခြင်းဖြင့် သိရန်။ ၎င်းကို သိရန်အတွက် နိုင်ငံအမျိုးမျိုးကို ကြည့်ရန်လိုအပ်နိုင်သည်။ + - [ ] သေဆုံးနှုန်းကိုတွက်ချက်ပြီး အချိန်ကြာမြင့်လာသည်နှင့်အမျှ ဘယ်လိုပြောင်းလဲသွားသည်ကို ကြည့်ရန်။ *ရောဂါကြာမြင့်ချိန်ကို ရက်ပေါင်းအနေနှင့် ထည့်သွင်းစဉ်းစားပြီး တစ်ခုတည်းသော အချိန်စီးရီးကို ရွှေ့ပြီးမှ တွက်ချက်မှုများကို ပြုလုပ်လိုက်ပါ* + +## COVID-19 စာရွက်များကို ခွဲခြမ်းစိတ်ဖြာခြင်း + +- [ ] ဆေးဝါးအမျိုးမျိုး၏ ပေါင်းစည်းမှု matrix ကို ဖန်တီးပြီး ဘယ်ဆေးဝါးများသည် အတူတူဖြစ်လေ့ရှိသည်ကို (ဥပမာ - တစ်ခုတည်းသော အကျဉ်းချုပ်တွင် ဖော်ပြထားသည်) ကြည့်ရန်။ ဆေးဝါးနှင့် ရောဂါအတူတူဖြစ်မှု matrix ကို ဖန်တီးရန် ကုဒ်ကို ပြင်ဆင်နိုင်သည်။ +- [ ] ဒီ matrix ကို heatmap အသုံးပြု၍ မြင်သာစွာဖော်ပြရန်။ +- [ ] အပိုလုပ်ငန်းအနေနှင့် ဆေးဝါးများ၏ ပေါင်းစည်းမှုကို [chord diagram](https://en.wikipedia.org/wiki/Chord_diagram) အသုံးပြု၍ မြင်သာစွာဖော်ပြရန်။ [ဒီ library](https://pypi.org/project/chord/) သည် chord diagram ကို ရေးဆွဲရန် ကူညီနိုင်သည်။ +- [ ] အခြားအပိုလုပ်ငန်းအနေနှင့် regular expressions ကို အသုံးပြု၍ ဆေးဝါးအမျိုးမျိုး၏ အလုံးအရေအတွက်များ (ဥပမာ - **400mg** in *take 400mg of chloroquine daily*) ကို ထုတ်ယူပြီး ဆေးဝါးအမျိုးမျိုးအတွက် အလုံးအရေအတွက်များကို ဖော်ပြထားသော dataframe ကို ဖန်တီးရန်။ **မှတ်ချက်**: ဆေးဝါးအမည်နှင့် အနီးအနားရှိ စာသားများတွင် ပါဝင်သော ကိန်းဂဏန်းများကို စဉ်းစားပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်ရန်လိုအပ် +--- | --- | -- | +လုပ်ငန်းတာဝန်အားလုံးပြီးစီးပြီး၊ ဂရပ်များဖော်ပြထားပြီး၊ အနည်းဆုံး stretch goal တစ်ခုကို လုပ်ဆောင်ထားသည် | လုပ်ငန်းတာဝန် ၅ ခုထက်ပိုပြီးစီးထားသော်လည်း stretch goal မလုပ်ဆောင်ထားခြင်း၊ သို့မဟုတ် ရလဒ်များ မရှင်းလင်းခြင်း | လုပ်ငန်းတာဝန် ၃ ခုထက်ပိုပြီး ၅ ခုထက်နည်းပြီးစီးထားခြင်း၊ ဂရပ်များသည် အချက်အလက်ကို ဖော်ပြရန် မကူညီခြင်း + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/08-data-preparation/README.md b/translations/my/2-Working-With-Data/08-data-preparation/README.md new file mode 100644 index 00000000..95d804c1 --- /dev/null +++ b/translations/my/2-Working-With-Data/08-data-preparation/README.md @@ -0,0 +1,228 @@ + +# ဒေတာနှင့်အလုပ်လုပ်ခြင်း: ဒေတာပြင်ဆင်မှု + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)| +|:---:| +|ဒေတာပြင်ဆင်မှု - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14) + +ဒေတာရင်းမြစ်ပေါ်မူတည်ပြီး၊ မူလဒေတာတွင် မညီညွတ်မှုများပါဝင်နိုင်ပြီး၊ ဒါက အနုဇာတနှင့် မော်ဒယ်ဖွဲ့စည်းမှုတွင် အခက်အခဲများဖြစ်စေပါသည်။ အခြားစကားဖြင့်၊ ဒီဒေတာကို "ညစ်ပတ်" ဟုခေါ်နိုင်ပြီး၊ သန့်ရှင်းရေးလုပ်ရန်လိုအပ်ပါသည်။ ဒီသင်ခန်းစာမှာ မရှိသော၊ မမှန်ကန်သော၊ သို့မဟုတ် မပြည့်စုံသော ဒေတာများကို ကိုင်တွယ်ရန် သန့်ရှင်းရေးနှင့် ပြောင်းလဲမှုနည်းလမ်းများကို အဓိကထားပါသည်။ ဒီသင်ခန်းစာတွင် Python နှင့် Pandas library ကို အသုံးပြုပြီး [ဒီ directory ထဲရှိ notebook](notebook.ipynb) တွင် ပြသမည်ဖြစ်သည်။ + +## ဒေတာသန့်ရှင်းရေး၏ အရေးပါမှု + +- **အသုံးပြုရလွယ်ကူမှုနှင့် ပြန်လည်အသုံးချနိုင်မှု**: ဒေတာကို မှန်ကန်စွာ စီစဉ်ပြီး ပုံမှန်အခြေအနေဖြင့် ပြင်ဆင်ထားပါက ရှာဖွေရန်၊ အသုံးပြုရန်နှင့် အခြားသူများနှင့် မျှဝေရန် ပိုမိုလွယ်ကူပါသည်။ + +- **ညီညွတ်မှု**: ဒေတာသိပ္ပံသည် မကြာခဏ ဒေတာအစုများစွာနှင့် အလုပ်လုပ်ရန် လိုအပ်ပါသည်။ ဒေတာအစုများကို ပေါင်းစည်းရာတွင်၊ တစ်ခုချင်းစီကို ပုံမှန်စံချိန်စံညွှန်းများနှင့် ညီညွတ်စေရန် လိုအပ်ပါသည်။ + +- **မော်ဒယ်တိကျမှု**: သန့်ရှင်းထားသော ဒေတာသည် မော်ဒယ်များ၏ တိကျမှုကို တိုးတက်စေပါသည်။ + +## သန့်ရှင်းရေးရည်မှန်းချက်များနှင့် များသောအားဖြင့်အသုံးပြုသောနည်းလမ်းများ + +- **ဒေတာအစုကို စူးစမ်းခြင်း**: [နောက်ထပ်သင်ခန်းစာ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing) တွင် ဖော်ပြထားသည့် ဒေတာစူးစမ်းမှုသည် သန့်ရှင်းရေးလိုအပ်သော ဒေတာများကို ရှာဖွေစေပါသည်။ ဒေတာအစုတစ်ခု၏ တန်ဖိုးများကို မြင်ကွင်းဖြင့် ကြည့်ရှုခြင်းက အခြားတန်ဖိုးများအပေါ် မျှော်လင့်ချက်များကို ဖော်ထုတ်စေပါသည်။ + +- **ပုံစံပြင်ဆင်မှု**: ဒေတာရင်းမြစ်ပေါ်မူတည်၍ ပုံစံမညီညွတ်မှုများရှိနိုင်ပါသည်။ ဒါက ရှာဖွေရန်နှင့် တန်ဖိုးကို ကိုယ်စားပြုရန် အခက်အခဲဖြစ်စေပါသည်။ ပုံမှန်ပြဿနာများတွင် whitespace, ရက်စွဲများနှင့် ဒေတာအမျိုးအစားများကို ဖြေရှင်းခြင်းပါဝင်သည်။ + +- **အကြိမ်ရောထပ်မှုများ**: တူညီသော ဒေတာများသည် မမှန်ကန်သောရလဒ်များကို ဖြစ်စေပြီး၊ များသောအားဖြင့် ဖယ်ရှားရန်လိုအပ်ပါသည်။ + +- **မရှိသောဒေတာ**: မရှိသောဒေတာသည် မမှန်ကန်မှုများနှင့် အားနည်းသော သို့မဟုတ် မျှတမှုမရှိသောရလဒ်များကို ဖြစ်စေပါသည်။ + +## DataFrame အချက်အလက်များကို စူးစမ်းခြင်း +> **သင်ယူရည်မှန်းချက်**: ဒီအပိုင်းအဆုံးတွင် pandas DataFrame တွင် သိမ်းဆည်းထားသော ဒေတာအကြောင်း အထွေထွေသိရှိမှုကို ရရှိနိုင်ရန် သင်ကျွမ်းကျင်ဖြစ်မည်။ + +pandas တွင် ဒေတာကို DataFrame အဖြစ် သိမ်းဆည်းထားပြီး၊ ဒေတာအစုတွင် 60,000 rows နှင့် 400 columns ရှိပါက ဘယ်လိုစတင်ကြည့်ရှုရမလဲ? pandas သည် DataFrame အကြောင်း အထွေထွေသတင်းအချက်အလက်များကို မြန်ဆန်စွာကြည့်ရှုရန် အဆင်ပြေသောကိရိယာများကို ပံ့ပိုးပေးပါသည်။ + +ဒီ functionality ကို စမ်းသပ်ရန် Python scikit-learn library ကို import ပြုလုပ်ပြီး **Iris data set** ကို အသုံးပြုပါမည်။ + +```python +import pandas as pd +from sklearn.datasets import load_iris + +iris = load_iris() +iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names']) +``` +| |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)| +|----------------------------------------|-----------------|----------------|-----------------|----------------| +|0 |5.1 |3.5 |1.4 |0.2 | +|1 |4.9 |3.0 |1.4 |0.2 | +|2 |4.7 |3.2 |1.3 |0.2 | +|3 |4.6 |3.1 |1.5 |0.2 | +|4 |5.0 |3.6 |1.4 |0.2 | + +- **DataFrame.info**: `info()` method သည် DataFrame တွင်ပါဝင်သော အကြောင်းအရာများကို အကျဉ်းချုပ်ပုံစံဖြင့် ပြသရန် အသုံးပြုသည်။ +```python +iris_df.info() +``` +``` +RangeIndex: 150 entries, 0 to 149 +Data columns (total 4 columns): + # Column Non-Null Count Dtype +--- ------ -------------- ----- + 0 sepal length (cm) 150 non-null float64 + 1 sepal width (cm) 150 non-null float64 + 2 petal length (cm) 150 non-null float64 + 3 petal width (cm) 150 non-null float64 +dtypes: float64(4) +memory usage: 4.8 KB +``` +ဒီမှာ *Iris* dataset တွင် 150 entries ရှိပြီး၊ 4 columns ပါဝင်ကြောင်း သိရှိရပါသည်။ Null entries မရှိဘဲ၊ 64-bit floating-point numbers အဖြစ် သိမ်းဆည်းထားသည်။ + +- **DataFrame.head()**: `head()` method သည် DataFrame ၏ ပထမဆုံး rows များကို ကြည့်ရန် အသုံးပြုသည်။ +```python +iris_df.head() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +0 5.1 3.5 1.4 0.2 +1 4.9 3.0 1.4 0.2 +2 4.7 3.2 1.3 0.2 +3 4.6 3.1 1.5 0.2 +4 5.0 3.6 1.4 0.2 +``` +- **DataFrame.tail()**: `tail()` method သည် DataFrame ၏ နောက်ဆုံး rows များကို ကြည့်ရန် အသုံးပြုသည်။ +```python +iris_df.tail() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +145 6.7 3.0 5.2 2.3 +146 6.3 2.5 5.0 1.9 +147 6.5 3.0 5.2 2.0 +148 6.2 3.4 5.4 2.3 +149 5.9 3.0 5.1 1.8 +``` +> **Takeaway**: DataFrame ၏ metadata သို့မဟုတ် ပထမနှင့် နောက်ဆုံး rows များကို ကြည့်ခြင်းဖြင့်၊ ဒေတာ၏ အရွယ်အစား၊ ပုံသဏ္ဌာန်နှင့် အကြောင်းအရာကို ချက်ချင်း သိနိုင်သည်။ + +## မရှိသောဒေတာကို ကိုင်တွယ်ခြင်း +> **သင်ယူရည်မှန်းချက်**: ဒီအပိုင်းအဆုံးတွင် DataFrame များမှ null values များကို အစားထိုးခြင်း သို့မဟုတ် ဖယ်ရှားခြင်းကို သင်သိရှိမည်။ + +အများအားဖြင့် သင်အသုံးပြုလိုသော ဒေတာများတွင် မရှိသောတန်ဖိုးများပါဝင်လေ့ရှိသည်။ + +Pandas သည် missing values များကို `NaN` (Not a Number) နှင့် Python `None` object တို့ဖြင့် ကိုင်တွယ်သည်။ + +- **Null values ရှာဖွေခြင်း**: `isnull()` နှင့် `notnull()` methods သည် null data ကို ရှာဖွေရန် အသုံးပြုသည်။ +```python +import numpy as np + +example1 = pd.Series([0, np.nan, '', None]) +example1.isnull() +``` +``` +0 False +1 True +2 False +3 True +dtype: bool +``` + +- **Null values ဖယ်ရှားခြင်း**: `dropna()` သည် null values များကို ဖယ်ရှားရန် အသုံးပြုသည်။ +```python +example1 = example1.dropna() +example1 +``` +``` +0 0 +2 +dtype: object +``` + +- **Null values ဖြည့်ခြင်း**: `fillna()` သည် null values များကို သင့်ရွေးချယ်မှုအတိုင်း ဖြည့်ရန် အသုံးပြုသည်။ +```python +example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde')) +example3 +``` +``` +a 1.0 +b NaN +c 2.0 +d NaN +e 3.0 +dtype: float64 +``` + +> **Takeaway**: Null values များကို ဖြည့်ခြင်း သို့မဟုတ် ဖယ်ရှားခြင်းသည် ဒေတာသန့်ရှင်းရေးတွင် အရေးကြီးသော အဆင့်ဖြစ်သည်။ +> **အဓိကအချက်:** သင့်ဒေတာအစုအဖွဲ့များတွင် ပျောက်ဆုံးနေသောတန်ဖိုးများကို ကိုင်တွယ်ရန် နည်းလမ်းများစွာရှိသည်။ သင့်အသုံးပြုမည့် အထူးနည်းလမ်း (ပျောက်ဆုံးနေသောတန်ဖိုးများကို ဖယ်ရှားခြင်း၊ အစားထိုးခြင်း၊ သို့မဟုတ် အစားထိုးနည်းလမ်း) သည် ဒေတာ၏ အထူးသတ်မှတ်ချက်များအပေါ် မူတည်ရမည်။ ဒေတာအစုအဖွဲ့များကို ပိုမိုကိုင်တွယ်ပြီး အတွေ့အကြုံရလာသည့်အခါ ပျောက်ဆုံးနေသောတန်ဖိုးများကို ဘယ်လိုကိုင်တွယ်ရမည်ဆိုတာ ပိုမိုနားလည်လာမည်။ + +## အတူတူဖြစ်နေသော ဒေတာများကို ဖယ်ရှားခြင်း + +> **သင်ယူရမည့်ရည်မှန်းချက်:** ဤအပိုင်းအဆုံးတွင် သင်သည် DataFrames မှ အတူတူဖြစ်နေသောတန်ဖိုးများကို ဖော်ထုတ်ခြင်းနှင့် ဖယ်ရှားခြင်းတွင် ကျွမ်းကျင်လာရမည်။ + +ပျောက်ဆုံးနေသောဒေတာများအပြင်၊ အမှန်တကယ်ရှိသော ဒေတာအစုအဖွဲ့များတွင် အတူတူဖြစ်နေသော ဒေတာများကိုလည်း မကြာခဏတွေ့ရမည်။ ကံကောင်းစွာ၊ `pandas` သည် အတူတူဖြစ်နေသော အချက်အလက်များကို ရှာဖွေပြီး ဖယ်ရှားရန် လွယ်ကူသော နည်းလမ်းကို ပံ့ပိုးပေးသည်။ + +- **အတူတူဖြစ်နေမှုများကို ဖော်ထုတ်ခြင်း: `duplicated`**: pandas တွင် `duplicated` method ကို အသုံးပြု၍ အတူတူဖြစ်နေသောတန်ဖိုးများကို လွယ်ကူစွာ ရှာဖွေနိုင်သည်။ ဤနည်းလမ်းသည် `DataFrame` တွင် ရှိသော အချက်အလက်တစ်ခုသည် ယခင်တစ်ခုနှင့် အတူတူဖြစ်နေသည်ဟုတ်မဟုတ်ကို ပြသသည့် Boolean mask ကို ပြန်ပေးသည်။ ဤကို လက်တွေ့လုပ်ဆောင်ရန် နောက်ထပ် `DataFrame` ကို ဖန်တီးကြည့်ပါ။ +```python +example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'], + 'numbers': [1, 2, 1, 3, 3]}) +example4 +``` +| |letters|numbers| +|------|-------|-------| +|0 |A |1 | +|1 |B |2 | +|2 |A |1 | +|3 |B |3 | +|4 |B |3 | + +```python +example4.duplicated() +``` +``` +0 False +1 False +2 True +3 False +4 True +dtype: bool +``` +- **အတူတူဖြစ်နေမှုများကို ဖယ်ရှားခြင်း: `drop_duplicates`:** `duplicated` values များကို `False` ဟု သတ်မှတ်ထားသော ဒေတာ၏ မိတ္တူကို ပြန်ပေးသည်: +```python +example4.drop_duplicates() +``` +``` + letters numbers +0 A 1 +1 B 2 +3 B 3 +``` +`duplicated` နှင့် `drop_duplicates` နှစ်ခုစလုံးသည် default အနေဖြင့် column အားလုံးကို စဉ်းစားသော်လည်း သင့် `DataFrame` တွင် column အချို့ကိုသာ စစ်ဆေးရန် သတ်မှတ်နိုင်သည်: +```python +example4.drop_duplicates(['letters']) +``` +``` +letters numbers +0 A 1 +1 B 2 +``` + +> **အဓိကအချက်:** အတူတူဖြစ်နေသော ဒေတာများကို ဖယ်ရှားခြင်းသည် ဒေတာသိပ္ပံစီမံကိန်းတိုင်းတွင် မရှိမဖြစ်လိုအပ်သော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ အတူတူဖြစ်နေသော ဒေတာများသည် သင့်စစ်တမ်းရလဒ်များကို ပြောင်းလဲစေနိုင်ပြီး မမှန်ကန်သောရလဒ်များကို ပေးနိုင်သည်။ + +## 🚀 စိန်ခေါ်မှု + +ဆွေးနွေးခဲ့သည့် အကြောင်းအရာအားလုံးကို [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb) အနေဖြင့် ပံ့ပိုးပေးထားသည်။ ထို့အပြင်၊ အပိုင်းတိုင်း၏ နောက်တွင် လေ့ကျင့်ခန်းများပါရှိပြီး၊ ၎င်းတို့ကို စမ်းကြည့်ပါ။ + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +သင့်ဒေတာကို စစ်ဆေးခြင်းနှင့် မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ပြင်ဆင်ခြင်းကို ရှာဖွေပြီး လုပ်ဆောင်ရန် နည်းလမ်းများစွာရှိသည်။ ဒေတာကို သန့်ရှင်းရေးလုပ်ခြင်းသည် "လက်တွေ့လုပ်ဆောင်မှု" အတွေ့အကြုံတစ်ခုဖြစ်သည်။ ဤသင်ခန်းစာတွင် မဖော်ပြထားသည့် နည်းလမ်းများကို စမ်းသပ်ရန် Kaggle မှ စိန်ခေါ်မှုများကို စမ်းကြည့်ပါ။ + +- [Data Cleaning Challenge: Parsing Dates](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/) + +- [Data Cleaning Challenge: Scale and Normalize Data](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data) + +## အိမ်စာ + +[Evaluating Data from a Form](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/08-data-preparation/assignment.md b/translations/my/2-Working-With-Data/08-data-preparation/assignment.md new file mode 100644 index 00000000..071128e5 --- /dev/null +++ b/translations/my/2-Working-With-Data/08-data-preparation/assignment.md @@ -0,0 +1,28 @@ + +# ဖောင်မှ ဒေတာကို အကဲဖြတ်ခြင်း + +ဖောင်အသေးစား [small form](../../../../2-Working-With-Data/08-data-preparation/index.html) တစ်ခုကို သုံးပြီး သူတို့၏ ဖောက်သည်အခြေခံအချက်အလက်များကို စုဆောင်းရန် စမ်းသပ်နေသော ဖောက်သည်တစ်ဦးရှိသည်။ သူတို့ စုဆောင်းထားသော ဒေတာကို သင့်ထံ ယူဆောင်လာပြီး အတည်ပြုရန် တောင်းဆိုထားသည်။ `index.html` စာမျက်နှာကို browser တွင် ဖွင့်ပြီး ဖောင်ကို ကြည့်ရှုနိုင်သည်။ + +သင့်အား ဖောင်မှ အဝင်များနှင့် အခြေခံ ရုပ်ပုံဖော်မှုများပါဝင်သော [csv မှတ်တမ်းဒေတာစဉ်](../../../../data/form.csv) တစ်ခု ပေးထားသည်။ ဖောက်သည်က ရုပ်ပုံဖော်မှုအချို့သည် မှားနေသလို ထင်ရပြီး၊ ဒါကို ဘယ်လို ဖြေရှင်းရမလဲ မသိကြောင်း ပြောကြားထားသည်။ [assignment notebook](assignment.ipynb) တွင် စမ်းသပ်နိုင်သည်။ + +## လမ်းညွှန်ချက်များ + +ဒီသင်ခန်းစာမှ နည်းလမ်းများကို အသုံးပြု၍ ဖောင်သည် မှန်ကန်ပြီး တိကျသော အချက်အလက်များကို စုဆောင်းနိုင်ရန် အကြံပြုချက်များ ပေးပါ။ + +## အကဲဖြတ်စံနှုန်း + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- | + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ဆိုမှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပြန်ဆိုမှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/2-Working-With-Data/README.md b/translations/my/2-Working-With-Data/README.md new file mode 100644 index 00000000..bc559c40 --- /dev/null +++ b/translations/my/2-Working-With-Data/README.md @@ -0,0 +1,31 @@ + +# ဒေတာနှင့်အလုပ်လုပ်ခြင်း + +![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.my.jpg) +> ဓာတ်ပုံကို Alexander Sinn မှ Unsplash တွင် ရိုက်ထားသည် + +ဒီသင်ခန်းစာများတွင် ဒေတာကို စီမံခြင်း၊ ပြောင်းလဲခြင်းနှင့် အက်ပလီကေးရှင်းများတွင် အသုံးပြုခြင်းနည်းလမ်းများကို သင်ယူနိုင်ပါမည်။ သင် relational databases နှင့် non-relational databases အကြောင်းကို သင်ယူပြီး ဒေတာကို ဘယ်လိုသိုလှောင်နိုင်မလဲဆိုတာကိုလည်း သိရှိနိုင်ပါမည်။ Python ကို အသုံးပြု၍ ဒေတာကို စီမံရန် အခြေခံအချက်များကို သင်ယူပြီး Python ကို အသုံးပြု၍ ဒေတာကို စီမံခြင်းနှင့် ရှာဖွေခြင်းနည်းလမ်းများစွာကို ရှာဖွေတွေ့ရှိနိုင်ပါမည်။ + +### ခေါင်းစဉ်များ + +1. [Relational databases](05-relational-databases/README.md) +2. [Non-relational databases](06-non-relational/README.md) +3. [Python နှင့်အလုပ်လုပ်ခြင်း](07-python/README.md) +4. [ဒေတာကို ပြင်ဆင်ခြင်း](08-data-preparation/README.md) + +### အကျိုးတူ + +ဒီသင်ခန်းစာများကို ❤️ ဖြင့် [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) နှင့် [Jasmine Greenaway](https://twitter.com/paladique) တို့က ရေးသားထားပါသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြု၍ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/09-visualization-quantities/README.md b/translations/my/3-Data-Visualization/09-visualization-quantities/README.md new file mode 100644 index 00000000..eb47783b --- /dev/null +++ b/translations/my/3-Data-Visualization/09-visualization-quantities/README.md @@ -0,0 +1,222 @@ + +# အရေအတွက်များကို မြင်သာအောင် ဖော်ပြခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| အရေအတွက်များကို မြင်သာအောင် ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒီသင်ခန်းစာမှာ Python libraries တွေထဲက တစ်ခုကို အသုံးပြုပြီး အရေအတွက်ဆိုင်ရာ အထူးစိတ်ဝင်စားဖွယ် ဖော်ပြချက်တွေ ဖန်တီးနည်းကို လေ့လာပါမယ်။ Minnesota ရဲ့ ငှက်များအကြောင်း သန့်ရှင်းထားတဲ့ dataset ကို အသုံးပြုပြီး ဒေသတွင်း သဘာဝတိရစ္ဆာန်များအကြောင်း စိတ်ဝင်စားဖွယ် အချက်အလက်များကို သင်လေ့လာနိုင်ပါမယ်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Matplotlib ဖြင့် အတောင်အလျားကို စောင့်ကြည့်ခြင်း + +အမျိုးမျိုးသော ရိုးရှင်းပြီး ခက်ခဲတဲ့ ပုံစံများကို ဖန်တီးနိုင်တဲ့ စွမ်းဆောင်ရည်မြင့် စာကြည့်တိုက်တစ်ခုက [Matplotlib](https://matplotlib.org/stable/index.html) ဖြစ်ပါတယ်။ အထွေထွေအားဖြင့်, ဒီလို libraries တွေကို အသုံးပြုပြီး ဒေတာတွေကို ပုံဖော်ဖို့ လုပ်ငန်းစဉ်မှာ သင့် dataframe ရဲ့ တစ်စိတ်တစ်ပိုင်းကို ရွေးချယ်ခြင်း၊ ဒေတာကို ပြောင်းလဲခြင်း၊ x-axis နဲ့ y-axis တန်ဖိုးတွေ သတ်မှတ်ခြင်း၊ ဘယ်လိုပုံစံကို ဖော်ပြမလဲ ဆုံးဖြတ်ခြင်းနဲ့ ပုံကို ပြသခြင်းတို့ ပါဝင်ပါတယ်။ Matplotlib မှာ visualization အမျိုးအစား အများကြီး ရှိပါတယ်၊ ဒါပေမယ့် ဒီသင်ခန်းစာအတွက် အရေအတွက်ကို ဖော်ပြဖို့ သင့်တော်တဲ့ ပုံစံတွေကိုသာ အာရုံစိုက်ပါမယ် - လိုင်းပုံစံ၊ scatterplot နဲ့ bar plot တွေပါ။ + +> ✅ သင့်ဒေတာရဲ့ ဖွဲ့စည်းပုံနဲ့ သင့်ပြောချင်တဲ့ အကြောင်းအရာကို အကောင်းဆုံး ဖော်ပြနိုင်တဲ့ ပုံစံကို ရွေးချယ်ပါ။ +> - အချိန်အလိုက် အပြောင်းအလဲတွေကို ခွဲခြားဖော်ပြရန်: လိုင်း +> - တန်ဖိုးတွေကို နှိုင်းယှဉ်ရန်: bar, column, pie, scatterplot +> - အစိတ်အပိုင်းတွေ ဘယ်လို တစ်ခုတစ်ခုနဲ့ ဆက်စပ်နေသလဲ ဖော်ပြရန်: pie +> - ဒေတာဖြန့်ဖြူးမှုကို ဖော်ပြရန်: scatterplot, bar +> - အပြောင်းအလဲတွေကို ဖော်ပြရန်: လိုင်း, column +> - တန်ဖိုးတွေကြား ဆက်စပ်မှုကို ဖော်ပြရန်: လိုင်း, scatterplot, bubble + +သင့်မှာ dataset တစ်ခုရှိပြီး အရာဝတ္ထုတစ်ခုရဲ့ အရေအတွက်ကို သိလိုပါက, ပထမဆုံးလုပ်ငန်းစဉ်က ဒေတာတန်ဖိုးတွေကို စစ်ဆေးဖို့ ဖြစ်ပါတယ်။ + +✅ Matplotlib အတွက် အလွန်ကောင်းမွန်တဲ့ 'cheat sheets' တွေကို [ဒီမှာ](https://matplotlib.org/cheatsheets/cheatsheets.pdf) ရနိုင်ပါတယ်။ + +## ငှက်အတောင်အလျားတန်ဖိုးတွေကို လိုင်းပုံစံဖြင့် ဖော်ပြပါ + +ဒီသင်ခန်းစာ folder ရဲ့ root မှာရှိတဲ့ `notebook.ipynb` ဖိုင်ကို ဖွင့်ပြီး cell တစ်ခု ထည့်ပါ။ + +> Note: ဒေတာကို ဒီ repo ရဲ့ root မှာရှိတဲ့ `/data` folder ထဲမှာ သိမ်းထားပါတယ်။ + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` +ဒီဒေတာက စာနဲ့ နံပါတ်တွေ ရောထားတဲ့ ပုံစံဖြစ်ပါတယ်: + +| | Name | ScientificName | Category | Order | Family | Genus | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Fulvous whistling-duck | Dendrocygna bicolor | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snow goose | Anser caerulescens | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Ross's goose | Anser rossii | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Greater white-fronted goose | Anser albifrons | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +အခုတော့ ဒီစိတ်ဝင်စားဖွယ် ငှက်တွေမှာ အတောင်အလျားအများဆုံးကို လိုင်းပုံစံဖြင့် ဖော်ပြကြည့်ပါ။ + +```python +wingspan = birds['MaxWingspan'] +wingspan.plot() +``` +![Max Wingspan](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.my.png) + +ဘာတွေကို ချက်ချင်း သတိထားမိပါသလဲ? အနည်းဆုံး outlier တစ်ခုရှိနေသလို ထင်ရပါတယ် - အတောင်အလျားတစ်ခုက အလွန်ကြီးမားနေပါတယ်! 2300 စင်တီမီတာဆိုတာ 23 မီတာနဲ့ တူပါတယ် - Minnesota မှာ Pterodactyls တွေ လှည့်လည်နေပါသလား? စစ်ဆေးကြည့်ရအောင်။ + +Excel မှာ အလျင်အမြန် sort လုပ်ပြီး ဒီ outliers တွေကို ရှာဖွေနိုင်ပေမယ့်, plot ထဲကနေ ဆက်လက်လုပ်ဆောင်ပါ။ + +x-axis မှာ ငှက်အမျိုးအစားတွေကို ဖော်ပြဖို့ label တွေ ထည့်ပါ: + +``` +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.xticks(rotation=45) +x = birds['Name'] +y = birds['MaxWingspan'] + +plt.plot(x, y) + +plt.show() +``` +![wingspan with labels](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.my.png) + +label တွေကို 45 ဒီဂရီလှည့်ထားပေမယ့်, ဖတ်ရခက်နေဆဲပါ။ အခြားနည်းလမ်းကို စမ်းကြည့်ရအောင် - outliers တွေကိုသာ label ထည့်ပြီး chart ထဲမှာပဲ ဖော်ပြပါ။ scatter chart ကို အသုံးပြုပြီး label ထည့်ဖို့ နေရာပိုရနိုင်ပါတယ်: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) + +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + plt.plot(x, y, 'bo') + if birds['MaxWingspan'][i] > 500: + plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12) + +plt.show() +``` +ဒီမှာ ဘာဖြစ်နေပါသလဲ? `tick_params` ကို အသုံးပြုပြီး အောက်ဆုံး label တွေကို ဖျောက်လိုက်ပြီး, သင့်ငှက် dataset ကို loop လုပ်ထားပါတယ်။ `bo` ကို အသုံးပြုပြီး အပြာရောင် အစက်လေးတွေကို plot လုပ်ပြီး, အတောင်အလျားအများဆုံး 500 ထက်ကျော်တဲ့ ငှက်တွေကို စစ်ထုတ်ပြီး, dot နားမှာ label ထည့်ထားပါတယ်။ y axis မှာ label တွေကို နည်းနည်း offset လုပ်ထားပြီး (`y * (1 - 0.05)`), ငှက်နာမည်ကို label အဖြစ် အသုံးပြုထားပါတယ်။ + +ဘာတွေကို ရှာဖွေတွေ့ရှိခဲ့ပါသလဲ? + +![outliers](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.my.png) + +## သင့်ဒေတာကို စစ်ထုတ်ပါ + +Bald Eagle နဲ့ Prairie Falcon တို့ဟာ အတောင်အလျားမှာ အမှားရှိနေသလို ထင်ရပါတယ်။ အတောင်အလျား 25 မီတာရှိတဲ့ Bald Eagle ကိုတွေ့ရင် ကျေးဇူးပြု၍ ကျွန်ုပ်တို့ကို အသိပေးပါ! ဒီ outliers နှစ်ခုမပါတဲ့ dataframe အသစ်တစ်ခု ဖန်တီးကြည့်ရအောင်: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']: + plt.plot(x, y, 'bo') +plt.show() +``` + +Outliers တွေကို ဖယ်ရှားပြီးနောက်, သင့်ဒေတာဟာ ပိုပြီး သဟဇာတဖြစ်လာပြီး နားလည်ရလွယ်ကူလာပါတယ်။ + +![scatterplot of wingspans](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.my.png) + +အတောင်အလျားအရင်းအမြစ်အရ သန့်ရှင်းတဲ့ dataset ရရှိပြီးနောက်, ဒီငှက်တွေကို ပိုမိုလေ့လာကြည့်ရအောင်။ + +လိုင်းနဲ့ scatter plot တွေက ဒေတာတန်ဖိုးနဲ့ distribution တွေကို ဖော်ပြနိုင်ပေမယ့်, dataset ရဲ့ အရေအတွက်ဆိုင်ရာ တန်ဖိုးတွေကို စဉ်းစားဖို့လိုပါတယ်။ အောက်ပါအရေအတွက်ဆိုင်ရာ မေးခွန်းတွေကို ဖြေရှင်းဖို့ visualization တွေ ဖန်တီးနိုင်ပါတယ်: + +> ငှက်အမျိုးအစား ဘယ်နှစ်မျိုးရှိပြီး, အရေအတွက်ဘယ်လောက်ရှိသလဲ? +> ဘယ်ငှက်တွေ မျိုးသုဉ်းနေသလဲ, အန္တရာယ်ရှိနေသလဲ, ရှားပါးနေသလဲ, သာမန်လား? +> Linnaeus ရဲ့ အမျိုးအစားနဲ့ အဆင့်အလိုက် ဘယ်လောက်ရှိသလဲ? + +## Bar Chart တွေကို လေ့လာပါ + +Bar chart တွေက ဒေတာကို အုပ်စုဖွဲ့ဖို့ အလွန်အသုံးဝင်ပါတယ်။ ဒီ dataset မှာ ရှိတဲ့ ငှက်အမျိုးအစားတွေကို လေ့လာပြီး ဘယ်အမျိုးအစားက အများဆုံးရှိသလဲဆိုတာ ကြည့်ရအောင်။ + +notebook ဖိုင်ထဲမှာ basic bar chart တစ်ခု ဖန်တီးပါ။ + +✅ အရင်ပိုင်းမှာ ရှာဖွေတွေ့ရှိထားတဲ့ outlier ငှက်နှစ်ကောင်ကို ဖယ်ရှားမလား, အတောင်အလျားအမှားကို ပြင်မလား, ဒါမှမဟုတ် ဒီ exercises တွေ wingspan တန်ဖိုးနဲ့ မဆိုင်တဲ့အတွက် ထားလိုက်မလား ဆုံးဖြတ်ပါ။ + +Bar chart တစ်ခု ဖန်တီးချင်ရင်, သင့်အာရုံစိုက်ချင်တဲ့ ဒေတာကို ရွေးချယ်ပါ။ Raw data ကနေ bar chart တွေ ဖန်တီးနိုင်ပါတယ်: + +```python +birds.plot(x='Category', + kind='bar', + stacked=True, + title='Birds of Minnesota') + +``` +![full data as a bar chart](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.my.png) + +ဒါပေမယ့် ဒီ bar chart က ဖတ်ရခက်နေပါတယ်, အုပ်စုဖွဲ့ထားတဲ့ ဒေတာမရှိလို့ပါ။ ငှက်အမျိုးအစားအလိုက် အရှည်ကိုသာ ရွေးချယ်ကြည့်ရအောင်။ + +သင့်ဒေတာကို ငှက်အမျိုးအစားအလိုက်သာ ဖော်ပြပါ။ + +✅ သင် Pandas ကို ဒေတာကို စီမံဖို့ အသုံးပြုပြီး, Matplotlib ကို chart ဖန်တီးဖို့ အသုံးပြုထားတာကို သတိပြုပါ။ + +အမျိုးအစားများစွာရှိတဲ့အတွက်, ဒီ chart ကို မျဉ်းတန်းလိုက်ပြပြီး, အမြင့်ကို data အားလုံးအတွက် ထည့်သွင်းပြင်ဆင်ပါ: + +```python +category_count = birds.value_counts(birds['Category'].values, sort=True) +plt.rcParams['figure.figsize'] = [6, 12] +category_count.plot.barh() +``` +![category and length](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.my.png) + +ဒီ bar chart က အမျိုးအစားအလိုက် ငှက်အရေအတွက်ကို ကောင်းစွာ ဖော်ပြထားပါတယ်။ တစ်ချက်မြင်တာနဲ့, ဒီဒေသမှာ အများဆုံး ငှက်တွေက Ducks/Geese/Waterfowl အမျိုးအစားဖြစ်တာကို မြင်နိုင်ပါတယ်။ Minnesota ဟာ '10,000 ရေကန်များ၏ မြေ' ဖြစ်တာကြောင့်, ဒါက အံ့ဩစရာမဟုတ်ပါဘူး။ + +✅ ဒီ dataset ကို အသုံးပြုပြီး အခြား count တွေကို စမ်းကြည့်ပါ။ ဘာတွေက သင့်ကို အံ့ဩစေပါသလဲ? + +## ဒေတာကို နှိုင်းယှဉ်ခြင်း + +Grouped data တွေကို နှိုင်းယှဉ်ဖို့ အသစ်သော axes တွေ ဖန်တီးကြည့်ပါ။ ငှက်အမျိုးအစားအလိုက် MaxLength ကို နှိုင်းယှဉ်ကြည့်ပါ: + +```python +maxlength = birds['MaxLength'] +plt.barh(y=birds['Category'], width=maxlength) +plt.rcParams['figure.figsize'] = [6, 12] +plt.show() +``` +![comparing data](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.my.png) + +ဒီမှာ အံ့ဩစရာမရှိပါဘူး - hummingbirds တွေက Pelicans ဒါမှမဟုတ် Geese တွေထက် MaxLength အနည်းဆုံးရှိပါတယ်။ ဒေတာက သင်္ချာနဲ့ ကိုက်ညီတာကောင်းပါတယ်ဆိုတာကောင်းပါတယ်! + +Bar chart တွေကို ပိုမိုစိတ်ဝင်စားဖွယ် ဖော်ပြဖို့, ဒေတာတွေကို တစ်ခုထက်ပိုပြီး overlay လုပ်နိုင်ပါတယ်။ ငှက်အမျိုးအစားတစ်ခုအလိုက် Minimum နဲ့ Maximum Length ကို overlay လုပ်ကြည့်ရအောင်: + +```python +minLength = birds['MinLength'] +maxLength = birds['MaxLength'] +category = birds['Category'] + +plt.barh(category, maxLength) +plt.barh(category, minLength) + +plt.show() +``` +ဒီ plot မှာ, Minimum Length နဲ့ Maximum Length တစ်ခုချင်းစီရဲ့ range ကို မြင်နိုင်ပါတယ်။ ဒီဒေတာအရ, ငှက်က အရွယ်အစားကြီးလေ, length range က ပိုကြီးတယ်လို့ သေချာပြောနိုင်ပါတယ်။ စိတ်ဝင်စားစရာပါ! + +![superimposed values](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.my.png) + +## 🚀 စိန်ခေါ်မှု + +ဒီငှက် dataset က တစ်ခုထဲသော ecosystem အတွင်းရှိ ငှက်အမျိုးအစားအမျိုးမျိုးအကြောင်း အချက်အလက်များစွာကို ပေးစွမ်းပါတယ်။ အင်တာနက်မှာ ရှာဖွေပြီး ငှက်ဆိုင်ရာ dataset အခြားတွေကို ရှာကြည့်ပါ။ ဒီငှက်တွေကို ပုံစံနဲ့ ပုံစံဖော်ပြပြီး သင်မသိခဲ့တဲ့ အချက်အလက်တွေကို ရှာဖွေကြည့်ပါ။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +ဒီပထမဆုံးသင်ခန်းစာက Matplotlib ကို အသုံးပြုပြီး အရေအတွက်တွေကို မြင်သာအောင် ဖော်ပြနည်းအကြောင်း အချက်အလက်အချို့ကို ပေးခဲ့ပါတယ်။ Visualization အတွက် dataset တွေကို အခြားနည်းလမ်းတွေနဲ့ အလုပ်လုပ်နိုင်ဖို့ လေ့လာပါ။ [Plotly](https://github.com/plotly/plotly.py) က ဒီသင်ခန်းစာတွေမှာ မဖော်ပြထားတဲ့ တစ်ခုဖြစ်ပါတယ်, ဒါကြောင့် ဒါက ဘာတွေ ပေးစွမ်းနိုင်သလဲဆိုတာ ကြည့်ပါ။ + +## လုပ်ငန်း + +[Lines, Scatters, and Bars](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှု ဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/my/3-Data-Visualization/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..932c10c6 --- /dev/null +++ b/translations/my/3-Data-Visualization/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# လိုင်းများ၊ စက်ကွင်းများနှင့် ဘားများ + +## လမ်းညွှန်ချက်များ + +ဒီသင်ခန်းစာမှာ သင်က လိုင်းဇယားများ၊ စက်ကွင်းဇယားများနဲ့ ဘားဇယားများကို အသုံးပြုပြီး ဒီဒေတာအစုအဖွဲ့နဲ့ပတ်သက်တဲ့ စိတ်ဝင်စားဖွယ်ရာ အချက်အလက်တွေကို ပြသခဲ့ပါတယ်။ ဒီအလုပ်မှာတော့ ဒေတာအစုအဖွဲ့ကို နက်ရှိုင်းစွာ လေ့လာပြီး သတ်မှတ်ထားတဲ့ ငှက်အမျိုးအစားတစ်မျိုးနဲ့ ပတ်သက်တဲ့ အချက်အလက်တစ်ခုကို ရှာဖွေဖော်ထုတ်ပါ။ ဥပမာအားဖြင့် Snow Geese အကြောင်း စိတ်ဝင်စားဖွယ်ရာ ဒေတာအားလုံးကို မြင်နိုင်အောင် ဇယားထဲမှာ ဖော်ပြပါ။ အထက်မှာ ဖော်ပြထားတဲ့ ဇယားသုံးမျိုးကို အသုံးပြုပြီး သင့် notebook ထဲမှာ အကြောင်းအရာတစ်ခုကို ဖော်ပြပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက်သည် | တိုးတက်မှုလိုအပ်သည် +--- | --- | --- | +မှတ်စုစာအုပ်ကို ကောင်းမွန်တဲ့ မှတ်ချက်များ၊ ခိုင်မာတဲ့ အကြောင်းပြချက်များနဲ့ ဆွဲဆောင်မှုရှိတဲ့ ဇယားများဖြင့် တင်ပြထားသည် | မှတ်စုစာအုပ်မှာ ဒီအချက်တွေထဲက တစ်ခုမပါရှိပါ | မှတ်စုစာအုပ်မှာ ဒီအချက်တွေထဲက နှစ်ခုမပါရှိပါ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ဆိုမှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/10-visualization-distributions/README.md b/translations/my/3-Data-Visualization/10-visualization-distributions/README.md new file mode 100644 index 00000000..ec3ac5c8 --- /dev/null +++ b/translations/my/3-Data-Visualization/10-visualization-distributions/README.md @@ -0,0 +1,218 @@ + +# အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ယခင်သင်ခန်းစာတွင် သင်သည် Minnesota ရှိ ငှက်များအကြောင်းပါဝင်သော dataset တစ်ခုအကြောင်း စိတ်ဝင်စားဖွယ် အချက်အလက်များကို လေ့လာခဲ့ပါသည်။ Outliers များကို မြင်သာအောင် ဖော်ပြခြင်းဖြင့် မှားယွင်းသော ဒေတာများကို ရှာဖွေခဲ့ပြီး ငှက်အမျိုးအစားများ၏ အရှည်အများဆုံးအတိုင်းအတာအရ ကွာခြားချက်များကိုလည်း ကြည့်ရှုခဲ့ပါသည်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## ငှက်များ၏ dataset ကို လေ့လာခြင်း + +ဒေတာကို နက်နက်ရှိုင်းရှိုင်း လေ့လာရန် နောက်ထပ်နည်းလမ်းတစ်ခုမှာ ဒေတာ၏ အချိုးအစား (distribution) ကို ကြည့်ရှုခြင်းဖြစ်သည်။ ဥပမာအားဖြင့် Minnesota ရှိ ငှက်များအတွက် အတောင်အရှည်အများဆုံး သို့မဟုတ် ကိုယ်အလေးချိန်အများဆုံး၏ အချိုးအစားကို သိလိုသည်ဟု ဆိုပါစို့။ + +ဒီ dataset တွင် ပါဝင်သော ဒေတာများ၏ အချိုးအစားများအကြောင်း အချက်အလက်များကို ရှာဖွေကြည့်ပါ။ ဒီသင်ခန်းစာ folder ၏ root တွင်ရှိသော _notebook.ipynb_ ဖိုင်တွင် Pandas, Matplotlib, နှင့် သင့်ဒေတာကို import လုပ်ပါ။ + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` + +| | Name | ScientificName | Category | Order | Family | Genus | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Fulvous whistling-duck | Dendrocygna bicolor | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snow goose | Anser caerulescens | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Ross's goose | Anser rossii | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Greater white-fronted goose | Anser albifrons | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +ယေဘူယျအားဖြင့် ဒေတာ၏ အချိုးအစားကို မြန်ဆန်စွာ ကြည့်ရှုရန် scatter plot တစ်ခုကို ယခင်သင်ခန်းစာတွင် ပြုလုပ်ခဲ့သလို ပြုလုပ်နိုင်ပါသည်။ + +```python +birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8)) + +plt.title('Max Length per Order') +plt.ylabel('Order') +plt.xlabel('Max Length') + +plt.show() +``` +![max length per order](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.my.png) + +ဤအချက်အလက်သည် ငှက်အမျိုးအစား (Order) တစ်ခုစီအလိုက် ကိုယ်အရှည်၏ ယေဘူယျ အချိုးအစားကို ပြသပေမယ့် အချိုးအစားများကို တကယ်မှန်ကန်စွာ ဖော်ပြရန် အကောင်းဆုံးနည်းလမ်းမဟုတ်ပါ။ ထိုအလုပ်ကို Histogram တစ်ခု ဖန်တီးခြင်းဖြင့် 通常 ပြုလုပ်ပါသည်။ + +## Histogram များနှင့် အလုပ်လုပ်ခြင်း + +Matplotlib သည် Histogram များကို အသုံးပြု၍ ဒေတာ၏ အချိုးအစားကို မြင်သာအောင် ဖော်ပြရန် အလွန်ကောင်းမွန်သော နည်းလမ်းများကို ပေးစွမ်းပါသည်။ ဤအမျိုးအစား၏ chart သည် bar chart တစ်ခုနှင့် ဆင်တူပြီး bar များ၏ မြင့်တက်နိမ့်ကျမှုမှတစ်ဆင့် အချိုးအစားကို မြင်နိုင်ပါသည်။ Histogram တစ်ခု ဖန်တီးရန် သင်သည် ကိန်းဂဏန်းဒေတာလိုအပ်ပါသည်။ Histogram တစ်ခု ဖန်တီးရန် 'hist' ဟူသော chart အမျိုးအစားကို သတ်မှတ်ပြီး chart တစ်ခုကို plot လုပ်နိုင်ပါသည်။ ဤ chart သည် dataset တစ်ခုလုံး၏ MaxBodyMass အချိုးအစားကို ပြသပါသည်။ ဒေတာ array ကို သေးငယ်သော bins များအဖြစ် ခွဲခြားခြင်းဖြင့် ဒေတာတန်ဖိုးများ၏ အချိုးအစားကို ပြသနိုင်ပါသည်။ + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12)) +plt.show() +``` +![distribution over the entire dataset](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.my.png) + +သင်မြင်နိုင်သည့်အတိုင်း ဤ dataset တွင်ပါဝင်သော ငှက် 400+ များ၏ အများစုသည် Max Body Mass 2000 အောက်တွင် ရှိနေသည်။ `bins` parameter ကို 30 ကဲ့သို့ မြင့်မားသော တန်ဖိုးသို့ ပြောင်းလဲခြင်းဖြင့် ဒေတာအကြောင်းပိုမို နက်နက်ရှိုင်းရှိုင်း သိရှိနိုင်ပါသည်။ + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12)) +plt.show() +``` +![distribution over the entire dataset with larger bins param](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.my.png) + +ဤ chart သည် အချိုးအစားကို ပိုမိုအသေးစိတ်ပြသပါသည်။ ပိုမိုလက်ဝဲဘက်သို့ မဆွဲထားသော chart တစ်ခုကို ဖန်တီးရန် သတ်မှတ်ထားသော အကွာအဝေးအတွင်းရှိ ဒေတာကိုသာ ရွေးချယ်ပါ။ + +ကိုယ်အလေးချိန် 60 အောက်ရှိ ငှက်များကို filter လုပ်ပြီး `bins` 40 ကို ပြပါ။ + +```python +filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] +filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12)) +plt.show() +``` +![filtered histogram](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.my.png) + +✅ အခြား filter များနှင့် ဒေတာအချက်အလက်များကို စမ်းကြည့်ပါ။ ဒေတာ၏ အချိုးအစားအပြည့်အစုံကို မြင်ရန် `['MaxBodyMass']` filter ကို ဖယ်ရှားပြီး labeled distributions ကို ပြပါ။ + +Histogram သည် အရောင်နှင့် label များကို တိုးတက်စေသော အလှဆင်မှုများကိုလည်း စမ်းသပ်နိုင်ပါသည်။ + +2D histogram တစ်ခု ဖန်တီးပြီး အချိုးအစားနှစ်ခုအကြား ဆက်စပ်မှုကို နှိုင်းယှဉ်ပါ။ `MaxBodyMass` နှင့် `MaxLength` ကို နှိုင်းယှဉ်ကြည့်ပါ။ Matplotlib သည် ပိုမိုတောက်ပသော အရောင်များကို အသုံးပြု၍ ဆုံမှတ်များကို ပြသနိုင်သော built-in နည်းလမ်းတစ်ခုကို ပေးပါသည်။ + +```python +x = filteredBirds['MaxBodyMass'] +y = filteredBirds['MaxLength'] + +fig, ax = plt.subplots(tight_layout=True) +hist = ax.hist2d(x, y) +``` +ဤအချက်အလက်တွင် မျှော်မှန်းထားသော အချိုးအစားတစ်ခုအတိုင်း ဆက်စပ်မှုရှိနေပြီး တစ်နေရာထဲတွင် အလွန်ပြင်းထန်သော ဆုံမှတ်တစ်ခု ရှိနေသည်။ + +![2D plot](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.my.png) + +Histogram များသည် ကိန်းဂဏန်းဒေတာများအတွက် ပုံမှန်အားဖြင့် ကောင်းစွာ အလုပ်လုပ်ပါသည်။ သို့သော် စာသားဒေတာအရ အချိုးအစားများကို ကြည့်ရန် လိုအပ်ပါက ဘာလုပ်မလဲ? + +## စာသားဒေတာကို အသုံးပြု၍ dataset ၏ အချိုးအစားများကို လေ့လာခြင်း + +ဤ dataset တွင် ငှက်အမျိုးအစား၊ genus, species, family နှင့် conservation status အကြောင်း အချက်အလက်ကောင်းများလည်း ပါဝင်ပါသည်။ ဤ conservation အချက်အလက်များကို လေ့လာကြည့်ပါ။ ငှက်များကို သူတို့၏ conservation status အလိုက် အချိုးအစားဘယ်လိုရှိသလဲ? + +> ✅ Dataset တွင် conservation status ကို ဖော်ပြရန် အတိုကောက်များစွာကို အသုံးပြုထားသည်။ ဤအတိုကောက်များသည် [IUCN Red List Categories](https://www.iucnredlist.org/) မှ ရယူထားခြင်းဖြစ်ပြီး အမျိုးအစားများ၏ status ကို စာရင်းပြုစုထားသော အဖွဲ့အစည်းတစ်ခုဖြစ်သည်။ +> +> - CR: အလွန်အန္တရာယ်ရှိသော +> - EN: အန္တရာယ်ရှိသော +> - EX: မျိုးသုဉ်းသွားသော +> - LC: အန္တရာယ်နည်းသော +> - NT: အန္တရာယ်နီးစပ်သော +> - VU: အန္တရာယ်ရှိနိုင်သော + +ဤအချက်အလက်များသည် စာသားအခြေပြုတန်ဖိုးများဖြစ်သောကြောင့် histogram တစ်ခု ဖန်တီးရန် transform ပြုလုပ်ရန် လိုအပ်ပါသည်။ filteredBirds dataframe ကို အသုံးပြု၍ ၎င်း၏ conservation status ကို Minimum Wingspan နှင့်အတူ ပြပါ။ သင်ဘာတွေမြင်ရလဲ? + +```python +x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] +x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] +x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] +x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] +x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] +x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] + +kwargs = dict(alpha=0.5, bins=20) + +plt.hist(x1, **kwargs, color='red', label='Extinct') +plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') +plt.hist(x3, **kwargs, color='yellow', label='Endangered') +plt.hist(x4, **kwargs, color='green', label='Near Threatened') +plt.hist(x5, **kwargs, color='blue', label='Vulnerable') +plt.hist(x6, **kwargs, color='gray', label='Least Concern') + +plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') +plt.legend(); +``` + +![wingspan and conservation collation](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.my.png) + +Minimum Wingspan နှင့် conservation status အကြား ဆက်စပ်မှုကောင်းတစ်ခု မရှိသလိုပဲ။ ဤနည်းလမ်းကို အသုံးပြု၍ dataset ၏ အခြား element များကို စမ်းကြည့်ပါ။ သင် ဆက်စပ်မှုတစ်ခု ရှာဖွေနိုင်ပါသလား? + +## Density plots + +ယခင်ကြည့်ရှုခဲ့သော histogram များသည် 'stepped' ဖြစ်ပြီး arc တစ်ခုအတိုင်း မျောနေခြင်း မရှိကြောင်း သင်သတိထားမိနိုင်ပါသည်။ ပိုမိုချောမွေ့သော density chart တစ်ခု ပြရန် density plot ကို စမ်းကြည့်နိုင်ပါသည်။ + +Density plots နှင့် အလုပ်လုပ်ရန် plotting library အသစ်တစ်ခုဖြစ်သော [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) ကို လေ့လာပါ။ + +Seaborn ကို load လုပ်ပြီး basic density plot တစ်ခုကို စမ်းကြည့်ပါ။ + +```python +import seaborn as sns +import matplotlib.pyplot as plt +sns.kdeplot(filteredBirds['MinWingspan']) +plt.show() +``` +![Density plot](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.my.png) + +ဤ plot သည် Minimum Wingspan ဒေတာအတွက် ယခင် histogram ကို ပြန်လည်တူညီစေသည်။ ဒါပေမယ့် ပိုမိုချောမွေ့နေသည်။ Seaborn ၏ documentation အရ "Histogram နှင့် နှိုင်းယှဉ်လျှင် KDE သည် ပိုမိုရှင်းလင်းပြီး အဓိပ္ပါယ်ရှိသော plot တစ်ခုကို ဖန်တီးနိုင်သည်။ သို့သော် underlying distribution သည် bounded သို့မဟုတ် smooth မဖြစ်ပါက အတုအယောင်များကို ဖြစ်စေနိုင်သည်။ Histogram ကဲ့သို့ပင် representation ၏ အရည်အသွေးသည် smoothing parameters များကို ကောင်းစွာ ရွေးချယ်မှုအပေါ် မူတည်ပါသည်။" [source](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) အဆိုအရ outliers များသည် အမြဲ chart များကို မကောင်းစေမည်ဖြစ်သည်။ + +MaxBodyMass ၏ jagged line ကို ပြန်လည်ချောမွေ့စေလိုပါက ဤနည်းလမ်းကို အသုံးပြု၍ ပြန်လည်ဖန်တီးနိုင်ပါသည်။ + +```python +sns.kdeplot(filteredBirds['MaxBodyMass']) +plt.show() +``` +![smooth bodymass line](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.my.png) + +ချောမွေ့သော၊ သို့သော် အလွန်ချောမွေ့မဟုတ်သော line တစ်ခုလိုအပ်ပါက `bw_adjust` parameter ကို ပြင်ဆင်ပါ။ + +```python +sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) +plt.show() +``` +![less smooth bodymass line](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.my.png) + +✅ ဤအမျိုးအစား plot အတွက် ရရှိနိုင်သော parameters များအကြောင်း ဖတ်ရှုပြီး စမ်းကြည့်ပါ။ + +ဤအမျိုးအစား chart သည် အလွန်ရှင်းလင်းသော visualizations များကို ပေးစွမ်းပါသည်။ ဥပမာအားဖြင့် ငှက်အမျိုးအစား (Order) တစ်ခုစီအလိုက် max body mass density ကို ပြသရန် code အကြောင်းအရာအနည်းငယ်ဖြင့် ပြုလုပ်နိုင်ပါသည်။ + +```python +sns.kdeplot( + data=filteredBirds, x="MaxBodyMass", hue="Order", + fill=True, common_norm=False, palette="crest", + alpha=.5, linewidth=0, +) +``` + +![bodymass per order](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.my.png) + +တစ်ခုတည်းသော chart တွင် variable အများအပြား၏ density ကိုလည်း map လုပ်နိုင်ပါသည်။ ငှက်တစ်ကောင်၏ MaxLength နှင့် MinLength ကို conservation status နှင့် နှိုင်းယှဉ်ကြည့်ပါ။ + +```python +sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus") +``` + +![multiple densities, superimposed](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.my.png) + +'Vulnerable' ငှက်များ၏ အရှည်အတိုင်းအတာအရ ဖြစ်ပေါ်နေသော cluster သည် အဓိပ္ပါယ်ရှိမရှိကို သုတေသနပြုရန် တန်ဖိုးရှိနိုင်ပါသည်။ + +## 🚀 စိန်ခေါ်မှု + +Histogram များသည် scatterplots, bar charts, သို့မဟုတ် line charts များထက် ပိုမိုတိုးတက်သော chart အမျိုးအစားဖြစ်သည်။ အင်တာနက်တွင် Histogram များကို ကောင်းစွာ အသုံးပြုထားသော ဥပမာကောင်းများကို ရှာဖွေပါ။ ၎င်းတို့ကို ဘယ်လိုအသုံးပြုထားသလဲ၊ ဘာကို ပြသထားသလဲ၊ ၎င်းတို့ကို ဘယ်နယ်ပယ်များ သို့မဟုတ် ဘယ်လိုသုတေသနများတွင် အသုံးပြုလေ့ရှိသလဲ? + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +ဤသင်ခန်းစာတွင် သင်သည် Matplotlib ကို အသုံးပြုခဲ့ပြီး Seaborn ကို စတင်အသုံးပြုကာ ပိုမိုတိုးတက်သော chart များကို ဖော်ပြခဲ့သည်။ Seaborn တွင် "continuous probability density curve in one or more dimensions" ဟု ဖော်ပြထားသော `kdeplot` အကြောင်း သုတေသနပြုပါ။ [documentation](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) ကို ဖတ်ရှုကာ ၎င်း၏ အလုပ်လုပ်ပုံကို နားလည်ပါ။ + +## လုပ်ငန်း + +[သင့်ကျွမ်းကျင်မှုကို အသုံးချပါ](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ဆိုမှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို ကျေးဇူးပြု၍ သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသောအချက်အလက်များအတွက် လူပညာရှင်များမှ လက်တွေ့ဘာသာပြန်ဆိုမှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ဆိုမှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/my/3-Data-Visualization/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..585db78e --- /dev/null +++ b/translations/my/3-Data-Visualization/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# သင်၏ကျွမ်းကျင်မှုများကို အသုံးချပါ + +## လမ်းညွှန်ချက်များ + +ယခုအချိန်အထိ Minnesota ငှက်များဒေတာအစုကို အသုံးပြု၍ ငှက်အရေအတွက်နှင့် လူဦးရေထူထပ်မှုဆိုင်ရာ အချက်အလက်များကို ရှာဖွေခဲ့ပါသည်။ ဒီနည်းလမ်းများကို အသုံးချပြီး [Kaggle](https://www.kaggle.com/) မှ ရရှိနိုင်သော အခြားဒေတာအစုတစ်ခုကို စမ်းသပ်ကြည့်ပါ။ ဒီဒေတာအစုအကြောင်းကို ပုံပြင်တစ်ခုအဖြစ် ဖော်ပြရန် notebook တစ်ခုတည်ဆောက်ပြီး၊ histogram များကို အသုံးပြု၍ ဒေတာကို ဆွေးနွေးပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- | +ဒီဒေတာအစုနှင့်ဆိုင်သော အမှတ်အသားများနှင့် အရင်းအမြစ်ကို ဖော်ပြထားသော notebook တစ်ခုတင်ပြပြီး၊ histogram ၅ ခုအနည်းဆုံးကို အသုံးပြု၍ ဒေတာအကြောင်းအရာများကို ရှာဖွေထားသည်။ | အမှတ်အသားများမပြည့်စုံသို့မဟုတ် အမှားများပါဝင်သော notebook တစ်ခုတင်ပြထားသည်။ | အမှတ်အသားများမပါဝင်သော notebook တစ်ခုတင်ပြထားပြီး အမှားများပါဝင်သည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှု ဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/11-visualization-proportions/README.md b/translations/my/3-Data-Visualization/11-visualization-proportions/README.md new file mode 100644 index 00000000..c3eea1ff --- /dev/null +++ b/translations/my/3-Data-Visualization/11-visualization-proportions/README.md @@ -0,0 +1,202 @@ + +# အချိုးအစားများကိုမြင်သာအောင်ဖော်ပြခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|အချိုးအစားများကိုမြင်သာအောင်ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒီသင်ခန်းစာမှာ သင်သည် သဘာဝနှင့်ဆက်စပ်သောအခြား dataset ကိုအသုံးပြုပြီး အချိုးအစားများကိုမြင်သာအောင်ဖော်ပြပါမည်။ ဥပမာအားဖြင့် မုန့်ဖုတ် dataset တွင် မုန့်ဖုတ်အမျိုးအစားများ ဘယ်လောက်ရှိသည်ကိုဖော်ပြပါမည်။ Audubon မှရရှိသော Agaricus နှင့် Lepiota မိသားစုများတွင်ပါဝင်သော gilled မုန့်ဖုတ် 23 မျိုးအကြောင်းကိုဖော်ပြထားသော dataset ကိုအသုံးပြု၍ မုန့်ဖုတ်များ၏စိတ်ဝင်စားဖွယ်အချက်များကိုလေ့လာကြည့်ပါ။ သင်သည်အောက်ပါအချိုးအစားဖော်ပြမှုများကိုစမ်းသပ်နိုင်ပါသည်- + +- ပိုင်ကတ် 🥧 +- ဒိုနတ်ကတ် 🍩 +- ဝါဖယ်ကတ် 🧇 + +> 💡 Microsoft Research မှ [Charticulator](https://charticulator.com) ဟုခေါ်သောစိတ်ဝင်စားဖွယ်ကောင်းသောပရောဂျက်တစ်ခုသည် ဒေတာဖော်ပြမှုများအတွက် အခမဲ့ drag and drop interface ကိုပေးသည်။ သူတို့၏ tutorial တစ်ခုတွင်လည်း ဒီမုန့်ဖုတ် dataset ကိုအသုံးပြုထားသည်! ဒါကြောင့် သင်သည် ဒေတာကိုလေ့လာပြီး library ကိုတစ်ချိန်တည်းမှာလည်းသင်ယူနိုင်သည်- [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html)။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## မုန့်ဖုတ်များကိုလေ့လာခြင်း 🍄 + +မုန့်ဖုတ်များသည် အလွန်စိတ်ဝင်စားဖွယ်ကောင်းသည်။ ဒေတာတစ်ခုကို import လုပ်ပြီးလေ့လာကြည့်ပါ- + +```python +import pandas as pd +import matplotlib.pyplot as plt +mushrooms = pd.read_csv('../../data/mushrooms.csv') +mushrooms.head() +``` +အလွန်ကောင်းမွန်သောဒေတာများပါဝင်သောဇယားတစ်ခု print ထုတ်ထားသည်- + +| class | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| Poisonous | Convex | Smooth | Brown | Bruises | Pungent | Free | Close | Narrow | Black | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | +| Edible | Convex | Smooth | Yellow | Bruises | Almond | Free | Close | Broad | Black | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Grasses | +| Edible | Bell | Smooth | White | Bruises | Anise | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Meadows | +| Poisonous | Convex | Scaly | White | Bruises | Pungent | Free | Close | Narrow | Brown | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | + +အချက်အလက်များအားလုံးသည် စာသားအဖြစ်ရှိနေသည်ကို သင်ချက်ချင်းသတိပြုမိပါသည်။ ဒေတာကို chart တွင်အသုံးပြုနိုင်ရန် ပြောင်းလဲရမည်ဖြစ်သည်။ အချက်အလက်များအများစုသည် object အဖြစ်ဖော်ပြထားသည်- + +```python +print(mushrooms.select_dtypes(["object"]).columns) +``` + +Output သည်- + +```output +Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', + 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', + 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', + 'stalk-surface-below-ring', 'stalk-color-above-ring', + 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', + 'ring-type', 'spore-print-color', 'population', 'habitat'], + dtype='object') +``` +ဒီဒေတာကိုယူပြီး 'class' column ကို category အဖြစ်ပြောင်းပါ- + +```python +cols = mushrooms.select_dtypes(["object"]).columns +mushrooms[cols] = mushrooms[cols].astype('category') +``` + +```python +edibleclass=mushrooms.groupby(['class']).count() +edibleclass +``` + +အခု မုန့်ဖုတ်ဒေတာကို print ထုတ်ပါက poisonous/edible class အလိုက် category အဖြစ်အုပ်စုဖွဲ့ထားသည်ကိုတွေ့နိုင်ပါသည်- + +| | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | ... | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | +| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| class | | | | | | | | | | | | | | | | | | | | | | +| Edible | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | +| Poisonous | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | + +ဒီဇယားတွင်ဖော်ပြထားသောအဆင့်လိုက်အတိုင်း class category labels များကိုဖန်တီးပါက pie chart တစ်ခုကိုဖော်ဆောင်နိုင်ပါသည်- + +## ပိုင်! + +```python +labels=['Edible','Poisonous'] +plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') +plt.title('Edible?') +plt.show() +``` +Voila, ပိုင်ကတ်တစ်ခုသည် မုန့်ဖုတ်များ၏ poisonous/edible class အလိုက်အချိုးအစားများကိုဖော်ပြထားသည်။ ဒီနေရာမှာ label array ကိုဖန်တီးရာတွင် label များ၏အဆင့်ကိုမှန်ကန်စေရန် အထူးဂရုစိုက်ပါ။ + +![pie chart](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.my.png) + +## ဒိုနတ်! + +အနည်းငယ်ပိုမိုစိတ်ဝင်စားဖွယ်ကောင်းသောပိုင်ကတ်တစ်ခုမှာ ဒိုနတ်ကတ်ဖြစ်သည်။ ဒိုနတ်ကတ်သည် ပိုင်ကတ်၏အလယ်တွင်အပေါက်ရှိသောပိုင်ကတ်တစ်ခုဖြစ်သည်။ ဒီနည်းလမ်းကိုအသုံးပြု၍ မုန့်ဖုတ်များ၏နေရာအမျိုးမျိုးကိုကြည့်ပါ- + +```python +habitat=mushrooms.groupby(['habitat']).count() +habitat +``` +ဒီနေရာမှာ သင်သည် မုန့်ဖုတ်များ၏နေရာအလိုက်အုပ်စုဖွဲ့ထားသည်။ 7 ခုရှိသော labels များကို ဒိုနတ်ကတ်အတွက်အသုံးပြုပါ- + +```python +labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] + +plt.pie(habitat['class'], labels=labels, + autopct='%1.1f%%', pctdistance=0.85) + +center_circle = plt.Circle((0, 0), 0.40, fc='white') +fig = plt.gcf() + +fig.gca().add_artist(center_circle) + +plt.title('Mushroom Habitats') + +plt.show() +``` + +![donut chart](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.my.png) + +ဒီ code သည် chart တစ်ခုနှင့်အလယ်စက်ဝိုင်းတစ်ခုကိုဆွဲပြီး chart တွင်အလယ်စက်ဝိုင်းကိုထည့်သွင်းသည်။ အလယ်စက်ဝိုင်း၏အကျယ်ကို `0.40` ကိုအခြားတန်ဖိုးဖြင့်ပြောင်းလဲခြင်းဖြင့်တည်းဖြတ်နိုင်သည်။ + +ဒိုနတ်ကတ်များကို label များကိုဖော်ပြရန်အထူး highlight လုပ်ခြင်းစသည့်နည်းလမ်းများဖြင့်တည်းဖြတ်နိုင်သည်။ [docs](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut) တွင်ပိုမိုလေ့လာပါ။ + +အခု သင်သည် ဒေတာကိုအုပ်စုဖွဲ့ပြီး pie သို့မဟုတ် donut အဖြစ်ဖော်ပြနိုင်သည်ကိုသိပြီး waffle chart ကိုစမ်းသပ်ပါ။ ဒါဟာအချိုးအစားကိုအခြားနည်းလမ်းဖြင့်ဖော်ပြခြင်းဖြစ်သည်။ + +## ဝါဖယ်! + +'ဝါဖယ်' အမျိုးအစား chart သည် 2D array of squares အဖြစ်အချိုးအစားများကိုဖော်ပြရန်အခြားနည်းလမ်းဖြစ်သည်။ ဒီ dataset တွင် မုန့်ဖုတ် cap color များ၏အချိုးအစားများကိုဖော်ပြရန်ဝါဖယ် chart ကိုစမ်းသပ်ပါ။ ဒီအတွက် [PyWaffle](https://pypi.org/project/pywaffle/) ဟုခေါ်သော helper library ကို install လုပ်ပြီး Matplotlib ကိုအသုံးပြုပါ- + +```python +pip install pywaffle +``` + +သင့်ဒေတာ၏ segment တစ်ခုကိုရွေးပါ- + +```python +capcolor=mushrooms.groupby(['cap-color']).count() +capcolor +``` + +label များဖန်တီးပြီး ဒေတာကိုအုပ်စုဖွဲ့ခြင်းဖြင့် ဝါဖယ် chart တစ်ခုဖန်တီးပါ- + +```python +import pandas as pd +import matplotlib.pyplot as plt +from pywaffle import Waffle + +data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], + 'amount': capcolor['class'] + } + +df = pd.DataFrame(data) + +fig = plt.figure( + FigureClass = Waffle, + rows = 100, + values = df.amount, + labels = list(df.color), + figsize = (30,30), + colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], +) +``` + +ဝါဖယ် chart ကိုအသုံးပြု၍ မုန့်ဖုတ် cap color များ၏အချိုးအစားများကိုရှင်းလင်းစွာမြင်နိုင်သည်။ စိတ်ဝင်စားဖွယ်ကောင်းသည်မှာ အစိမ်းရောင် cap မုန့်ဖုတ်များအများကြီးရှိနေသည်! + +![waffle chart](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.my.png) + +✅ Pywaffle သည် [Font Awesome](https://fontawesome.com/) တွင်ရရှိနိုင်သော icon များကို chart တွင်ထည့်သွင်းနိုင်သည်။ square များအစား icon များကိုအသုံးပြု၍ ပိုမိုစိတ်ဝင်စားဖွယ်ကောင်းသော waffle chart ကိုဖန်တီးရန်စမ်းသပ်ပါ။ + +ဒီသင်ခန်းစာတွင် သင်သည် အချိုးအစားများကိုဖော်ပြရန်နည်းလမ်း ၃ မျိုးကိုလေ့လာခဲ့သည်။ ပထမဦးစွာ သင်သည် သင့်ဒေတာကို category များအဖြစ်အုပ်စုဖွဲ့ပြီး pie, donut, သို့မဟုတ် waffle တစ်ခုကိုဖော်ပြရန်ဆုံးဖြတ်ရမည်။ အားလုံးသည် user ကို dataset ၏ snapshot ကိုချက်ချင်းမြင်နိုင်စေသည်။ + +## 🚀 စိန်ခေါ်မှု + +ဒီအချိုးအစားဖော်ပြမှုများကို [Charticulator](https://charticulator.com) တွင်ပြန်ဖန်တီးကြည့်ပါ။ +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +တစ်ခါတစ်ရံ pie, donut, သို့မဟုတ် waffle chart ကိုဘယ်အချိန်မှာအသုံးပြုရမည်ဆိုတာရှင်းလင်းမဖြစ်နိုင်ပါ။ ဒီအကြောင်းအရာနှင့်ပတ်သက်သောဆောင်းပါးများကိုဖတ်ရှုပါ- + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +ပိုမိုသိရှိရန် သုတေသနလုပ်ပါ။ + +## လုပ်ငန်းစဉ် + +[Excel တွင်စမ်းကြည့်ပါ](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားခြင်း သို့မဟုတ် အဓိပ္ပါယ်မှားခြင်းများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/my/3-Data-Visualization/11-visualization-proportions/assignment.md new file mode 100644 index 00000000..74f1e78d --- /dev/null +++ b/translations/my/3-Data-Visualization/11-visualization-proportions/assignment.md @@ -0,0 +1,25 @@ + +# Excel တွင် စမ်းကြည့်ပါ + +## လမ်းညွှန်ချက်များ + +Excel တွင် donut, pie, နှင့် waffle chart များ ဖန်တီးနိုင်သည်ကို သိပါသလား? သင့်စိတ်ကြိုက် dataset တစ်ခုကို အသုံးပြု၍ Excel spreadsheet အတွင်းမှာ ဒီ chart သုံးမျိုးကို ဖန်တီးပါ။ + +## အဆင့်သတ်မှတ်ချက် + +| ထူးချွန်သော | လုံလောက်သော | တိုးတက်မှုလိုအပ်သော | +| ------------------------------------------------------- | ------------------------------------------------- | ------------------------------------------------------ | +| Excel spreadsheet တွင် chart သုံးမျိုးလုံး ပါရှိသည် | Excel spreadsheet တွင် chart နှစ်မျိုး ပါရှိသည် | Excel spreadsheet တွင် chart တစ်မျိုးသာ ပါရှိသည် | + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့ တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/12-visualization-relationships/README.md b/translations/my/3-Data-Visualization/12-visualization-relationships/README.md new file mode 100644 index 00000000..9d6f2ce1 --- /dev/null +++ b/translations/my/3-Data-Visualization/12-visualization-relationships/README.md @@ -0,0 +1,182 @@ + +# ဆက်ဆံရေးများကို မြင်သာအောင် ဖော်ပြခြင်း: ပျားရည်အကြောင်း 🍯 + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|ဆက်ဆံရေးများကို မြင်သာအောင် ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ကျွန်ုပ်တို့၏ သုတေသနတွင် သဘာဝအပေါ် အာရုံစိုက်မှုကို ဆက်လက်လုပ်ဆောင်နေစဉ်၊ အမျိုးမျိုးသော ပျားရည်အမျိုးအစားများအကြား ဆက်ဆံရေးများကို ဖော်ပြရန် စိတ်ဝင်စားဖွယ် မြင်ကွင်းဖော်ပြမှုများကို ရှာဖွေကြမည်။ ဒီအချက်အလက်များကို [အမေရိကန် စိုက်ပျိုးရေးဌာန](https://www.nass.usda.gov/About_NASS/index.php) မှ ရရှိသော ဒေတာများအပေါ် အခြေခံထားသည်။ + +ဤဒေတာတွင် အမေရိကန်ပြည်နယ်များစွာမှ ပျားရည်ထုတ်လုပ်မှုအခြေအနေ ၆၀၀ ခန့်ပါဝင်သည်။ ဥပမာအားဖြင့်၊ ၁၉၉၈-၂၀၁၂ ခုနှစ်အတွင်း ပြည်နယ်တစ်ခုစီ၏ တစ်နှစ်စီအတွက် ပျားအုပ်ရေ၊ တစ်ပျားအုပ်လျှင် ထွက်ရှိမှု၊ စုစုပေါင်းထုတ်လုပ်မှု၊ စတော့များ၊ တစ်ပေါင်လျှင်ဈေးနှုန်းနှင့် ထုတ်လုပ်မှုတန်ဖိုးတို့ကို ကြည့်နိုင်သည်။ + +ဥပမာအားဖြင့်၊ တစ်ပြည်နယ်၏ တစ်နှစ်လျှင် ထုတ်လုပ်မှုနှင့် အဆိုပါပြည်နယ်၏ ပျားရည်ဈေးနှုန်းအကြား ဆက်ဆံရေးကို မြင်သာအောင် ဖော်ပြနိုင်သည်။ ဒါမှမဟုတ်၊ တစ်ပျားအုပ်လျှင် ပျားရည်ထွက်ရှိမှုနှင့် ပြည်နယ်များအကြား ဆက်ဆံရေးကို ဖော်ပြနိုင်သည်။ ၂၀၀၆ ခုနှစ်တွင် ပထမဆုံးတွေ့ရှိခဲ့သော 'CCD' သို့မဟုတ် 'Colony Collapse Disorder' (http://npic.orst.edu/envir/ccd.html) ကိုလည်း အချိန်ကာလအတွင်း လေ့လာရန် စိတ်ဝင်စားဖွယ် ဒေတာတစ်ခုဖြစ်သည်။ 🐝 + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +ဒီသင်ခန်းစာတွင် သင်ဟာ ယခင်က အသုံးပြုဖူးသော Seaborn ကို အသုံးပြုနိုင်ပြီး၊ အမျိုးမျိုးသော အပြောင်းအလဲများအကြား ဆက်ဆံရေးများကို မြင်သာအောင် ဖော်ပြရန် ကောင်းမွန်သော စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ အထူးသဖြင့် Seaborn ၏ `relplot` function ကို အသုံးပြုခြင်းဖြင့် scatter plots နှင့် line plots များကို အလွယ်တကူ ဖော်ပြနိုင်သည်။ ၎င်းသည် ဒေတာသိပ္ပံပညာရှင်များအား အပြောင်းအလဲများအကြား ဆက်ဆံရေးကို ပိုမိုနားလည်စေရန် ကူညီပေးသည်။ + +## Scatterplots + +ပျားရည်ဈေးနှုန်းသည် တစ်နှစ်နှင့်တစ်နှစ်အကြား ပြည်နယ်အလိုက် မည်သို့ တိုးတက်လာသည်ကို ဖော်ပြရန် scatterplot ကို အသုံးပြုပါ။ Seaborn ၏ `relplot` ကို အသုံးပြုခြင်းဖြင့် ပြည်နယ်ဒေတာများကို အုပ်စုဖွဲ့ပြီး အမျိုးအစားနှင့် ကိန်းဂဏန်းဒေတာများအတွက် ဒေတာအချက်အလက်များကို ဖော်ပြသည်။ + +ပထမဦးစွာ ဒေတာနှင့် Seaborn ကို တင်သွင်းပါ- + +```python +import pandas as pd +import matplotlib.pyplot as plt +import seaborn as sns +honey = pd.read_csv('../../data/honey.csv') +honey.head() +``` +ပျားရည်ဒေတာတွင် နှစ်နှင့် တစ်ပေါင်လျှင်ဈေးနှုန်းအပါအဝင် စိတ်ဝင်စားဖွယ် ကော်လံများစွာ ပါဝင်သည်ကို သတိပြုမိပါသည်။ အမေရိကန်ပြည်နယ်အလိုက် အုပ်စုဖွဲ့ထားသော ဒေတာကို စူးစမ်းကြည့်ပါ- + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | + +ပျားရည်တစ်ပေါင်လျှင်ဈေးနှုန်းနှင့် ၎င်း၏ အမေရိကန်ပြည်နယ်မူလအရင်းအမြစ်အကြား ဆက်ဆံရေးကို ဖော်ပြရန် အခြေခံ scatterplot တစ်ခု ဖန်တီးပါ။ `y` ဦးတည်ချက်ကို ပြည်နယ်အားလုံးကို ဖော်ပြနိုင်အောင် ရှည်လျားစေပါ- + +```python +sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); +``` +![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.my.png) + +ယခု၊ နှစ်အလိုက် ပျားရည်ဈေးနှုန်း မည်သို့ တိုးတက်လာသည်ကို ဖော်ပြရန် ပျားရည်အရောင်စနစ်ကို အသုံးပြုပါ။ ၎င်းကို နှစ်အလိုက် အပြောင်းအလဲကို ဖော်ပြရန် 'hue' parameter ကို ထည့်သွင်းခြင်းဖြင့် ပြုလုပ်နိုင်သည်- + +> ✅ Seaborn တွင် အသုံးပြုနိုင်သော [အရောင်စနစ်များ](https://seaborn.pydata.org/tutorial/color_palettes.html) အကြောင်းပိုမိုလေ့လာပါ - လှပသော rainbow အရောင်စနစ်ကို စမ်းကြည့်ပါ! + +```python +sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); +``` +![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.my.png) + +ဤအရောင်စနစ်ပြောင်းလဲမှုဖြင့်၊ ပျားရည်တစ်ပေါင်လျှင်ဈေးနှုန်းသည် နှစ်အလိုက် တိုးတက်မှုရှိနေသည်ကို ရှင်းလင်းစွာ မြင်နိုင်သည်။ အချို့သောဒေတာများကို စစ်ဆေးပါက (ဥပမာအားဖြင့် Arizona ပြည်နယ်) နှစ်အလိုက် ဈေးနှုန်းတိုးတက်မှုပုံစံကို အချို့သောအထူးကိစ္စများအပြင် တွေ့နိုင်သည်- + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +အရောင်အစား အရွယ်အစားကို အသုံးပြုခြင်းဖြင့် အခြားတစ်နည်းဖြင့် ဖော်ပြနိုင်သည်။ အရောင်မမြင်နိုင်သူများအတွက်၊ ၎င်းသည် ပိုမိုကောင်းမွန်သော ရွေးချယ်မှုဖြစ်နိုင်သည်။ dot အရွယ်အစားတိုးလာမှုဖြင့် ဈေးနှုန်းတိုးလာမှုကို ဖော်ပြရန် visualization ကို ပြင်ဆင်ပါ- + +```python +sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); +``` +dot အရွယ်အစားသည် တဖြည်းဖြည်း တိုးလာသည်ကို မြင်နိုင်သည်။ + +![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.my.png) + +ဤသည်သည် ရိုးရှင်းသော supply နှင့် demand အခြေအနေဖြစ်နိုင်ပါသလား။ ရာသီဥတုပြောင်းလဲမှုနှင့် ပျားအုပ်ပျက်စီးမှုကြောင့် နှစ်အလိုက် ဝယ်ယူနိုင်သော ပျားရည်ပမာဏ လျော့နည်းနေပြီး ဈေးနှုန်းတက်နေပါသလား။ + +ဤဒေတာတွင် အချို့သော အပြောင်းအလဲများအကြား ဆက်စပ်မှုကို ရှာဖွေရန်၊ line charts များကို စူးစမ်းကြည့်ပါ။ + +## Line charts + +မေးခွန်း- ပျားရည်တစ်ပေါင်လျှင်ဈေးနှုန်းသည် နှစ်အလိုက် တိုးတက်မှု ရှိပါသလား။ ၎င်းကို တစ်ကြိမ်တည်း မြင်နိုင်ရန် single line chart တစ်ခု ဖန်တီးပါ- + +```python +sns.relplot(x="year", y="priceperlb", kind="line", data=honey); +``` +အဖြေ- ဟုတ်ကဲ့၊ ၂၀၀၃ ခုနှစ်အနီးတွင် အချို့သော အထူးကိစ္စများအပြင်- + +![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.my.png) + +✅ Seaborn သည် တစ်ကြိမ်တည်းတွင် ဒေတာများကို စုစည်းပြီး၊ "x value တစ်ခုစီတွင် အများအပြားတိုင်းတာမှုများကို အလယ်အလတ်နှင့် ၉၅% ယုံကြည်မှုအကွာအဝေးဖြင့် ဖော်ပြသည်"။ [အရင်းအမြစ်](https://seaborn.pydata.org/tutorial/relational.html)။ ဤအချိန်စားလုပ်ငန်းစဉ်ကို `ci=None` ဖြင့် ပိတ်ထားနိုင်သည်။ + +မေးခွန်း- ၂၀၀၃ ခုနှစ်တွင် ပျားရည်ထုတ်လုပ်မှုတွင်လည်း တက်တက်ကြွကြောင်း မြင်နိုင်ပါသလား။ နှစ်အလိုက် စုစုပေါင်းထုတ်လုပ်မှုကို ကြည့်ပါ- + +```python +sns.relplot(x="year", y="totalprod", kind="line", data=honey); +``` + +![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.my.png) + +အဖြေ- မဟုတ်ပါ။ စုစုပေါင်းထုတ်လုပ်မှုကို ကြည့်ပါက၊ အထူးသဖြင့် ထိုနှစ်တွင် တိုးတက်မှုရှိသော်လည်း၊ ယင်းနှစ်များအတွင်း ပျားရည်ထုတ်လုပ်မှုသည် ယေဘူယျအားဖြင့် လျော့နည်းနေသည်ကို တွေ့နိုင်သည်။ + +မေးခွန်း- ထိုအချိန်တွင် ၂၀၀၃ ခုနှစ်အနီး ပျားရည်ဈေးနှုန်း တက်တက်ကြွမှုကို ဘာကြောင့် ဖြစ်စေခဲ့နိုင်သလဲ။ + +ဤအကြောင်းကို ရှာဖွေရန်၊ facet grid ကို စမ်းကြည့်ပါ။ + +## Facet grids + +Facet grids သည် ဒေတာ၏ တစ်ဖက်ကို (ဤအခါတွင် 'year' ကို ရွေးချယ်ပါ) အသုံးပြုသည်။ Seaborn သည် သတ်မှတ်ထားသော x နှင့် y ကိုယ်ရေးအချက်အလက်များအတွက် facet တစ်ခုစီအတွက် plot တစ်ခုစီ ဖန်တီးနိုင်သည်။ ၂၀၀၃ ခုနှစ်သည် ဤအမျိုးအစားတွင် ထူးခြားနေပါသလား။ + +Seaborn ၏ [documentation](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid) အတိုင်း `relplot` ကို ဆက်လက်အသုံးပြု၍ facet grid တစ်ခု ဖန်တီးပါ။ + +```python +sns.relplot( + data=honey, + x="yieldpercol", y="numcol", + col="year", + col_wrap=3, + kind="line" +``` +ဤ visualization တွင်၊ နှစ်အလိုက်နှင့် ပြည်နယ်အလိုက် တစ်ပျားအုပ်လျှင် ထွက်ရှိမှုနှင့် ပျားအုပ်ရေကို နှိုင်းယှဉ်ကြည့်နိုင်သည်။ wrap ကို ၃ အဖြစ် သတ်မှတ်ထားသည်- + +![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.my.png) + +ဤဒေတာအတွက်၊ နှစ်အလိုက်နှင့် ပြည်နယ်အလိုက် ပျားအုပ်ရေနှင့် ၎င်းတို့၏ ထွက်ရှိမှုနှင့် ပတ်သက်၍ ထူးခြားသောအရာမရှိပါ။ ဤ variables နှစ်ခုအကြား ဆက်စပ်မှုကို ရှာဖွေရန် အခြားနည်းလမ်းတစ်ခု ရှိပါသလား။ + +## Dual-line Plots + +Seaborn ၏ 'despine' ကို အသုံးပြု၍ ထိပ်နှင့် ညာဘက် spines များကို ဖယ်ရှားပြီး၊ Matplotlib မှ [ax.twinx](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html) ကို အသုံးပြု၍၊ နှစ်ခုသော lineplots များကို တစ်ခုနှင့်တစ်ခု အပြိုင်ဖော်ပြပါ။ Twinx သည် x axis ကို မျှဝေပြီး y axis နှစ်ခုကို ဖော်ပြနိုင်သည်။ ထို့ကြောင့်၊ တစ်ပျားအုပ်လျှင် ထွက်ရှိမှုနှင့် ပျားအုပ်ရေကို superimposed အဖြစ် ဖော်ပြပါ- + +```python +fig, ax = plt.subplots(figsize=(12,6)) +lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, + label = 'Number of bee colonies', legend=False) +sns.despine() +plt.ylabel('# colonies') +plt.title('Honey Production Year over Year'); + +ax2 = ax.twinx() +lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", + label ='Yield per colony', legend=False) +sns.despine(right=False) +plt.ylabel('colony yield') +ax.figure.legend(); +``` +![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.my.png) + +၂၀၀၃ ခုနှစ်အနီး ထူးခြားသောအရာ မတွေ့ရသော်လည်း၊ ပျားအုပ်ရေသည် လျော့နည်းနေသော်လည်း တည်ငြိမ်နေပြီး၊ တစ်ပျားအုပ်လျှင် ထွက်ရှိမှုသည် လျော့နည်းနေသည်ကို မြင်နိုင်သည်။ + +ပျားများကို အားပေးကြပါစို့! + +🐝❤️ +## 🚀 စိန်ခေါ်မှု + +ဤသင်ခန်းစာတွင်၊ scatterplots နှင့် line grids များ၏ အခြားအသုံးများအကြောင်း နည်းနည်းပိုမိုလေ့လာခဲ့ပါသည်။ သင်ယခင်သင်ခန်းစာများတွင် အသုံးပြုခဲ့သော ဒေတာတစ်ခုကို အသုံးပြု၍ facet grid တစ်ခု ဖန်တီးရန် ကိုယ်တိုင်စိန်ခေါ်ပါ။ ၎င်းတို့ကို ဖန်တီးရန် ကြာချိန်နှင့် grid များအရေအတွက်ကို သတိထားရန် လိုအပ်သည်ကို သတိပြုပါ။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအချော်အချော်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/my/3-Data-Visualization/12-visualization-relationships/assignment.md new file mode 100644 index 00000000..eb0a1f1e --- /dev/null +++ b/translations/my/3-Data-Visualization/12-visualization-relationships/assignment.md @@ -0,0 +1,25 @@ + +# ပျားအုံထဲကို ရောက်ကြည့်ပါ + +## လမ်းညွှန်ချက်များ + +ဒီသင်ခန်းစာမှာ သင်ဟာ ပျားတွေနဲ့ သူတို့ရဲ့ ပျားရည်ထုတ်လုပ်မှုဆိုင်ရာ ဒေတာဆက်တန်းတစ်ခုကို စတင်လေ့လာခဲ့ပြီး၊ အချိန်အတောအတွင်း ပျားအုပ်စုများ၏ လူဦးရေကျဆင်းမှုကို တွေ့ရှိခဲ့ပါတယ်။ ဒီဒေတာဆက်တန်းကို နက်နက်ရှိုင်းရှိုင်း လေ့လာပြီး၊ ပြည်နယ်အလိုက်နှင့် နှစ်အလိုက် ပျားအုပ်စုများ၏ ကျန်းမာရေးအခြေအနေကို ပြောပြနိုင်မည့် notebook တစ်ခု တည်ဆောက်ပါ။ ဒီဒေတာဆက်တန်းအကြောင်း စိတ်ဝင်စားဖွယ်ရာ တစ်ခုခုကို တွေ့ရှိနိုင်ပါသလား? + +## အကဲဖြတ်စံနှုန်း + +| ထူးချွန်သော | လုံလောက်သော | တိုးတက်မှုလိုအပ်သော | +| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- | +| ဒေတာဆက်တန်း၏ အနက်အဓိပ္ပါယ်ကို ပြည်နယ်အလိုက်နှင့် နှစ်အလိုက် ဖော်ပြသည့် အခြားအချက်အလက်များပါဝင်သည့် ဇယားသုံးခုအနည်းဆုံးနှင့် အတူ အကြောင်းအရာဖော်ပြထားသော notebook တစ်ခုကို တင်ပြထားသည် | notebook သည် ဤအချက်များထဲမှ တစ်ခုမပါဝင်ပါ | notebook သည် ဤအချက်များထဲမှ နှစ်ခုမပါဝင်ပါ | + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/my/3-Data-Visualization/13-meaningful-visualizations/README.md new file mode 100644 index 00000000..0bc57353 --- /dev/null +++ b/translations/my/3-Data-Visualization/13-meaningful-visualizations/README.md @@ -0,0 +1,137 @@ + +# အဓိပ္ပါယ်ရှိသော ဒေတာအမြင်ဖန်တီးခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| အဓိပ္ပါယ်ရှိသော ဒေတာအမြင်ဖန်တီးခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +> "ဒေတာကို အလွန်အမင်းနှိပ်စက်လိုက်ရင်၊ အရာအားလုံးကို ဝန်ခံမယ်" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +ဒေတာသိပ္ပံပညာရှင်တစ်ဦး၏ အခြေခံကျသော ကျွမ်းကျင်မှုတစ်ခုမှာ မိမိတွေးထားသော မေးခွန်းများကို ဖြေရှင်းနိုင်ရန် အထောက်အကူပြုသော အဓိပ္ပါယ်ရှိသော ဒေတာအမြင်ကို ဖန်တီးနိုင်စွမ်းဖြစ်သည်။ ဒေတာကို အမြင်ဖန်တီးမည်မီတွင်၊ ယခင်သင်ခန်းစာများတွင်လုပ်ခဲ့သည့်အတိုင်း ဒေတာကို သန့်စင်ပြီး ပြင်ဆင်ထားရန် လိုအပ်သည်။ ထို့နောက်၊ ဒေတာကို အကောင်းဆုံး ဖော်ပြရန် ဆုံးဖြတ်နိုင်ပါပြီ။ + +ဒီသင်ခန်းစာမှာ သင်လေ့လာမည့်အရာများမှာ - + +1. မှန်ကန်သော ချတ်အမျိုးအစားကို ရွေးချယ်နည်း +2. လှည့်စားသော ချတ်ဖန်တီးမှုကို ရှောင်ရှားနည်း +3. အရောင်နှင့် အလုပ်လုပ်နည်း +4. ဖတ်ရှုရလွယ်ကူစေရန် ချတ်များကို စတိုင်ပြင်ဆင်နည်း +5. အနုစိတ်အမြင်များ သို့မဟုတ် 3D ချတ်ဖန်တီးနည်း +6. ဖန်တီးမှုအမြင်တစ်ခုကို ဖန်တီးနည်း + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## မှန်ကန်သော ချတ်အမျိုးအစားကို ရွေးချယ်ခြင်း + +ယခင်သင်ခန်းစာများတွင်၊ သင်သည် Matplotlib နှင့် Seaborn ကို အသုံးပြု၍ စိတ်ဝင်စားဖွယ် ဒေတာအမြင်များကို ဖန်တီးခဲ့သည်။ ယေဘူယျအားဖြင့်၊ မေးခွန်းတစ်ခုကို ဖြေရှင်းရန် [မှန်ကန်သော ချတ်အမျိုးအစား](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) ကို ရွေးချယ်နိုင်သည်။ အောက်ပါဇယားကို အသုံးပြုပါ - + +| သင်လိုအပ်သည်: | သင်အသုံးပြုသင့်သည်: | +| -------------------------- | ------------------------------- | +| အချိန်အလိုက် ဒေတာလမ်းကြောင်းကို ဖော်ပြရန် | Line | +| အမျိုးအစားများကို နှိုင်းယှဉ်ရန် | Bar, Pie | +| စုစုပေါင်းကို နှိုင်းယှဉ်ရန် | Pie, Stacked Bar | +| ဆက်နွယ်မှုများကို ဖော်ပြရန် | Scatter, Line, Facet, Dual Line | +| ဖြန့်ဝေမှုများကို ဖော်ပြရန် | Scatter, Histogram, Box | +| အချိုးအစားများကို ဖော်ပြရန် | Pie, Donut, Waffle | + +> ✅ သင့်ဒေတာ၏ ဖွဲ့စည်းမှုအပေါ် မူတည်၍၊ ချတ်တစ်ခုကို ထောက်ပံ့ရန် ဒေတာကို စာသားမှ နံပါတ်သို့ ပြောင်းလဲရန် လိုအပ်နိုင်သည်။ + +## လှည့်စားမှုကို ရှောင်ရှားခြင်း + +ဒေတာသိပ္ပံပညာရှင်တစ်ဦးသည် မှန်ကန်သော ချတ်ကို မှန်ကန်သော ဒေတာအတွက် ရွေးချယ်သော်လည်း၊ ဒေတာကို အမှန်တစ်ရားကို ဖျက်ဆီးရန် ဖော်ပြနိုင်သော နည်းလမ်းများစွာရှိသည်။ ဒေတာကို လှည့်စားသော ချတ်များနှင့် အင်ဖိုဂရပ်များ၏ ဥပမာများစွာရှိသည်။ + +[![How Charts Lie by Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.my.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie") + +> 🎥 အထက်ပါပုံကို နှိပ်၍ လှည့်စားသော ချတ်များအကြောင်း ဆွေးနွေးမှုကို ကြည့်ပါ + +ဒီချတ်သည် X axis ကို ပြောင်းလဲပြီး ရက်စွဲအပေါ် မူတည်၍ အမှန်တစ်ရား၏ ဆန့်ကျင်ဘက်ကို ဖော်ပြသည် - + +![bad chart 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.my.png) + +[ဒီချတ်](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) သည် ပိုမိုလှည့်စားမှုများရှိပြီး၊ မျက်လုံးသည် COVID အမှုများသည် အချိန်အလိုက် လျော့နည်းလာသည်ဟု သတ်မှတ်ရန် ညာဘက်သို့ ဆွဲဆောင်သည်။ သို့သော်၊ ရက်စွဲများကို အနိမ့်ဆွဲလျှောက်ထားထားသောကြောင့် လျော့နည်းမှုကို လှည့်စားထားသည်။ + +![bad chart 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.my.jpg) + +ဒီချတ်သည် အရောင်နှင့် ပြောင်းလဲထားသော Y axis ကို အသုံးပြု၍ လှည့်စားထားသည် - သေနတ်ပစ်မှုများသည် ဥပဒေပြုမှုအပြီး တက်လာသည်ဟု မျက်လုံးကို လှည့်စားစေသည်။ + +![bad chart 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.my.jpg) + +ဒီအဆန်းချတ်သည် အချိုးအစားကို ပြောင်းလဲပြီး ဟာသဆန်သော အကျိုးသက်ရောက်မှုကို ဖန်တီးသည် - + +![bad chart 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.my.jpg) + +မတူညီသောအရာများကို နှိုင်းယှဉ်ခြင်းသည် လှည့်စားမှုတစ်ခုဖြစ်သည်။ [Spurious correlations](https://tylervigen.com/spurious-correlations) ဆိုသော ဝဘ်ဆိုဒ်သည် Maine တွင် အိမ်ထောင်ဖျက်နှင့် Margarine စားသုံးမှုတို့ကို နှိုင်းယှဉ်ထားသော 'အတု correlation' များကို ဖော်ပြသည်။ Reddit မှာလည်း [dataisugly](https://www.reddit.com/r/dataisugly/top/?t=all) ဆိုသော အဖွဲ့သည် ဒေတာကို မလှပစွာ အသုံးပြုထားသော ဥပမာများကို စုဆောင်းထားသည်။ + +## အရောင် + +'Florida gun violence' ချတ်တွင် မြင်ရသည့်အတိုင်း၊ အရောင်သည် ချတ်များတွင် အဓိပ္ပါယ်တစ်ခုကို ထပ်ဆောင်းပေးနိုင်သည်။ Matplotlib နှင့် Seaborn ကဲ့သို့သော စာကြောင်းများကို အသုံးပြု၍ ဖန်တီးထားသော ချတ်များတွင် အရောင် library များနှင့် palette များပါဝင်သည်။ သင်ကိုယ်တိုင် ချတ်ကို ဖန်တီးနေပါက၊ [အရောင်သီအိုရီ](https://colormatters.com/color-and-design/basic-color-theory) ကို လေ့လာပါ။ + +> ✅ ချတ်များကို ဒီဇိုင်းဆွဲနေစဉ်၊ အရောင်မမြင်နိုင်သောသူများအတွက် ချတ်သည် အဆင်ပြေမပြေ စဉ်းစားပါ။ + +## ချတ်များကို ဖတ်ရှုရလွယ်ကူစေရန် စတိုင်ပြင်ဆင်ခြင်း + +ချတ်များသည် ဖတ်ရှုရလွယ်ကူမှသာ အဓိပ္ပါယ်ရှိသည်။ ချတ်၏ အကျယ်အနံကို သင့်ဒေတာနှင့် ကိုက်ညီစေရန် စဉ်းစားပါ။ အမျိုးအစားများစွာ (ဥပမာ - 50 ပြည်နယ်) ကို ဖော်ပြရန်လိုပါက၊ Y axis တွင် တန်းစီဖော်ပြပါ။ + +## အနုစိတ်အမြင်များနှင့် 3D ချတ်ဖန်တီးခြင်း + +ယနေ့အချိန်တွင် အကောင်းဆုံး ဒေတာအမြင်များသည် အနုစိတ်ဖြစ်သည်။ Shirley Wu ၏ '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)' ကဲ့သို့သော D3 ဖြင့် ဖန်တီးထားသော အနုစိတ်အမြင်များသည် ထူးခြားသည်။ + +## Project: D3.js ဖြင့် network ကို ဖော်ပြသော ချတ်တစ်ခု ဖန်တီးပါ + +> ဒီသင်ခန်းစာ folder တွင် `solution` folder ပါဝင်ပြီး၊ အပြီးသတ် project ကို ရှာနိုင်ပါသည်။ + +1. README.md ဖိုင်တွင် ရှိသော လမ်းညွှန်ချက်များကို လိုက်နာပါ။ NPM နှင့် Node.js ကို သင့်စက်တွင် အလုပ်လုပ်စေပါ။ + +2. `starter/src` folder ကို ဖွင့်ပါ။ `assets` folder တွင် .json ဖိုင်တစ်ခုရှိပြီး၊ 'to' နှင့် 'from' annotation ပါဝင်သည်။ + +3. `components/Nodes.vue` တွင် `createLinks()` method ကို ပြည့်စုံစေရန် loop ကို ထည့်ပါ။ + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Terminal မှာ app ကို run (npm run serve) ပြီး visualization ကို ခံစားပါ။ + +## 🚀 Challenge + +အင်တာနက်တွင် လှည့်စားသော visualization များကို ရှာပါ။ အရေးသားသူသည် မျက်လုံးကို လှည့်စားသည့်နည်းလမ်းများကို လေ့လာပြီး၊ အမှန်တစ်ရားကို ပြန်လည်ပြင်ဆင်ပါ။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Review & Self Study + +ဒီဆောင်းပါးများကို ဖတ်ပါ - + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +## Assignment + +[သင့်ကိုယ်ပိုင် custom visualization ကို ဖန်တီးပါ](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအချော်အချော်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/my/3-Data-Visualization/13-meaningful-visualizations/assignment.md new file mode 100644 index 00000000..086ac23d --- /dev/null +++ b/translations/my/3-Data-Visualization/13-meaningful-visualizations/assignment.md @@ -0,0 +1,25 @@ + +# သင့်ကိုယ်ပိုင် Custom Visualization တည်ဆောက်ပါ + +## လမ်းညွှန်ချက်များ + +ဤပရောဂျက်တွင်ပါဝင်သော ကုဒ်နမူနာကို အသုံးပြု၍ လူမှုကွန်ရက်တစ်ခုကို ဖန်တီးပါ။ သင့်ကိုယ်ပိုင် လူမှုဆက်ဆံမှုများကို အတုအယောင်အနေဖြင့် အချက်အလက်များဖန်တီးပါ။ သင့်ရဲ့ လူမှုမီဒီယာအသုံးပြုမှုကို မြေပုံဆွဲနိုင်သလို၊ သင့်မိသားစုဝင်များကို ရှင်းလင်းသော အကြမ်းဖျင်းပုံစံဖြင့် ဖော်ပြနိုင်ပါသည်။ လူမှုကွန်ရက်တစ်ခုကို ထူးခြားသော Visualization ဖြင့် ဖော်ပြထားသော ဝဘ်အက်ပ်တစ်ခုကို ဖန်တီးပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက်သည် | တိုးတက်မှုလိုအပ်သည် +--- | --- | --- | +GitHub repo တစ်ခုကို တင်ပြထားပြီး ကုဒ်များမှန်ကန်စွာ လည်ပတ်သည် (Static Web App အဖြစ် Deploy လုပ်ကြည့်ပါ)၊ README တွင် ပရောဂျက်ကို ရှင်းလင်းစွာ ရေးသားဖော်ပြထားသည် | Repo သည် မှန်ကန်စွာ မလည်ပတ်နိုင်ပါ၊ သို့မဟုတ် Documentation မလုံလောက်ပါ | Repo သည် မှန်ကန်စွာ မလည်ပတ်နိုင်သလို Documentation လည်း မလုံလောက်ပါ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/my/3-Data-Visualization/13-meaningful-visualizations/solution/README.md new file mode 100644 index 00000000..c9fb7f0b --- /dev/null +++ b/translations/my/3-Data-Visualization/13-meaningful-visualizations/solution/README.md @@ -0,0 +1,40 @@ + +# အန္တရာယ်များသော ဆက်ဆံရေးများ ဒေတာအမြင်ဖော်ပြမှု ပရောဂျက် + +စတင်ရန်အတွက် သင့်စက်တွင် NPM နှင့် Node ရှိနေကြောင်း သေချာစေပါ။ လိုအပ်သော dependencies များကို (npm install) ဖြင့် ထည့်သွင်းပြီး၊ ပရောဂျက်ကို ဒေသတွင်းတွင် (npm run serve) ဖြင့် လည်ပတ်ပါ။ + +## ပရောဂျက် စတင်ခြင်း +``` +npm install +``` + +### ဖွံ့ဖြိုးရေးအတွက် compile လုပ်ပြီး hot-reload လုပ်ခြင်း +``` +npm run serve +``` + +### ထုတ်လုပ်မှုအတွက် compile လုပ်ပြီး minify လုပ်ခြင်း +``` +npm run build +``` + +### ဖိုင်များကို lint လုပ်ပြီး ပြင်ဆင်ခြင်း +``` +npm run lint +``` + +### ဖွဲ့စည်းမှုကို စိတ်ကြိုက်ပြင်ဆင်ခြင်း +[Configuration Reference](https://cli.vuejs.org/config/) ကိုကြည့်ပါ။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလည်မှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/my/3-Data-Visualization/13-meaningful-visualizations/starter/README.md new file mode 100644 index 00000000..32f958a9 --- /dev/null +++ b/translations/my/3-Data-Visualization/13-meaningful-visualizations/starter/README.md @@ -0,0 +1,40 @@ + +# အန္တရာယ်များသော ဆက်ဆံရေးများ ဒေတာအမြင်ဖော်ပြမှု ပရောဂျက် + +စတင်ရန်အတွက် သင့်စက်တွင် NPM နှင့် Node ရှိနေကြောင်း သေချာစေပါ။ အလိုအလျောက်လိုအပ်သော library များကို (npm install) ဖြင့် ထည့်သွင်းပြီး၊ ပရောဂျက်ကို ဒေသတွင်းတွင် (npm run serve) ဖြင့် လည်ပတ်စေပါ။ + +## ပရောဂျက် စတင်ခြင်း +``` +npm install +``` + +### ဖွံ့ဖြိုးရေးအတွက် compile လုပ်ပြီး hot-reload လုပ်ခြင်း +``` +npm run serve +``` + +### ထုတ်လုပ်မှုအတွက် compile လုပ်ပြီး minify လုပ်ခြင်း +``` +npm run build +``` + +### ဖိုင်များကို lint လုပ်ပြီး အမှားပြင်ခြင်း +``` +npm run lint +``` + +### ဖွဲ့စည်းမှုကို စိတ်ကြိုက်ပြင်ဆင်ခြင်း +[Configuration Reference](https://cli.vuejs.org/config/) ကို ကြည့်ပါ။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/my/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..6502827a --- /dev/null +++ b/translations/my/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,229 @@ + +# အရေအတွက်များကိုမြင်နိုင်အောင်ဖော်ပြခြင်း +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| အရေအတွက်များကိုမြင်နိုင်အောင်ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒီသင်ခန်းစာမှာ R package library အမျိုးမျိုးကိုအသုံးပြုပြီး အရေအတွက်ဆိုင်ရာအကြောင်းအရာများကို စိတ်ဝင်စားဖွယ်မြင်နိုင်အောင် ဖော်ပြပုံများဖန်တီးနည်းကိုလေ့လာပါမည်။ Minnesota ရှိငှက်များအကြောင်းကို စစ်ဆေးပြီးသား dataset ကိုအသုံးပြုကာ ဒေသတွင်းတောရိုင်းတိရစ္ဆာန်များအကြောင်း စိတ်ဝင်စားဖွယ်အချက်အလက်များကိုလေ့လာနိုင်ပါသည်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## ggplot2 ဖြင့်တောင်ပံအကျယ်ကိုကြည့်ရှုခြင်း +အမျိုးမျိုးသောရုပ်ပုံများနှင့်ဇယားများကို ရိုးရှင်းပြီးခက်ခဲသောပုံစံများဖြင့်ဖန်တီးရန်အကောင်းဆုံး library တစ်ခုမှာ [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html) ဖြစ်သည်။ အထွေထွေအားဖြင့်၊ ဒီ library များကိုအသုံးပြု၍ ဒေတာကို plot လုပ်ခြင်း၏လုပ်ငန်းစဉ်မှာ dataframe ၏တစ်စိတ်တစ်ပိုင်းကို ရွေးချယ်ခြင်း၊ လိုအပ်သောဒေတာကိုပြောင်းလဲခြင်း၊ x နှင့် y axis တန်ဖိုးများကိုသတ်မှတ်ခြင်း၊ ဖော်ပြလိုသော plot အမျိုးအစားကိုဆုံးဖြတ်ခြင်းနှင့် plot ကိုဖော်ပြခြင်းတို့ပါဝင်သည်။ + +`ggplot2` သည် The Grammar of Graphics အခြေခံ၍ ရုပ်ပုံများကို ဖန်တီးရန်အတွက် declarative system တစ်ခုဖြစ်သည်။ [Grammar of Graphics](https://en.wikipedia.org/wiki/Ggplot2) သည် ရုပ်ပုံများကို semantic components (scales နှင့် layers) အဖြစ်ခွဲခြားသော ဒေတာ visualization အတွက်အထွေထွေစနစ်တစ်ခုဖြစ်သည်။ အခြေခံကုဒ်နည်းနည်းဖြင့် univariate ဒေတာ သို့မဟုတ် multivariate ဒေတာများအတွက် ရုပ်ပုံများနှင့်ဇယားများဖန်တီးရန်ရိုးရှင်းမှုကြောင့် `ggplot2` သည် R တွင် visualization အတွက်အသုံးပြုမှုအများဆုံး package ဖြစ်သည်။ အသုံးပြုသူသည် `ggplot2` ကို variable များကို aesthetics နှင့် graphical primitives များကိုဘယ်လို map လုပ်မည်ကိုပြောပြပြီး `ggplot2` သည်ကျန်ရှိသောအရာများကိုစီမံဆောင်ရွက်သည်။ + +> ✅ Plot = Data + Aesthetics + Geometry +> - Data သည် dataset ကိုဆိုလိုသည် +> - Aesthetics သည်လေ့လာလိုသော variable များကိုပြသည် (x နှင့် y variable များ) +> - Geometry သည် plot အမျိုးအစားကိုဆိုလိုသည် (line plot, bar plot စသည်) + +သင့်ဒေတာနှင့် plot မှတဆင့်ပြောပြလိုသောအကြောင်းအရာအပေါ်မူတည်၍ အကောင်းဆုံး geometry (plot အမျိုးအစား) ကိုရွေးချယ်ပါ။ + +> - အလားအလာများကိုခွဲခြားရန်: line, column +> - တန်ဖိုးများကိုနှိုင်းယှဉ်ရန်: bar, column, pie, scatterplot +> - အစိတ်အပိုင်းများသည်တစ်ခုလုံးနှင့်ဆက်စပ်ပုံကိုပြရန်: pie +> - ဒေတာ၏ဖြန့်ဝေမှုကိုပြရန်: scatterplot, bar +> - တန်ဖိုးများအကြားဆက်နွယ်မှုကိုပြရန်: line, scatterplot, bubble + +✅ [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) ရှိ ggplot2 အတွက်ဖော်ပြချက်ကိုလည်းကြည့်ရှုနိုင်ပါသည်။ + +## ငှက်တောင်ပံအကျယ်တန်ဖိုးများအတွက် line plot တစ်ခုဖန်တီးပါ + +R console ကိုဖွင့်ပြီး dataset ကို import လုပ်ပါ။ +> Note: Dataset သည် repo ၏ root တွင် `/data` folder တွင်သိမ်းဆည်းထားသည်။ + +Dataset ကို import လုပ်ပြီး ဒေတာ၏အပေါ်ဆုံး ၅ ရွေ့ကိုကြည့်ရှုပါ။ + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +ဒေတာ၏အပေါ်ဆုံးတွင် text နှင့် number များရောနှောထားသည်- + +| | Name | ScientificName | Category | Order | Family | Genus | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Fulvous whistling-duck | Dendrocygna bicolor | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snow goose | Anser caerulescens | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Ross's goose | Anser rossii | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Greater white-fronted goose | Anser albifrons | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +အထူးစိတ်ဝင်စားဖွယ်ရှိသောငှက်များအတွက် maximum wingspan ကိုကြည့်ရှုလိုပါက numeric data အချို့ကို basic line plot ဖြင့်စတင် plot လုပ်ပါ။ + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +ဒီမှာ `ggplot2` package ကို install လုပ်ပြီး `library("ggplot2")` command ကိုအသုံးပြုကာ workspace ထဲသို့ import လုပ်ပါသည်။ ggplot တွင် plot တစ်ခုကိုဖော်ပြရန် `ggplot()` function ကိုအသုံးပြုပြီး dataset, x နှင့် y variable များကို attribute အဖြစ်သတ်မှတ်ပါသည်။ ဒီအခါမှာ line plot ကို plot လုပ်ရန် `geom_line()` function ကိုအသုံးပြုပါသည်။ + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.my.png) + +သင်ဘာတွေသတိထားမိပါသလဲ? အနည်းဆုံး outlier တစ်ခုရှိသလိုပဲ - တောင်ပံအကျယ်တစ်ခုကတော်တော်လေးကြီးတယ်! 2000+ စင်တီမီတာတောင်ပံအကျယ်က 20 မီတာကျော်ရှိတယ် - Minnesota မှာ Pterodactyls တွေရှိနေသလား? စစ်ဆေးကြည့်ရအောင်။ + +Excel မှာ sort လုပ်ပြီး outlier များကိုရှာဖွေနိုင်သော်လည်း၊ plot ထဲကနေဆက်လက် visualization လုပ်ပါ။ + +x-axis မှာငှက်အမျိုးအစားများကိုပြရန် label များထည့်ပါ: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +`theme` မှာ angle ကိုသတ်မှတ်ပြီး `xlab()` နှင့် `ylab()` မှာ x နှင့် y axis label များကိုသတ်မှတ်ပါသည်။ `ggtitle()` သည် graph/plot ကိုနာမည်ပေးသည်။ + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.my.png) + +label များကို 45 ဒီဂရီလှည့်ထားသော်လည်း၊ ဖတ်ရန်အလွန်များနေသည်။ အခြား strategy တစ်ခုကိုစမ်းကြည့်ရအောင်- outlier များကိုသာ label လုပ်ပြီး label များကို chart ထဲမှာထားပါ။ scatter chart ကိုအသုံးပြုကာ label များအတွက်နေရာပိုမိုရရှိစေပါ: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +ဒီမှာဘာတွေဖြစ်နေပါသလဲ? `geom_point()` function ကိုအသုံးပြုကာ scatter point များကို plot လုပ်ပါသည်။ ဒီနဲ့အတူ `MaxWingspan > 500` ရှိသောငှက်များအတွက် label များထည့်ပြီး x axis မှ label များကိုဖယ်ရှားကာ plot ကိုရှင်းလင်းစေပါသည်။ + +သင်ဘာတွေရှာဖွေတွေ့ရှိပါသလဲ? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.my.png) + +## သင့်ဒေတာကို filter လုပ်ပါ + +Bald Eagle နှင့် Prairie Falcon သည် အလွန်ကြီးမားသောငှက်များဖြစ်နိုင်သော်လည်း၊ maximum wingspan တွင် 0 တစ်ခုထပ်ထည့်ထားသောအမှားဖြစ်နိုင်သည်။ Bald Eagle တစ်ကောင်မှာ 25 မီတာတောင်ပံအကျယ်ရှိမည်မဟုတ်သော်လည်း၊ ရှိပါက ကျွန်ုပ်တို့ကိုသတင်းပို့ပါ! ဒီ outlier ၂ ခုမပါသော dataframe အသစ်တစ်ခုကိုဖန်တီးပါ: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +`birds_filtered` ဆိုသော dataframe အသစ်တစ်ခုကိုဖန်တီးပြီး scatter plot တစ်ခုကို plot လုပ်ပါသည်။ outlier များကို filter လုပ်ခြင်းဖြင့် သင့်ဒေတာသည် ပိုမိုညီညွတ်ပြီးနားလည်ရလွယ်ကူလာသည်။ + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.my.png) + +အနည်းဆုံးတောင်ပံအကျယ်အရ dataset ကိုရှင်းလင်းပြီးနောက်၊ ငှက်များအကြောင်းပိုမိုရှာဖွေကြည့်ရအောင်။ + +line နှင့် scatter plot များသည် ဒေတာတန်ဖိုးများနှင့်၎င်းတို့၏ဖြန့်ဝေမှုကိုဖော်ပြနိုင်သော်လည်း၊ dataset ၏ inherent values အကြောင်းကိုစဉ်းစားလိုပါသည်။ အရေအတွက်ဆိုင်ရာအောက်ပါမေးခွန်းများကိုဖြေရှင်းရန် visualization များဖန်တီးနိုင်သည်- + +> ငှက်အမျိုးအစားများဘယ်လောက်ရှိပြီး၊ အရေအတွက်ဘယ်လောက်ရှိသလဲ? +> ငှက်များအနက်ဘယ်လောက် extinction, endangered, rare, သို့မဟုတ် common ဖြစ်သလဲ? +> Linnaeus ရဲ့ terminology အရ genus နှင့် order များဘယ်လောက်ရှိသလဲ? + +## Bar chart များကိုလေ့လာပါ + +Bar chart များသည် ဒေတာကိုအုပ်စုဖွဲ့ရန်လိုအပ်သောအခါတွင်အသုံးဝင်သည်။ dataset တွင်ရှိသောငှက်အမျိုးအစားများကိုလေ့လာပြီး အများဆုံးရှိသောအမျိုးအစားကိုကြည့်ရှုပါ။ Filter လုပ်ထားသောဒေတာပေါ်တွင် bar chart တစ်ခုဖန်တီးပါ။ + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +ဒီ snippet တွင် [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) နှင့် [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) package များကို install လုပ်ကာ ဒေတာကို manipulate လုပ်ရန်နှင့် group လုပ်ရန်အသုံးပြုသည်။ ငှက်၏ `Category` အပေါ်မူတည်၍ ဒေတာကို group လုပ်ပြီး `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` column များကို summarise လုပ်သည်။ ထို့နောက် `ggplot2` package ကိုအသုံးပြုကာ bar chart ကို plot လုပ်ပြီး category များအတွက်အရောင်များနှင့် label များကိုသတ်မှတ်သည်။ + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.my.png) + +ဒီ bar chart သည် များလွန်းသော non-grouped data ကြောင့် မဖတ်နိုင်ပါ။ plot လုပ်လိုသောဒေတာကိုသာရွေးချယ်ရန်လိုအပ်သည်၊ ဒါကြောင့် ငှက်၏ category အပေါ်မူတည်၍ length ကိုကြည့်ရှုပါ။ + +သင့်ဒေတာကို ငှက်၏ category ကိုသာပါဝင်အောင် filter လုပ်ပါ။ + +Category များများသောကြောင့်၊ ဒီ chart ကိုvertically ဖော်ပြပြီး data အားလုံးအတွက် height ကိုပြင်ဆင်ပါ: + +```r +birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE) +birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) +ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip() +``` +`Category` column တွင်ရှိသော unique value များကို count လုပ်ပြီး `birds_count` ဆိုသော dataframe အသစ်တစ်ခုထဲသို့ sort လုပ်သည်။ ဒီ sorted data ကို level တူညီအတိုင်း factor လုပ်ကာ sorted ပုံစံဖြင့် plot လုပ်သည်။ `ggplot2` ကိုအသုံးပြုကာ bar chart ကို plot လုပ်သည်။ `coord_flip()` သည် horizontal bar များကို plot လုပ်သည်။ + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.my.png) + +ဒီ bar chart သည် category တစ်ခုစီတွင်ရှိသောငှက်အရေအတွက်ကိုကောင်းစွာမြင်နိုင်စေသည်။ Minnesota တွင် Ducks/Geese/Waterfowl category တွင်ငှက်အများဆုံးရှိသည်ကို တစ်ချက်ကြည့်လိုက်တာနဲ့မြင်နိုင်သည်။ Minnesota သည် '10,000 ရေကန်များ၏မြေ' ဖြစ်သောကြောင့်၊ ဒီအရာသည်အံ့ဩစရာမဟုတ်ပါ။ + +✅ ဒီ dataset ပေါ်မှာ count အမျိုးမျိုးကိုစမ်းကြည့်ပါ။ သင်အံ့ဩစရာတွေ့ရှိပါသလား? + +## ဒေတာကိုနှိုင်းယှဉ်ခြင်း + +Grouped data များကိုနှိုင်းယှဉ်ရန် axis အသစ်များဖန်တီးကာစမ်းကြည့်နိုင်သည်။ ငှက်၏ category အပေါ်မူတည်၍ MaxLength ကိုနှိုင်းယှဉ်ကြည့်ပါ: + +```r +birds_grouped <- birds_filtered %>% + group_by(Category) %>% + summarise( + MaxLength = max(MaxLength, na.rm = T), + MinLength = max(MinLength, na.rm = T) + ) %>% + arrange(Category) + +ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip() +``` +`birds_filtered` ဒေတာကို `Category` အပေါ်မူတည်၍ group လုပ်ပြီး bar graph ကို plot လုပ်သည်။ + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.my.png) + +ဒီမှာအံ့ဩစရာမရှိပါ- hummingbirds တွင် Pelicans သို့မဟုတ် Geese နှင့်နှိုင်းယှဉ်ပါက MaxLength အနည်းဆုံးရှိသည်။ ဒေတာသည် logical make sense ဖြစ်သည်မှာကောင်းပါသည်! + +Bar chart များကို data များကို superimpose လုပ်ကာပိုမိုစိတ်ဝင်စားဖွယ်ဖန်တီးနိုင်သည်။ Minimum နှင့် Maximum Length ကိုငှက် category တစ်ခုစီပေါ်မှာ superimpose လုပ်ကြည့်ရအောင်: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.my.png) + +## 🚀 စိန်ခေါ်မှု + +ဒီငှက် dataset သည် ecosystem တစ်ခုအတွင်းရှိငှက်အမျိုးအစားများအကြောင်းအချက်အလက်များစွာကိုပေးသည်။ အင်တာနက်ပေါ်တွင်ရှာဖွေပြီး ငှက်များနှင့်ဆက်စပ်သော dataset အခြားများကိုရှာဖွေကြည့်ပါ။ ငှက်များအကြောင်း သင်မသိခဲ့သောအချက်အလက်များကိုရှာဖွေဖော်ထုတ်ရန် chart များနှင့် graph များကိုဖန်တီးရန်လေ့ကျင့်ပါ။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့်ကိုယ်တိုင်လေ့လာခြင်း + +ဒီပထမဆုံးသင်ခန်းစာသည် `ggplot2` ကိုအသုံးပြုကာ အရေအတွက်များကို visualization လုပ်နည်းအကြောင်းအချက်အလက်အချို့ကိုပေးသည်။ dataset များကို visualization လုပ်ရန်အခြားနည်းလမ်းများအကြောင်းလေ့လာပါ။ [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) နှင့် [Plotly](https://github.com/plotly/plotly.R#readme) ကဲ့သို့သော package များကိုအသုံးပြု + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် ရှုယူသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/my/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..1f50885a --- /dev/null +++ b/translations/my/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# လိုင်းများ၊ စက်ကွင်းများနှင့် ဘားများ + +## လမ်းညွှန်ချက်များ + +ဒီသင်ခန်းစာမှာ သင်က လိုင်းဇယားများ၊ စက်ကွင်းဇယားများနဲ့ ဘားဇယားများကို အသုံးပြုပြီး ဒီဒေတာအစုအဖွဲ့နဲ့ပတ်သက်တဲ့ စိတ်ဝင်စားဖွယ်ရာ အချက်အလက်တွေကို ပြသခဲ့ပါတယ်။ ဒီအလုပ်မှာတော့ ဒေတာအစုအဖွဲ့ကို နက်နက်ရှိုင်းရှိုင်း လေ့လာပြီး သတ်မှတ်ထားတဲ့ ငှက်အမျိုးအစားတစ်မျိုးနဲ့ ပတ်သက်တဲ့ အချက်အလက်တစ်ခုကို ရှာဖွေဖော်ထုတ်ပါ။ ဥပမာအားဖြင့် Snow Geese နဲ့ပတ်သက်တဲ့ စိတ်ဝင်စားဖွယ်ရာ ဒေတာအားလုံးကို ပြသတဲ့ script တစ်ခု ဖန်တီးပါ။ အထက်မှာ ဖော်ပြထားတဲ့ ဇယားသုံးမျိုးကို အသုံးပြုပြီး သင့် notebook ထဲမှာ အကြောင်းအရာတစ်ခုကို ပြောပြပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- | +မှတ်ချက်ကောင်းများ၊ အကြောင်းအရာပြောပြမှုခိုင်မာမှု၊ နဲ့ ဆွဲဆောင်မှုရှိတဲ့ ဇယားများပါဝင်တဲ့ script တစ်ခု | ဒီအချက်တွေထဲက တစ်ခုမပါရှိတဲ့ script | ဒီအချက်တွေထဲက နှစ်ခုမပါရှိတဲ့ script + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/my/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..fb522fe2 --- /dev/null +++ b/translations/my/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,185 @@ + +# အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ယခင်သင်ခန်းစာတွင် သင်သည် Minnesota ရှိ ငှက်များအကြောင်း ဒေတာတစ်ခုအကြောင်း စိတ်ဝင်စားဖွယ် အချက်အလက်များကို လေ့လာခဲ့ပါသည်။ သင်သည် အချို့သော အမှားပါဝင်သော ဒေတာများကို အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်းဖြင့် ရှာဖွေခဲ့ပြီး ငှက်အမျိုးအစားများ၏ အရှည်အများဆုံးအရေအတွက်အလိုက် ကွာခြားချက်များကို ကြည့်ရှုခဲ့ပါသည်။ + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## ငှက်များ၏ ဒေတာကို လေ့လာခြင်း + +ဒေတာကို နက်နက်ရှိုင်းရှိုင်း လေ့လာရန် နောက်ထပ်နည်းလမ်းတစ်ခုမှာ ဒေတာ၏ အချိုးအစား (distribution) ကို ကြည့်ရှုခြင်းဖြစ်သည်။ ဥပမာအားဖြင့်, Minnesota ရှိ ငှက်များအတွက် အများဆုံး အတောင်အရှည် (maximum wingspan) သို့မဟုတ် အများဆုံး ကိုယ်အလေးချိန် (maximum body mass) ၏ အချိုးအစားကို သိလိုသည်ဟု ဆိုပါစို့။ + +ယခု ဒေတာအစုတွင် အချိုးအစားများအကြောင်း အချက်အလက်အချို့ကို ရှာဖွေကြည့်ရအောင်။ သင့် R console တွင် `ggplot2` နှင့် database ကို သွင်းပါ။ ယခင်ခေါင်းစဉ်တွင် ပြုလုပ်ခဲ့သလို database မှ အမှားပါဝင်သော ဒေတာများကို ဖယ်ရှားပါ။ + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | Name | ScientificName | Category | Order | Family | Genus | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Fulvous whistling-duck | Dendrocygna bicolor | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snow goose | Anser caerulescens | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Ross's goose | Anser rossii | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Greater white-fronted goose | Anser albifrons | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +ယေဘူယျအားဖြင့်, ဒေတာ၏ အချိုးအစားကို မြန်ဆန်စွာ ကြည့်ရှုရန် scatter plot တစ်ခုကို ယခင်သင်ခန်းစာတွင် ပြုလုပ်ခဲ့သကဲ့သို့ ပြုလုပ်နိုင်ပါသည်။ + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![max length per order](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.my.png) + +ဤအရာသည် ငှက်အမျိုးအစား (Order) အလိုက် ကိုယ်အရှည်၏ ယေဘူယျ အချိုးအစားကို ပြသပေးပါသည်။ သို့သော် ဒေတာ၏ အမှန်တကယ် အချိုးအစားကို ဖော်ပြရန် အကောင်းဆုံးနည်းလမ်းမဟုတ်ပါ။ ဤအလုပ်ကို Histogram တစ်ခု ဖန်တီးခြင်းဖြင့် 通常 ပြုလုပ်ပါသည်။ + +## Histogram များနှင့် အလုပ်လုပ်ခြင်း + +`ggplot2` သည် Histogram များကို အသုံးပြု၍ ဒေတာ၏ အချိုးအစားကို မြင်သာအောင် ဖော်ပြရန် အလွန်ကောင်းမွန်သော နည်းလမ်းများကို ပေးသည်။ ဤအမျိုးအစား၏ chart သည် bar chart တစ်ခုနှင့် ဆင်တူပြီး bar များ၏ မြင့်တက်နိမ့်ကျမှုမှတစ်ဆင့် အချိုးအစားကို မြင်နိုင်သည်။ Histogram တစ်ခု ဖန်တီးရန် သင်သည် ကိန်းဂဏန်းဒေတာလိုအပ်ပါသည်။ Histogram တစ်ခု ဖန်တီးရန်, chart ၏ အမျိုးအစားကို 'hist' ဟု သတ်မှတ်ပါ။ ဤ chart သည် dataset ၏ အများဆုံး ကိုယ်အလေးချိန် (MaxBodyMass) ၏ အချိုးအစားကို ပြသသည်။ ဒေတာကို သေးငယ်သော bins များအဖြစ် ခွဲခြားခြင်းဖြင့် ဒေတာတန်ဖိုးများ၏ အချိုးအစားကို ပြသနိုင်သည်။ + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![distribution over entire dataset](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.my.png) + +သင်မြင်နိုင်သည့်အတိုင်း, ဤ dataset တွင်ပါဝင်သော ငှက် 400+ များ၏ အများစုသည် Max Body Mass 2000 အောက်တွင် ရှိသည်။ `bins` parameter ကို 30 အထိ မြှင့်တင်ခြင်းဖြင့် ဒေတာအကြောင်းပိုမို နက်နက်ရှိုင်းရှိုင်း သိရှိနိုင်သည်။ + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![distribution-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.my.png) + +ဤ chart သည် အချိုးအစားကို ပိုမိုအသေးစိတ်ပြသသည်။ ပိုမိုလက်ဝဲဘက်သို့ မဆွဲထားသော chart တစ်ခုကို ဖန်တီးရန် သတ်မှတ်ထားသော အကွာအဝေးအတွင်းရှိ ဒေတာကိုသာ ရွေးချယ်ပါ။ + +ကိုယ်အလေးချိန် 60 အောက်ရှိ ငှက်များကိုသာ ရွေးချယ်ပြီး 30 `bins` ပြပါ: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![filtered histogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.my.png) + +✅ အခြား filter များနှင့် ဒေတာအချက်အလက်များကို စမ်းကြည့်ပါ။ ဒေတာ၏ အပြည့်အစုံသော အချိုးအစားကို မြင်ရန် `['MaxBodyMass']` filter ကို ဖယ်ရှားပြီး label ထည့်ထားသော အချိုးအစားများကို ပြပါ။ + +Histogram သည် အရောင်နှင့် label အဆင်ပြေမှုများကိုလည်း စမ်းသပ်နိုင်သည်။ + +2D histogram တစ်ခု ဖန်တီး၍ အချိုးအစားနှစ်ခုအကြား ဆက်စပ်မှုကို နှိုင်းယှဉ်ကြည့်ပါ။ `MaxBodyMass` နှင့် `MaxLength` ကို နှိုင်းယှဉ်ကြည့်ပါ။ `ggplot2` သည် အလင်းရောင်ပိုမိုတောက်ပသောအရောင်များကို အသုံးပြု၍ ဆက်စပ်မှုကို ပြသရန် built-in နည်းလမ်းကို ပေးသည်။ + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +ဤအချိုးအစားနှစ်ခုအကြား မျှော်မှန်းထားသော အချိုးအစားတစ်ခုအတိုင်း ဆက်စပ်မှုရှိသည်ဟု မြင်ရပြီး တစ်နေရာတွင် အထူးအားကောင်းသော ဆက်စပ်မှုရှိသည်။ + +![2d plot](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.my.png) + +Histogram များသည် ယေဘူယျအားဖြင့် ကိန်းဂဏန်းဒေတာအတွက် အလွန်ကောင်းမွန်သည်။ သို့သော် စာသားဒေတာအလိုက် အချိုးအစားကို ကြည့်ရန်လိုပါက ဘာလုပ်ရမည်နည်း? + +## စာသားဒေတာကို အသုံးပြု၍ ဒေတာအချိုးအစားများကို လေ့လာခြင်း + +ဤ dataset တွင် ငှက်အမျိုးအစား (category)၊ genus၊ species၊ family နှင့် ထိန်းသိမ်းရေးအခြေအနေ (conservation status) အကြောင်း အချက်အလက်ကောင်းများလည်း ပါဝင်သည်။ ထိန်းသိမ်းရေးအခြေအနေအကြောင်းကို လေ့လာကြည့်ရအောင်။ ငှက်များကို ထိန်းသိမ်းရေးအခြေအနေအလိုက် အချိုးအစားဘယ်လိုရှိသလဲ? + +> ✅ Dataset တွင် conservation status ကို ဖော်ပြရန် အတိုကောက်အချို့ကို အသုံးပြုထားသည်။ ဤအတိုကောက်များသည် [IUCN Red List Categories](https://www.iucnredlist.org/) မှ ရယူထားခြင်းဖြစ်သည်။ ဤအဖွဲ့သည် အမျိုးအစားများ၏ အခြေအနေကို catalog ပြုလုပ်သည်။ +> +> - CR: အလွန်အန္တရာယ်ရှိသော (Critically Endangered) +> - EN: အန္တရာယ်ရှိသော (Endangered) +> - EX: မျိုးသုဉ်းသွားသော (Extinct) +> - LC: အန္တရာယ်နည်းသော (Least Concern) +> - NT: အနီးကပ် အန္တရာယ်ရှိသော (Near Threatened) +> - VU: အန္တရာယ်ရှိနိုင်သော (Vulnerable) + +ဤအတိုကောက်များသည် စာသားတန်ဖိုးများဖြစ်သောကြောင့် Histogram ဖန်တီးရန် transform ပြုလုပ်ရန် လိုအပ်ပါသည်။ FilteredBirds dataframe ကို အသုံးပြု၍ ထိန်းသိမ်းရေးအခြေအနေကို အနည်းဆုံး အတောင်အရှည် (Minimum Wingspan) နှင့်အတူ ပြပါ။ ဘာတွေမြင်ရလဲ? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![wingspan and conservation collation](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.my.png) + +အနည်းဆုံး အတောင်အရှည်နှင့် ထိန်းသိမ်းရေးအခြေအနေအကြား ဆက်စပ်မှုကောင်းမရှိဟု မြင်ရသည်။ ဤနည်းလမ်းကို အသုံးပြု၍ dataset ၏ အခြား element များကို စမ်းကြည့်ပါ။ အခြား filter များကိုလည်း စမ်းကြည့်ပါ။ ဆက်စပ်မှုတစ်ခုကို ရှာဖွေတွေ့ရှိနိုင်ပါသလား? + +## Density plots + +ယခင်ကြည့်ရှုခဲ့သော histogram များသည် 'stepped' ဖြစ်ပြီး arc အတိုင်း မဖြောင့်မပြတ်ဖြစ်ကြောင်း သင်သတိပြုမိနိုင်ပါသည်။ ပိုမိုဖြောင့်မပြတ်သော density chart ကို ပြသရန် density plot ကို စမ်းကြည့်နိုင်ပါသည်။ + +ယခု density plot များနှင့် အလုပ်လုပ်ကြည့်ရအောင်! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![density plot](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.my.png) + +ဤ plot သည် အနည်းဆုံး အတောင်အရှည် (Minimum Wingspan) ဒေတာအတွက် ယခင် histogram ကို ပြန်လည်တူညီစေသည်။ သို့သော် ပိုမိုဖြောင့်မပြတ်ဖြစ်သည်။ ဒုတိယ chart တွင် မြင်ရသော jagged MaxBodyMass လိုင်းကို ပြန်လည်ဖန်တီး၍ ဤနည်းလမ်းဖြင့် အလွန်ကောင်းစွာ ဖြောင့်မပြတ်စေနိုင်သည်။ + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![bodymass density](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.my.png) + +ပိုမိုဖြောင့်မပြတ်သော လိုင်းတစ်ခုလိုအပ်သော်လည်း အလွန်ဖြောင့်မပြတ်စေလိုမည်ဆိုပါက `adjust` parameter ကို ပြင်ဆင်ပါ: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![less smooth bodymass](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.my.png) + +✅ ဤအမျိုးအစား plot အတွက် ရနိုင်သော parameter များအကြောင်း ဖတ်ရှုပြီး စမ်းကြည့်ပါ! + +ဤအမျိုးအစား chart သည် အလွန်ရှင်းလင်းသော visualizations များကို ပေးသည်။ ဥပမာအားဖြင့်, ငှက်အမျိုးအစား (Order) အလိုက် အများဆုံး ကိုယ်အလေးချိန် (Max Body Mass) density ကို ပြသရန် ကုဒ်အကြောင်းအနည်းငယ်ဖြင့် ပြသနိုင်သည်။ + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![bodymass per order](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.my.png) + +## 🚀 စိန်ခေါ်မှု + +Histogram များသည် ယေဘူယျ scatterplots, bar charts, သို့မဟုတ် line charts ထက် ပိုမိုတိုးတက်သော chart အမျိုးအစားဖြစ်သည်။ အင်တာနက်တွင် Histogram များကို အသုံးပြုထားသော ကောင်းမွန်သော ဥပမာများကို ရှာဖွေကြည့်ပါ။ ၎င်းတို့ကို ဘယ်လိုအသုံးပြုထားသလဲ၊ ဘာကို ပြသထားသလဲ၊ ၎င်းတို့ကို ဘယ်နယ်ပယ်များ သို့မဟုတ် ဘယ်လိုအရာများတွင် အသုံးပြုလေ့ရှိသလဲ? + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +ဤသင်ခန်းစာတွင် သင်သည် `ggplot2` ကို အသုံးပြု၍ ပိုမိုတိုးတက်သော chart များကို ဖော်ပြရန် စတင်ခဲ့သည်။ `geom_density_2d()` အကြောင်း လေ့လာပါ။ ၎င်းသည် "continuous probability density curve in one or more dimensions" ဖြစ်သည်။ [documentation](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) ကို ဖတ်ရှု၍ ၎င်း၏ အလုပ်လုပ်ပုံကို နားလည်ပါ။ + +## လုပ်ငန်း + +[သင့်ကျွမ်းကျင်မှုကို အသုံးချပါ](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် ရှုလေ့လာသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှု ဝန်ဆောင်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှုမှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/my/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..9feb3e69 --- /dev/null +++ b/translations/my/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# သင်၏ကျွမ်းကျင်မှုများကို အသုံးချပါ + +## လမ်းညွှန်ချက်များ + +ယခုအချိန်အထိ Minnesota ငှက်များဒေတာအစုကို အသုံးပြု၍ ငှက်အရေအတွက်နှင့် လူဦးရေထူထပ်မှုအပေါ် အချက်အလက်များကို ရှာဖွေခဲ့ပါသည်။ ဤနည်းလမ်းများကို အသုံးချ၍ [Kaggle](https://www.kaggle.com/) မှ ရရှိနိုင်သော အခြားဒေတာအစုတစ်ခုကို စမ်းသပ်ကြည့်ပါ။ ဤဒေတာအစုအပေါ် အကြောင်းပြောပြရန် R script တစ်ခုကို တည်ဆောက်ပြီး၊ histogram များကို အသုံးပြု၍ ဆွေးနွေးမှုများတွင် ထည့်သွင်းပါ။ + +## အဆင့်သတ်မှတ်ခြင်း + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- | +ဤဒေတာအစုနှင့်ဆိုင်သော အရင်းအမြစ်အပါအဝင် မှတ်ချက်များပါရှိသော script တစ်ခုကို တင်ပြပြီး၊ histogram ၅ ခုအနည်းဆုံးကို အသုံးပြု၍ ဒေတာအပေါ် အချက်အလက်များကို ရှာဖွေသည်။ | မှတ်ချက်များမပြည့်စုံသို့မဟုတ် အမှားများပါရှိသော script တစ်ခုကို တင်ပြသည်။ | မှတ်ချက်များမပါရှိသော script တစ်ခုကို တင်ပြပြီး၊ အမှားများပါရှိသည်။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/my/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..9dd71f80 --- /dev/null +++ b/translations/my/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,198 @@ + +# အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|အချိုးအစားများကို မြင်သာအောင် ဖော်ပြခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒီသင်ခန်းစာမှာ သဘာဝနှင့်ဆိုင်သော အခြားသောဒေတာစနစ်တစ်ခုကို အသုံးပြုပြီး မျိုးစုံသော မှိုများအကြောင်းကို အချိုးအစားအလိုက် မြင်သာအောင် ဖော်ပြမည်ဖြစ်သည်။ Audubon မှ ရရှိသော Agaricus နှင့် Lepiota မျိုးရင်းမှ အမျိုးအစား ၂၃ မျိုးပါဝင်သည့် မှိုများအကြောင်း ဒေတာကို အသုံးပြုကာ အလွန်စိတ်ဝင်စားဖွယ် မှိုများကို လေ့လာကြည့်ရအောင်။ သင်သည် အောက်ပါအတိုင်း စားချင်စရာကောင်းသော ဂရပ်ဖ်များကို စမ်းသပ်ကြည့်မည်ဖြစ်သည်- + +- ပိုင်းကတ်များ 🥧 +- ဒိုနတ်ကတ်များ 🍩 +- ဝဖယ်ကတ်များ 🧇 + +> 💡 Microsoft Research မှ ဖန်တီးထားသော [Charticulator](https://charticulator.com) ဟူသော စိတ်ဝင်စားဖွယ်ကောင်းသော ပရောဂျက်တစ်ခုသည် ဒေတာကို မြင်သာအောင် ဖော်ပြရန် အခမဲ့ drag-and-drop အင်တာဖေ့စ်ကို ပေးထားသည်။ သူတို့၏ သင်ခန်းစာတစ်ခုတွင်လည်း မှိုဒေတာကို အသုံးပြုထားသည်။ ဒေတာကို လေ့လာပြီး အဆိုပါ လိုက်ဘရရီကို တစ်ပြိုင်နက်တည်း သင်ယူနိုင်သည်- [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html)။ + +## [သင်ခန်းစာမတိုင်မီ စမ်းမေးခွန်း](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## သင်၏ မှိုများကို သိရှိကြည့်ပါ 🍄 + +မှိုများသည် အလွန်စိတ်ဝင်စားဖွယ်ကောင်းသည်။ ဒေတာတစ်ခုကို တင်သွင်းပြီး လေ့လာကြည့်ရအောင်- + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +အောက်တွင် အလွန်ကောင်းမွန်သော ဒေတာဇယားတစ်ခုကို ပုံနှိပ်ထားသည်- + +| class | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| Poisonous | Convex | Smooth | Brown | Bruises | Pungent | Free | Close | Narrow | Black | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | +| Edible | Convex | Smooth | Yellow | Bruises | Almond | Free | Close | Broad | Black | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Grasses | +| Edible | Bell | Smooth | White | Bruises | Anise | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Meadows | +| Poisonous | Convex | Scaly | White | Bruises | Pungent | Free | Close | Narrow | Brown | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | +| Edible | Convex | Smooth | Green | No Bruises | None | Free | Crowded | Broad | Black | Tapering | Equal | Smooth | Smooth | White | White | Partial | White | One | Evanescent | Brown | Abundant | Grasses | +| Edible | Convex | Scaly | Yellow | Bruises | Almond | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Numerous | Grasses | + +အလျင်အမြန် သတိထားမိသည်မှာ ဒေတာအားလုံးသည် စာသားဖြင့် ဖော်ပြထားခြင်းဖြစ်သည်။ ဂရပ်ဖ်တွင် အသုံးပြုနိုင်ရန်အတွက် ဒေတာကို ပြောင်းလဲရမည်ဖြစ်သည်။ အများစုသော ဒေတာသည် object အဖြစ် ဖော်ပြထားသည်- + +```r +names(mushrooms) +``` + +အထွက်မှာ- + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` + +ဒီဒေတာကို ယူပြီး 'class' ကော်လံကို အမျိုးအစားအလိုက် ပြောင်းလဲပါ- + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + +ယခုမှ သင်၏ မှိုဒေတာကို ပုံနှိပ်ကြည့်ပါက Poisonous/Edible အမျိုးအစားအလိုက် အုပ်စုဖွဲ့ထားသည်ကို တွေ့နိုင်ပါသည်- + +```r +View(grouped) +``` + +| class | count | +| --------- | --------- | +| Edible | 4208 | +| Poisonous| 3916 | + +ဒီဇယားတွင် ဖော်ပြထားသည့် အစီအစဉ်အတိုင်း သင်၏ class အမျိုးအစားအတွက် အမှတ်အသားများကို ဖန်တီးပါက ပိုင်းကတ်တစ်ခုကို ဖန်တီးနိုင်ပါသည်။ + +## ပိုင်းကတ်! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +Voila, ဒီဒေတာကို အမျိုးအစားနှစ်မျိုးအလိုက် ဖော်ပြထားသည့် ပိုင်းကတ်တစ်ခုဖြစ်သည်။ အမှတ်အသားများ၏ အစီအစဉ်ကို မှန်ကန်စေရန် အထူးသတိထားပါ။ + +![pie chart](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.my.png) + +## ဒိုနတ်ကတ်များ! + +ပိုင်းကတ်ထက် ပိုမိုစိတ်ဝင်စားဖွယ်ကောင်းသော ဒိုနတ်ကတ်သည် အလယ်တွင် အပေါက်ပါသော ပိုင်းကတ်တစ်မျိုးဖြစ်သည်။ မှိုများ၏ နေရာအမျိုးမျိုးကို ဒီနည်းဖြင့် ကြည့်ကြည့်ရအောင်- + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` + +အထွက်မှာ- + +| habitat| count | +| --------- | --------- | +| Grasses | 2148 | +| Leaves| 832 | +| Meadows | 292 | +| Paths| 1144 | +| Urban | 368 | +| Waste| 192 | +| Wood| 3148 | + +ဒီနေရာမှာ သင်၏ ဒေတာကို habitat အလိုက် အုပ်စုဖွဲ့ထားသည်။ Habitat ၇ မျိုးရှိပြီး ဒိုနတ်ကတ်အတွက် အမှတ်အသားများအဖြစ် အသုံးပြုနိုင်သည်- + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![donut chart](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.my.png) + +ဒီကုဒ်သည် ggplot2 နှင့် webr ဆိုသော လိုက်ဘရရီနှစ်ခုကို အသုံးပြုထားသည်။ webr လိုက်ဘရရီ၏ PieDonut function ကို အသုံးပြု၍ ဒိုနတ်ကတ်ကို လွယ်ကူစွာ ဖန်တီးနိုင်သည်။ + +R တွင် ggplot2 လိုက်ဘရရီကိုသာ အသုံးပြု၍လည်း ဒိုနတ်ကတ်ကို ဖန်တီးနိုင်သည်။ [ဒီမှာ](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) ပိုမိုလေ့လာနိုင်ပြီး ကိုယ်တိုင်စမ်းကြည့်နိုင်ပါသည်။ + +## ဝဖယ်ကတ်များ! + +'ဝဖယ်' ကတ်သည် အချိုးအစားများကို ၂D စတုရန်းများအဖြစ် ဖော်ပြသည့် နည်းလမ်းတစ်ခုဖြစ်သည်။ မှို cap color များ၏ အချိုးအစားကို ဖော်ပြကြည့်ရအောင်။ [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) ဆိုသော helper library ကို ထည့်သွင်းပြီး visualization ဖန်တီးပါ- + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +ဒေတာတစ်ခုကို ရွေးချယ်ပြီး အုပ်စုဖွဲ့ပါ- + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +ဝဖယ်ကတ်ကို ဖန်တီးရန် အမှတ်အသားများကို ဖန်တီးပြီး ဒေတာကို အုပ်စုဖွဲ့ပါ- + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +ဝဖယ်ကတ်ကို အသုံးပြု၍ မှို cap color များ၏ အချိုးအစားကို ရှင်းလင်းစွာ မြင်နိုင်သည်။ စိတ်ဝင်စားစရာကောင်းသည်မှာ အစိမ်းရောင် cap များစွာရှိနေခြင်းဖြစ်သည်။ + +![waffle chart](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.my.png) + +ဒီသင်ခန်းစာတွင် သင်သည် အချိုးအစားများကို ဖော်ပြရန် နည်းလမ်းသုံးမျိုးကို သင်ယူခဲ့သည်- ပိုင်းကတ်၊ ဒိုနတ်ကတ်၊ နှင့် ဝဖယ်ကတ်။ ဒေတာကို အုပ်စုဖွဲ့ပြီး အကောင်းဆုံး ဖော်ပြနည်းကို ရွေးချယ်ပါ။ + +## 🚀 စိန်ခေါ်မှု + +[Charticulator](https://charticulator.com) တွင် ဒီဂရပ်ဖ်များကို ပြန်ဖန်တီးကြည့်ပါ။ + +## [သင်ခန်းစာပြီးနောက် စမ်းမေးခွန်း](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +တစ်ခါတစ်ရံတွင် ပိုင်းကတ်၊ ဒိုနတ်ကတ်၊ သို့မဟုတ် ဝဖယ်ကတ်ကို ဘယ်အချိန်မှာ အသုံးပြုရမည်ဆိုတာ မရှင်းလင်းနိုင်ပါ။ ဒီအကြောင်းကို ဖတ်ရှုရန် ဆောင်းပါးများ- + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +ဒီဆုံးဖြတ်ချက်အကြောင်း ပိုမိုသိရှိရန် သုတေသနလုပ်ပါ။ + +## လက်တွေ့လေ့ကျင့်မှု + +[Excel တွင် စမ်းကြည့်ပါ](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် ရှုလေ့လာသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲသုံးစားမှု သို့မဟုတ် အနားလွဲမှုများအပေါ် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/my/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..b11ee659 --- /dev/null +++ b/translations/my/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,177 @@ + +# ဆက်စပ်မှုများကိုမြင်သာစေခြင်း: ပျားရည်အကြောင်း 🍯 + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|ဆက်စပ်မှုများကိုမြင်သာစေခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +သဘာဝကိုအခြေခံထားသော ကျွန်ုပ်တို့၏သုတေသနကို ဆက်လက်လုပ်ဆောင်ရင်း၊ [အမေရိကန်စိုက်ပျိုးရေးဌာန](https://www.nass.usda.gov/About_NASS/index.php) မှရရှိသောဒေတာအရ ပျားရည်အမျိုးအစားများအကြား ဆက်စပ်မှုများကို ပြသရန် စိတ်ဝင်စားဖွယ်မြင်ကွင်းများကို ရှာဖွေကြပါစို့။ + +ဤဒေတာစဉ်တွင် အမေရိကန်ပြည်နယ်များစွာမှ ပျားရည်ထုတ်လုပ်မှုအခြေအနေကို ၆၀၀ ခန့်ဖော်ပြထားသည်။ ဥပမာအားဖြင့်၊ ၁၉၉၈-၂၀၁၂ အတွင်း တစ်နှစ်စီအတွက် ပြည်နယ်တစ်ခုစီ၏ ပျားအုပ်အရေအတွက်၊ တစ်အုပ်လျှင်ထွက်ရှိမှု၊ စုစုပေါင်းထုတ်လုပ်မှု၊ လက်ကျန်ပစ္စည်းများ၊ တစ်ပေါင်လျှင်ဈေးနှုန်းနှင့် ထုတ်လုပ်မှုတန်ဖိုးကို ကြည့်နိုင်ပါသည်။ + +ဥပမာအားဖြင့် တစ်ပြည်နယ်၏ တစ်နှစ်စီအတွက် ထုတ်လုပ်မှုနှင့် ထိုပြည်နယ်ရှိ ပျားရည်ဈေးနှုန်းအကြား ဆက်စပ်မှုကို မြင်သာစေမည့် မြင်ကွင်းတစ်ခုကို ဖန်တီးနိုင်ပါသည်။ ဒါမှမဟုတ် တစ်အုပ်လျှင်ထွက်ရှိမှုအရ ပြည်နယ်များအကြား ဆက်စပ်မှုကို မြင်သာစေမည့် မြင်ကွင်းတစ်ခုကို ဖန်တီးနိုင်ပါသည်။ ဤနှစ်အပိုင်းတွင် ၂၀၀၆ ခုနှစ်တွင် ပထမဆုံးတွေ့ရှိခဲ့သော 'CCD' သို့မဟုတ် 'Colony Collapse Disorder' (http://npic.orst.edu/envir/ccd.html) ကိုလည်း ဖော်ပြထားသောကြောင့် စိတ်ဝင်စားဖွယ်ဒေတာစဉ်တစ်ခုဖြစ်သည်။ 🐝 + +## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +ဤသင်ခန်းစာတွင် သင်သည် ယခင်ကအသုံးပြုခဲ့သော ggplot2 ကို အသုံးပြုနိုင်မည်ဖြစ်ပြီး၊ အမျိုးမျိုးသောအပြောင်းအလဲများအကြား ဆက်စပ်မှုများကို မြင်သာစေရာတွင် အထူးကောင်းမွန်သော စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ အထူးသဖြင့် ggplot2 ၏ `geom_point` နှင့် `qplot` function ကို အသုံးပြု၍ scatter plot နှင့် line plot များကို အလွယ်တကူဖန်တီးနိုင်သည်။ ဤသည်မှာ '[statistical relationships](https://ggplot2.tidyverse.org/)' ကို မြင်သာစေပြီး ဒေတာသိပ္ပံပညာရှင်များအတွက် အပြောင်းအလဲများအကြား ဆက်စပ်မှုကို ပိုမိုနားလည်စေရန် ကူညီပေးသည်။ + +## Scatterplots + +ပျားရည်ဈေးနှုန်းသည် တစ်နှစ်စီအလိုက် ပြည်နယ်အလိုက် ဘယ်လိုပြောင်းလဲလာသည်ကို ပြသရန် scatterplot ကို အသုံးပြုပါ။ ggplot2 ၏ `ggplot` နှင့် `geom_point` ကို အသုံးပြု၍ ပြည်နယ်ဒေတာများကို အလွယ်တကူအုပ်စုဖွဲ့ပြီး အမျိုးအစားနှင့် ကိန်းဂဏန်းဒေတာများအတွက် ဒေတာအမှတ်များကို ပြသနိုင်သည်။ + +ပထမဦးစွာ ဒေတာနှင့် Seaborn ကို သွင်းယူပါ: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +ပျားရည်ဒေတာတွင် တစ်နှစ်နှင့် တစ်ပေါင်လျှင်ဈေးနှုန်းအပါအဝင် စိတ်ဝင်စားဖွယ်ကောင်းသော ကော်လံများစွာရှိသည်ကို သတိပြုမိပါသည်။ အမေရိကန်ပြည်နယ်အလိုက် အုပ်စုဖွဲ့ထားသောဤဒေတာကို စူးစမ်းကြည့်ပါ: + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 |22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +ပျားရည်တစ်ပေါင်လျှင်ဈေးနှုန်းနှင့် ထိုပျားရည်ထွက်ရှိသော အမေရိကန်ပြည်နယ်အကြား ဆက်စပ်မှုကို ပြသရန် အခြေခံ scatterplot တစ်ခု ဖန်တီးပါ။ `y` ဂဏန်းတန်းကို ပြည်နယ်အားလုံးကို ပြသနိုင်ရန် လုံလောက်အောင် မြင့်တင်ပါ: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.my.png) + +ယခုအခါ၊ ပျားရည်အရောင်စနစ်ကို အသုံးပြု၍ ဤဒေတာကို ပြသပါ၊ ဈေးနှုန်းသည် နှစ်အလိုက် ဘယ်လိုပြောင်းလဲလာသည်ကို ပြပါ။ ဤအရာကို 'scale_color_gradientn' parameter ကို ထည့်သွင်းခြင်းဖြင့် ပြုလုပ်နိုင်သည်၊ နှစ်အလိုက်ပြောင်းလဲမှုကို ပြသရန်: + +> ✅ [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) အကြောင်းပိုမိုလေ့လာပါ - အလှပဆုံးသော rainbow အရောင်စနစ်ကို စမ်းကြည့်ပါ! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.my.png) + +ဤအရောင်စနစ်ပြောင်းလဲမှုဖြင့် ပျားရည်တစ်ပေါင်လျှင်ဈေးနှုန်းသည် နှစ်အလိုက် ပြောင်းလဲမှုရှိနေသည်ကို အလွယ်တကူမြင်နိုင်သည်။ အမှန်တကယ်၊ ဒေတာထဲမှ နမူနာတစ်ခုကို စစ်ဆေးပါက (ဥပမာအားဖြင့် Arizona ပြည်နယ်) နှစ်အလိုက် ဈေးနှုန်းတိုးလာမှုပုံစံကို အချို့သောအထွေထွေကိစ္စများမှလွဲ၍ မြင်နိုင်ပါသည်: + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +အရောင်အစားထက် dot အရွယ်အစားကို အသုံးပြု၍ ဤတိုးတက်မှုကို ပြသပါ။ အရောင်မမြင်နိုင်သူများအတွက် ဤနည်းလမ်းသည် ပိုမိုကောင်းမွန်နိုင်သည်။ dot circumference တိုးလာမှုဖြင့် ဈေးနှုန်းတိုးလာမှုကို ပြသရန် သင့်မြင်ကွင်းကို ပြင်ဆင်ပါ: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +dot အရွယ်အစားသည် တဖြည်းဖြည်းတိုးလာနေသည်ကို မြင်နိုင်ပါသည်။ + +![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.my.png) + +ဤသည်သည် တိုးတက်မှုနှင့် တိုက်ရိုက်ဆက်စပ်မှုရှိသော supply နှင့် demand ဖြစ်နိုင်ပါသလား။ ရာသီဥတုပြောင်းလဲမှုနှင့် ပျားအုပ်ပျက်စီးမှုကြောင့် နှစ်အလိုက် ဝယ်ယူနိုင်သော ပျားရည်ပမာဏလျော့နည်းလာပြီး ဈေးနှုန်းတိုးလာနေပါသလား။ + +ဤဒေတာစဉ်တွင် အချို့သော variable များအကြား ဆက်စပ်မှုကို ရှာဖွေရန်၊ line chart များကို စူးစမ်းကြည့်ပါ။ + +## Line charts + +မေးခွန်း- ပျားရည်တစ်ပေါင်လျှင်ဈေးနှုန်းသည် နှစ်အလိုက် တိုးတက်မှုရှိပါသလား။ ဤအရာကို single line chart တစ်ခုဖန်တီးခြင်းဖြင့် အလွယ်တကူရှာဖွေနိုင်သည်: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +အဖြေ- ဟုတ်ကဲ့၊ ၂၀၀၃ ခုနှစ်အနီးတွင် အချို့သောထူးခြားမှုများရှိသည်: + +![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.my.png) + +မေးခွန်း- ၂၀၀၃ ခုနှစ်တွင် ပျားရည်ပမာဏတိုးတက်မှုကိုလည်း မြင်နိုင်ပါသလား။ စုစုပေါင်းထုတ်လုပ်မှုကို နှစ်အလိုက်ကြည့်ပါက ဘာတွေ့နိုင်မလဲ။ + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.my.png) + +အဖြေ- အမှန်တကယ်တော့ မဟုတ်ပါ။ စုစုပေါင်းထုတ်လုပ်မှုကိုကြည့်ပါက၊ ထိုနှစ်တွင် တိုးတက်မှုရှိသော်လည်း၊ ယေဘူယျအားဖြင့် ထုတ်လုပ်မှုသည် လျော့နည်းလာနေသည်ကို မြင်နိုင်ပါသည်။ + +မေးခွန်း- ထိုကိစ္စတွင် ၂၀၀၃ ခုနှစ်တွင် ပျားရည်ဈေးနှုန်းတက်လာမှုကို ဘာက ဖြစ်စေခဲ့နိုင်ပါသလဲ။ + +ဤအရာကို ရှာဖွေရန် facet grid ကို စမ်းကြည့်ပါ။ + +## Facet grids + +Facet grid များသည် သင့်ဒေတာစဉ်၏ တစ်ခုတည်းသော facet (ဤအခါတွင် 'year' ကိုရွေးချယ်ပါ) ကို အသုံးပြုသည်။ Seaborn သည် သင့်ရွေးချယ်ထားသော x နှင့် y ကိုအခြေခံ၍ facet တစ်ခုစီအတွက် plot တစ်ခုဖန်တီးပေးနိုင်သည်။ ၂၀၀၃ ခုနှစ်သည် ဤမျိုးအမျိုးခြားခြားစီတွင် ထူးခြားနေပါသလား။ + +[ggplot2 ၏ documentation](https://ggplot2.tidyverse.org/reference/facet_wrap.html) မှ အကြံပြုထားသည့် `facet_wrap` ကို အသုံးပြု၍ facet grid တစ်ခုဖန်တီးပါ။ + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +ဤမြင်ကွင်းတွင် yield per colony နှင့် number of colonies ကို နှစ်အလိုက် နှိုင်းယှဉ်ကြည့်နိုင်သည်၊ column ကို ၃ အထိ wrap ပြုလုပ်ထားသည်: + +![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.my.png) + +ဤဒေတာစဉ်အတွက်၊ နှစ်အလိုက်နှင့် ပြည်နယ်အလိုက် number of colonies နှင့် yield အကြား ထူးခြားမှုမရှိပါ။ ဤ variable နှစ်ခုအကြား ဆက်စပ်မှုကို ရှာဖွေရန် အခြားနည်းလမ်းတစ်ခုရှိပါသလား။ + +## Dual-line Plots + +R ၏ `par` နှင့် `plot` function ကို အသုံးပြု၍ lineplot နှစ်ခုကို တစ်ခုအပေါ်တစ်ခု ထပ်တင်ထားသော multiline plot တစ်ခုကို စမ်းကြည့်ပါ။ x axis တွင် နှစ်ကို ပြသပြီး y axis နှစ်ခုကို ပြသပါ။ yield per colony နှင့် number of colonies ကို superimposed ပြုလုပ်ပါ: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.my.png) + +၂၀၀၃ ခုနှစ်အနီးတွင် ထူးခြားမှုမရှိသော်လည်း၊ ပျားအုပ်အရေအတွက်သည် လျော့နည်းနေသော်လည်း တည်ငြိမ်နေပြီး၊ တစ်အုပ်လျှင်ထွက်ရှိမှုသည် လျော့နည်းနေသည်ကို မြင်နိုင်ပါသည်။ + +ပျားများအားပေးကြပါစို့! + +🐝❤️ +## 🚀 စိန်ခေါ်မှု + +ဤသင်ခန်းစာတွင် scatterplot နှင့် line grid များ၏ အခြားအသုံးများအကြောင်းပိုမိုလေ့လာခဲ့ပါသည်။ သင်ယခင်သင်ခန်းစာများတွင် အသုံးပြုခဲ့သော ဒေတာစဉ်တစ်ခုကို အသုံးပြု၍ facet grid တစ်ခုဖန်တီးရန် ကိုယ်တိုင်စိန်ခေါ်ပါ။ ဤနည်းလမ်းများကို အသုံးပြု၍ grid များဖန်တီးရန် အချိန်ကြာမြင့်မှုနှင့် grid အရေအတွက်ကို သတိထားရန်လိုအပ်မှုကို မှတ်သားပါ။ +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +Line plot များသည် ရိုးရှင်းသော်လည်း အလွန်ရှုပ်ထွေးနိုင်သည်။ [ggplot2 documentation](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) တွင် ဖော်ပြထားသော နည်းလမ်းများကို ဖတ်ရှုပါ။ ဤသင်ခန်းစာတွင် ဖန်တီးခဲ့သော line chart များကို documentation တွင်ဖော်ပြထားသော အခြားနည်းလမ်းများဖြင့် တိုးတက်အောင်လုပ်ကြည့်ပါ။ +## အိမ်စာ + +[Dive into the beehive](assignment.md + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/my/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..b5e465b5 --- /dev/null +++ b/translations/my/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,180 @@ + +# အဓိပ္ပါယ်ရှိသော ဒေတာအမြင်ဖန်တီးခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| အဓိပ္ပါယ်ရှိသော ဒေတာအမြင်ဖန်တီးခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +> "ဒေတာကို အလွန်အမင်းနှိပ်စက်လိုက်ရင်၊ အရာအားလုံးကို ဝန်ခံမယ်" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +ဒေတာသိပ္ပံပညာရှင်တစ်ဦး၏ အခြေခံကျသော ကျွမ်းကျင်မှုတစ်ခုမှာ မိမိမေးမြန်းလိုသော မေးခွန်းများကို ဖြေရှင်းနိုင်ရန် အထောက်အကူဖြစ်စေသော အဓိပ္ပါယ်ရှိသော ဒေတာအမြင်တစ်ခုကို ဖန်တီးနိုင်စွမ်းဖြစ်သည်။ ဒေတာကို အမြင်ဖန်တီးမည့်အခါ မိမိ၏ ဒေတာကို သင်ခန်းစာများတွင် ပြုလုပ်ခဲ့သည့်အတိုင်း သန့်စင်ပြီး ပြင်ဆင်ထားရန် လိုအပ်သည်။ ထို့နောက် ဒေတာကို အကောင်းဆုံး ဖော်ပြနိုင်ရန် ဆုံးဖြတ်နိုင်ပါပြီ။ + +ဒီသင်ခန်းစာမှာ သင်လေ့လာမည့်အရာများမှာ - + +1. မှန်ကန်သော ချတ်အမျိုးအစားကို ရွေးချယ်နည်း +2. လှည့်စားသော ချတ်ဖန်တီးမှုကို ရှောင်ရှားနည်း +3. အရောင်နှင့် အလုပ်လုပ်နည်း +4. ဖတ်ရှုရလွယ်ကူစေရန် ချတ်များကို စတိုင်ပြင်ဆင်နည်း +5. အနုစိတ်လှုပ်ရှားမှုနှင့် 3D ချတ်ဖြေရှင်းမှု ဖန်တီးနည်း +6. ဖန်တီးမှုအမြင်တစ်ခု ဖန်တီးနည်း + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## မှန်ကန်သော ချတ်အမျိုးအစားကို ရွေးချယ်ခြင်း + +ယခင်သင်ခန်းစာများတွင် သင်သည် Matplotlib နှင့် Seaborn ကို အသုံးပြု၍ စိတ်ဝင်စားဖွယ် ဒေတာအမြင်များကို ဖန်တီးခဲ့သည်။ အထူးသဖြင့် မိမိမေးမြန်းလိုသော မေးခွန်းအတွက် [မှန်ကန်သော ချတ်အမျိုးအစား](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) ကို ရွေးချယ်နိုင်ရန် အောက်ပါဇယားကို အသုံးပြုနိုင်သည် - + +| သင်လိုအပ်သည်: | သင်အသုံးပြုသင့်သည်: | +| -------------------------- | ------------------------------- | +| အချိန်အလိုက် ဒေတာလမ်းကြောင်းကို ဖော်ပြရန် | Line | +| အမျိုးအစားများကို နှိုင်းယှဉ်ရန် | Bar, Pie | +| စုစုပေါင်းကို နှိုင်းယှဉ်ရန် | Pie, Stacked Bar | +| ဆက်စပ်မှုများကို ဖော်ပြရန် | Scatter, Line, Facet, Dual Line | +| ဖြန့်ဝေမှုများကို ဖော်ပြရန် | Scatter, Histogram, Box | +| အချိုးအစားများကို ဖော်ပြရန် | Pie, Donut, Waffle | + +> ✅ သင့်ဒေတာ၏ ဖွဲ့စည်းမှုအပေါ် မူတည်၍ ချတ်တစ်ခုကို ထောက်ခံရန် သင်သည် ဒေတာကို စာသားမှ နံပါတ်သို့ ပြောင်းလဲရန် လိုအပ်နိုင်သည်။ + +## လှည့်စားမှုကို ရှောင်ရှားခြင်း + +ဒေတာသိပ္ပံပညာရှင်တစ်ဦးသည် မှန်ကန်သော ချတ်ကို မှန်ကန်သော ဒေတာအတွက် ရွေးချယ်သော်လည်း၊ ဒေတာကို အမှန်မဟုတ်သော အချက်အလက်များကို သက်သေပြရန် ဖော်ပြနိုင်သော နည်းလမ်းများစွာရှိသည်။ လှည့်စားသော ချတ်များနှင့် အင်ဖိုဂရပ်များ၏ ဥပမာများစွာရှိသည်။ + +[![How Charts Lie by Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.my.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie") + +> 🎥 အထက်ပါပုံကို နှိပ်၍ လှည့်စားသော ချတ်များအကြောင်း ဆွေးနွေးမှုကို ကြည့်ပါ + +ဒီချတ်သည် X axis ကို ပြောင်းလဲထားပြီး အမှန်တရား၏ ဆန့်ကျင်ဘက်ကို ဖော်ပြသည် - + +![bad chart 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.my.png) + +[ဒီချတ်](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) သည် အလွန်လှည့်စားမှုများဖြစ်ပြီး၊ COVID အမှုများသည် အချိန်အလိုက် လျော့နည်းလာသည်ဟု သက်သေပြရန် ရည်ရွယ်ထားသည်။ သို့သော်၊ ရက်စွဲများကို အနည်းငယ်ကြည့်ပါက လျော့နည်းမှုကို ဖန်တီးရန် ပြောင်းလဲထားသည်ကို တွေ့ရမည်။ + +![bad chart 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.my.jpg) + +ဒီနာမည်ဆိုးရှိသော ဥပမာသည် အရောင်နှင့် ပြောင်းလဲထားသော Y axis ကို အသုံးပြု၍ လှည့်စားထားသည်။ ဥပမာအားဖြင့် သက်တမ်းတိုးသော ဥပဒေကြောင့် သေနတ်သေဆုံးမှုများ တက်လာသည်ဟု မဟုတ်ဘဲ ဆန့်ကျင်ဘက်ကို ဖော်ပြရန် ရည်ရွယ်ထားသည်။ + +![bad chart 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.my.jpg) + +ဒီထူးဆန်းသော ချတ်သည် အချိုးအစားကို ပြောင်းလဲထားပြီး ဟာသဆန်သော အကျိုးသက်ရောက်မှုကို ဖန်တီးထားသည်။ + +![bad chart 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.my.jpg) + +မတူညီသော အရာများကို နှိုင်းယှဉ်ခြင်းသည် လှည့်စားမှုတစ်ခုဖြစ်သည်။ [spurious correlations](https://tylervigen.com/spurious-correlations) ဆိုသော ဝဘ်ဆိုဒ်သည် Maine တွင် အိမ်ထောင်ဖျက်နှင့် Margarine စားသုံးမှုတို့ကို ဆက်စပ်ထားသော 'အချက်အလက်' များကို ဖော်ပြထားသည်။ Reddit မှာလည်း [ugly uses](https://www.reddit.com/r/dataisugly/top/?t=all) ဆိုသော ဒေတာအသုံးပြုမှုများကို စုဆောင်းထားသည်။ + +လှည့်စားသော ချတ်များကြောင့် မျက်လုံးသည် လွယ်ကူစွာ လှည့်စားခံရနိုင်သည်ကို နားလည်ရန် အရေးကြီးသည်။ ဒေတာသိပ္ပံပညာရှင်၏ ရည်ရွယ်ချက်ကောင်းကောင်းဖြစ်သော်လည်း၊ ချတ်အမျိုးအစားကို မမှန်ကန်စွာ ရွေးချယ်ခြင်းသည် လှည့်စားမှုကို ဖြစ်စေနိုင်သည်။ + +## အရောင် + +အထက်ပါ 'Florida gun violence' ချတ်တွင် မြင်ရသည့်အတိုင်း အရောင်သည် ချတ်များတွင် အဓိပ္ပါယ်တစ်ခု ထပ်ဆောင်းပေးနိုင်သည်။ ggplot2 နှင့် RColorBrewer ကဲ့သို့သော စာကြောင်းများကို အသုံးပြု၍ ဖန်တီးထားသော ချတ်များမဟုတ်ပါက [အရောင်သီအိုရီ](https://colormatters.com/color-and-design/basic-color-theory) ကို လေ့လာပါ။ + +> ✅ ချတ်များကို ဒီဇိုင်းဆွဲသောအခါ၊ အရောင်မမြင်နိုင်သောသူများအတွက် ချတ်သည် အဆင်ပြေမပြေ စဉ်းစားပါ။ + +ချတ်အတွက် အရောင်ကို ရွေးချယ်သောအခါ သင်မရည်ရွယ်သော အဓိပ္ပါယ်ကို ပေးနိုင်သောကြောင့် သတိထားပါ။ 'height' ချတ်တွင် 'pink ladies' သည် 'feminine' အဓိပ္ပါယ်ကို ပေးပြီး ချတ်ကို ထူးဆန်းစေသည်။ + +[အရောင်အဓိပ္ပါယ်](https://colormatters.com/color-symbolism/the-meanings-of-colors) သည် ကမ္ဘာ့အပိုင်းအစအလိုက် မတူကွဲပြားနိုင်ပြီး၊ အရောင်၏ အရောင်အဆင်းအပေါ် မူတည်၍ အဓိပ္ပါယ်ပြောင်းလဲနိုင်သည်။ အထူးသဖြင့် အရောင်များ၏ အဓိပ္ပါယ်မှာ - + +| အရောင် | အဓိပ္ပါယ် | +| ------ | ------------------- | +| အနီ | အာဏာ | +| အပြာ | ယုံကြည်မှု၊ သစ္စာ | +| အဝါ | ပျော်ရွှင်မှု၊ သတိထားမှု | +| အစိမ်း | သဘာဝ၊ ကံကောင်းမှု၊ မနာလိုမှု | +| ခရမ်း | ပျော်ရွှင်မှု | +| လိမ္မော် | တက်ကြွမှု | + +အရောင်ကို စိတ်ကြိုက်ရွေးချယ်ပြီး ချတ်တစ်ခုကို ဖန်တီးရန် တာဝန်ရှိပါက၊ သင့်ချတ်သည် အရောင်မမြင်နိုင်သောသူများအတွက် အဆင်ပြေမှုရှိပြီး၊ သင်ရည်ရွယ်သော အဓိပ္ပါယ်နှင့် ကိုက်ညီမှုရှိသည်ကို သေချာပါစေ။ + +## ဖတ်ရှုရလွယ်ကူစေရန် ချတ်များကို စတိုင်ပြင်ဆင်ခြင်း + +ချတ်များသည် ဖတ်ရှုရလွယ်ကူမှုမရှိပါက အဓိပ္ပါယ်မရှိပါ။ သင့်ဒေတာနှင့် ကိုက်ညီစေရန် ချတ်၏ အကျယ်နှင့် အမြင့်ကို စတိုင်ပြင်ဆင်ရန် အချိန်ယူပါ။ အပြည့်အဝပြသရန် လိုအပ်သော အချက်အလက်များ (ဥပမာ - 50 ပြည်နယ်များ) ကို Y axis တွင် တန်းစီထားပါ။ + +Axis များကို အမှတ်အသားပြုပါ၊ လိုအပ်ပါက Legend ကို ပေးပါ၊ Tooltips ကို ထည့်သွင်းပါ။ + +X axis တွင် စာသားများသည် အလွန်ရှည်လျားပါက၊ ဖတ်ရှုရလွယ်ကူစေရန် စာသားကို ထောင့်ချပါ။ [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) သည် 3D plotting ကို ပေးသည်။ + +![3d plots](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.my.png) + +## အနုစိတ်လှုပ်ရှားမှုနှင့် 3D ချတ်ဖန်တီးခြင်း + +ယနေ့အချိန်တွင် အကောင်းဆုံး ဒေတာအမြင်များသည် အနုစိတ်လှုပ်ရှားမှုများပါဝင်သည်။ Shirley Wu ၏ '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)' ကဲ့သို့သော D3 ဖြင့် ဖန်တီးထားသော အံ့ဩဖွယ်အမြင်များရှိသည်။ Guardian ၏ 'bussed out' သည် NYC ၏ အိမ်မဲ့သူများကို မြို့မှ ထုတ်ပေးသော နည်းလမ်းကို ဖော်ပြရန် visualizations နှင့် scrollytelling ကို ပေါင်းစပ်ထားသည်။ + +![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.my.png) + +> "Bussed Out: How America Moves its Homeless" from [the Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Visualizations by Nadieh Bremer & Shirley Wu + +ဒီသင်ခန်းစာသည် visualization libraries များကို အနက်အနက် သင်ပေးရန် မလုံလောက်သော်လည်း၊ Vue.js app တွင် D3 ကို အသုံးပြု၍ 'Dangerous Liaisons' စာအုပ်၏ animated social network visualization ကို ဖန်တီးကြည့်ပါ။ + +> "Les Liaisons Dangereuses" သည် စာလုံးများစွာဖြင့် ဖော်ပြထားသော စာအုပ်တစ်အုပ်ဖြစ်သည်။ 1782 ခုနှစ်တွင် Choderlos de Laclos မှ ရေးသားခဲ့ပြီး၊ 18 ရာစုနှစ်အလယ်ပိုင်းတွင် ပြင်သစ်အာရစတိုကရေစီ၏ လူမှုရေးဆန်သော အကြောင်းအရာများကို ဖော်ပြထားသည်။ စာအုပ်သည် စာလုံးများစွာဖြင့် ဖော်ပြထားပြီး၊ လူမှုရေးဆန်သော အကြောင်းအရာများကို ဖန်တီးထားသည်။ + +သင်သည် Vue.js နှင့် D3 ကို အသုံးပြု၍ animated social network ကို ဖန်တီးမည့် web app ကို ပြီးစီးမည်ဖြစ်သည်။ + +![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.my.png) + +## Project: D3.js ကို အသုံးပြု၍ network ကို ဖော်ပြသော ချတ်တစ်ခု ဖန်တီးပါ + +> ဒီသင်ခန်းစာ folder တွင် `solution` folder ပါဝင်ပြီး၊ ပြီးစီးထားသော project ကို ရှာဖွေနိုင်ပါသည်။ + +1. starter folder ရှိ README.md ဖိုင်တွင် ရှိသော လမ်းညွှန်ချက်များကို လိုက်နာပါ။ သင်၏ project dependencies မတိုင်မီ NPM နှင့် Node.js ကို သင့်စက်တွင် run လုပ်ထားပါ။ + +2. `starter/src` folder ကို ဖွင့်ပါ။ `assets` folder တွင် novel ၏ စာလုံးများအားလုံးပါဝင်သော .json ဖိုင်ကို ရှာဖွေပါ။ + +3. `components/Nodes.vue` တွင် code ကို ပြီးစီးပါ။ `createLinks()` method ကို ရှာပြီး အောက်ပါ nested loop ကို ထည့်ပါ။ + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Terminal မှ app ကို run (npm run serve) လုပ်ပြီး visualization ကို ခံစားပါ။ + +## 🚀 Challenge + +အင်တာနက်တွင် လှည့်စားသော visualizations များကို ရှာဖွေပါ။ အရေးအသားသည် မျက်လုံးကို လှည့်စားရန် ဘယ်လိုနည်းလမ်းများကို အသုံးပြုသလဲ၊ ရည်ရွယ်ချက်ရှိ/မရှိ စဉ်းစားပါ။ visualizations များကို ပြင်ဆင်ပြီး မှန်ကန်သော အမြင်ကို ဖော်ပြပါ။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Review & Self Study + +ဒီအကြောင်းအရာများကို လေ့လာပါ - + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +သမိုင်းဆိုင်ရာ assets နှင့် artifacts အတွက် စိတ်ဝင်စားဖွယ် visualizations များကို ကြည့်ပါ - + +https://handbook.pubpub.org/ + +animation သည် visualizations ကို ဘယ်လိုတိုးတက်စေမည်ကို ကြည့်ပါ - + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Assignment + +[သင့်ကိုယ်ပိုင် custom visualization ကို ဖန်တီးပါ](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/3-Data-Visualization/README.md b/translations/my/3-Data-Visualization/README.md new file mode 100644 index 00000000..cfa6d235 --- /dev/null +++ b/translations/my/3-Data-Visualization/README.md @@ -0,0 +1,42 @@ + +# ရုပ်ပုံဖော်ပြမှုများ + +![ပန်းပေါ်မှာပျားတစ်ကောင်](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.my.jpg) +> ဓာတ်ပုံကို Jenna Lee မှ Unsplash တွင် ရိုက်ထားသည်။ + +ဒေတာကို ရုပ်ပုံဖော်ပြခြင်းသည် ဒေတာသိပ္ပံပညာရှင်တစ်ဦးအတွက် အရေးကြီးဆုံးအလုပ်များထဲမှ တစ်ခုဖြစ်သည်။ ပုံတစ်ပုံသည် စကားလုံး ၁၀၀၀ တန်ဖိုးရှိသလို၊ ရုပ်ပုံဖော်ပြမှုတစ်ခုက သင့်ဒေတာအတွင်းရှိ စိတ်ဝင်စားဖွယ် အချက်များကို (ဥပမာ - ထိပ်တန်းတက်မှုများ၊ ထူးခြားမှုများ၊ အုပ်စုဖွဲ့မှုများ၊ လမ်းကြောင်းများ စသည်) ရှာဖွေဖော်ထုတ်ပေးနိုင်ပြီး၊ သင့်ဒေတာက ပြောပြချင်တဲ့ ဇာတ်လမ်းကို နားလည်ရန် ကူညီပေးနိုင်ပါသည်။ + +ဒီသင်ခန်းစာ ၅ ခုအတွင်းမှာ သဘာဝမှ ရရှိသော ဒေတာများကို လေ့လာပြီး၊ အမျိုးမျိုးသောနည်းလမ်းများကို အသုံးပြု၍ စိတ်ဝင်စားဖွယ်နှင့် လှပသော ရုပ်ပုံဖော်ပြမှုများကို ဖန်တီးသွားမည်ဖြစ်သည်။ + +| ခေါင်းစဉ်နံပါတ် | ခေါင်းစဉ် | ဆက်စပ်သင်ခန်းစာ | စာရေးသူ | +| :-----------: | :--: | :-----------: | :----: | +| 1. | ပမာဏများကို ရုပ်ပုံဖော်ပြခြင်း |
  • [Python](09-visualization-quantities/README.md)
  • [R](../../../3-Data-Visualization/R/09-visualization-quantities)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 2. | ဖြန့်ဖြူးမှုကို ရုပ်ပုံဖော်ပြခြင်း |
  • [Python](10-visualization-distributions/README.md)
  • [R](../../../3-Data-Visualization/R/10-visualization-distributions)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 3. | အချိုးအစားများကို ရုပ်ပုံဖော်ပြခြင်း |
  • [Python](11-visualization-proportions/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 4. | ဆက်စပ်မှုများကို ရုပ်ပုံဖော်ပြခြင်း |
  • [Python](12-visualization-relationships/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 5. | အဓိပ္ပါယ်ရှိသော ရုပ်ပုံဖော်ပြမှုများ ဖန်တီးခြင်း |
  • [Python](13-meaningful-visualizations/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| + +### အကျိုးတူရေးသားမှု + +ဒီရုပ်ပုံဖော်ပြမှု သင်ခန်းစာများကို 🌸 [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) နှင့် [Vidushi Gupta](https://github.com/Vidushi-Gupta) တို့မှ ရေးသားထားပါသည်။ + +🍯 အမေရိကန်ပျားမွေးမြူရေးဒေတာကို Jessica Li ၏ [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) ပရောဂျက်မှ ရယူထားပါသည်။ [ဒေတာ](https://usda.library.cornell.edu/concern/publications/rn301137d) ကို [အမေရိကန်စိုက်ပျိုးရေးဌာန](https://www.nass.usda.gov/About_NASS/index.php) မှ ထုတ်ပြန်ထားပါသည်။ + +🍄 မှိုဆိုင်ရာဒေတာကိုလည်း [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) တွင် Hatteras Dunton မှ ပြင်ဆင်ထားသော ဒေတာမှ ရယူထားပါသည်။ ဒီဒေတာတွင် Agaricus နှင့် Lepiota မျိုးရင်းမှ မှို ၂၃ မျိုး၏ သက်တမ်းအရည်အချင်းများ ပါဝင်သည်။ ဒေတာကို The Audubon Society Field Guide to North American Mushrooms (1981) မှ ရယူပြီး၊ 1987 ခုနှစ်တွင် UCI ML 27 သို့ လှူဒါန်းထားပါသည်။ + +🦆 မင်နီဆိုးတားငှက်များဆိုင်ရာဒေတာကို [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) တွင် Hannah Collins မှ [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) မှ စုဆောင်းထားပါသည်။ + +ဒီဒေတာအားလုံးကို [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) အောက်တွင် လိုင်စင်ထားပါသည်။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ဆိုမှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသောအချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပြန်ဆိုမှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/my/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..98054ba9 --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,118 @@ + +# ဒေတာသိပ္ပံ၏ အသက်တာစဉ်ကို မိတ်ဆက်ခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| ဒေတာသိပ္ပံ၏ အသက်တာစဉ်ကို မိတ်ဆက်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lecture Quiz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26) + +ဒီအချိန်မှာ သင်ဟာ ဒေတာသိပ္ပံဟာ တစ်ခုတည်းသော လုပ်ငန်းစဉ်ဖြစ်တယ်ဆိုတာ သိရှိလာပြီးဖြစ်နိုင်ပါတယ်။ ဒီလုပ်ငန်းစဉ်ကို အောက်ပါ ၅ အဆင့်အလိုက် ခွဲခြားနိုင်ပါတယ်- + +- ဒေတာရယူခြင်း +- ဒေတာကို အလုပ်လုပ်ခြင်း +- ဒေတာကို ခွဲခြမ်းစိတ်ဖြာခြင်း +- ဆက်သွယ်ပေးခြင်း +- ထိန်းသိမ်းခြင်း + +ဒီသင်ခန်းစာမှာ အသက်တာစဉ်ရဲ့ အစိတ်အပိုင်း ၃ ခုကို အဓိကထားပြီး လေ့လာပါမယ်- ဒေတာရယူခြင်း၊ အလုပ်လုပ်ခြင်း၊ ထိန်းသိမ်းခြင်း။ + +![Diagram of the data science lifecycle](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.my.jpg) +> [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) မှဓာတ်ပုံ + +## ဒေတာရယူခြင်း + +အသက်တာစဉ်ရဲ့ ပထမအဆင့်ဟာ အရေးကြီးဆုံးဖြစ်ပြီး နောက်အဆင့်တွေဟာ ဒီအဆင့်ပေါ်မှာ မူတည်ပါတယ်။ ဒါဟာ အခြေခံအားဖြင့် အဆင့် ၂ ခုကို ပေါင်းစပ်ထားတဲ့ အဆင့်တစ်ခုဖြစ်ပါတယ်- ဒေတာရယူခြင်းနှင့် ရည်ရွယ်ချက်များ၊ ဖြေရှင်းရန်လိုအပ်သော ပြဿနာများကို သတ်မှတ်ခြင်း။ + +ပရောဂျက်ရဲ့ ရည်မှန်းချက်တွေကို သတ်မှတ်ဖို့အတွက် ပြဿနာရဲ့ အခြေခံအကြောင်းအရာကို နက်နက်ရှိုင်းရှိုင်းနားလည်ဖို့ လိုအပ်ပါတယ်။ ပထမဦးဆုံးမှာ ပြဿနာကို ဖြေရှင်းဖို့လိုအပ်တဲ့သူတွေကို ရှာဖွေပြီး ရယူဖို့ လိုအပ်ပါတယ်။ ဒါတွေဟာ စီးပွားရေးလုပ်ငန်းရဲ့ အကျိုးဆောင်တွေဖြစ်နိုင်ပြီး ပရောဂျက်ရဲ့ အဓိကပံ့ပိုးသူတွေဖြစ်နိုင်ပါတယ်။ သူတို့က ဒီပရောဂျက်က ဘယ်သူတွေ၊ ဘာတွေ အကျိုးရှိမယ်ဆိုတာကို သတ်မှတ်ပေးနိုင်ပါတယ်။ ရည်မှန်းချက်တစ်ခုကို သေချာစွာ သတ်မှတ်ထားရမယ်၊ အလားအလာရှိတဲ့ ရလဒ်ကို တိုင်းတာနိုင်ဖို့ လိုအပ်ပါတယ်။ + +ဒေတာသိပ္ပံပညာရှင်တွေ မေးနိုင်တဲ့မေးခွန်းတွေ: +- ဒီပြဿနာကို အရင်က ရှင်းလင်းဖူးလား? ဘာတွေ ရှာဖွေတွေ့ရှိခဲ့လဲ? +- ရည်ရွယ်ချက်နဲ့ ရည်မှန်းချက်ကို ပါဝင်သူအားလုံး နားလည်ထားလား? +- မရေရာမှုရှိလား? ဘယ်လို လျှော့ချနိုင်မလဲ? +- အကန့်အသတ်တွေ ဘာတွေလဲ? +- နောက်ဆုံးရလဒ်ဟာ ဘယ်လိုပုံစံရှိနိုင်မလဲ? +- အရင်းအမြစ် (အချိန်၊ လူတွေ၊ ကွန်ပျူတာ) ဘယ်လောက် ရရှိနိုင်လဲ? + +နောက်တစ်ခုကတော့ ရည်မှန်းချက်တွေကို ရရှိဖို့လိုအပ်တဲ့ ဒေတာကို ရှာဖွေ၊ စုဆောင်းပြီး စူးစမ်းခြင်းဖြစ်ပါတယ်။ ဒီအဆင့်မှာ ဒေတာသိပ္ပံပညာရှင်တွေဟာ ဒေတာရဲ့ အရေအတွက်နဲ့ အရည်အသွေးကို သုံးသပ်ဖို့ လိုအပ်ပါတယ်။ ဒေတာရရှိမှုအဆင့်မှာ ဒေတာကို စူးစမ်းပြီး ရလဒ်ရောက်ရှိဖို့ အထောက်အကူဖြစ်မယ့်အရာတွေကို အတည်ပြုဖို့ လိုအပ်ပါတယ်။ + +ဒေတာနဲ့ပတ်သက်ပြီး ဒေတာသိပ္ပံပညာရှင်တွေ မေးနိုင်တဲ့မေးခွန်းတွေ: +- အခုတစ်ခါမှာ ရရှိထားတဲ့ ဒေတာတွေ ဘာတွေလဲ? +- ဒီဒေတာကို ဘယ်သူပိုင်ထားလဲ? +- ကိုယ်ရေးကိုယ်တာအချက်အလက်နဲ့ ပတ်သက်တဲ့ စိုးရိမ်မှုတွေ ရှိလား? +- ဒီပြဿနာကို ဖြေရှင်းဖို့ ဒေတာလုံလောက်လား? +- ဒီပြဿနာအတွက် ဒေတာရဲ့ အရည်အသွေး လက်ခံနိုင်ဖွယ်ရှိလား? +- ဒေတာကနေ အပိုအချက်အလက်တွေ ရှာဖွေတွေ့ရှိရင် ရည်မှန်းချက်တွေကို ပြောင်းလဲသတ်မှတ်ဖို့ လိုအပ်လား? + +## ဒေတာကို အလုပ်လုပ်ခြင်း + +အသက်တာစဉ်ရဲ့ ဒေတာကို အလုပ်လုပ်ခြင်းအဆင့်ဟာ ဒေတာထဲမှာ ပုံစံတွေကို ရှာဖွေခြင်းနဲ့ မော်ဒယ်တည်ဆောက်ခြင်းကို အဓိကထားပါတယ်။ ဒီအဆင့်မှာ အသုံးပြုတဲ့နည်းလမ်းတွေဟာ ဒေတာထဲမှာ ပုံစံတွေကို ရှာဖွေဖို့ စာရင်းဇယားနည်းလမ်းတွေကို အသုံးပြုရပါတယ်။ ဒေတာအများကြီးနဲ့ အလုပ်လုပ်ရတဲ့အခါမှာ လူတွေ အလုပ်လုပ်ဖို့ အလွန်ခက်ခဲပြီး ကွန်ပျူတာတွေက အလုပ်ကို မြန်မြန်ဆန်ဆန်လုပ်ဆောင်ပေးနိုင်ပါတယ်။ ဒီအဆင့်မှာ ဒေတာသိပ္ပံနဲ့ စက်ရုပ်သင်ယူမှု (Machine Learning) တို့ ဆုံဆည်းပါတယ်။ စက်ရုပ်သင်ယူမှုဟာ ဒေတာကို နားလည်ဖို့ မော်ဒယ်တည်ဆောက်တဲ့ လုပ်ငန်းစဉ်ဖြစ်ပါတယ်။ မော်ဒယ်တွေဟာ ဒေတာထဲမှာ အပြောင်းအလဲရှိတဲ့ အချက်အလက်တွေကို ကိုယ်စားပြုပြီး ရလဒ်ကို ခန့်မှန်းဖို့ အထောက်အကူဖြစ်ပါတယ်။ + +ဒီအဆင့်မှာ အသုံးပြုတဲ့ နည်းလမ်းတွေကို ML for Beginners သင်ခန်းစာမှာ လေ့လာနိုင်ပါတယ်။ အောက်ပါလင့်ခ်တွေကို အသုံးပြုပြီး နည်းလမ်းတွေကို ပိုမိုနားလည်ပါ: + +- [Classification](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): ဒေတာကို အမျိုးအစားအလိုက် စီစဉ်ခြင်း။ +- [Clustering](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): ဒေတာကို ဆင်တူတဲ့အုပ်စုတွေထဲ စုပေါင်းခြင်း။ +- [Regression](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): အပြောင်းအလဲရှိတဲ့ အချက်အလက်တွေကြား ဆက်စပ်မှုကို သတ်မှတ်ပြီး တန်ဖိုးတွေကို ခန့်မှန်းခြင်း။ + +## ထိန်းသိမ်းခြင်း + +အသက်တာစဉ်ရဲ့ ပုံစံမှာ Maintenance (ထိန်းသိမ်းခြင်း) ဟာ ဒေတာရယူခြင်းနဲ့ ဒေတာကို အလုပ်လုပ်ခြင်းအကြားမှာ ရှိနေပါတယ်။ Maintenance ဟာ ပရောဂျက်တစ်ခုရဲ့ လုပ်ငန်းစဉ်တစ်ခုလုံးအတွင်း ဒေတာကို စီမံခြင်း၊ သိမ်းဆည်းခြင်းနဲ့ လုံခြုံရေးကို စဉ်ဆက်မပြတ် စဉ်းစားရမယ့် လုပ်ငန်းစဉ်ဖြစ်ပါတယ်။ + +### ဒေတာကို သိမ်းဆည်းခြင်း +ဒေတာကို ဘယ်လိုနဲ့ ဘယ်မှာ သိမ်းဆည်းမလဲဆိုတာက ဒေတာကို သိမ်းဆည်းတဲ့ ကုန်ကျစရိတ်နဲ့ ဒေတာကို မြန်မြန်ဆန်ဆန် ရယူနိုင်မှုကို သက်ရောက်စေပါတယ်။ ဒီဆုံးဖြတ်ချက်တွေဟာ ဒေတာသိပ္ပံပညာရှင်တစ်ဦးတည်းက မလုပ်နိုင်ပေမယ့် ဒေတာကို ဘယ်လိုနဲ့ အလုပ်လုပ်မလဲဆိုတာကို သိမ်းဆည်းပုံအပေါ် မူတည်ပြီး ရွေးချယ်ရနိုင်ပါတယ်။ + +**On premise vs off premise vs public or private cloud** + +On premise ဆိုတာက ကိုယ့်ပိုင်ပစ္စည်းပေါ်မှာ ဒေတာကို သိမ်းဆည်းခြင်းဖြစ်ပြီး Server နဲ့ Hard Drive တွေကို ကိုယ်ပိုင်ထားတာဖြစ်ပါတယ်။ Off premise ဆိုတာက ကိုယ်ပိုင်မဟုတ်တဲ့ Data Center တွေကို အားကိုးရတာဖြစ်ပါတယ်။ Public cloud ဟာ ဒေတာကို သိမ်းဆည်းဖို့ လူကြိုက်များတဲ့ ရွေးချယ်မှုဖြစ်ပြီး ဒေတာကို ဘယ်မှာ သိမ်းဆည်းထားတယ်ဆိုတာကို မသိရပါဘူး။ Public cloud ဟာ Cloud ကို အသုံးပြုသူအားလုံးအတွက် အခြေခံအဆောက်အအုံတူညီတဲ့ Shared Infrastructure ကို အသုံးပြုပါတယ်။ အဖွဲ့အစည်းတချို့မှာ လုံခြုံရေးမူဝါဒတွေကြောင့် ကိုယ်ပိုင် Cloud ကို အသုံးပြုရပါတယ်။ Cloud နဲ့ပတ်သက်တဲ့ ဒေတာကို [နောက်ဆုံးသင်ခန်းစာ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud) မှာ ပိုမိုလေ့လာနိုင်ပါတယ်။ + +**Cold vs hot data** + +မော်ဒယ်တွေကို သင်ကြားတဲ့အခါမှာ Training Data ပိုမိုလိုအပ်နိုင်ပါတယ်။ မော်ဒယ်ကို ပြည့်စုံအောင်လုပ်ပြီးရင် ဒေတာအသစ်တွေ ရောက်လာနိုင်ပါတယ်။ ဒေတာကို သိမ်းဆည်းခြင်းနဲ့ ရယူခြင်းအတွက် ကုန်ကျစရိတ်တွေ တိုးလာနိုင်ပါတယ်။ အသုံးမပြုတဲ့ Cold Data ကို Frequently Accessed Hot Data နဲ့ ခွဲခြားထားခြင်းက စျေးသက်သာတဲ့ ရွေးချယ်မှုဖြစ်နိုင်ပါတယ်။ Cold Data ကို ရယူဖို့ လိုအပ်ရင် Hot Data ထက် နည်းနည်းကြာနိုင်ပါတယ်။ + +### ဒေတာကို စီမံခြင်း +ဒေတာနဲ့ အလုပ်လုပ်တဲ့အခါမှာ ဒေတာတစ်ချို့ကို သန့်စင်ဖို့ လိုအပ်နိုင်ပါတယ်။ [Data Preparation](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) သင်ခန်းစာမှာ လေ့လာထားတဲ့ နည်းလမ်းတွေကို အသုံးပြုနိုင်ပါတယ်။ ဒေတာအသစ်ရောက်လာတဲ့အခါမှာ အရည်အသွေးကို တူညီအောင် ထိန်းသိမ်းဖို့ လိုအပ်ပါတယ်။ Automated Tool တွေကို အသုံးပြုပြီး Cleansing, Aggregation နဲ့ Compression လုပ်ပြီး ဒေတာကို နောက်ဆုံးနေရာကို ရွှေ့နိုင်ပါတယ်။ Azure Data Factory ဟာ ဒီ Tool တွေထဲက တစ်ခုဖြစ်ပါတယ်။ + +### ဒေတာကို လုံခြုံစွာ သိမ်းဆည်းခြင်း +ဒေတာကို လုံခြုံစွာ သိမ်းဆည်းဖို့ရည်ရွယ်ချက်က ဒေတာကို ဘယ်လိုရယူပြီး ဘယ်လိုအသုံးပြုမလဲဆိုတာကို ထိန်းချုပ်ထားဖို့ ဖြစ်ပါတယ်။ ဒေတာကို လုံခြုံစွာ သိမ်းဆည်းဖို့အတွက် အောက်ပါအချက်တွေကို လိုက်နာရပါတယ်- + +- ဒေတာအားလုံးကို Encryption လုပ်ထားတာကို အတည်ပြုပါ။ +- Customer တွေကို သူတို့ရဲ့ ဒေတာကို ဘယ်လိုအသုံးပြုမလဲဆိုတာကို အကြောင်းကြားပါ။ +- ပရောဂျက်ကနေ ထွက်သွားတဲ့သူတွေကို ဒေတာရယူခွင့်ကို ဖယ်ရှားပါ။ +- ပရောဂျက်အဖွဲ့ဝင်တချို့ကိုသာ ဒေတာကို ပြောင်းလဲခွင့်ပေးပါ။ + +## 🚀 စိန်ခေါ်မှု + +Data Science Lifecycle ရဲ့ အမျိုးအစားတွေ အများကြီးရှိပြီး အဆင့်နဲ့ အမည်တွေက မတူနိုင်ပေမယ့် ဒီသင်ခန်းစာမှာ ဖော်ပြထားတဲ့ လုပ်ငန်းစဉ်တွေကို ပါဝင်ထားပါတယ်။ + +[Team Data Science Process lifecycle](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) နဲ့ [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/) ကို လေ့လာပြီး တူညီချက် ၃ ခုနဲ့ ကွဲလွဲချက် ၃ ခုကို ဖော်ပြပါ။ + +|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)| +|--|--| +|![Team Data Science Lifecycle](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.my.png) | ![Data Science Process Alliance Image](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.my.png) | +| [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) မှပုံ | [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) မှပုံ | + +## [Post-Lecture Quiz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +Data Science Lifecycle ကို အသုံးချတဲ့အခါမှာ အခန်းကဏ္ဍနဲ့ လုပ်ငန်းတာဝန်တွေ အများကြီး ပါဝင်ပြီး တစ်ချို့က အဆင့်တစ်ခုချင်းစီရဲ့ အပိုင်းအခြားတွေကို အဓိကထားနိုင်ပါတယ်။ Team Data Science Process ဟာ ပရောဂျက်တစ်ခုမှာ ပါဝင်နိုင်တဲ့ အခန်းကဏ္ဍနဲ့ လုပ်ငန်းတာဝန်တွေကို ရှင်းပြထားတဲ့ အရင်းအမြစ်တွေကို ပေးထားပါတယ်။ + +* [Team Data Science Process roles and tasks](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [Execute data science tasks: exploration, modeling, and deployment](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## လုပ်ငန်းတာဝန် + +[Assessing a Dataset](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှုကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/my/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..4526096a --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,37 @@ + +# ဒေတာဆက်စပ်မှုကို အကဲဖြတ်ခြင်း + +တစ်ဦးတစ်ယောက်သောဖောက်သည်သည် သင်၏အဖွဲ့ကို နယူးယောက်မြို့တွင် တက္ကစီစီးသူများ၏ ရာသီအလိုက် အသုံးစရိတ်အလေ့အထကို စုံစမ်းရန်အတွက် အကူအညီတောင်းခံလာသည်။ + +သူတို့လိုချင်သည်မှာ - **နယူးယောက်မြို့ရှိ အဝါရောင်တက္ကစီစီးသူများသည် ဆောင်းရာသီတွင်လား၊ နွေရာသီတွင်လား ယာဉ်မောင်းများကို ပိုမိုအကြွေးပေးကြသနည်း?** + +သင်၏အဖွဲ့သည် ဒေတာသိပ္ပံဘဝစက်ဝိုင်း၏ [Capturing](Readme.md#Capturing) အဆင့်တွင်ရှိပြီး သင်သည် ဒေတာကို ကိုင်တွယ်ရမည့်တာဝန်ရှိသည်။ သင်သည် စမ်းစစ်ရန်အတွက် notebook နှင့် [data](../../../../data/taxi.csv) တို့ကို ပေးထားသည်။ + +ဤဖိုင်တွင် [notebook](notebook.ipynb) တစ်ခုပါရှိပြီး Python ကို အသုံးပြု၍ [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) မှ အဝါရောင်တက္ကစီခရီးစဉ်ဒေတာကို load လုပ်ထားသည်။ +သင်သည် taxi data ဖိုင်ကို text editor သို့မဟုတ် Excel ကဲ့သို့သော spreadsheet software တွင်လည်း ဖွင့်ကြည့်နိုင်သည်။ + +## လမ်းညွှန်ချက်များ + +- ဤဒေတာအစုအဖွဲ့တွင် ပါဝင်သောဒေတာများသည် မေးခွန်းကို ဖြေရှင်းနိုင်မည်မဟုတ်မည်ကို အကဲဖြတ်ပါ။ +- [NYC Open Data catalog](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93) ကို စူးစမ်းပါ။ ဖောက်သည်၏မေးခွန်းကို ဖြေရှင်းရန် အထောက်အကူဖြစ်နိုင်သော ထပ်မံသောဒေတာအစုအဖွဲ့တစ်ခုကို ဖော်ထုတ်ပါ။ +- ပြဿနာကို ပိုမိုနားလည်ရန်နှင့် ပိုမိုရှင်းလင်းစေရန် ဖောက်သည်ကို မေးမည့်မေးခွန်း ၃ ခုရေးပါ။ + +ဒေတာအစုအဖွဲ့၏ [dictionary](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) နှင့် [user guide](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ကို ကိုးကားပါ။ + +## အကဲဖြတ်စံနှုန်း + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာရှိသောအရင်းအမြစ်အဖြစ် ရှုလေ့လာသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/my/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..c5800d5b --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,61 @@ + +# ဒေတာသိပ္ပံ၏ အသက်တာစဉ်: အနက်ဖွင့်ခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| ဒေတာသိပ္ပံ၏ အသက်တာစဉ်: အနက်ဖွင့်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## မိန့်ခွန်းမတိုင်မီ မေးခွန်းများ + +## [မိန့်ခွန်းမတိုင်မီ မေးခွန်းများ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28) + +ဒေတာအသက်တာစဉ်တွင် အနက်ဖွင့်ခြင်းသည် ပေးထားသောမေးခွန်းများကို ဒေတာက ဖြေရှင်းနိုင်မည်ဖြစ်ကြောင်း သက်သေပြခြင်းနှင့် သတ်မှတ်ထားသောပြဿနာကို ဖြေရှင်းနိုင်မည်ဖြစ်ကြောင်း အတည်ပြုခြင်းဖြစ်သည်။ ဒီအဆင့်မှာ မော်ဒယ်တစ်ခုက မေးခွန်းများနှင့် ပြဿနာများကို မှန်ကန်စွာ ဖြေရှင်းနိုင်မည်ဖြစ်ကြောင်း အတည်ပြုခြင်းကိုလည်း အဓိကထားပါသည်။ ဒီသင်ခန်းစာမှာ Exploratory Data Analysis (EDA) အပေါ် အခြေခံထားပြီး ဒေတာအတွင်းရှိ အင်္ဂါရပ်များနှင့် ဆက်နွယ်မှုများကို သတ်မှတ်ရန်နည်းလမ်းများကို လေ့လာမည်ဖြစ်သည်။ ဒါဟာ ဒေတာကို မော်ဒယ်တစ်ခုအတွက် ပြင်ဆင်ရန် အသုံးပြုနိုင်သည်။ + +Python နှင့် Pandas library ကို အသုံးပြု၍ [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) မှ အတုဒေတာစုစည်းမှုကို အသုံးပြုမည်ဖြစ်သည်။ ဒီဒေတာစုစည်းမှုမှာ အီးမေးလ်များတွင် တွေ့ရသော စကားလုံးများ၏ အရေအတွက်ကို ပါဝင်ပြီး အီးမေးလ်များ၏ အရင်းအမြစ်များကို မသိနိုင်ပါ။ ဒီ directory ထဲမှာရှိတဲ့ [notebook](notebook.ipynb) ကို အသုံးပြုပြီး လိုက်လျောပါ။ + +## Exploratory Data Analysis + +အသက်တာစဉ်၏ capture အဆင့်မှာ ဒေတာကို ရယူခြင်းနှင့် ပြဿနာများ၊ မေးခွန်းများကို သတ်မှတ်ခြင်းဖြစ်သည်။ ဒါပေမယ့် ဒေတာက အဆုံးသတ်ရလဒ်ကို ပံ့ပိုးနိုင်မည်ဖြစ်ကြောင်း ဘယ်လိုသိနိုင်မလဲ? +ဒေတာသိပ္ပံပညာရှင်တစ်ဦးက ဒေတာရရှိတဲ့အခါမှာ အောက်ပါမေးခွန်းများကို မေးနိုင်သည်- +- ဒီပြဿနာကို ဖြေရှင်းဖို့ ဒေတာလုံလောက်ပါသလား? +- ဒီပြဿနာအတွက် ဒေတာရဲ့ အရည်အသွေးလက်ခံနိုင်ဖွယ်ရှိပါသလား? +- ဒီဒေတာမှ ထပ်မံသိရှိရသော အချက်အလက်များကြောင့် ရည်မှန်းချက်များကို ပြောင်းလဲသို့မဟုတ် ပြန်လည်သတ်မှတ်သင့်ပါသလား? + +Exploratory Data Analysis သည် ဒေတာကို နားလည်ရန် လုပ်ဆောင်မှုဖြစ်ပြီး အထက်ပါမေးခွန်းများကို ဖြေရှင်းနိုင်သည်။ ဒါ့အပြင် ဒေတာစုစည်းမှုနှင့် အလုပ်လုပ်ရာတွင် ရှိနိုင်သော စိန်ခေါ်မှုများကိုလည်း သတ်မှတ်နိုင်သည်။ ဒီနည်းလမ်းများကို အဓိကထားပြီး လေ့လာကြမည်။ + +## ဒေတာကို ပရိုဖိုင်းလုပ်ခြင်း၊ ဖော်ပြချက်ဆိုင်ရာ စာရင်းအင်းများနှင့် Pandas +ဒီပြဿနာကို ဖြေရှင်းဖို့ ဒေတာလုံလောက်ပါသလားဆိုတာကို ဘယ်လိုအကဲဖြတ်မလဲ? ဒေတာကို ပရိုဖိုင်းလုပ်ခြင်းသည် ဒေတာစုစည်းမှုအကြောင်း အထွေထွေသတင်းအချက်အလက်များကို ဖော်ပြနိုင်ပြီး ဖော်ပြချက်ဆိုင်ရာ စာရင်းအင်းနည်းလမ်းများကို အသုံးပြုသည်။ ဒေတာကို ပရိုဖိုင်းလုပ်ခြင်းက ကျွန်တော်တို့မှာ ဘာတွေ ရှိနေလဲဆိုတာ နားလည်စေပြီး ဖော်ပြချက်ဆိုင်ရာ စာရင်းအင်းက ဘယ်လောက်အရေအတွက် ရှိနေလဲဆိုတာ နားလည်စေသည်။ + +ယခင်သင်ခန်းစာများအနည်းငယ်တွင် Pandas ကို အသုံးပြုပြီး [`describe()` function]( https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html) ဖြင့် ဖော်ပြချက်ဆိုင်ရာ စာရင်းအင်းများကို ဖော်ပြခဲ့သည်။ ဒါဟာ အရေအတွက်၊ အများဆုံးနှင့် အနည်းဆုံးတန်ဖိုးများ၊ ပျမ်းမျှတန်ဖိုး၊ စံချိန်နှင့် quantiles ကို ဖော်ပြသည်။ `describe()` function ကဲ့သို့သော ဖော်ပြချက်ဆိုင်ရာ စာရင်းအင်းများကို အသုံးပြုခြင်းက သင့်မှာ ဘယ်လောက်ရှိနေလဲ၊ ထပ်မံလိုအပ်ပါသလားဆိုတာကို အကဲဖြတ်နိုင်စေသည်။ + +## Sampling နှင့် Querying +ဒေတာစုစည်းမှုကြီးတစ်ခုကို အကုန်လုံး လေ့လာဖို့က အချိန်အလွန်များပြီး ကွန်ပျူတာကို အလုပ်လုပ်စေဖို့လိုအပ်သော တာဝန်ဖြစ်သည်။ သို့သော် Sampling သည် ဒေတာကို နားလည်ရန် အထောက်အကူဖြစ်ပြီး ဒေတာအတွင်းရှိအရာများနှင့် ၎င်းတို့ကို ကိုယ်စားပြုသောအရာများကို ပိုမိုနားလည်စေသည်။ Sample ရရှိပြီးနောက် Probability နှင့် Statistics ကို အသုံးပြု၍ ဒေတာအကြောင်း အထွေထွေသုံးသပ်ချက်များကို ရယူနိုင်သည်။ Sample လုပ်ရန် ဒေတာအရေအတွက်ကို သတ်မှတ်ထားသော စည်းမျဉ်းမရှိသော်လည်း Sample လုပ်သော ဒေတာများ ပိုများလျှင် ဒေတာအကြောင်း အတိအကျသုံးသပ်ချက်များကို ပိုမိုရနိုင်သည်။ +Pandas မှ [`sample()` function](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) ကို အသုံးပြု၍ သင်လိုချင်သော random samples အရေအတွက်ကို သတ်မှတ်ပြီး အသုံးပြုနိုင်သည်။ + +ဒေတာကို Query လုပ်ခြင်းက သင့်မှာရှိတဲ့ မေးခွန်းများနှင့် သီအိုရီများကို ဖြေရှင်းနိုင်သည်။ Sampling နှင့် ဆန့်ကျင်ဘက်ဖြစ်ပြီး Querying က သင့်မှာရှိတဲ့ မေးခွန်းများအပေါ် အာရုံစိုက်ပြီး ဒေတာ၏ အထူးအစိတ်အပိုင်းများကို ထိန်းချုပ်နိုင်သည်။ +Pandas library မှ [`query()` function](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) ကို အသုံးပြု၍ ကော်လံများကို ရွေးချယ်ပြီး ရိုးရှင်းသော အဖြေများကို ရယူနိုင်သည်။ + +## Visualizations ဖြင့် လေ့လာခြင်း +ဒေတာကို အပြည့်အဝ သန့်စင်ပြီး အနက်ဖွင့်ပြီးမှ Visualizations ဖန်တီးဖို့ မလိုအပ်ပါဘူး။ အမှန်တကယ်တော့ Visualizations ရှိခြင်းက ဒေတာအတွင်းရှိ Pattern, ဆက်နွယ်မှုများနှင့် ပြဿနာများကို သတ်မှတ်နိုင်စေသည်။ ထို့အပြင် Visualizations တွေက ဒေတာကို စီမံခန့်ခွဲမှုတွင် ပါဝင်မထားသောသူများနှင့် ဆက်သွယ်ရန် နည်းလမ်းတစ်ခုဖြစ်ပြီး Capture အဆင့်တွင် မဖြေရှင်းထားသော မေးခွန်းများကို ပြန်လည်ရှင်းလင်းရန် အခွင့်အလမ်းဖြစ်စေသည်။ Visualizations ကို လေ့လာရန် [Visualizations အပိုင်း](../../../../../../../../../3-Data-Visualization) ကို ရည်ညွှန်းပါ။ + +## မညီညွတ်မှုများကို ရှာဖွေခြင်း +ဒီသင်ခန်းစာအတွင်းရှိ အကြောင်းအရာအားလုံးက ပျောက်ဆုံးနေသော ဒေတာများ သို့မဟုတ် မညီညွတ်သော တန်ဖိုးများကို ရှာဖွေရာတွင် အထောက်အကူဖြစ်စေသည်။ Pandas မှ [isna() သို့မဟုတ် isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) function ကို အသုံးပြု၍ ပျောက်ဆုံးနေသော တန်ဖိုးများကို စစ်ဆေးနိုင်သည်။ ဒေတာအတွင်းရှိ ပျောက်ဆုံးနေသော တန်ဖိုးများကို ရှာဖွေရာတွင် အရေးကြီးသောအချက်တစ်ခုက အဲဒီတန်ဖိုးတွေ ဘာကြောင့် အဲဒီအတိုင်းဖြစ်သွားတာလဲဆိုတာကို ရှာဖွေဖို့ဖြစ်သည်။ ဒါက [အဲဒီတန်ဖိုးတွေကို ဖြေရှင်းဖို့ လုပ်ဆောင်ချက်များ]( /2-Working-With-Data/08-data-preparation/notebook.ipynb)ကို ဆုံးဖြတ်ရာတွင် အထောက်အကူဖြစ်စေသည်။ + +## [မိန့်ခွန်းမတိုင်မီ မေးခွန်းများ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27) + +## လုပ်ငန်းတာဝန် + +[အဖြေများကို ရှာဖွေခြင်း](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/my/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..76df32d9 --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,36 @@ + +# အဖြေများကို ရှာဖွေခြင်း + +ဒီဟာက ယခင်သင်ခန်းစာရဲ့ [အလုပ်ပေးစာ](../14-Introduction/assignment.md) ရဲ့ ဆက်လက်မှုဖြစ်ပြီး၊ ဒေတာအစုအဖွဲ့ကို အနည်းငယ်ကြည့်ရှုခဲ့ပါတယ်။ အခုတော့ ဒေတာကို ပိုမိုနက်ရှိုင်းစွာ လေ့လာသွားမှာ ဖြစ်ပါတယ်။ + +နောက်တစ်ကြိမ်၊ ဖောက်သည်က သိချင်တဲ့မေးခွန်းက: **နယူးယောက်မြို့က အဝါရောင်တက်စီစီးသူတွေဟာ ဆောင်းရာသီမှာလား၊ နွေရာသီမှာလား ယာဉ်မောင်းတွေကို ပိုများစွာ အကြွေးအတင်းပေးလဲ?** + +သင့်အဖွဲ့ဟာ ဒေတာသိပ္ပံဘဝစက်ဝိုင်းရဲ့ [ခွဲခြမ်းစိတ်ဖြာခြင်း](README.md) အဆင့်မှာ ရှိပြီး၊ ဒေတာအစုအဖွဲ့အပေါ် Exploratory Data Analysis (EDA) လုပ်ဆောင်ရမယ့်တာဝန်ရှိပါတယ်။ သင့်ကို 2019 ခုနှစ် ဇန်နဝါရီနှင့် ဇူလိုင်လအတွင်း 200 ခုသော တက်စီငှားမှုများပါဝင်တဲ့ notebook နဲ့ ဒေတာအစုအဖွဲ့တစ်ခု ပေးထားပါတယ်။ + +## ညွှန်ကြားချက်များ + +ဒီဖိုင်တွဲထဲမှာ [notebook](assignment.ipynb) တစ်ခုနဲ့ [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) မှ ဒေတာတွေ ပါဝင်ပါတယ်။ ဒေတာအကြောင်းပိုမိုသိရှိရန် [dataset's dictionary](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) နဲ့ [user guide](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ကို ကိုးကားပါ။ + +ဒီသင်ခန်းစာမှာ သင်ယူခဲ့တဲ့နည်းလမ်းတချို့ကို အသုံးပြုပြီး notebook ထဲမှာ သင့်ကိုယ်ပိုင် EDA လုပ်ပါ (လိုအပ်ရင် cell တွေ ထပ်ထည့်ပါ)၊ အောက်ပါမေးခွန်းတွေကို ဖြေပါ: + +- ဒေတာထဲမှာ အကြွေးအတင်းပမာဏကို သက်ရောက်စေမယ့် အခြားသော အကြောင်းအရာတွေ ဘာတွေရှိနိုင်သလဲ? +- ဖောက်သည်ရဲ့မေးခွန်းကို ဖြေရှင်းဖို့ မလိုအပ်နိုင်တဲ့ ကော်လံတွေ ဘာတွေဖြစ်မလဲ? +- ယခုအချိန်ထိ ပေးထားတဲ့အချက်အလက်အရ၊ ရာသီအလိုက် အကြွေးအတင်းပေးမှုအပြုအမူကို သက်သေပြနိုင်တဲ့ ဒေတာရှိသလား? + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | --- + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/16-communication/README.md b/translations/my/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..180e3779 --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,134 @@ + +# ဒေတာသိပ္ပံ၏ အသက်တာစဉ်: ဆက်သွယ်မှု + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)| +|:---:| +| ဒေတာသိပ္ပံ၏ အသက်တာစဉ်: ဆက်သွယ်မှု - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30) + +အပေါ်တွင်ရှိသော Pre-Lecture Quiz ကို ဖြေဆိုပြီး မကြာမီလာမည့်အကြောင်းအရာများကို စမ်းသပ်ကြည့်ပါ! + +# အကျဉ်းချုပ် + +### ဆက်သွယ်မှုဆိုတာဘာလဲ? +ဒီသင်ခန်းစာကို စတင်မည်ဆိုရင် ဆက်သွယ်မှုဆိုတာ ဘာလဲဆိုတာကို အဓိကထားပြီး သတ်မှတ်ကြည့်ပါစို့။ **ဆက်သွယ်မှုဆိုတာ သတင်းအချက်အလက်ကို ပေးပို့ခြင်း သို့မဟုတ် လဲလှယ်ခြင်းဖြစ်သည်။** သတင်းအချက်အလက်ဆိုတာ အကြံဉာဏ်များ၊ အတွေးအမြင်များ၊ ခံစားချက်များ၊ သတင်းစကားများ၊ လျှို့ဝှက်အချက်များ၊ ဒေတာများ – **_ပေးပို့သူ_** (သတင်းအချက်အလက်ပေးပို့သူ) က **_လက်ခံသူ_** (သတင်းအချက်အလက်လက်ခံသူ) ကို နားလည်စေလိုသော အရာများ ဖြစ်နိုင်သည်။ ဒီသင်ခန်းစာတွင် ပေးပို့သူများကို ဆက်သွယ်သူများဟု ခေါ်ဆိုပြီး၊ လက်ခံသူများကို ရည်ရွယ်ထားသော ပရိသတ်ဟု ခေါ်ဆိုပါမည်။ + +### ဒေတာဆက်သွယ်မှုနှင့် ပုံပြင်ပြောခြင်း +ဆက်သွယ်မှုဆိုတာ သတင်းအချက်အလက်ကို ပေးပို့ခြင်း သို့မဟုတ် လဲလှယ်ခြင်းဖြစ်သည်ဟု နားလည်ထားပါသည်။ ဒါပေမယ့် ဒေတာကို ဆက်သွယ်ရာတွင် သင်၏ရည်ရွယ်ချက်သည် ရေတွက်ချက်များကို ပရိသတ်ထံ ပေးပို့ရန်သာ မဖြစ်သင့်ပါ။ သင်၏ရည်ရွယ်ချက်သည် သင်၏ဒေတာမှ အကြောင်းအရာတစ်ခုကို ပုံပြင်အဖြစ် ဆက်သွယ်ရန် ဖြစ်သင့်သည် – ထိရောက်သော ဒေတာဆက်သွယ်မှုနှင့် ပုံပြင်ပြောခြင်းသည် အတူတကွ လက်တွဲသွားရမည်။ သင်၏ပရိသတ်သည် သင်ပေးသော ရေတွက်ချက်ထက် သင်ပြောသော ပုံပြင်ကို ပိုမိုမှတ်မိနိုင်သည်။ ဒီသင်ခန်းစာ၏ နောက်ပိုင်းတွင် သင်၏ဒေတာကို ပိုမိုထိရောက်စွာ ဆက်သွယ်ရန် ပုံပြင်ပြောခြင်းကို အသုံးပြုနိုင်သော နည်းလမ်းအချို့ကို ဆွေးနွေးပါမည်။ + +### ဆက်သွယ်မှုအမျိုးအစားများ +ဒီသင်ခန်းစာတစ်လျှောက်လုံးတွင် ဆက်သွယ်မှုအမျိုးအစားနှစ်မျိုးကို ဆွေးနွေးပါမည် – တစ်ဖက်သတ်ဆက်သွယ်မှုနှင့် နှစ်ဖက်ဆက်သွယ်မှု။ + +**တစ်ဖက်သတ်ဆက်သွယ်မှု** ဆိုတာ ပေးပို့သူက သတင်းအချက်အလက်ကို လက်ခံသူထံ ပေးပို့ပြီး၊ တုံ့ပြန်မှု သို့မဟုတ် အကြောင်းပြန်မရှိသော အခြေအနေဖြစ်သည်။ တစ်ဖက်သတ်ဆက်သွယ်မှုကို နေ့စဉ်တွေ့ရသည် – အများပြည်သူထံ ပေးပို့သော အီးမေးလ်များ၊ သတင်းမှ နောက်ဆုံးရသတင်းများကို ပေးပို့ခြင်း၊ သို့မဟုတ် ရုပ်မြင်သံကြားကြော်ငြာများမှ သင့်ထံ သတင်းအချက်အလက်ကို ပေးပို့ခြင်းတို့ဖြစ်သည်။ ဒီအခြေအနေများတွင် ပေးပို့သူသည် သတင်းအချက်အလက်ကို လဲလှယ်ရန် မရည်ရွယ်ပါ။ သတင်းအချက်အလက်ကို ပေးပို့ရန်သာ ရည်ရွယ်ပါသည်။ + +**နှစ်ဖက်ဆက်သွယ်မှု** ဆိုတာ ပါဝင်သော အဖွဲ့အားလုံးသည် ပေးပို့သူနှင့် လက်ခံသူအဖြစ် လုပ်ဆောင်သော အခြေအနေဖြစ်သည်။ ပေးပို့သူသည် သတင်းအချက်အလက်ကို ပေးပို့ပြီး၊ လက်ခံသူသည် တုံ့ပြန်မှု သို့မဟုတ် အကြောင်းပြန်ပေးသည်။ နှစ်ဖက်ဆက်သွယ်မှုသည် ဆက်သွယ်မှုကို ပြောသောအခါ ကျွန်ုပ်တို့ထင်မြင်သော အရာဖြစ်သည်။ လူများသည် မျက်နှာချင်းဆိုင် စကားပြောခြင်း၊ ဖုန်းခေါ်ဆိုမှု၊ လူမှုမီဒီယာ၊ သို့မဟုတ် စာတိုပေးပို့ခြင်းတို့ဖြင့် ဆက်သွယ်နေသည်ဟု ကျွန်ုပ်တို့ထင်မြင်ပါသည်။ + +ဒေတာကို ဆက်သွယ်ရာတွင် တစ်ဖက်သတ်ဆက်သွယ်မှုကို အသုံးပြုရမည့် အခြေအနေများ (ဥပမာ – စည်းရုံးပွဲတွင် သတင်းအချက်အလက်ကို တင်ပြခြင်း၊ သို့မဟုတ် မေးခွန်းများကို တိုက်ရိုက်မမေးမီ အုပ်စုကြီးထံ သတင်းအချက်အလက်ကို ပေးပို့ခြင်း) နှင့် နှစ်ဖက်ဆက်သွယ်မှုကို အသုံးပြုရမည့် အခြေအနေများ (ဥပမာ – အချို့သော stakeholder များကို သဘောတူရန် ဒေတာကို အသုံးပြုခြင်း၊ သို့မဟုတ် အဖွဲ့သားတစ်ဦးကို အချိန်နှင့် အင်အားကို အသုံးပြု၍ အရာအသစ်တစ်ခုကို တည်ဆောက်ရန် သ перек convinces) ရှိပါမည်။ + +# ထိရောက်သော ဆက်သွယ်မှု + +### ဆက်သွယ်သူအဖြစ် သင့်တာဝန်များ +ဆက်သွယ်ရာတွင် သင့်ရည်ရွယ်ချက်သည် သင့်လက်ခံသူ(များ) သည် သင့်ပေးပို့လိုသော သတင်းအချက်အလ +အစည်းအဝေးမှာ Emerson က app store ရဲ့ အဆင့်သတ်မှတ်ချက်နိမ့်နိမ့်ရှိတာ ဘာကြောင့်ဆိုးလဲဆိုတာကို ၅ မိနစ်ကြာရှင်းပြပြီး၊ သုတေသနလုပ်ငန်းစဉ်နဲ့ trend တွေကို ဘယ်လိုရှာဖွေခဲ့တယ်ဆိုတာကို ၁၀ မိနစ်ကြာရှင်းပြပါတယ်။ ထို့နောက် ၁၀ မိနစ်ကြာပြီးခဲ့တဲ့ customer complaint တွေကို ပြန်လည်သုံးသပ်ပြီး၊ နောက်ဆုံး ၅ မိနစ်မှာတော့ ၂ ခုရှိတဲ့ အလားအလာရှိတဲ့ ဖြေရှင်းနည်းတွေကို အနည်းငယ်သာ ပြောပြခဲ့ပါတယ်။ + +ဒီအစည်းအဝေးမှာ Emerson ရဲ့ ဆက်သွယ်ပုံက ထိရောက်မှုရှိခဲ့လား? + +အစည်းအဝေးအတွင်းမှာ တစ်ဦးသော company lead က Emerson ပြောပြခဲ့တဲ့ customer complaint ၁၀ မိနစ်ကို အလေးထားပြီး အစည်းအဝေးပြီးသွားတဲ့အခါမှာ ဒီ complaint တွေကိုပဲ မှတ်မိနေခဲ့ပါတယ်။ အခြား company lead တစ်ဦးက Emerson ရဲ့ သုတေသနလုပ်ငန်းစဉ်ကို အဓိကထားပြီး အာရုံစိုက်ခဲ့ပါတယ်။ တတိယ company lead က Emerson က အစည်းအဝေးမှာ တင်ပြခဲ့တဲ့ ဖြေရှင်းနည်းတွေကို မှတ်မိပေမယ့် အဲ့ဒီဖြေရှင်းနည်းတွေကို ဘယ်လိုအကောင်အထည်ဖော်ရမလဲဆိုတာ မသေချာပါဘူး။ + +အပေါ်မှာဖော်ပြထားတဲ့အခြေအနေမှာ Emerson ရဲ့ အစည်းအဝေးမှာ team lead တွေကို ယူဆစေချင်တဲ့အချက်နဲ့ အစည်းအဝေးပြီးသွားတဲ့အခါ team lead တွေ မှတ်မိနေတဲ့အချက်ကြားမှာ အကြီးအကျယ်ကွာဟချက်ရှိနေပါတယ်။ အောက်မှာ Emerson သုံးနိုင်တဲ့ အခြားနည်းလမ်းတစ်ခုကို ဖော်ပြထားပါတယ်။ + +Emerson ဘယ်လိုနည်းလမ်းတွေကို တိုးတက်အောင်လုပ်နိုင်မလဲ? +Context, Conflict, Climax, Closure, Conclusion +**Context** - Emerson က အစဉ်အလာအတိုင်း ၅ မိနစ်ကြာပြီး အခြေအနေတစ်ခုလုံးကို မိတ်ဆက်ပေးပြီး၊ team lead တွေကို အဲ့ဒီပြဿနာတွေက revenue လို critical metrics တွေကို ဘယ်လိုထိခိုက်စေတယ်ဆိုတာ နားလည်စေဖို့ လုပ်နိုင်ပါတယ်။ + +ဒီလိုဖော်ပြနိုင်ပါတယ် - "လက်ရှိမှာတော့ app store မှာ ကျွန်တော်တို့ app ရဲ့ rating က 2.5 ဖြစ်ပါတယ်။ app store rating တွေက App Store Optimization အတွက် အရေးကြီးပါတယ်၊ အဲ့ဒါက ကျွန်တော်တို့ app ကို ရှာဖွေတဲ့ user အရေအတွက်နဲ့ app ကို အသုံးပြုမယ့် user တွေဘယ်လိုမြင်မြင်ကွင်းရလဲဆိုတာကို ထိခိုက်စေပါတယ်။ အဲဒီအပြင် user အရေအတွက်က revenue နဲ့ တိုက်ရိုက်ဆက်နွယ်နေပါတယ်။" + +**Conflict** Emerson က ၅ မိနစ်ခန့်အတွင်း conflict ကို ပြောပြနိုင်ပါတယ်။ + +ဒီလိုပြောနိုင်ပါတယ် - “User တွေက weekend တွေမှာ complaint နဲ့ bug report တွေကို 42% ပိုပြီးတင်သွင်းပါတယ်။ Complaint တစ်ခုကို 48 နာရီအတွင်း မဖြေရှင်းပေးရင် customer တွေက app store မှာ rating 2 ထက်မကျော်တဲ့အဆင့်ပေးဖို့ 32% ပိုပြီးမလွယ်ကူပါဘူး။ ကျွန်တော်တို့ app store rating ကို 4 အထိတိုးမြှင့်နိုင်ရင် visibility ကို 20-30% တိုးတက်စေမှာဖြစ်ပြီး revenue ကို 10% တိုးတက်စေမယ်လို့ ကျွန်တော်ခန့်မှန်းပါတယ်။” Emerson က ဒီအချက်အလက်တွေကို support လုပ်နိုင်ဖို့ ပြင်ဆင်ထားသင့်ပါတယ်။ + +**Climax** အခြေခံအချက်တွေကို ဖော်ပြပြီးနောက်မှာ Emerson က Climax ကို ၅ မိနစ်ခန့်အတွင်း ပြောနိုင်ပါတယ်။ + +Emerson က အဆိုပြုဖြေရှင်းနည်းတွေကို မိတ်ဆက်ပေးပြီး၊ အဲ့ဒီဖြေရှင်းနည်းတွေက ဖော်ပြထားတဲ့ပြဿနာတွေကို ဘယ်လိုဖြေရှင်းနိုင်မလဲ၊ အဲ့ဒီဖြေရှင်းနည်းတွေကို လက်ရှိ workflow တွေထဲမှာ ဘယ်လိုထည့်သွင်းနိုင်မလဲ၊ အကုန်အကျအဘယ်လောက်ရှိမလဲ၊ ROI ဘယ်လောက်ရှိမလဲဆိုတာကို ဖော်ပြနိုင်ပါတယ်။ Emerson က user တွေ complaint ကို 48 နာရီအတွင်း မဖြေရှင်းပေးရင် ဘယ်လိုခံစားရတယ်ဆိုတာကို ပြောပြတဲ့ testimonial တွေ၊ လက်ရှိ customer service representative ရဲ့ ticketing system အပေါ်မှာရှိတဲ့ comment တွေကိုပါ မျှဝေနိုင်ပါတယ်။ + +**Closure** အခုတော့ Emerson က ၅ မိနစ်ကြာပြီး company ရဲ့ ပြဿနာတွေကို ပြန်လည်ဖော်ပြပြီး၊ အဆိုပြုဖြေရှင်းနည်းတွေကို ပြန်လည်သုံးသပ်ပြီး၊ အဲ့ဒီဖြေရှင်းနည်းတွေက ဘာကြောင့်မှန်ကန်တယ်ဆိုတာကို ပြန်လည်သုံးသပ်နိုင်ပါတယ်။ + +**Conclusion** အဲ့ဒီအစည်းအဝေးက stakeholder အနည်းငယ်နဲ့ ပြုလုပ်တဲ့ အစည်းအဝေးဖြစ်တဲ့အတွက်၊ Emerson က ၁၀ မိနစ်ခန့်ကို မေးခွန်းတွေကို ဖြေရှင်းဖို့ ထားနိုင်ပါတယ်၊ team lead တွေ အတွက် မရှင်းလင်းတဲ့အချက်တွေကို အစည်းအဝေးပြီးခါနီးမှာ ရှင်းလင်းပေးနိုင်ဖို့ပါ။ + +Emerson က နည်းလမ်း #2 ကို သုံးခဲ့ရင်၊ Emerson ရဲ့ team lead တွေကို ယူဆစေချင်တဲ့အချက်တွေကို team lead တွေက အစည်းအဝေးပြီးသွားတဲ့အခါ မှတ်မိနေမှာဖြစ်ပြီး – complaint နဲ့ bug တွေကို handle လုပ်ပုံကို တိုးတက်အောင်လုပ်နိုင်တယ်၊ အဲ့ဒီတိုးတက်မှုကို ဖြစ်စေဖို့ ၂ ခုရှိတဲ့ ဖြေရှင်းနည်းတွေကို အသုံးပြုနိုင်တယ်ဆိုတာကို team lead တွေက သိရှိနိုင်မှာဖြစ်ပါတယ်။ ဒီနည်းလမ်းက Emerson ရဲ့ data နဲ့ story ကို ထိရောက်စွာ ဆက်သွယ်နိုင်တဲ့ နည်းလမ်းဖြစ်ပါတယ်။ + +# နိဂုံး +### အဓိကအချက်များအကျဉ်းချုပ် + - ဆက်သွယ်တယ်ဆိုတာ အချက်အလက်တွေကို ပြောပြတာ သို့မဟုတ် လဲလှယ်တာဖြစ်ပါတယ်။ + - Data ကို ဆက်သွယ်တဲ့အခါမှာ audience ကို simply အရေအတွက်တွေကို ပြောပြဖို့ မဟုတ်ပါဘူး။ Data က informed ဖြစ်တဲ့ story ကို audience နားလည်စေဖို့ ဖြစ်ပါတယ်။ + - ဆက်သွယ်မှုအမျိုးအစား ၂ မျိုးရှိပါတယ် - One-Way Communication (ပြန်လည်တုံ့ပြန်မှုမရှိဘဲ အချက်အလက်တွေကို ဆက်သွယ်ပေးတာ) နဲ့ Two-Way Communication (အချက်အလက်တွေကို အပြန်အလှန် ဆက်သွယ်ပေးတာ)။ + - Data နဲ့ story ကို ပြောပြဖို့အတွက် သုံးနိုင်တဲ့ strategy တွေ အများကြီးရှိပါတယ်၊ ကျွန်တော်တို့ သုံးခဲ့တဲ့ strategy ၅ ခုကတော့: + - Audience, Medium, Communication Method ကို နားလည်ပါ။ + - အဆုံးမှာ ရှိချင်တဲ့အရာကို စဉ်းစားပြီး စတင်ပါ။ + - အဲ့ဒီကို တစ်ခုတည်း story အနေနဲ့ လုပ်ဆောင်ပါ။ + - အဓိပ္ပါယ်ရှိတဲ့ စကားလုံးတွေ၊ စကားကြောင်းတွေကို သုံးပါ။ + - Feelings ကို အသုံးပြုပါ။ + +### ကိုယ်တိုင်လေ့လာဖို့ အကြံပြုထားတဲ့ အရင်းအမြစ်များ +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + + + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31) + +အပေါ်မှာလေ့လာခဲ့တဲ့အချက်တွေကို Post-Lecture Quiz နဲ့ ပြန်လည်သုံးသပ်ပါ! + + +## Assignment + +[Market Research](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအချော်များ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/my/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..0ae1b340 --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,26 @@ + +# အတောအတွင်းကို ပြောပြပါ + +## လမ်းညွှန်ချက်များ + +Data Science ဆိုတာ အတောအတွင်းကို ပြောပြခြင်းနဲ့ ဆက်စပ်ပါတယ်။ မည်သည့် dataset ကိုမဆို ရွေးချယ်ပြီး၊ အဲဒီ dataset အပေါ် အတောအတွင်းကို ပြောပြနိုင်မယ့် အတိုင်းအတာလေးကို ရေးပါ။ သင့် dataset က ဘာတွေ ဖော်ထုတ်နိုင်မလဲဆိုတာကို မျှော်လင့်ပါ။ အဲဒီဖော်ထုတ်ချက်တွေက အခက်အခဲဖြစ်လာရင် သင့်အနေနဲ့ ဘာလုပ်မလဲ? သင့် data က အလွယ်တကူ အကြောင်းအရာတွေကို မဖော်ထုတ်နိုင်ရင် ဘာလုပ်မလဲ? သင့် dataset က ဖော်ပြနိုင်မယ့် အခြေအနေတွေကို စဉ်းစားပြီး၊ အဲဒီအကြောင်းအရာတွေကို ရေးပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | + +တစ်မျက်နှာစာအကျယ်ရှိတဲ့ စာတမ်းကို .doc format နဲ့ တင်ပြပြီး၊ dataset ကို ရှင်းလင်းဖော်ပြထားပြီး၊ အတောအတွင်းကို ရှင်းလင်းစွာ ဖော်ပြထားပြီး၊ data ထဲက အသေးစိတ် ဥပမာတွေကို ထည့်သွင်းဖော်ပြထားသည်။| အသေးစိတ်နည်းသော format နဲ့ အတိုင်းအတာနည်းသော စာတမ်းကို တင်ပြထားသည်။ | အထက်ဖော်ပြထားသော အချက်များထဲမှ တစ်ခုခုကို မပါဝင်သော စာတမ်းကို တွေ့ရှိရသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအချော်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/4-Data-Science-Lifecycle/README.md b/translations/my/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..3670bcf5 --- /dev/null +++ b/translations/my/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,30 @@ + +# ဒေတာသိပ္ပံ၏ အသက်ရှည်လက်ဆောင် + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.my.jpg) +> ဓာတ်ပုံ - Headway မှ Unsplash တွင် ရရှိသည် + +ဒီသင်ခန်းစာများတွင် ဒေတာသိပ္ပံ၏ အသက်ရှည်လက်ဆောင်အပိုင်းအစများကို လေ့လာနိုင်ပါမည်။ ဒေတာဆန်းစစ်ခြင်းနှင့် ဆက်သွယ်ပြောဆိုမှုတို့အပါအဝင် အချက်အလက်များကို လေ့လာဆန်းစစ်ခြင်းနှင့် ပတ်သက်သော အကြောင်းအရာများကို လေ့လာမည်ဖြစ်သည်။ + +### ခေါင်းစဉ်များ + +1. [နိဒါန်း](14-Introduction/README.md) +2. [ဆန်းစစ်ခြင်း](15-analyzing/README.md) +3. [ဆက်သွယ်ပြောဆိုမှု](16-communication/README.md) + +### အားကျေးဇူးတင်စကား + +ဒီသင်ခန်းစာများကို ❤️ ဖြင့် [Jalen McGee](https://twitter.com/JalenMCG) နှင့် [Jasmine Greenaway](https://twitter.com/paladique) တို့မှ ရေးသားထားပါသည်။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/my/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..21aa44d2 --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,112 @@ + +# Cloud တွင် ဒေတာသိပ္ပံကို မိတ်ဆက်ခြင်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| Cloud တွင် ဒေတာသိပ္ပံ: မိတ်ဆက် - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒီသင်ခန်းစာမှာ Cloud ရဲ့ အခြေခံအချက်တွေကို သင်လေ့လာမယ်၊ Cloud ဝန်ဆောင်မှုတွေကို သင့်ဒေတာသိပ္ပံပရောဂျက်တွေမှာ အသုံးပြုရတဲ့ အကြောင်းရင်းတွေကို နားလည်မယ်၊ နောက်ပြီး Cloud တွင် အကောင်အထည်ဖော်ထားတဲ့ ဒေတာသိပ္ပံပရောဂျက်အချို့ကို ကြည့်ရှုမယ်။ + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32) + +## Cloud ဆိုတာဘာလဲ? + +Cloud (Cloud Computing) ဆိုတာကတော့ အင်တာနက်ပေါ်မှာ တည်ဆောက်ထားတဲ့ အခြေခံအဆောက်အအုံတစ်ခုမှ ပေးအပ်တဲ့ pay-as-you-go စနစ်အောက်ရှိ ကွန်ပျူတာဝန်ဆောင်မှုအမျိုးမျိုးကို ရယူအသုံးပြုခြင်းဖြစ်ပါတယ်။ ဒီဝန်ဆောင်မှုတွေမှာ သိုလှောင်မှု၊ ဒေတာဘေ့စ်၊ နက်ဝက်၊ ဆော့ဖ်ဝဲ၊ သုံးသပ်မှုနဲ့ အတူ အတုအယောင်အဆင့်မြင့်ဝန်ဆောင်မှုတွေ ပါဝင်ပါတယ်။ + +Cloud တွေကို အများအားဖြင့် Public, Private, Hybrid ဆိုပြီး ခွဲခြားတင်ပြလေ့ရှိပါတယ်။ + +* Public cloud: Public cloud ဆိုတာက Cloud ဝန်ဆောင်မှုပေးသူတစ်ဦးက ပိုင်ဆိုင်ပြီး အများပြည်သူအတွက် အင်တာနက်မှတဆင့် ကွန်ပျူတာရင်းမြစ်တွေကို ပေးအပ်တဲ့ စနစ်ဖြစ်ပါတယ်။ +* Private cloud: Private cloud ဆိုတာက တစ်ဦးချင်းလုပ်ငန်းတစ်ခု သို့မဟုတ် အဖွဲ့အစည်းတစ်ခုအတွက်သာ အသုံးပြုတဲ့ Cloud Computing ရင်းမြစ်တွေကို ဆိုလိုပါတယ်။ ဒီဝန်ဆောင်မှုနဲ့ အခြေခံအဆောက်အအုံတွေကို ပုဂ္ဂလိကနက်ဝက်မှာ ထိန်းသိမ်းထားပါတယ်။ +* Hybrid cloud: Hybrid cloud ဆိုတာက Public နဲ့ Private cloud တွေကို ပေါင်းစပ်ထားတဲ့ စနစ်ဖြစ်ပါတယ်။ အသုံးပြုသူတွေက On-premises datacenter ကို ရွေးချယ်ပြီး ဒေတာနဲ့ အပလီကေးရှင်းတွေကို Public cloud တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုတဲ့ Cloud တွေမှာ လည်ပတ်စေပါတယ်။ + +Cloud Computing ဝန်ဆောင်မှုအများစုကို အောက်ပါ သုံးမျိုးအဖြစ် ခွဲခြားတင်ပြလေ့ရှိပါတယ် - Infrastructure as a Service (IaaS), Platform as a Service (PaaS), Software as a Service (SaaS)။ + +* Infrastructure as a Service (IaaS): အသုံးပြုသူတွေက Server, Virtual Machine (VM), Storage, Network, Operating System စတဲ့ IT အခြေခံအဆောက်အအုံတွေကို ငှားယူအသုံးပြုပါတယ်။ +* Platform as a Service (PaaS): အသုံးပြုသူတွေက ဆော့ဖ်ဝဲအပလီကေးရှင်းတွေကို ဖန်တီး၊ စမ်းသပ်၊ ပို့ဆောင်၊ စီမံခန့်ခွဲဖို့ အတွက် ပတ်ဝန်းကျင်တစ်ခုကို ငှားယူအသုံးပြုပါတယ်။ Server, Storage, Network, Database စတဲ့ အခြေခံအဆောက်အအုံတွေကို စီမံခန့်ခွဲဖို့ မလိုအပ်ပါဘူး။ +* Software as a Service (SaaS): အသုံးပြုသူတွေက အင်တာနက်မှတဆင့် ဆော့ဖ်ဝဲအပလီကေးရှင်းတွေကို လိုအပ်သလို ရယူအသုံးပြုနိုင်ပါတယ်။ Hosting, Maintenance, Software Upgrade, Security Patching စတာတွေကို စိတ်ပူစရာမလိုပါဘူး။ + +Cloud ဝန်ဆောင်မှုပေးသူအကြီးစားတွေမှာ Amazon Web Services, Google Cloud Platform, Microsoft Azure တို့ ပါဝင်ပါတယ်။ + +## Cloud ကို ဒေတာသိပ္ပံအတွက် ရွေးချယ်ရတဲ့ အကြောင်းရင်းများ + +Developer တွေနဲ့ IT ပရော်ဖက်ရှင်နယ်တွေက Cloud ကို အောက်ပါအကြောင်းရင်းတွေကြောင့် ရွေးချယ်တတ်ကြပါတယ် - + +* **Innovation**: Cloud ဝန်ဆောင်မှုပေးသူတွေ ဖန်တီးထားတဲ့ နည်းပညာဆန်းသစ်မှုတွေကို သင့်အပလီကေးရှင်းထဲမှာ တိုက်ရိုက်ပေါင်းစပ်နိုင်ပါတယ်။ +* **Flexibility**: လိုအပ်တဲ့ ဝန်ဆောင်မှုတွေကိုသာ ပေးချေပြီး သင့်လိုအပ်ချက်အပေါ်မူတည်ပြီး ဝန်ဆောင်မှုတွေကို ရွေးချယ်နိုင်ပါတယ်။ +* **Budget**: Hardware, Software ဝယ်ယူဖို့ စတင်ရင်းနှီးမြှုပ်နှံမှုမလိုအပ်ဘဲ သုံးသလောက်ပေးချေစနစ်နဲ့ အသုံးပြုနိုင်ပါတယ်။ +* **Scalability**: သင့်ပရောဂျက်လိုအပ်ချက်အပေါ်မူတည်ပြီး Computing Power, Storage, Bandwidth တွေကို တိုးချဲ့ သို့မဟုတ် လျှော့ချနိုင်ပါတယ်။ +* **Productivity**: Datacenter စီမံခန့်ခွဲမှုလိုမျိုး အချိန်စားတဲ့ အလုပ်တွေကို တာဝန်ပေးပြီး သင့်လုပ်ငန်းအပေါ် အာရုံစိုက်နိုင်ပါတယ်။ +* **Reliability**: Cloud Computing က ဒေတာကို အမြဲ Backup လုပ်ထားနိုင်တဲ့ နည်းလမ်းတွေကို ပေးစွမ်းပြီး အရေးပေါ်အခြေအနေတွေမှာလည်း Disaster Recovery Plan တွေကို သတ်မှတ်နိုင်ပါတယ်။ +* **Security**: သင့်ပရောဂျက်ရဲ့ လုံခြုံရေးကို တိုးတက်စေမယ့် နည်းပညာနဲ့ မူဝါဒတွေကို Cloud မှာ ရရှိနိုင်ပါတယ်။ + +Cloud ရဲ့ အကျိုးကျေးဇူးတွေကို နားလည်ပြီးတဲ့အခါ ဒေတာသိပ္ပံပညာရှင်တွေနဲ့ ဒေတာအပေါ် အလုပ်လုပ်တဲ့ Developer တွေ ဘယ်လိုအခက်အခဲတွေကို Cloud က ဖြေရှင်းပေးနိုင်မလဲဆိုတာကို ဆက်လက်လေ့လာကြည့်ရအောင် - + +* **ဒေတာအများကြီးကို သိုလှောင်ခြင်း**: Server ကြီးတွေကို ဝယ်ယူ၊ စီမံခန့်ခွဲ၊ ကာကွယ်စောင့်ရှောက်ဖို့ မလိုအပ်ဘဲ Azure Cosmos DB, Azure SQL Database, Azure Data Lake Storage စတဲ့ Cloud သိုလှောင်မှုဖြေရှင်းနည်းတွေကို အသုံးပြုနိုင်ပါတယ်။ +* **ဒေတာပေါင်းစည်းခြင်း**: ဒေတာပေါင်းစည်းမှုက ဒေတာသိပ္ပံရဲ့ အရေးကြီးတဲ့ အစိတ်အပိုင်းဖြစ်ပြီး ဒေတာစုဆောင်းမှုကနေ လုပ်ဆောင်မှုဆီသို့ ပြောင်းလဲစေပါတယ်။ Cloud မှာရှိတဲ့ Data Factory နဲ့ တစ်နေရာထဲမှာ ဒေတာကို စုဆောင်း၊ ပြောင်းလဲ၊ ပေါင်းစည်းနိုင်ပါတယ်။ +* **ဒေတာကို လုပ်ဆောင်ခြင်း**: ဒေတာအများကြီးကို လုပ်ဆောင်ဖို့ Computing Power အများကြီးလိုအပ်ပါတယ်။ Cloud ရဲ့ အင်အားကြီး Computing Power ကို အသုံးပြုပြီး သင့်ဖြေရှင်းနည်းတွေကို လည်ပတ် deploy လုပ်နိုင်ပါတယ်။ +* **ဒေတာသုံးသပ်မှုဝန်ဆောင်မှုအသုံးပြုခြင်း**: Azure Synapse Analytics, Azure Stream Analytics, Azure Databricks စတဲ့ Cloud ဝန်ဆောင်မှုတွေက သင့်ဒေတာကို အကျိုးရှိတဲ့ သုံးသပ်ချက်တွေထုတ်ပေးနိုင်ပါတယ်။ +* **Machine Learning နဲ့ ဒေတာအတုအယောင်ဝန်ဆောင်မှုအသုံးပြုခြင်း**: AzureML နဲ့ Cloud Provider တွေက ပေးတဲ့ Machine Learning Algorithm တွေကို အသုံးပြုနိုင်ပါတယ်။ Speech-to-text, Text-to-speech, Computer Vision စတဲ့ Cognitive Services တွေကိုလည်း အသုံးပြုနိုင်ပါတယ်။ + +## Cloud တွင် ဒေတာသိပ္ပံပရောဂျက်နမူနာများ + +အခုတော့ နမူနာအချို့ကို ကြည့်ရှုပြီး ပိုမိုရှင်းလင်းစေပါမယ်။ + +### အချိန်နှင့်တပြေးညီ လူမှုမီဒီယာခံစားချက်သုံးသပ်မှု +Machine Learning စတင်လေ့လာသူတွေ အများအားဖြင့် လေ့လာကြတဲ့ နမူနာတစ်ခုဖြစ်တဲ့ လူမှုမီဒီယာခံစားချက်သုံးသပ်မှုကို စတင်ကြည့်ရှုကြပါစို့။ + +သင့်မှာ သတင်းမီဒီယာဝဘ်ဆိုက်တစ်ခုရှိပြီး သင့်ဖတ်ရှုသူတွေ စိတ်ဝင်စားမယ့် အကြောင်းအရာတွေကို နားလည်ချင်တယ်ဆိုပါစို့။ Twitter မှာရှိတဲ့ ပိုစ့်တွေကို အချိန်နှင့်တပြေးညီ သုံးသပ်ပြီး သင့်ဖတ်ရှုသူတွေအတွက် အရေးပါတဲ့ အကြောင်းအရာတွေကို သိရှိနိုင်ဖို့ အစီအစဉ်တစ်ခု ဖန်တီးနိုင်ပါတယ်။ + +ဒီပရောဂျက်ကို ဖန်တီးဖို့ လိုအပ်တဲ့ အဆင့်တွေက - + +* Twitter မှာ ဒေတာစုဆောင်းဖို့ Event Hub တစ်ခု ဖန်တီးပါ။ +* Twitter Streaming APIs ကို ခေါ်ဖို့ Twitter Client Application တစ်ခုကို စတင် configure လုပ်ပါ။ +* Stream Analytics Job တစ်ခု ဖန်တီးပါ။ +* Job Input နဲ့ Query ကို သတ်မှတ်ပါ။ +* Output Sink တစ်ခု ဖန်တီးပြီး Job Output ကို သတ်မှတ်ပါ။ +* Job ကို စတင်ပါ။ + +အပြည့်အစုံကို ကြည့်ရှုဖို့ [documentation](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099) ကို ကြည့်ပါ။ + +### သိပ္ပံစာတမ်းများကို သုံးသပ်ခြင်း +ဒီသင်ရိုးညွှန်းတန်းရဲ့ အရေးပါတဲ့ အဖွဲ့ဝင်တစ်ဦးဖြစ်တဲ့ [Dmitry Soshnikov](http://soshnikov.com) ဖန်တီးထားတဲ့ COVID စာတမ်းတွေကို သုံးသပ်တဲ့ ပရောဂျက်တစ်ခုကို ကြည့်ရှုကြပါစို့။ + +ဒီပရောဂျက်ကို လေ့လာခြင်းအားဖြင့် သိပ္ပံစာတမ်းတွေထဲက အသိပညာကို ထုတ်ယူပြီး သုတေသနလုပ်သူတွေ အတွက် အကျိုးရှိတဲ့ နည်းလမ်းတစ်ခုကို ဖန်တီးနိုင်ပါတယ်။ + +ဒီပရောဂျက်ရဲ့ အဆင့်တွေက - + +* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) နဲ့ သတင်းအချက်အလက်တွေကို ထုတ်ယူပြီး ကြိုတင်လုပ်ဆောင်ပါ။ +* [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကို အသုံးပြုပြီး လုပ်ဆောင်မှုကို ပျမ်းမျှလုပ်ဆောင်ပါ။ +* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကို အသုံးပြုပြီး သတင်းအချက်အလက်တွေကို သိမ်းဆည်းပြီး ရှာဖွေပါ။ +* Power BI ကို အသုံးပြုပြီး ဒေတာကို ရှာဖွေခြင်းနဲ့ ရှင်းလင်းပြသမှုအတွက် Interactive Dashboard တစ်ခု ဖန်တီးပါ။ + +အပြည့်အစုံကို [Dmitry’s blog](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) မှာ ကြည့်ရှုနိုင်ပါတယ်။ + +Cloud ဝန်ဆောင်မှုတွေကို အသုံးပြုပြီး ဒေတာသိပ္ပံလုပ်ငန်းတွေကို အကောင်အထည်ဖော်နိုင်တဲ့ နည်းလမ်းတွေ အများကြီး ရှိပါတယ်။ + +## Footnote + +Sources: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## Post-Lecture Quiz + +[Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33) + +## Assignment + +[Market Research](assignment.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွဲအချော်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/my/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..a1e0865b --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,25 @@ + +# စျေးကွက်သုတေသန + +## ညွှန်ကြားချက်များ + +ဒီသင်ခန်းစာမှာ Cloud Provider အရေးပါတဲ့အချက်အချို့ကို သင်လေ့လာခဲ့ပါတယ်။ Cloud Provider တစ်ခုချင်းစီက Data Scientist တွေကို ဘာတွေ ပေးဆောင်နိုင်သလဲဆိုတာကို စျေးကွက်သုတေသနလုပ်ပြီး ရှာဖွေပါ။ သူတို့ရဲ့ ပေးဆောင်မှုတွေကို နှိုင်းယှဉ်ကြည့်ပါ။ Cloud Provider သုံးခု (သို့) အထက်ကို ရွေးပြီး သူတို့ရဲ့ ပေးဆောင်မှုတွေကို ဖော်ပြတဲ့ စာတစ်ရွက်ရေးပါ။ + +## အဆင့်သတ်မှတ်ချက် + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | +Cloud Provider သုံးခုရဲ့ Data Science ပေးဆောင်မှုတွေကို ဖော်ပြပြီး အတိအကျ ခွဲခြားဖော်ပြထားတဲ့ စာတစ်ရွက် | ပိုမိုတိုတောင်းတဲ့ စာတစ်ရွက်ကို ဖော်ပြထားသည် | ခွဲခြားမှုမပြုလုပ်ပဲ စာတစ်ရွက်ကို ဖော်ပြထားသည် + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ဆိုမှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသောအချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပြန်ဆိုမှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/my/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..3b9d52ff --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,350 @@ + +# Cloud တွင် Data Science: "Low code/No code" နည်းလမ်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| Cloud တွင် Data Science: Low Code - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +အကြောင်းအရာများစာရင်း: + +- [Cloud တွင် Data Science: "Low code/No code" နည်းလမ်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Pre-Lecture Quiz](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. နိဒါန်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 Azure Machine Learning ဆိုတာဘာလဲ?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 Heart Failure ခန့်မှန်းမှု Project:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 Heart Failure Dataset:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. Azure ML Studio တွင် Low code/No code နည်းလမ်းဖြင့် မော်ဒယ်ကို သင်ကြားခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 Azure ML workspace တစ်ခု ဖန်တီးခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 Compute Resources](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 Compute Resources အတွက် မှန်ကန်သော ရွေးချယ်မှုများ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 Compute Cluster တစ်ခု ဖန်တီးခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 Dataset ကို Load လုပ်ခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 AutoML ဖြင့် Low code/No code သင်ကြားခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. Low code/No code မော်ဒယ်ကို တင်ပို့ခြင်းနှင့် Endpoint အသုံးပြုခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 မော်ဒယ် တင်ပို့ခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 Endpoint အသုံးပြုခြင်း](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 စိန်ခေါ်မှု](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Post-Lecture Quiz](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာမှု](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [အိမ်စာ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34) + +## 1. နိဒါန်း + +### 1.1 Azure Machine Learning ဆိုတာဘာလဲ? + +Azure cloud ပလက်ဖောင်းသည် အသစ်သောဖြေရှင်းနည်းများကို ဖန်တီးရန်အတွက် 200 ကျော်သော ထုတ်ကုန်များနှင့် cloud ဝန်ဆောင်မှုများကို ပံ့ပိုးပေးထားသည်။ +Data Scientist များသည် ဒေတာကို စူးစမ်းခြင်း၊ ကြိုတင်လုပ်ငန်းစဉ်များ ပြုလုပ်ခြင်းနှင့် မော်ဒယ်သင်ကြားမှု အယ်လဂိုရီသမ်အမျိုးမျိုးကို စမ်းသပ်ခြင်းတို့တွင် အချိန်အများအပြား သုံးစွဲကြသည်။ ဤလုပ်ငန်းစဉ်များသည် အချိန်စားပြီး အချို့သော အကောင်းဆုံး hardware ကို မထိရောက်စွာ အသုံးပြုစေတတ်သည်။ + +[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) သည် Azure တွင် Machine Learning ဖြေရှင်းနည်းများကို ဖန်တီးခြင်းနှင့် လည်ပတ်စေခြင်းအတွက် cloud-based ပလက်ဖောင်းတစ်ခုဖြစ်သည်။ +ဤပလက်ဖောင်းတွင် Data Scientist များအတွက် ဒေတာကို ပြင်ဆင်ခြင်း၊ မော်ဒယ်များကို သင်ကြားခြင်း၊ ခန့်မှန်းမှု ဝန်ဆောင်မှုများကို ထုတ်ဝေခြင်းနှင့် ၎င်းတို့၏ အသုံးပြုမှုကို စောင့်ကြည့်ခြင်းတို့အတွက် လိုအပ်သော အင်္ဂါရပ်များစွာ ပါဝင်သည်။ အဓိကအားဖြင့် မော်ဒယ်သင်ကြားမှုနှင့် ဆက်စပ်သော အချိန်စားလုပ်ငန်းစဉ်များကို အလိုအလျောက်လုပ်ဆောင်ခြင်းဖြင့် ထိရောက်မှုကို တိုးတက်စေသည်။ ထို့အပြင် cloud-based compute resources များကို အသုံးပြု၍ ဒေတာအများအပြားကို ထိရောက်စွာ ကိုင်တွယ်နိုင်စေပြီး အသုံးပြုချိန်တွင်သာ ကုန်ကျစရိတ်ကို ပေးဆောင်ရမည်ဖြစ်သည်။ + +Azure ML သည် Machine Learning လုပ်ငန်းစဉ်များအတွက် Developer များနှင့် Data Scientist များအတွက် လိုအပ်သော အရာအားလုံးကို ပံ့ပိုးပေးသည်။ ၎င်းတို့တွင် ပါဝင်သည်- + +- **Azure Machine Learning Studio**: မော်ဒယ်သင်ကြားမှု၊ တင်ပို့မှု၊ အလိုအလျောက်လုပ်ဆောင်မှု၊ ခြေရာခံမှုနှင့် Asset စီမံခန့်ခွဲမှုအတွက် low-code နှင့် no-code ရွေးချယ်မှုများကို ပံ့ပိုးပေးသည့် web portal တစ်ခုဖြစ်သည်။ +- **Jupyter Notebooks**: ML မော်ဒယ်များကို အလျင်အမြန် စမ်းသပ်ရန်။ +- **Azure Machine Learning Designer**: Drag-n-drop မော်ဂျူးများဖြင့် စမ်းသပ်မှုများကို ဖန်တီးပြီး low-code ပတ်ဝန်းကျင်တွင် pipeline များကို တင်ပို့နိုင်သည်။ +- **Automated machine learning UI (AutoML)**: ML မော်ဒယ်ဖွံ့ဖြိုးမှု၏ အကြိမ်ကြိမ်လုပ်ငန်းစဉ်များကို အလိုအလျောက်လုပ်ဆောင်ခြင်းဖြင့် အကျိုးရှိစွာ၊ ထိရောက်စွာ၊ ထုတ်လုပ်မှုမြင့်မားစွာ မော်ဒယ်များကို ဖန်တီးနိုင်သည်။ +- **Data Labelling**: ဒေတာများကို အလိုအလျောက် label လုပ်ပေးသည့် ML tool တစ်ခု။ +- **Machine learning extension for Visual Studio Code**: ML project များကို ဖန်တီးခြင်းနှင့် စီမံခန့်ခွဲခြင်းအတွက် အပြည့်အစုံသော ဖွံ့ဖြိုးရေးပတ်ဝန်းကျင်ကို ပံ့ပိုးပေးသည်။ +- **Machine learning CLI**: Command line မှတစ်ဆင့် Azure ML resources များကို စီမံခန့်ခွဲရန် command များကို ပံ့ပိုးပေးသည်။ +- **PyTorch, TensorFlow, Scikit-learn** စသည့် open-source frameworks များနှင့် ပေါင်းစပ်အသုံးပြုနိုင်သည်။ +- **MLflow**: ML စမ်းသပ်မှုများ၏ အသက်တာစဉ်ကို စီမံခန့်ခွဲရန်အတွက် open-source library တစ်ခုဖြစ်သည်။ **MLFlow Tracking** သည် သင်၏ စမ်းသပ်မှုမှ metrics နှင့် မော်ဒယ် artifacts များကို log လုပ်ပြီး ခြေရာခံပေးသည်။ + +### 1.2 Heart Failure ခန့်မှန်းမှု Project: + +Project များကို ဖန်တီးခြင်းနှင့် တည်ဆောက်ခြင်းသည် သင်၏ ကျွမ်းကျင်မှုနှင့် သိမှတ်မှုကို စမ်းသပ်ရန် အကောင်းဆုံးနည်းလမ်းဖြစ်သည်။ +ဤသင်ခန်းစာတွင် Heart Failure အန္တရာယ်ကို ခန့်မှန်းနိုင်ရန် Data Science Project တစ်ခုကို Azure ML Studio တွင် Low code/No code နည်းလမ်းနှင့် Azure ML SDK နည်းလမ်းဖြင့် တည်ဆောက်မည်ဖြစ်သည်။ + +![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.my.png) + +နည်းလမ်းတစ်ခုစီတွင် အားသာချက်နှင့် အားနည်းချက်များ ရှိသည်။ Low code/No code နည်းလမ်းသည် GUI (Graphical User Interface) ကို အသုံးပြုသဖြင့် စတင်ရန် လွယ်ကူပြီး အချိန်တိုအတွင်း POC (Proof Of Concept) ဖန်တီးနိုင်သည်။ သို့သော် Project ကြီးထွားလာပြီး ထုတ်လုပ်မှုအဆင့်သို့ ရောက်လာသောအခါ GUI ဖြင့် အားလုံးကို ဖန်တီးရန် မသင့်တော်တော့ပါ။ ထိုအချိန်တွင် Azure ML SDK ကို အသုံးပြု၍ အားလုံးကို အလိုအလျောက်လုပ်ဆောင်ရန် လိုအပ်သည်။ + +| | Low code/No code | Azure ML SDK | +|-------------------|------------------|---------------------------| +| Code ကျွမ်းကျင်မှု | မလိုအပ် | လိုအပ်သည် | +| ဖွံ့ဖြိုးမှုအချိန် | လွယ်ကူနှင့် မြန်ဆန် | Code ကျွမ်းကျင်မှုပေါ် မူတည် | +| ထုတ်လုပ်မှုအဆင့် | မဟုတ် | ဟုတ်သည် | + +### 1.3 Heart Failure Dataset: + +Cardiovascular diseases (CVDs) သည် ကမ္ဘာတစ်ဝှမ်းတွင် သေဆုံးမှုအကြောင်းရင်းများအနက် အဆင့် ၁ ဖြစ်ပြီး ၃၁% အထိ သေဆုံးမှုများအတွက် တာဝန်ရှိသည်။ +CVD ဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် Tobacco အသုံးပြုမှု၊ အာဟာရမမှန်မှု၊ အလေးချိန်ပိုမှု၊ ရုပ်ပိုင်းဆိုင်ရာ မလှုပ်ရှားမှုနှင့် အရက်သောက်မှု စသည့် အချက်အလက်များကို အသုံးပြုနိုင်သည်။ +CVD ဖြစ်နိုင်ခြေကို ခန့်မှန်းနိုင်ခြင်းသည် အန္တရာယ်ရှိသူများကို ကာကွယ်ရန် အထောက်အကူဖြစ်နိုင်သည်။ + +Kaggle တွင် [Heart Failure dataset](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ကို အများပြည်သူ အသုံးပြုနိုင်ရန် ထုတ်ဝေထားပြီး Project အတွက် အသုံးပြုမည်ဖြစ်သည်။ Dataset သည် 13 ကော်လံ (12 features နှင့် 1 target variable) နှင့် 299 rows ပါဝင်သည်။ + +| | Variable name | Type | Description | Example | +|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------| +| 1 | age | numerical | လူနာ၏ အသက် | 25 | +| 2 | anaemia | boolean | အနီရောင်သွေးဆဲလ်များ သို့မဟုတ် Haemoglobin လျော့နည်းမှု | 0 or 1 | +| 3 | creatinine_phosphokinase | numerical | သွေးထဲရှိ CPK အင်ဇိုင်း အဆင့် | 542 | +| 4 | diabetes | boolean | လူနာတွင် ဆီးချို ရှိ/မရှိ | 0 or 1 | +| 5 | ejection_fraction | numerical | နှလုံးတစ်ခုခု ကျုံ့သွားစဉ် သွေးထွက်မှု ရာခိုင်နှုန်း | 45 | +| 6 | high_blood_pressure | boolean | လူနာတွင် သွေးတိုး ရှိ/မရှိ | 0 or 1 | +| 7 | platelets | numerical | သွေးထဲရှိ Platelets အရေအတွက် | 149000 | +| 8 | serum_creatinine | numerical | သွေးထဲရှိ Serum Creatinine အဆင့် | 0.5 | +| 9 | serum_sodium | numerical | သွေးထဲရှိ Serum Sodium အဆင့် | jun | +| 10 | sex | boolean | အမျိုးသမီး/အမျိုးသား | 0 or 1 | +| 11 | smoking | boolean | လူနာသည် ဆေးလိပ်သောက်/မသောက် | 0 or 1 | +| 12 | time | numerical | လိုက်နာမှုကာလ (ရက်ပေါင်း) | 4 | +|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [Target] | boolean | လိုက်နာမှုကာလအတွင်း လူနာ သေဆုံး/မသေဆုံး | 0 or 1 | + +Dataset ရရှိပြီးပါက Azure တွင် Project ကို စတင်နိုင်ပါပြီ။ + +## 2. Azure ML Studio တွင် Low code/No code နည်းလမ်းဖြင့် မော်ဒယ်ကို သင်ကြားခြင်း + +### 2.1 Azure ML workspace တစ်ခု ဖန်တီးခြင်း + +Azure ML တွင် မော်ဒယ်ကို သင်ကြားရန်အတွက် အရင်ဆုံး Azure ML workspace တစ်ခု ဖန်တီးရန် လိုအပ်သည်။ Workspace သည် Azure Machine Learning အတွက် အထက်ဆုံးအရင်းအမြစ်ဖြစ်ပြီး သင်ဖန်တီးသည့် အရာအားလုံးကို စုစည်းထားသည်။ +Workspace သည် သင်ကြားမှုလုပ်ငန်းစဉ်များ၏ မှတ်တမ်းများ (logs, metrics, output, scripts snapshot) ကို သိမ်းဆည်းထားပြီး အကောင်းဆုံး မော်ဒယ်ကို ရွေးချယ်ရန် အထောက်အကူဖြစ်သည်။ [ပိုမိုလေ့လာရန်](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +Azure ML workspace ဖန်တီးရန် အဆင့်များမှာ- + +1. Microsoft အကောင့်ဖြင့် [Azure portal](https://ms.portal.azure.com/) သို့ ဝင်ပါ။ +2. **＋Create a resource** ကို ရွေးပါ။ + + ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.my.png) + + Machine Learning ကို ရှာပြီး Machine Learning tile ကို ရွေးပါ။ + + ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.my.png) + + Create ခလုတ်ကို နှိပ်ပါ။ + + ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.my.png) + + အောက်ပါအတိုင်း ပြည့်စုံစွာ ဖြည့်ပါ- + - Subscription: သင့် Azure subscription + - Resource group: Resource group တစ်ခု ဖန်တီး/ရွေးချယ်ပါ + - Workspace name: သင့် workspace အတွက် တစ်ခုတည်းသောအမည် + - Region: သင့်အနီးဆုံး ဒေသ + - Storage account: Default storage account + - Key vault: Default key vault + - Application insights: Default application insights + - Container registry: မလိုအပ် (မော်ဒယ်ကို container သို့ တင်ပို့သောအခါ အလိုအလျောက် ဖန်တီးမည်) + + ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.my.png) + + - Review + Create ကို နှိပ်ပြီး Create ခလုတ်ကို နှိပ်ပါ။ +3. Workspace ဖန်တီးမှု ပြီးဆုံးရန် စောင့်ပါ (မိနစ်အနည်းငယ်ကြာနိုင်သည်)။ ပြီးလျှင် Azure portal တွင် သင့် workspace ကို သွားပါ။ +4. Workspace ၏ Overview စာမျက်နှာတွင် Azure Machine Learning Studio ကို ဖွင့်ပါ (သို့မဟုတ် https://ml.azure.com သို့ သွားပါ)။ Microsoft အကောင့်ဖြင့် ဝင်ပါ။ Azure directory, subscription နှင့် Azure ML workspace ကို ရွေးပါ။ + +![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.my.png) + +5. Azure Machine Learning Studio တွင် ☰ icon ကို နှိပ်ပြီး interface ၏ စာမျက်နှာများကို ကြည့်ပါ။ Workspace ရှိ အရင်းအမြစ်များကို စီမံရန် စာမျက်နှာများကို အသုံးပြုနိုင်သည်။ + +![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.my.png) + +Data Scientist များနှင့် Machine Learning Operations Engineer များအတွက် Azure Machine Learning Studio သည် Workspace အရင်းအမြစ်များကို စီမံရန် ပိုမိုအာရုံစိုက်သော interface ကို ပံ့ပိုးပေးသည်။ + +### 2.2 Compute Resources + +Compute Resources သည် မော်ဒယ်သင်ကြားမှုနှင့် ဒေတာစူးစမ်းမှုလုပ်ငန်းစဉ်များကို လုပ်ဆောင်ရန် cloud-based အရင်းအမြစ်များဖြစ်သည်။ Compute Resources မျိုးစုံရှိသည်- + +- **Compute Instances**: Data Scientist များအတွက် ဖွံ့ဖြိုးရေး workstation များ။ +- **Compute Clusters**: Scalable VM cluster များ။ +- **Inference Clusters**: သင့်မော်ဒယ်များကို အသုံးပြုသည့် predictive services များအတွက် Deployment Targets။ +- **Attached Compute**: Azure ရဲ့ရှိပြီးသား Compute အရင်းအမြစ်များ (ဥပမာ Virtual Machines သို့မဟုတ် Azure Databricks clusters) နှင့်ချိတ်ဆက်သည်။ + +#### 2.2.1 သင့် Compute အရင်းအမြစ်များအတွက်မှန်ကန်သောရွေးချယ်မှုများကိုရွေးချယ်ခြင်း + +Compute အရင်းအမြစ်တစ်ခုကိုဖန်တီးရာတွင်စဉ်းစားရမည့်အချက်အချို့ရှိပြီး၊ အဲဒီရွေးချယ်မှုများသည်အရေးကြီးသောဆုံးဖြတ်ချက်များဖြစ်နိုင်သည်။ + +**သင့်အား CPU လိုအပ်ပါသလား၊ GPU လိုအပ်ပါသလား?** + +CPU (Central Processing Unit) သည် ကွန်ပျူတာပရိုဂရမ်တစ်ခု၏အမိန့်များကို အကောင်အထည်ဖော်ဆောင်ရွက်သည့် အီလက်ထရွန်နစ်စက်ကိရိယာဖြစ်သည်။ GPU (Graphics Processing Unit) သည် ဂရပ်ဖစ်ဆိုင်ရာကုဒ်များကို အလွန်မြန်ဆန်စွာဆောင်ရွက်နိုင်သည့် အထူးပြုအီလက်ထရွန်နစ်စက်ကိရိယာဖြစ်သည်။ + +CPU နှင့် GPU အဆောက်အဦးအကြားအဓိကကွာခြားချက်မှာ CPU သည် အလုပ်အမျိုးမျိုးကို မြန်ဆန်စွာ (CPU clock speed ဖြင့်တိုင်းတာသည်) ဆောင်ရွက်ရန်ဒီဇိုင်းပြုလုပ်ထားပြီး၊ တစ်ချိန်တည်းတွင်လုပ်ဆောင်နိုင်သည့်အလုပ်အရေအတွက်မှာ ကန့်သတ်ထားသည်။ GPU များသည် ပျမ်းမျှလုပ်ဆောင်မှုအတွက်ဒီဇိုင်းပြုလုပ်ထားပြီး၊ အထူးသဖြင့် Deep Learning အလုပ်များအတွက်ပိုမိုထူးချွန်သည်။ + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| စျေးနှုန်းသက်သာသည် | စျေးနှုန်းပိုကြီးသည် | +| လုပ်ဆောင်မှုတစ်ခုချင်းစီအတွက် concurrency နည်းသည် | concurrency များသည် | +| Deep Learning မော်ဒယ်များကိုလေ့ကျင့်ရာတွင်နှေးသည် | Deep Learning အတွက်အကောင်းဆုံး | + +**Cluster Size** + +Cluster အရွယ်အစားကြီးလေ၊ စျေးကြီးလေ၊ သို့သော် တုံ့ပြန်မှုကပိုကောင်းလိမ့်မည်။ ထို့ကြောင့် အချိန်ရှိပြီး ငွေမလုံလောက်ပါက Cluster အသေးကိုစတင်သင့်သည်။ အချိန်မရှိဘဲ ငွေရှိပါက Cluster ကြီးကိုစတင်သင့်သည်။ + +**VM Size** + +သင့်အချိန်နှင့်ဘဏ္ဍာရေးကန့်သတ်ချက်များပေါ်မူတည်၍ RAM, disk, core အရေအတွက်နှင့် clock speed အရွယ်အစားကိုပြောင်းလဲနိုင်သည်။ အဲဒီ parameter အားလုံးကိုတိုးမြှင့်ခြင်းသည် စျေးကြီးသော်လည်း၊ စွမ်းဆောင်ရည်ပိုမိုကောင်းမွန်စေမည်။ + +**Dedicated သို့မဟုတ် Low-Priority Instances?** + +Low-priority instance သည် interruptible ဖြစ်သည်။ အဓိပ္ပါယ်မှာ Microsoft Azure သည် အရင်းအမြစ်များကိုအခြားအလုပ်တစ်ခုအတွက်သုံးနိုင်ပြီး၊ သင့်အလုပ်ကိုရပ်တန့်စေနိုင်သည်။ Dedicated instance သည် interruptible မဟုတ်သည့်အလုပ်ဖြစ်ပြီး၊ သင့်ခွင့်ပြုချက်မရှိဘဲ အလုပ်ကိုရပ်တန့်မည်မဟုတ်ပါ။ + +ဤရွေးချယ်မှုသည် အချိန်နှင့်ငွေကြားအချိုးအစားဖြစ်ပြီး၊ interruptible instances များသည် Dedicated instances များထက်စျေးသက်သာသည်။ + +#### 2.2.2 Compute Cluster ဖန်တီးခြင်း + +[Azure ML workspace](https://ml.azure.com/) တွင် Compute ကိုသွားပြီး၊ Compute အရင်းအမြစ်အမျိုးမျိုး (ဥပမာ Compute instances, Compute clusters, Inference clusters, Attached compute) ကိုကြည့်နိုင်သည်။ ဤပရောဂျက်အတွက် မော်ဒယ်လေ့ကျင့်ရန် Compute Cluster တစ်ခုလိုအပ်မည်။ Studio တွင် "Compute" မီနူးကိုနှိပ်ပြီး၊ "Compute cluster" tab ကိုရွေးပါ၊ "+ New" ခလုတ်ကိုနှိပ်ပြီး Compute Cluster တစ်ခုဖန်တီးပါ။ + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.my.png) + +1. သင့်ရွေးချယ်မှုများကိုရွေးပါ - Dedicated vs Low priority, CPU သို့မဟုတ် GPU, VM အရွယ်အစားနှင့် core အရေအတွက် (ဤပရောဂျက်အတွက် default setting များကိုထားနိုင်သည်)။ +2. Next ခလုတ်ကိုနှိပ်ပါ။ + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.my.png) + +3. Cluster ကို Compute အမည်တစ်ခုပေးပါ။ +4. သင့်ရွေးချယ်မှုများကိုရွေးပါ - Minimum/Maximum node အရေအတွက်၊ Idle seconds before scale down, SSH access။ Minimum node အရေအတွက် 0 ဖြစ်ပါက Cluster idle ဖြစ်နေစဉ်ငွေသက်သာမည်။ Maximum node အရေအတွက်မြင့်မားလေ Training အချိန်ပိုမိုတိုတောင်းမည်။ အများဆုံး node အရေအတွက်အကြံပြုချက်မှာ 3 ဖြစ်သည်။ +5. "Create" ခလုတ်ကိုနှိပ်ပါ။ ဤအဆင့်သည် မိနစ်အနည်းငယ်ကြာနိုင်သည်။ + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.my.png) + +အံ့သြဖွယ်! ယခု Compute Cluster ရှိပြီးသည့်အတွက်၊ ဒေတာကို Azure ML Studio သို့တင်ရမည်။ + +### 2.3 Dataset တင်ခြင်း + +1. [Azure ML workspace](https://ml.azure.com/) တွင် "Datasets" ကိုနှိပ်ပြီး၊ "+ Create dataset" ခလုတ်ကိုနှိပ်ပါ။ "From local files" ရွေးပြီး၊ ယခင်ကဒေါင်းလုပ်လုပ်ထားသော Kaggle dataset ကိုရွေးပါ။ + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.my.png) + +2. သင့် dataset ကို အမည်၊ အမျိုးအစားနှင့် ဖော်ပြချက်ပေးပါ။ Next ကိုနှိပ်ပါ။ ဖိုင်များမှဒေတာတင်ပါ။ Next ကိုနှိပ်ပါ။ + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.my.png) + +3. Schema တွင် anaemia, diabetes, high blood pressure, sex, smoking, DEATH_EVENT စသည့် feature များအတွက် data type ကို Boolean သို့ပြောင်းပါ။ Next နှိပ်ပြီး Create ကိုနှိပ်ပါ။ + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.my.png) + +အံ့သြဖွယ်! Dataset ကိုတင်ပြီး၊ Compute Cluster ကိုဖန်တီးပြီးဖြစ်သောကြောင့်၊ ယခုမော်ဒယ်လေ့ကျင့်မှုကိုစတင်နိုင်ပါပြီ။ + +### 2.4 AutoML ဖြင့် Low code/No Code လေ့ကျင့်ခြင်း + +စံမှန်သော Machine Learning မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုသည် အချိန်နှင့်အရင်းအမြစ်များအလွန်လိုအပ်ပြီး၊ မော်ဒယ်များစွာကိုဖန်တီးပြီးနှိုင်းယှဉ်ရန်အချိန်ကြာသည်။ Automated Machine Learning (AutoML) သည် ML မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှု၏ အချိန်စားသောလုပ်ငန်းစဉ်များကို အလိုအလျောက်လုပ်ဆောင်ပေးသည်။ AutoML သည် ML မော်ဒယ်များကို အမြင့်ဆုံးစွမ်းဆောင်ရည်၊ ထိရောက်မှုနှင့် ထုတ်လုပ်မှုဖြင့် ဖန်တီးရန်ကူညီပေးသည်။ [ပိုမိုလေ့လာရန်](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. [Azure ML workspace](https://ml.azure.com/) တွင် "Automated ML" ကိုနှိပ်ပြီး၊ သင့်တင်ထားသော dataset ကိုရွေးပါ။ Next ကိုနှိပ်ပါ။ + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.my.png) + +2. အသစ်သော experiment အမည်၊ target column (DEATH_EVENT) နှင့် Compute Cluster ကိုရွေးပါ။ Next ကိုနှိပ်ပါ။ + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.my.png) + +3. "Classification" ကိုရွေးပြီး Finish ကိုနှိပ်ပါ။ ဤအဆင့်သည် သင့် Compute Cluster အရွယ်အစားပေါ်မူတည်၍ 30 မိနစ်မှ 1 နာရီကြာနိုင်သည်။ + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.my.png) + +4. Run ပြီးဆုံးသောအခါ "Automated ML" tab ကိုနှိပ်ပြီး၊ သင့် Run ကိုနှိပ်ပါ။ "Best model summary" ကဒ်တွင် Algorithm ကိုနှိပ်ပါ။ + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.my.png) + +ဒီမှာ AutoML ဖန်တီးထားသောအကောင်းဆုံးမော်ဒယ်၏အသေးစိတ်ဖော်ပြချက်ကိုကြည့်နိုင်သည်။ Models tab တွင်အခြားမော်ဒယ်များကိုလည်းလေ့လာနိုင်သည်။ Explanations (preview) ခလုတ်ကိုနှိပ်ပြီး မော်ဒယ်များကိုလေ့လာရန်အချိန်ယူပါ။ AutoML ရွေးချယ်ထားသောအကောင်းဆုံးမော်ဒယ်ကိုရွေးပြီး၊ Deployment အဆင့်သို့သွားပါမည်။ + +## 3. Low code/No Code မော်ဒယ် Deployment နှင့် Endpoint အသုံးပြုမှု +### 3.1 Model Deployment + +Automated Machine Learning Interface သည် အကောင်းဆုံးမော်ဒယ်ကို Web Service အဖြစ် Deployment ပြုလုပ်ရန် လွယ်ကူသောအဆင့်အနည်းငယ်ဖြင့်လုပ်ဆောင်နိုင်သည်။ Deployment သည် မော်ဒယ်ကိုအသစ်သောဒေတာများအပေါ်မူတည်၍ ခန့်မှန်းချက်များပြုလုပ်ရန်အIntegration ဖြစ်သည်။ + +အကောင်းဆုံးမော်ဒယ်ဖော်ပြချက်တွင် "Deploy" ခလုတ်ကိုနှိပ်ပါ။ + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.my.png) + +15. အမည်၊ ဖော်ပြချက်၊ Compute အမျိုးအစား (Azure Container Instance) ကိုပေးပြီး Authentication ကိုဖွင့်ပါ။ Deploy ကိုနှိပ်ပါ။ Deployment အဆင့်သည် 20 မိနစ်ခန့်ကြာနိုင်သည်။ Deployment အခြေအနေကို Refresh နှိပ်ပြီးစစ်ဆေးပါ။ "Healthy" ဖြစ်သောအခါ Deployment ပြီးဆုံးသည်။ + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.my.png) + +16. Deployment ပြီးဆုံးသောအခါ Endpoint tab ကိုနှိပ်ပြီး၊ သင့် Deployment Endpoint ကိုနှိပ်ပါ။ Endpoint အကြောင်းအသေးစိတ်ကိုဒီမှာကြည့်နိုင်သည်။ + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.my.png) + +အံ့သြဖွယ်! ယခုမော်ဒယ်ကို Deployment ပြုလုပ်ပြီးဖြစ်သောကြောင့်၊ Endpoint ကိုအသုံးပြုနိုင်ပါပြီ။ + +### 3.2 Endpoint အသုံးပြုမှု + +"Consume" tab ကိုနှိပ်ပါ။ REST Endpoint နှင့် Python Script ကိုဒီမှာတွေ့နိုင်သည်။ Python Code ကိုဖတ်ရန်အချိန်ယူပါ။ + +ဒီ Script ကိုသင့် Local Machine မှတစ်ဆင့်တိုက်ရိုက် Run လုပ်ပြီး Endpoint ကိုအသုံးပြုနိုင်သည်။ + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.my.png) + +ဒီလို Code ကိုစစ်ဆေးပါ - + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # Replace this with the API key for the web service +``` +`url` variable သည် Consume tab တွင်တွေ့ရသော REST Endpoint ဖြစ်ပြီး၊ `api_key` variable သည် Primary Key ဖြစ်သည် (Authentication ဖွင့်ထားပါကเท่านั้น)။ Script သည် Endpoint ကိုဒီလိုအသုံးပြုသည်။ + +18. Script ကို Run လုပ်ပါက အောက်ပါအဖြေကိုတွေ့ရမည် - + ```python + b'"{\\"result\\": [true]}"' + ``` +ဒီအဓိပ္ပါယ်မှာ ပေးထားသောဒေတာအပေါ်မူတည်၍ Heart Failure ဖြစ်နိုင်ခြေရှိသည်ဟုခန့်မှန်းသည်။ Script တွင် Default အနေဖြင့် အားလုံး 0 နှင့် False ဖြစ်နေသည်ကိုသတိပြုပါ။ အောက်ပါ Input Sample ဖြင့်ဒေတာကိုပြောင်းနိုင်သည် - + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +Script သည် အောက်ပါအဖြေကိုပြန်ပေးမည် - + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +ဂုဏ်ယူပါတယ်! သင်သည် Azure ML တွင် မော်ဒယ်ကိုလေ့ကျင့်ပြီး၊ Deployment ပြုလုပ်ပြီး၊ Endpoint ကိုအသုံးပြုနိုင်ခဲ့ပါပြီ။ + +> **_မှတ်ချက်:_** ပရောဂျက်ပြီးဆုံးပါက Resource အားလုံးကိုဖျက်ရန်မမေ့ပါနှင့်။ +## 🚀 စိန်ခေါ်မှု + +AutoML ဖန်တီးထားသောအကောင်းဆုံးမော်ဒယ်နှင့်အခြားမော်ဒယ်များကိုနှိုင်းယှဉ်ကြည့်ပါ။ အကောင်းဆုံးမော်ဒယ်သည်ဘာကြောင့်ပိုကောင်းသနည်းဆိုတာကိုနားလည်ရန်ကြိုးစားပါ။ ဘယ် Algorithm များကိုနှိုင်းယှဉ်ခဲ့သလဲ? အကောင်းဆုံးမော်ဒယ်သည်ဘာကြောင့်ဤအခါတွင်ပိုမိုထိရောက်သနည်း? + +## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +ဤသင်ခန်းစာတွင် Heart Failure ဖြစ်နိုင်ခြေခန့်မှန်းရန် Low code/No Code နည်းလမ်းဖြင့် Cloud တွင် မော်ဒယ်ကိုလေ့ကျင့်ခြင်း၊ Deployment ပြုလုပ်ခြင်းနှင့် အသုံးပြုခြင်းကိုသင်ယူခဲ့သည်။ AutoML ဖန်တီးထားသောအကောင်းဆုံးမော်ဒယ်၏ Explanations ကိုနက်နက်ရှိုင်းရှိုင်းလေ့လာပြီး၊ အခြားမော်ဒယ်များနှင့်ဘာကြောင့်ကွာခြားသလဲဆိုတာကိုနားလည်ရန်ကြိုးစားပါ။ + +Low code/No Code AutoML အကြောင်းပိုမိုလေ့လာရန်ဤ [စာရွက်စာတမ်း](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကိုဖတ်ပါ။ + +## လုပ်ငန်းတာဝန် + +[Azure ML တွင် Low code/No Code Data Science ပရောဂျက်](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရားရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/my/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..c2b5b386 --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,25 @@ + +# Azure ML တွင် Low code/No code Data Science ပရောဂျက် + +## လမ်းညွှန်ချက်များ + +Azure ML ပလက်ဖောင်းကို အသုံးပြု၍ Low code/No code နည်းလမ်းဖြင့် မော်ဒယ်ကို လေ့ကျင့်ခြင်း၊ တင်သွင်းခြင်းနှင့် အသုံးပြုခြင်းများကို ကျွန်တော်တို့ကြည့်ခဲ့ပါသည်။ ယခု သင်တစ်ဦးတည်းဖြင့် အသုံးပြုနိုင်မည့် အခြားမော်ဒယ်တစ်ခုကို လေ့ကျင့်ရန်၊ တင်သွင်းရန်နှင့် အသုံးပြုရန်အတွက် သင့်အနီးရှိ ဒေတာများကို ရှာဖွေကြည့်ပါ။ သင် [Kaggle](https://kaggle.com) နှင့် [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) တွင် ဒေတာစနစ်များကို ရှာဖွေနိုင်ပါသည်။ + +## အကဲဖြတ်စနစ် + +| ထူးချွန်သော | လုံလောက်သော | တိုးတက်မှုလိုအပ်သော | +|--------------|-------------|---------------------| +|ဒေတာကို upload လုပ်စဉ်တွင် feature အမျိုးအစားကို လိုအပ်ပါက ပြောင်းလဲပေးထားသည်။ လိုအပ်ပါက ဒေတာကို သန့်စင်ပေးထားသည်။ AutoML ဖြင့် ဒေတာစနစ်တစ်ခုကို လေ့ကျင့်ပြီး မော်ဒယ်ရှင်းလင်းချက်များကို စစ်ဆေးထားသည်။ အကောင်းဆုံးမော်ဒယ်ကို တင်သွင်းပြီး အသုံးပြုနိုင်ခဲ့သည်။ | ဒေတာကို upload လုပ်စဉ်တွင် feature အမျိုးအစားကို လိုအပ်ပါက ပြောင်းလဲပေးထားသည်။ AutoML ဖြင့် ဒေတာစနစ်တစ်ခုကို လေ့ကျင့်ပြီး အကောင်းဆုံးမော်ဒယ်ကို တင်သွင်းပြီး အသုံးပြုနိုင်ခဲ့သည်။ | AutoML ဖြင့် လေ့ကျင့်ထားသော အကောင်းဆုံးမော်ဒယ်ကို တင်သွင်းပြီး အသုံးပြုနိုင်ခဲ့သည်။ | + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ်ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/my/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..0a72c217 --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,274 @@ + +# Cloud တွင် Data Science: "Azure ML SDK" နည်းလမ်း + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| Cloud တွင် Data Science: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +အကြောင်းအရာများစာရင်း: + +- [Cloud တွင် Data Science: "Azure ML SDK" နည်းလမ်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [မစခင် စစ်ဆေးမေးခွန်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. နိဒါန်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 Azure ML SDK ဆိုတာဘာလဲ?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 နှလုံးရောဂါကြိုတင်ခန့်မှန်းမှု စီမံကိန်းနှင့် ဒေတာအကြောင်းမိတ်ဆက်](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. Azure ML SDK ဖြင့် မော်ဒယ်တင်သင်ကြားခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 Azure ML workspace တစ်ခု ဖန်တီးခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 Compute instance တစ်ခု ဖန်တီးခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 ဒေတာစနစ်တင်ခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 Notebook များ ဖန်တီးခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 မော်ဒယ်တင်သင်ကြားခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 Workspace, experiment, compute cluster နှင့် dataset ကို စတင်ပြင်ဆင်ခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 AutoML Configuration နှင့် သင်ကြားမှု](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. Azure ML SDK ဖြင့် မော်ဒယ်တင်သင်ကြားပြီး deployment နှင့် endpoint အသုံးပြုခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 အကောင်းဆုံးမော်ဒယ်ကို သိမ်းဆည်းခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 မော်ဒယ် Deployment](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 Endpoint အသုံးပြုခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 စိန်ခေါ်မှု](../../../../5-Data-Science-In-Cloud/19-Azure) + - [မစခင် စစ်ဆေးမေးခွန်း](../../../../5-Data-Science-In-Cloud/19-Azure) + - [ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာမှု](../../../../5-Data-Science-In-Cloud/19-Azure) + - [အိမ်စာ](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [မစခင် စစ်ဆေးမေးခွန်း](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36) + +## 1. နိဒါန်း + +### 1.1 Azure ML SDK ဆိုတာဘာလဲ? + +Data scientist များနှင့် AI developer များသည် Azure Machine Learning SDK ကို အသုံးပြု၍ Azure Machine Learning service ဖြင့် machine learning workflow များကို တည်ဆောက်ပြီး အကောင်အထည်ဖော်ကြသည်။ Python environment မည်သည့်အရာတွင်မဆို (ဥပမာ Jupyter Notebooks, Visual Studio Code, သို့မဟုတ် သင်နှစ်သက်သော Python IDE) service နှင့် အပြန်အလှန်ဆက်သွယ်နိုင်သည်။ + +SDK ၏ အဓိကအပိုင်းများမှာ: + +- Machine learning စမ်းသပ်မှုများတွင် အသုံးပြုမည့် dataset များကို စူးစမ်းခြင်း၊ ပြင်ဆင်ခြင်းနှင့် ၎င်းတို့၏ အသက်တာစဉ်ကို စီမံခန့်ခွဲခြင်း။ +- Cloud resources များကို စီမံခန့်ခွဲခြင်း၊ စောင့်ကြည့်ခြင်း၊ log မှတ်တမ်းများရေးသားခြင်းနှင့် စမ်းသပ်မှုများကို စီမံခြင်း။ +- မော်ဒယ်များကို ဒေသတွင် သို့မဟုတ် GPU acceleration ပါဝင်သည့် cloud resources အသုံးပြု၍ သင်ကြားခြင်း။ +- AutoML ကို အသုံးပြုခြင်း၊ ၎င်းသည် configuration parameters နှင့် training data ကို လက်ခံပြီး အကောင်းဆုံးမော်ဒယ်ကို ရှာဖွေရန် algorithm နှင့် hyperparameter များကို အလိုအလျောက် iteration ပြုလုပ်သည်။ +- သင်ကြားပြီးသော မော်ဒယ်များကို RESTful service များအဖြစ် deploy လုပ်ပြီး မည်သည့် application တွင်မဆို အသုံးပြုနိုင်သော web service များအဖြစ် ပြောင်းလဲခြင်း။ + +[Azure Machine Learning SDK အကြောင်းပိုမိုလေ့လာရန်](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +[ယခင်သင်ခန်းစာ](../18-Low-Code/README.md) တွင် Low code/No code နည်းလမ်းဖြင့် မော်ဒယ်တစ်ခုကို သင်ကြားခြင်း၊ deploy လုပ်ခြင်းနှင့် အသုံးပြုခြင်းကို ကြည့်ခဲ့ပါသည်။ Heart Failure dataset ကို အသုံးပြု၍ နှလုံးရောဂါကြိုတင်ခန့်မှန်းမော်ဒယ်ကို ဖန်တီးခဲ့သည်။ ယခုသင်ခန်းစာတွင် အတူတူသောအရာကို Azure Machine Learning SDK ကို အသုံးပြု၍ ပြုလုပ်သွားမည်ဖြစ်သည်။ + +![project-schema](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.my.png) + +### 1.2 နှလုံးရောဂါကြိုတင်ခန့်မှန်းမှု စီမံကိန်းနှင့် ဒေတာအကြောင်းမိတ်ဆက် + +[ဒီနေရာ](../18-Low-Code/README.md) တွင် နှလုံးရောဂါကြိုတင်ခန့်မှန်းမှု စီမံကိန်းနှင့် dataset အကြောင်းကို ကြည့်ပါ။ + +## 2. Azure ML SDK ဖြင့် မော်ဒယ်တင်သင်ကြားခြင်း + +### 2.1 Azure ML workspace တစ်ခု ဖန်တီးခြင်း + +ရိုးရှင်းစွာ Jupyter notebook တွင် အလုပ်လုပ်မည်ဖြစ်သည်။ ၎င်းသည် သင်မှာ Workspace နှင့် compute instance ရှိပြီးဖြစ်သည်ဟု ဆိုလိုသည်။ Workspace ရှိပြီးသားဖြစ်ပါက 2.3 Notebook ဖန်တီးခြင်း အပိုင်းသို့ တိုက်ရိုက်သွားနိုင်သည်။ + +Workspace မရှိသေးပါက [ယခင်သင်ခန်းစာ](../18-Low-Code/README.md) ၏ **2.1 Azure ML workspace ဖန်တီးခြင်း** အပိုင်းတွင် ဖော်ပြထားသည့် လမ်းညွှန်ချက်များကို လိုက်နာပါ။ + +### 2.2 Compute instance တစ်ခု ဖန်တီးခြင်း + +[Azure ML workspace](https://ml.azure.com/) တွင် Compute menu သို့သွားပြီး ရရှိနိုင်သော compute resources များကို ကြည့်ပါ။ + +![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.my.png) + +Jupyter notebook တစ်ခုကို provision လုပ်ရန် compute instance တစ်ခု ဖန်တီးမည်။ +1. + New ခလုတ်ကို နှိပ်ပါ။ +2. Compute instance အတွက် အမည်တစ်ခုပေးပါ။ +3. သင့်ရွေးချယ်မှုများ (CPU သို့မဟုတ် GPU, VM အရွယ်အစားနှင့် core အရေအတွက်) ကို ရွေးပါ။ +4. Create ခလုတ်ကို နှိပ်ပါ။ + +ဂုဏ်ယူပါတယ်၊ သင်သည် compute instance တစ်ခု ဖန်တီးပြီးပါပြီ! [Notebook ဖန်တီးခြင်း](../../../../5-Data-Science-In-Cloud/19-Azure) အပိုင်းတွင် ၎င်းကို အသုံးပြုမည်ဖြစ်သည်။ + +### 2.3 ဒေတာစနစ်တင်ခြင်း + +Dataset ကို မတင်ရသေးပါက [ယခင်သင်ခန်းစာ](../18-Low-Code/README.md) ၏ **2.3 ဒေတာစနစ်တင်ခြင်း** အပိုင်းကို ကြည့်ပါ။ + +### 2.4 Notebook များ ဖန်တီးခြင်း + +> **_မှတ်ချက်:_** နောက်တစ်ဆင့်အတွက် သင်အသစ် notebook တစ်ခု ဖန်တီးနိုင်သလို၊ [ယခင်ဖန်တီးထားသော notebook](notebook.ipynb) ကို upload လုပ်နိုင်ပါသည်။ Upload လုပ်ရန် "Notebook" menu ကို နှိပ်ပြီး notebook ကို upload လုပ်ပါ။ + +Notebook များသည် Data Science လုပ်ငန်းစဉ်တွင် အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ ၎င်းတို့ကို Exploratory Data Analysis (EDA) ပြုလုပ်ရန်၊ compute cluster သို့ ခေါ်ရန်၊ သို့မဟုတ် inference cluster သို့ ခေါ်ရန် အသုံးပြုနိုင်သည်။ + +Notebook ဖန်တီးရန် Jupyter notebook instance ကို run လုပ်နေသော compute node တစ်ခု လိုအပ်သည်။ [Azure ML workspace](https://ml.azure.com/) သို့ ပြန်သွားပြီး Compute instances ကို နှိပ်ပါ။ [ယခင်ဖန်တီးထားသော compute instance](../../../../5-Data-Science-In-Cloud/19-Azure) ကို တွေ့ရမည်။ + +1. Applications အပိုင်းတွင် Jupyter ကို နှိပ်ပါ။ +2. "Yes, I understand" ကို အမှန်ခြစ်ပြီး Continue ခလုတ်ကို နှိပ်ပါ။ +![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.my.png) +3. Jupyter notebook instance ဖြင့် browser tab အသစ်တစ်ခု ဖွင့်မည်ဖြစ်သည်။ "New" ခလုတ်ကို နှိပ်ပြီး notebook တစ်ခု ဖန်တီးပါ။ + +![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.my.png) + +Notebook ရရှိပြီးပါက Azure ML SDK ဖြင့် မော်ဒယ်ကို သင်ကြားနိုင်ပါပြီ။ + +### 2.5 မော်ဒယ်တင်သင်ကြားခြင်း + +မည်သည့်အချိန်တွင်မဆို သင်မသေချာပါက [Azure ML SDK documentation](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကို ကြည့်ပါ။ ၎င်းတွင် သင်ခန်းစာတွင် ကြည့်မည့် module များအကြောင်း လိုအပ်သော အချက်အလက်များ ပါဝင်သည်။ + +#### 2.5.1 Workspace, experiment, compute cluster နှင့် dataset ကို စတင်ပြင်ဆင်ခြင်း + +`workspace` ကို configuration ဖိုင်မှ load လုပ်ရန် အောက်ပါ code ကို အသုံးပြုပါ: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +ဤသည်သည် workspace ကို ကိုယ်စားပြုသည့် `Workspace` အမျိုးအစား object တစ်ခုကို ပြန်ပေးသည်။ experiment တစ်ခု ဖန်တီးရန် အောက်ပါ code ကို အသုံးပြုပါ: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` + +Workspace မှ experiment တစ်ခုကို ရယူရန် သို့မဟုတ် ဖန်တီးရန် experiment အမည်ကို အသုံးပြုပါ။ Experiment အမည်သည် 3-36 လုံးရှိရမည်၊ စာလုံး သို့မဟုတ် နံပါတ်ဖြင့် စရမည်၊ စာလုံးများ၊ နံပါတ်များ၊ underscore များနှင့် dash များသာ ပါဝင်နိုင်သည်။ Workspace တွင် experiment မတွေ့ပါက အသစ်တစ်ခု ဖန်တီးမည်ဖြစ်သည်။ + +Training အတွက် compute cluster တစ်ခု ဖန်တီးရန် အောက်ပါ code ကို အသုံးပြုပါ။ ဤအဆင့်သည် မိနစ်အနည်းငယ်ကြာနိုင်သည်။ + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +Workspace မှ dataset ကို dataset အမည်ဖြင့် ရယူနိုင်သည်: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` + +#### 2.5.2 AutoML Configuration နှင့် သင်ကြားမှု + +AutoML configuration ကို သတ်မှတ်ရန် [AutoMLConfig class](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကို အသုံးပြုပါ။ + +Doc တွင် ဖော်ပြထားသည့်အတိုင်း parameter များစွာရှိပြီး သင်ကစားနိုင်သည်။ ဤစီမံကိန်းအတွက် အောက်ပါ parameter များကို အသုံးပြုမည်: + +- `experiment_timeout_minutes`: Experiment ကို အလိုအလျောက်ရပ်တန့်ပြီး ရလဒ်များကို ရရှိနိုင်ရန် ခွင့်ပြုထားသည့် အချိန်အများဆုံး (မိနစ်)။ +- `max_concurrent_iterations`: Experiment အတွက် ခွင့်ပြုထားသည့် concurrent training iteration အများဆုံး။ +- `primary_metric`: Experiment ၏ status ကို သတ်မှတ်ရန် အသုံးပြုသည့် primary metric။ +- `compute_target`: Automated Machine Learning experiment ကို run လုပ်ရန် Azure Machine Learning compute target။ +- `task`: Run လုပ်ရန် task အမျိုးအစား။ 'classification', 'regression', သို့မဟုတ် 'forecasting' ဖြစ်နိုင်သည်။ +- `training_data`: Experiment အတွင်း အသုံးပြုရန် training data။ Training features နှင့် label column (optional sample weights column) ပါဝင်ရမည်။ +- `label_column_name`: Label column ၏ အမည်။ +- `path`: Azure Machine Learning project folder ၏ လမ်းကြောင်းအပြည့်။ +- `enable_early_stopping`: အချိန်တိုအတွင်း score မတိုးတက်ပါက early termination ကို ဖွင့်ရန်။ +- `featurization`: Featurization အဆင့်ကို အလိုအလျောက်ပြုလုပ်ရန် သို့မဟုတ် customize လုပ်ရန်။ +- `debug_log`: Debug အချက်အလက်များကို ရေးရန် log ဖိုင်။ + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` + +Configuration သတ်မှတ်ပြီးပါက အောက်ပါ code ကို အသုံးပြု၍ မော်ဒယ်ကို သင်ကြားနိုင်သည်။ ဤအဆင့်သည် cluster အရွယ်အစားပေါ်မူတည်၍ တစ်နာရီအထိ ကြာနိုင်သည်။ + +```python +remote_run = experiment.submit(automl_config) +``` + +RunDetails widget ကို အသုံးပြု၍ စမ်းသပ်မှုများကို ပြသနိုင်သည်။ + +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` + +## 3. Azure ML SDK ဖြင့် မော်ဒယ်တင်သင်ကြားပြီး deployment နှင့် endpoint အသုံးပြုခြင်း + +### 3.1 အကောင်းဆုံးမော်ဒယ်ကို သိမ်းဆည်းခြင်း + +`remote_run` သည် [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) အမျိုးအစား object တစ်ခုဖြစ်သည်။ ၎င်းတွင် `get_output()` method ပါဝင်ပြီး ၎င်းသည် အကောင်းဆုံး run နှင့် ၎င်းနှင့်ဆက်စပ်သော fitted model ကို ပြန်ပေးသည်။ + +```python +best_run, fitted_model = remote_run.get_output() +``` + +အကောင်းဆုံးမော်ဒယ်တွင် အသုံးပြုထားသည့် parameter များကို fitted_model ကို print လုပ်ခြင်းဖြင့် ကြည့်နိုင်သည်။ အကောင်းဆုံးမော်ဒယ်၏ property များကို [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) method ဖြင့် ကြည့်နိုင်သည်။ + +```python +best_run.get_properties() +``` + +ယခု [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) method ဖြင့် မော်ဒယ်ကို register လုပ်ပါ။ + +```python +model_name = best_run.properties['model_name'] +script_file_name = 'inference/score.py' +best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') +description = "aml heart failure project sdk" +model = best_run.register_model(model_name = model_name, + model_path = './outputs/', + description = description, + tags = None) +``` + +### 3.2 မော်ဒယ် Deployment + +အကောင်းဆုံးမော်ဒယ်ကို သိမ်းဆည်းပြီးပါက [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) class ဖြင့် deploy လုပ်နိုင်သည်။ InferenceConfig သည် deployment အတွက် custom environment တစ်ခု၏ configuration setting များကို ကိုယ်စားပြုသည်။ [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) class သည် Azure Container Instances တွင် web service endpoint အဖြစ် deploy +```python +response = aci_service.run(input_data=test_sample) +response +``` +ဒီဟာက `'{"result": [false]}'` ကို output ပေးသင့်ပါတယ်။ ဒါကဆိုရင်တော့ ကျွန်တော်တို့ endpoint ကို ပို့လိုက်တဲ့ patient input က `false` ဆိုတဲ့ အနက်ကို generate လုပ်ပေးတယ်၊ ဒါကဆိုရင် ဒီလူဟာ နှလုံးရောဂါဖြစ်နိုင်ခြေ မရှိဘူးလို့ ဆိုလိုပါတယ်။ + +ဂုဏ်ယူပါတယ်! Azure ML SDK ကို အသုံးပြုပြီး Azure ML ပေါ်မှာ train လုပ်ပြီး deploy လုပ်ထားတဲ့ model ကို သင်အသုံးပြုနိုင်ခဲ့ပါပြီ! + +> **_NOTE:_** Project ကိုပြီးမြောက်သွားတဲ့အခါမှာ သင်အသုံးပြုထားတဲ့ resource တွေကို မမေ့ဘဲ delete လုပ်ပေးပါ။ + +## 🚀 စိန်ခေါ်မှု + +SDK ကို အသုံးပြုပြီး လုပ်ဆောင်နိုင်တဲ့ အခြားအရာတွေ အများကြီးရှိပါတယ်၊ ဒါပေမယ့် ဒီသင်ခန်းစာမှာ အားလုံးကို ဖော်ပြပေးလို့ မရနိုင်ပါဘူး။ သို့သော် သတင်းကောင်းတစ်ခုကတော့ SDK documentation ကို skim လုပ်တတ်တာက သင်ကိုယ်တိုင် အတော်လေးအထောက်အကူဖြစ်စေမှာပါ။ Azure ML SDK documentation ကို ကြည့်ပြီး `Pipeline` class ကို ရှာဖွေကြည့်ပါ၊ ဒါကတော့ workflow အနေနဲ့ အဆင့်ဆင့်လုပ်ဆောင်နိုင်တဲ့ pipelines တွေကို ဖန်တီးနိုင်စေပါတယ်။ + +**HINT:** [SDK documentation](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကို သွားပြီး "Pipeline" ဆိုတဲ့ keyword ကို ရိုက်ထည့်ရှာဖွေပါ။ ရလဒ်တွေထဲမှာ `azureml.pipeline.core.Pipeline` class ကို တွေ့ရမယ်။ + +## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +ဒီသင်ခန်းစာမှာ သင် Azure ML SDK ကို cloud ပေါ်မှာ အသုံးပြုပြီး နှလုံးရောဂါဖြစ်နိုင်ခြေကို ခန့်မှန်းတဲ့ model ကို train, deploy, consume လုပ်ပုံကို သင်ယူခဲ့ပါတယ်။ Azure ML SDK အကြောင်းပိုမိုသိရှိရန် ဒီ [documentation](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ကို ကြည့်ပါ။ Azure ML SDK ကို အသုံးပြုပြီး သင့်ရဲ့ ကိုယ်ပိုင် model ကို ဖန်တီးကြည့်ပါ။ + +## အိမ်စာ + +[Azure ML SDK ကို အသုံးပြုတဲ့ Data Science project](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/my/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..0bfbf180 --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,25 @@ + +# Azure ML SDK ကို အသုံးပြု၍ Data Science Project + +## လမ်းညွှန်ချက်များ + +Azure ML SDK ကို အသုံးပြုပြီး Azure ML ပလက်ဖောင်းမှာ မော်ဒယ်ကို လေ့ကျင့်၊ တင်သွင်း၊ အသုံးပြုပုံကို ကြည့်ရှုခဲ့ပါပြီ။ အခုတော့ သင့်အနေနဲ့ အခြားမော်ဒယ်တစ်ခုကို လေ့ကျင့်ရန်၊ တင်သွင်းရန်၊ အသုံးပြုရန်အတွက် သင့်အနေနဲ့ အသုံးပြုနိုင်မယ့် ဒေတာတွေကို ရှာဖွေကြည့်ပါ။ [Kaggle](https://kaggle.com) နဲ့ [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) မှာ ဒေတာများကို ရှာဖွေကြည့်နိုင်ပါတယ်။ + +## အဆင့်သတ်မှတ်ချက် + +| ထူးချွန်သော | လုံလောက်သော | တိုးတက်မှုလိုအပ်သော | +|--------------|--------------|---------------------| +|AutoML Configuration လုပ်စဉ်မှာ SDK documentation ကို ကြည့်ရှုပြီး သုံးနိုင်မယ့် parameters တွေကို ရှာဖွေခဲ့သည်။ Azure ML SDK ကို အသုံးပြုပြီး AutoML မှတစ်ဆင့် dataset တစ်ခုကို လေ့ကျင့်ခဲ့ပြီး မော်ဒယ်ရှင်းလင်းချက်များကို စစ်ဆေးခဲ့သည်။ အကောင်းဆုံးမော်ဒယ်ကို တင်သွင်းပြီး Azure ML SDK မှတစ်ဆင့် အသုံးပြုနိုင်ခဲ့သည်။ | Azure ML SDK ကို အသုံးပြုပြီး AutoML မှတစ်ဆင့် dataset တစ်ခုကို လေ့ကျင့်ခဲ့ပြီး မော်ဒယ်ရှင်းလင်းချက်များကို စစ်ဆေးခဲ့သည်။ အကောင်းဆုံးမော်ဒယ်ကို တင်သွင်းပြီး Azure ML SDK မှတစ်ဆင့် အသုံးပြုနိုင်ခဲ့သည်။ | Azure ML SDK ကို အသုံးပြုပြီး AutoML မှတစ်ဆင့် dataset တစ်ခုကို လေ့ကျင့်ခဲ့သည်။ အကောင်းဆုံးမော်ဒယ်ကို တင်သွင်းပြီး Azure ML SDK မှတစ်ဆင့် အသုံးပြုနိုင်ခဲ့သည်။ | + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာရှိသောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/5-Data-Science-In-Cloud/README.md b/translations/my/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..fe699c44 --- /dev/null +++ b/translations/my/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,35 @@ + +# Cloud တွင် ဒေတာသိပ္ပံ + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.my.jpg) + +> ဓာတ်ပုံကို [Jelleke Vanooteghem](https://unsplash.com/@ilumire) မှ [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) တွင် ရယူထားပါသည်။ + +အကြီးမားသော ဒေတာများနှင့်အတူ ဒေတာသိပ္ပံလုပ်ဆောင်ရာတွင် Cloud သည် အရေးပါသော အပြောင်းအလဲတစ်ခုဖြစ်နိုင်ပါသည်။ လာမည့် သုံးခုသော သင်ခန်းစာများတွင် Cloud ဆိုတာဘာလဲ၊ ဘာကြောင့် အထောက်အကူဖြစ်နိုင်သလဲဆိုတာကို ကြည့်ရှုမည်ဖြစ်သည်။ ထို့အပြင် နှလုံးရောဂါ dataset တစ်ခုကိုလည်း လေ့လာပြီး၊ တစ်ဦးတစ်ယောက်တွင် နှလုံးရောဂါဖြစ်နိုင်ခြေကို ခန့်မှန်းနိုင်ရန် မော်ဒယ်တစ်ခုကို တည်ဆောက်မည်ဖြစ်သည်။ Cloud ၏ အားသာချက်ကို အသုံးပြု၍ မော်ဒယ်ကို လေ့ကျင့်ခြင်း၊ တင်သွင်းခြင်းနှင့် အသုံးပြုခြင်းကို နည်းလမ်းနှစ်မျိုးဖြင့် ပြုလုပ်မည်ဖြစ်သည်။ နည်းလမ်းတစ်ခုမှာ Low code/No code ပုံစံဖြင့် အသုံးပြုသူအင်တာဖေ့စ်ကိုသာ အသုံးပြုခြင်းဖြစ်ပြီး၊ နောက်တစ်ခုမှာ Azure Machine Learning Software Developer Kit (Azure ML SDK) ကို အသုံးပြုခြင်းဖြစ်သည်။ + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.my.png) + +### ခေါင်းစဉ်များ + +1. [Cloud ကို ဒေတာသိပ္ပံအတွက် ဘာကြောင့် အသုံးပြုသင့်သလဲ?](17-Introduction/README.md) +2. [Cloud တွင် ဒေတာသိပ္ပံ: "Low code/No code" နည်းလမ်း](18-Low-Code/README.md) +3. [Cloud တွင် ဒေတာသိပ္ပံ: "Azure ML SDK" နည်းလမ်း](19-Azure/README.md) + +### အားကျေးဇူးတင်စကား +ဤသင်ခန်းစာများကို ☁️ နှင့် 💕 ဖြင့် [Maud Levy](https://twitter.com/maudstweets) နှင့် [Tiffany Souterre](https://twitter.com/TiffanySouterre) တို့မှ ရေးသားထားပါသည်။ + +နှလုံးရောဂါခန့်မှန်းမှု ပရောဂျက်အတွက် ဒေတာကို [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) တွင် [ +Larxel](https://www.kaggle.com/andrewmvd) မှ ရယူထားပြီး၊ [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) လိုင်စင်အောက်တွင် ရရှိထားပါသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် ရှုလေ့လာသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/my/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..0aa5459c --- /dev/null +++ b/translations/my/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,141 @@ + +# အမှန်တကယ်ကမ္ဘာတွင် ဒေတာသိပ္ပံ + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| အမှန်တကယ်ကမ္ဘာတွင် ဒေတာသိပ္ပံ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ကျွန်တော်တို့၏ သင်ကြားမှုခရီးစဉ်၏ နောက်ဆုံးအဆင့်သို့ ရောက်ရှိလာပါပြီ။ + +ကျွန်တော်တို့သည် ဒေတာသိပ္ပံနှင့် စည်းကမ်းချက်များ၏ အဓိပ္ပါယ်များဖြင့် စတင်ခဲ့ပြီး၊ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် ရှုထောင့်ဖော်ပြမှုအတွက် အမျိုးမျိုးသော ကိရိယာများနှင့် နည်းလမ်းများကို လေ့လာခဲ့ကြသည်။ ဒေတာသိပ္ပံ၏ အသက်တာစက်ဝန်းကို ပြန်လည်သုံးသပ်ပြီး၊ cloud computing ဝန်ဆောင်မှုများဖြင့် ဒေတာသိပ္ပံလုပ်ငန်းစဉ်များကို အတိုင်းအတာချဲ့ထွင်ခြင်းနှင့် အလိုအလျောက်လုပ်ဆောင်ခြင်းကို လေ့လာခဲ့ကြသည်။ ထို့ကြောင့် သင်သည် _"ဒီလေ့လာမှုအားလုံးကို အမှန်တကယ်ကမ္ဘာကြီးတွင် ဘယ်လိုဆက်စပ်ရမလဲ?"_ ဟု စဉ်းစားနေကြလိမ့်မည်။ + +ဒီသင်ခန်းစာတွင်၊ စက်မှုလုပ်ငန်းအတွင်း ဒေတာသိပ္ပံ၏ အမှန်တကယ်အသုံးချမှုများကို လေ့လာပြီး၊ သုတေသန၊ ဒစ်ဂျစ်တယ် လူ့ဘာသာရပ်များနှင့် တာရှည်တည်တံ့မှုဆိုင်ရာ အထူးဥပမာများကို ဆွေးနွေးသွားမည်ဖြစ်သည်။ ကျောင်းသားများအတွက် စီမံကိန်းအခွင့်အလမ်းများကိုလည်း လေ့လာပြီး၊ သင်၏ သင်ကြားမှုခရီးစဉ်ကို ဆက်လက်တိုးတက်စေရန် အသုံးဝင်သော အရင်းအမြစ်များဖြင့် အဆုံးသတ်သွားမည်။ + +## သင်ခန်းစာမတိုင်မီ စစ်ဆေးမှု + +[သင်ခန်းစာမတိုင်မီ စစ်ဆေးမှု](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) + +## ဒေတာသိပ္ပံ + စက်မှုလုပ်ငန်း + +AI ကို လူတိုင်းအသုံးပြုနိုင်စေရန် အခွင့်အရေးများ ပိုမိုရရှိလာသည့်အတွက်၊ ဖွံ့ဖြိုးသူများသည် AI အခြေပြု ဆုံးဖြတ်ချက်များနှင့် ဒေတာအခြေပြု အမြင်များကို အသုံးပြုသူအတွေ့အကြုံများနှင့် ဖွံ့ဖြိုးမှုလုပ်ငန်းစဉ်များတွင် ပိုမိုလွယ်ကူစွာ ထည့်သွင်းနိုင်ကြသည်။ ဒေတာသိပ္ပံကို စက်မှုလုပ်ငန်းအတွင်း "အသုံးချ" သည့် အချို့သော ဥပမာများမှာ - + + * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) သည် ရောဂါဖြစ်ပွားမှုများနှင့် ရှာဖွေမှုစကားလုံးများကို ဆက်စပ်ရန် ဒေတာသိပ္ပံကို အသုံးပြုခဲ့သည်။ နည်းလမ်းတွင် အားနည်းချက်များရှိသော်လည်း၊ ဒေတာအခြေပြု ကျန်းမာရေးခန့်မှန်းမှုများ၏ အခွင့်အလမ်းများ (နှင့် စိန်ခေါ်မှုများ) အပေါ် သတိပေးမှုကို တိုးတက်စေခဲ့သည်။ + + * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS သည် ဒေတာသိပ္ပံနှင့် စက်လေ့လာမှုကို အသုံးပြု၍ ရေဥတုအခြေအနေများ၊ ယာဉ်အသွားအလာပုံစံများ၊ ပို့ဆောင်ချိန်ကန့်သတ်ချက်များစသည့် အချက်အလက်များကို အခြေခံ၍ ပို့ဆောင်မှုအတွက် အကောင်းဆုံးလမ်းကြောင်းများကို ခန့်မှန်းသည်။ + + * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - [Freedom Of Information Laws](https://chriswhong.com/open-data/foil_nyc_taxi/) ကို အသုံးပြု၍ ရရှိသည့် ဒေတာများကို အသုံးပြု၍ နယူးယောက်မြို့၏ တစ်နေ့တာအတွင်း တက်စီများ၏ လှုပ်ရှားမှုများကို ရှုထောင့်ဖော်ပြခဲ့သည်။ + + * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - Uber ၏ နေ့စဉ် ခရီးစဉ်များမှ ရရှိသည့် ဒေတာများကို အသုံးပြု၍ (ဥပမာ - ခရီးစဉ်အချိန်၊ လမ်းကြောင်းများ) စျေးနှုန်းသတ်မှတ်မှု၊ လုံခြုံမှု၊ လိမ်လည်မှုရှာဖွေမှုနှင့် လမ်းညွှန်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်များအတွက် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုကိရိယာတစ်ခုကို တည်ဆောက်ခဲ့သည်။ + + * [အားကစားဒေတာခွဲခြမ်းစိတ်ဖြာမှု](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _ခန့်မှန်းခွဲခြမ်းစိတ်ဖြာမှု_ (အသင်းနှင့် ကစားသမားခွဲခြမ်းစိတ်ဖြာမှု - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) ကို စဉ်းစားပါ) နှင့် _ဒေတာရှုထောင့်ဖော်ပြမှု_ (အသင်းနှင့် ပရိသတ် dashboard များ) တို့ကို အဓိကထားသည်။ + + * [ဘဏ္ဍာရေးလုပ်ငန်းအတွင်း ဒေတာသိပ္ပံ](https://data-flair.training/blogs/data-science-in-banking/) - အန္တရာယ်ခန့်မှန်းမှု၊ လိမ်လည်မှုရှာဖွေမှု၊ ဖောက်သည်ခွဲခြမ်းစိတ်ဖြာမှု၊ အချိန်နှင့်တပြေးညီ ခန့်မှန်းမှုနှင့် အကြံပြုစနစ်များအတွက် ဒေတာသိပ္ပံ၏ တန်ဖိုးကို ဖော်ပြသည်။ + + * [ကျန်းမာရေးလုပ်ငန်းအတွင်း ဒေတာသိပ္ပံ](https://data-flair.training/blogs/data-science-in-healthcare/) - ဆေးဘက်ဆိုင်ရာ ရုပ်ပုံခွဲခြမ်းစိတ်ဖြာမှု (ဥပမာ - MRI, X-Ray, CT-Scan)၊ DNA စဉ်ဆက်မပြတ်ခွဲခြမ်းစိတ်ဖြာမှု၊ ဆေးဝါးဖွံ့ဖြိုးမှု၊ ရောဂါခြေရာခံမှုနှင့် ကာကွယ်မှုတို့ကို အဓိကထားသည်။ + +![Data Science Applications in The Real World](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.my.png) ပုံရင်းအရင်းအမြစ်: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) + +ပုံတွင် ဒေတာသိပ္ပံနည်းလမ်းများကို အသုံးချနိုင်သည့် အခြားသော နယ်ပယ်များနှင့် ဥပမာများကို ဖော်ပြထားသည်။ အခြားသော အသုံးချမှုများကို လေ့လာလိုပါသလား? [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) အပိုင်းကို ကြည့်ပါ။ + +## ဒေတာသိပ္ပံ + သုတေသန + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| ဒေတာသိပ္ပံနှင့် သုတေသန - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +အမှန်တကယ်အသုံးချမှုများသည် အများအားဖြင့် စက်မှုလုပ်ငန်းအတွင်း အတိုင်းအတာချဲ့ထွင်မှုများကို အဓိကထားသော်လည်း၊ **သုတေသန** လုပ်ငန်းစဉ်များနှင့် စီမံကိန်းများသည် အောက်ပါနှစ်မျိုးဖြင့် အသုံးဝင်နိုင်သည် - + +* **ဆန်းသစ်မှုအခွင့်အလမ်းများ** - နောက်မျိုးဆက်အက်ပလီကေးရှင်းများအတွက် အဆင့်မြင့်အယူအဆများကို အမြန်စမ်းသပ်ရန်။ +* **တပ်ဆင်မှုစိန်ခေါ်မှုများ** - အမှန်တကယ်ကမ္ဘာကြီးတွင် ဒေတာသိပ္ပံနည်းပညာများ၏ အန္တရာယ်များ သို့မဟုတ် မျှော်လင့်မထားသော ရလဒ်များကို စူးစမ်းရန်။ + +ကျောင်းသားများအတွက်၊ သုတေသနစီမံကိန်းများသည် သင်ကြားမှုနှင့် ပူးပေါင်းဆောင်ရွက်မှုအခွင့်အလမ်းများကို ပေးစွမ်းနိုင်ပြီး၊ အကြောင်းအရာကို ပိုမိုနားလည်မှုနှင့် စိတ်ဝင်စားမှုရှိသော လူများ သို့မဟုတ် အဖွဲ့များနှင့် ပိုမိုကျယ်ပြန့်စွာ ဆက်သွယ်နိုင်စေသည်။ + +ဥပမာတစ်ခုအနေဖြင့် [MIT Gender Shades Study](http://gendershades.org/overview.html) ကို ကြည့်ပါ။ + +**အဓိကရလဒ်များ**: AI ဖြေရှင်းချက်များတွင် bias များကို သောတိုင်မီရှင်းလင်းရန် သို့မဟုတ် လျော့ပါးစေရန်၊ ပိုမို **ကိုယ်စားပြုနိုင်သောဒေတာအစုများ** နှင့် ပိုမို **ပါဝင်မှုရှိသောအဖွဲ့များ** လိုအပ်ကြောင်း သတိပေးခဲ့သည်။ + +**Microsoft ၏ သုတေသနများကို လေ့လာလိုပါသလား?** + +* [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) ကို ကြည့်ပါ။ +* [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) မှ ကျောင်းသားစီမံကိန်းများကို လေ့လာပါ။ +* [Fairlearn](https://fairlearn.org/) စီမံကိန်းနှင့် [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) အစီအစဉ်များကို ကြည့်ပါ။ + +## ဒေတာသိပ္ပံ + လူ့ဘာသာရပ်များ + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| ဒေတာသိပ္ပံနှင့် ဒစ်ဂျစ်တယ် လူ့ဘာသာရပ်များ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +ဒစ်ဂျစ်တယ် လူ့ဘာသာရပ်များကို [အဓိပ္ပါယ်ဖော်ပြထားသည်](https://digitalhumanities.stanford.edu/about-dh-stanford) - "ကွန်ပျူတာနည်းလမ်းများနှင့် လူ့ဘာသာရပ်ဆိုင်ရာ စူးစမ်းမှုများကို ပေါင်းစပ်ထားသော လုပ်ငန်းစဉ်များနှင့် နည်းလမ်းများ" ဟု။ + +ဥပမာအနေဖြင့် ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) ကို ကြည့်ပါ။ + +ဒီစီမံကိန်းကို လေ့လာပြီး၊ သင်၏မေးခွန်းများကို ထပ်မံထည့်သွင်းပါ။ + +> [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) တွင် အကူအညီရနိုင်သော ကိရိယာများကို အသုံးပြုပါ။ + +## ဒေတာသိပ္ပံ + တာရှည်တည်တံ့မှု + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| ဒေတာသိပ္ပံနှင့် တာရှည်တည်တံ့မှု - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[2030 Agenda For Sustainable Development](https://sdgs.un.org/2030agenda) သည် ကမ္ဘာကြီးကို အန္တရာယ်မှ ကာကွယ်ရန်နှင့် ရာသီဥတုပြောင်းလဲမှု၏ သက်ရောက်မှုများကို လျော့ပါးစေရန် အဓိကထားသည်။ + +Microsoft ၏ [Planetary Computer](https://planetarycomputer.microsoft.com/) စီမံကိန်းသည် ဒေတာသိပ္ပံပညာရှင်များနှင့် ဖွံ့ဖြိုးသူများကို အောက်ပါ ၄ ခုဖြင့် ကူညီသည် - + + * [Data Catalog](https://planetarycomputer.microsoft.com/catalog) - Earth Systems ဒေတာများ (အခမဲ့နှင့် Azure-hosted)။ + * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - အချိန်နှင့် နေရာအလိုက် ဒေတာရှာဖွေရန်။ + * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - အကြီးမားဆုံး geospatial ဒေတာများကို စီမံရန်။ + * [Applications](https://planetarycomputer.microsoft.com/applications) - တာရှည်တည်တံ့မှုအမြင်များအတွက် အသုံးပြုမှုများနှင့် ကိရိယာများကို ပြသသည်။ +**Planetary Computer Project သည် လက်ရှိတွင် preview အဆင့်တွင် ရှိနေပါသည် (စက်တင်ဘာ 2021 အခြေအနေဖြင့်)** - ဒေတာသိပ္ပံကို အသုံးပြု၍ တာဝန်ယူမှုရှိသော ဖြေရှင်းချက်များကို မည်သို့ စတင်ပံ့ပိုးနိုင်မည်ကို အောက်တွင် ဖော်ပြထားပါသည်။ + +* [အသုံးပြုခွင့်တောင်းဆိုပါ](https://planetarycomputer.microsoft.com/account/request) - စတင်လေ့လာပြီး မိတ်ဆွေများနှင့် ချိတ်ဆက်ရန်။ +* [စာရွက်စာတမ်းများကို လေ့လာပါ](https://planetarycomputer.microsoft.com/docs/overview/about) - ပံ့ပိုးထားသော ဒေတာစုစည်းမှုများနှင့် API များကို နားလည်ရန်။ +* [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) ကဲ့သို့သော အက်ပလီကေးရှင်းများကို လေ့လာပြီး အကြံဉာဏ်များ ရယူပါ။ + +ဒေတာကို အသုံးပြု၍ ရှုထောင့်အသစ်များကို ဖော်ထုတ်ခြင်း သို့မဟုတ် ရှင်းလင်းစွာ ဖော်ပြခြင်းအားဖြင့် ရာသီဥတုပြောင်းလဲမှုနှင့် သစ်တောများဖျက်ဆီးမှုကဲ့သို့သော နယ်ပယ်များတွင် အကျိုးသက်ရောက်မှုရှိစေမည့် နည်းလမ်းများကို စဉ်းစားပါ။ ဒါမှမဟုတ်၊ အကျိုးသက်ရောက်မှုများကို အသုံးပြု၍ တာဝန်ယူမှုရှိသော နေထိုင်မှုအတွက် အပြုအမူပြောင်းလဲမှုများကို လှုံ့ဆော်မည့် အသုံးပြုသူအတွေ့အကြုံအသစ်များ ဖန်တီးနိုင်မည့် နည်းလမ်းများကို စဉ်းစားပါ။ + +## ဒေတာသိပ္ပံ + ကျောင်းသားများ + +စက်မှုလုပ်ငန်းနှင့် သုတေသနတွင် အမှန်တကယ်အသုံးချနိုင်သော အက်ပလီကေးရှင်းများအကြောင်း ပြောခဲ့ပြီး၊ ဒစ်ဂျစ်တယ် လူ့ဘာသာရပ်များနှင့် တာဝန်ယူမှုရှိသော နယ်ပယ်များတွင် ဒေတာသိပ္ပံအက်ပလီကေးရှင်း ဥပမာများကို လေ့လာခဲ့ပါသည်။ ဒါဆိုရင် ဒေတာသိပ္ပံ စတင်လေ့လာသူများအနေဖြင့် မည်သို့ ကျွမ်းကျင်မှုများ တည်ဆောက်ပြီး သင်၏ အတတ်ပညာကို မျှဝေနိုင်မည်နည်း? + +အောက်တွင် ကျောင်းသားများအတွက် ဒေတာသိပ္ပံ စီမံကိန်း ဥပမာများကို ဖော်ပြထားပါသည်။ + +* [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) နှင့် GitHub [projects](https://github.com/msr-ds3) တွင် အောက်ပါအကြောင်းအရာများကို လေ့လာပါ။ + - [ရဲတပ်ဖွဲ့၏ အင်အားသုံးမှုတွင် လူမျိုးရေး အခြေပြု အကြောင်းအရာများ](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) + - [နယူးယောက်မြို့ မီးရထားစနစ်၏ ယုံကြည်စိတ်ချမှု](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) +* [Digitizing Material Culture: Exploring socio-economic distributions in Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) နှင့် Claremont မှ အဖွဲ့၏ စီမံကိန်း၊ [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ကို အသုံးပြုထားသည်။ + +## 🚀 စိန်ခေါ်မှု + +စတင်လေ့လာသူများအတွက် သင့်တော်သော ဒေတာသိပ္ပံ စီမံကိန်းများကို အကြံပြုထားသော ဆောင်းပါးများကို ရှာဖွေပါ - ဥပမာအားဖြင့် [ဤ 50 ခေါင်းစဉ်များ](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [ဤ 21 စီမံကိန်းအကြံပြုချက်များ](https://www.intellspot.com/data-science-project-ideas) သို့မဟုတ် [ဤ 16 စီမံကိန်းများနှင့် အရင်းအမြစ်ကုဒ်](https://data-flair.training/blogs/data-science-project-ideas/) တို့ကို လေ့လာပြီး ပြန်လည်ဖွဲ့စည်းပါ။ သင်၏ လေ့လာမှုခရီးစဉ်များကို ဘလော့ဂ်ရေးသားပြီး သင်၏ အမြင်များကို ကျွန်ုပ်တို့အား မျှဝေရန် မမေ့ပါနှင့်။ + +## Post-Lecture Quiz + +[Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) + +## ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း + +နောက်ထပ် အသုံးချနိုင်သော နယ်ပယ်များကို လေ့လာလိုပါသလား? အောက်တွင် သက်ဆိုင်ရာ ဆောင်းပါးအချို့ကို ဖော်ပြထားပါသည်။ +* [17 Data Science Applications and Examples](https://builtin.com/data-science/data-science-applications-examples) - ဇူလိုင် 2021 +* [11 Breathtaking Data Science Applications in Real World](https://myblindbird.com/data-science-applications-real-world/) - မေ 2021 +* [Data Science In The Real World](https://towardsdatascience.com/data-science-in-the-real-world/home) - ဆောင်းပါးစုစည်းမှု +* ဒေတာသိပ္ပံ အတွက်: [ပညာရေး](https://data-flair.training/blogs/data-science-in-education/), [စိုက်ပျိုးရေး](https://data-flair.training/blogs/data-science-in-agriculture/), [ဘဏ္ဍာရေး](https://data-flair.training/blogs/data-science-in-finance/), [ရုပ်ရှင်](https://data-flair.training/blogs/data-science-at-movies/) နှင့် အခြားများ။ + +## လုပ်ငန်းတာဝန် + +[Explore A Planetary Computer Dataset](assignment.md) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/my/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..7a51379b --- /dev/null +++ b/translations/my/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,50 @@ + +# အာကာသကွန်ပျူတာဒေတာအစုအဝေးကို စူးစမ်းပါ + +## လမ်းညွှန်ချက်များ + +ဒီသင်ခန်းစာမှာ ကျွန်တော်တို့က ဒေတာသိပ္ပံလျှောက်လွှာနယ်ပယ်အမျိုးမျိုးကို ဆွေးနွေးခဲ့ပြီး သုတေသန၊ တာရှည်တည်တံ့မှုနဲ့ ဒစ်ဂျစ်တယ် လူ့ကျင့်ဝတ်ဆိုင်ရာ ဥပမာတွေကို နက်ရှိုင်းစွာ လေ့လာခဲ့ပါတယ်။ ဒီအလုပ်မှာ သင်ဟာ ဒီဥပမာတွေထဲက တစ်ခုကို ပိုမိုအသေးစိတ် စူးစမ်းပြီး တာရှည်တည်တံ့မှုဆိုင်ရာ ဒေတာအပေါ် အမြင်တွေ ရရှိဖို့ ဒေတာအမြင်ပြမှုနဲ့ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ သင်ယူမှုတွေကို အသုံးချရပါမယ်။ + +[Planetary Computer](https://planetarycomputer.microsoft.com/) စီမံကိန်းမှာ အကောင့်နဲ့ ဝင်ရောက်နိုင်တဲ့ ဒေတာအစုအဝေးနဲ့ API တွေ ရှိပါတယ် - အလုပ်ဆောင်ချက်ရဲ့ အပိုအဆင့်ကို စမ်းသပ်ချင်ရင် အကောင့်တစ်ခုကို တောင်းဆိုပါ။ ဒီဆိုဒ်မှာလည်း အကောင့်မဖန်တီးဘဲ အသုံးပြုနိုင်တဲ့ [Explorer](https://planetarycomputer.microsoft.com/explore) လုပ်ဆောင်ချက်ကို ပံ့ပိုးပေးထားပါတယ်။ + +`အဆင့်များ:` +Explorer အင်တာဖေ့စ် (အောက်ပါ screenshot မှာ ပြထားတဲ့အတိုင်း) က သင့်ကို ဒေတာအစုအဝေးတစ်ခု (ပံ့ပိုးပေးထားတဲ့ ရွေးချယ်စရာတွေထဲက)၊ အကြိုတင်သတ်မှတ်ထားတဲ့ query (ဒေတာကို စစ်ထုတ်ဖို့) နဲ့ rendering ရွေးချယ်မှု (သက်ဆိုင်ရာ အမြင်ပြမှုတစ်ခု ဖန်တီးဖို့) ကို ရွေးချယ်ခွင့်ပေးပါတယ်။ ဒီအလုပ်မှာ သင့်တာဝန်ကတော့: + + 1. [Explorer documentation](https://planetarycomputer.microsoft.com/docs/overview/explorer/) ကို ဖတ်ပါ - ရွေးချယ်စရာတွေကို နားလည်ပါ။ + 2. [Catalog](https://planetarycomputer.microsoft.com/catalog) ဒေတာအစုအဝေးကို စူးစမ်းပါ - ဒါ့ရည်ရွယ်ချက်ကို လေ့လာပါ။ + 3. Explorer ကို အသုံးပြုပါ - စိတ်ဝင်စားစရာ ဒေတာအစုအဝေးတစ်ခုကို ရွေးချယ်ပြီး သက်ဆိုင်ရာ query နဲ့ rendering ရွေးချယ်မှုကို ရွေးပါ။ + +![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.my.png) + +`သင့်တာဝန်:` +Browser မှာ ပြသထားတဲ့ အမြင်ပြမှုကို လေ့လာပြီး အောက်ပါအတိုင်း ဖြေကြားပါ: + * ဒေတာအစုအဝေးမှာ ဘယ်လို _features_ တွေ ပါဝင်လဲ? + * အမြင်ပြမှုက ဘယ်လို _insights_ သို့မဟုတ် ရလဒ်တွေ ပေးသလဲ? + * ဒီရလဒ်တွေက စီမံကိန်းရဲ့ တာရှည်တည်တံ့မှုရည်မှန်းချက်တွေနဲ့ ဘယ်လို _ဆက်စပ်မှု_ ရှိလဲ? + * အမြင်ပြမှုရဲ့ _ကန့်သတ်ချက်_ တွေက ဘာတွေလဲ (ဥပမာ - ဘာအမြင်ကို မရနိုင်ခဲ့တာလဲ)? + * raw data ကို ရနိုင်မယ်ဆိုရင် ဘယ်လို _အခြားအမြင်ပြမှု_ တွေ ဖန်တီးမလဲ၊ ဘာကြောင့်လဲ? + +`အပိုအမှတ်များ:` +အကောင့်တစ်ခုအတွက် လျှောက်ထားပြီး - လက်ခံရရှိတဲ့အခါ login ဝင်ပါ။ + * _Launch Hub_ ရွေးချယ်မှုကို အသုံးပြုပြီး raw data ကို Notebook မှာ ဖွင့်ပါ။ + * ဒေတာကို အပြန်အလှန် စူးစမ်းပြီး သင့်စိတ်ကူးထားတဲ့ အခြားအမြင်ပြမှုတွေကို အကောင်အထည်ဖော်ပါ။ + * အခုတော့ သင့်ရဲ့ အထူးပြု အမြင်ပြမှုတွေကို ခွဲခြမ်းစိတ်ဖြာပါ - မူလမှာ မရနိုင်ခဲ့တဲ့ အမြင်တွေကို ရနိုင်ခဲ့လား? + +## အကဲဖြတ်စံနှုန်း + +ထူးချွန် | လုံလောက် | တိုးတက်မှုလိုအပ် +--- | --- | -- | +မူလမေးခွန်း ၅ ခုလုံးကို ဖြေကြားပြီး ဖြစ်ပါတယ်။ လက်ရှိအမြင်ပြမှုနဲ့ အခြားအမြင်ပြမှုတွေက တာရှည်တည်တံ့မှုရည်မှန်းချက်တွေ သို့မဟုတ် ရလဒ်တွေကို ဘယ်လိုပေးနိုင်မလဲဆိုတာကို ကျယ်ကျယ်ပြန့်ပြန့် ဖော်ပြနိုင်ပါတယ်။ | အထက်ပါ မေးခွန်း ၃ ခုကို အနည်းဆုံး အသေးစိတ် ဖြေကြားပြီး Explorer ကို လက်တွေ့အသုံးပြုခဲ့တာကို ပြသနိုင်ပါတယ်။ | မေးခွန်းအတော်များများကို ဖြေကြားမရနိုင်ဘဲ သို့မဟုတ် အသေးစိတ်မလုံလောက်ဘဲ ဖြေကြားထားပြီး စီမံကိန်းအတွက် အဓိကကြိုးစားမှု မရှိကြောင်း ပြသနေပါတယ်။ | + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/6-Data-Science-In-Wild/README.md b/translations/my/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..3773eafb --- /dev/null +++ b/translations/my/6-Data-Science-In-Wild/README.md @@ -0,0 +1,25 @@ + +# တောထဲက ဒေတာသိပ္ပံ + +စက်မှုလုပ်ငန်းများအနှံ့ ဒေတာသိပ္ပံ၏ အမှန်တကယ်အသုံးချမှုများ။ + +### ခေါင်းစဉ်များ + +1. [အမှန်တကယ်ကမ္ဘာမှာ ဒေတာသိပ္ပံ](20-Real-World-Examples/README.md) + +### အကျိုးတူ + +❤️ ဖြင့်ရေးသားထားသော [Nitya Narasimhan](https://twitter.com/nitya) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသောအချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/CODE_OF_CONDUCT.md b/translations/my/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..fc46cf15 --- /dev/null +++ b/translations/my/CODE_OF_CONDUCT.md @@ -0,0 +1,23 @@ + +# Microsoft Open Source Code of Conduct + +ဒီပရောဂျက်သည် [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ကို လက်ခံထားပါသည်။ + +အရင်းအမြစ်များ: + +- [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) +- [Microsoft Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) +- မေးခွန်းများ သို့မဟုတ် စိုးရိမ်မှုများရှိပါက [opencode@microsoft.com](mailto:opencode@microsoft.com) ကို ဆက်သွယ်ပါ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/CONTRIBUTING.md b/translations/my/CONTRIBUTING.md new file mode 100644 index 00000000..011655fa --- /dev/null +++ b/translations/my/CONTRIBUTING.md @@ -0,0 +1,23 @@ + +# ပူးပေါင်းဆောင်ရွက်မှု + +ဒီပရောဂျက်ဟာ ပူးပေါင်းဆောင်ရွက်မှုများနှင့် အကြံပြုချက်များကို ကြိုဆိုပါတယ်။ များသောအားဖြင့် ပူးပေါင်းဆောင်ရွက်မှုများအတွက် သင်သည် Contributor License Agreement (CLA) ကို သဘောတူရမည်ဖြစ်ပြီး၊ သင်၏ပူးပေါင်းဆောင်ရွက်မှုကို အသုံးပြုရန် ကျွန်ုပ်တို့အား အခွင့်အရေးပေးရန် သင့်တွင် အခွင့်အရေးရှိကြောင်းနှင့် အမှန်တကယ်ပေးလိုက်ကြောင်း ကြေညာရမည်ဖြစ်သည်။ အသေးစိတ်အချက်အလက်များအတွက် https://cla.microsoft.com ကို ကြည့်ပါ။ + +သင် pull request တင်သည့်အခါ၊ CLA-bot သည် သင် CLA ပေးရန် လိုအပ်မလိုအပ် စစ်ဆေးပြီး PR ကို သင့်တော်စွာ အမှတ်အသား (ဥပမာ - label, comment) ပြုလုပ်ပေးပါမည်။ Bot ပေးသောညွှန်ကြားချက်များကို လိုက်နာရုံဖြင့် လုပ်ဆောင်နိုင်ပါသည်။ ကျွန်ုပ်တို့၏ CLA ကို အသုံးပြုသည့် repository အားလုံးတွင် သင်ဤလုပ်ငန်းစဉ်ကို တစ်ကြိမ်သာ လိုအပ်မည်ဖြစ်သည်။ + +ဒီပရောဂျက်သည် [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ကို လက်ခံထားပါသည်။ +ပိုမိုသိရှိလိုပါက [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) ကို ကြည့်ရှုနိုင်ပါသည်။ +သို့မဟုတ် [opencode@microsoft.com](mailto:opencode@microsoft.com) သို့ အပိုဆောင်းမေးခွန်းများ သို့မဟုတ် မှတ်ချက်များ ပေးပို့နိုင်ပါသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/README.md b/translations/my/README.md new file mode 100644 index 00000000..8913f5dd --- /dev/null +++ b/translations/my/README.md @@ -0,0 +1,154 @@ + +# ဒေတာသိပ္ပံအတွက် မူလတန်းသင်ရိုး + +Azure Cloud Advocates မှ Microsoft တွင် 10 ပတ်ကြာ 20 သင်ခန်းစာပါဝင်သော ဒေတာသိပ္ပံသင်ရိုးကို ပေးဆောင်ရန် ဝမ်းမြောက်ဝမ်းသာဖြစ်ပါသည်။ သင်ခန်းစာတစ်ခုစီတွင် သင်ခန်းစာမတိုင်မီနှင့် သင်ခန်းစာပြီးနောက် စစ်တမ်းများ၊ သင်ခန်းစာကို ပြီးမြောက်ရန် ရေးသားထားသော လမ်းညွှန်ချက်များ၊ ဖြေရှင်းချက်နှင့် လုပ်ငန်းတာဝန်များ ပါဝင်သည်။ ပရောဂျက်အခြေခံ သင်ကြားမှုနည်းလမ်းသည် သင်တန်းသားများအတွက် အသစ်သော ကျွမ်းကျင်မှုများကို သင်ယူစေပြီး အတည်ပြုထားသော နည်းလမ်းဖြစ်သည်။ + +**ကျေးဇူးအထူးတင်ရှိပါသည်** [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) တို့အား။ + +**🙏 အထူးကျေးဇူး 🙏 Microsoft Student Ambassador များအား** [Aaryan Arora](https://studentambassadors.microsoft.com/), [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/) တို့အား။ + +|![Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.my.png)| +|:---:| +| ဒေတာသိပ္ပံအတွက် မူလတန်းသင်ရိုး - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +### 🌐 ဘာသာစကားများအတွက် ပံ့ပိုးမှု + +#### GitHub Action မှတဆင့် ပံ့ပိုးထားသည် (အလိုအလျောက်နှင့် အမြဲတမ်း အပ်ဒိတ်ဖြစ်နေသည်) + +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](./README.md) + +**အပိုဘာသာစကားများကို ပံ့ပိုးလိုပါက [ဒီနေရာ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) တွင် ရှာဖွေပါ။** + +#### ကျွန်ုပ်တို့၏ အသိုင်းအဝိုင်းနှင့် ပူးပေါင်းပါ +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) + +# သင်တန်းသားများအတွက် + +အောက်ပါ အရင်းအမြစ်များဖြင့် စတင်ပါ: + +- [Student Hub page](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) ဒီစာမျက်နှာတွင် မူလတန်းအရင်းအမြစ်များ၊ သင်တန်းသားအထုပ်များနှင့် အခမဲ့လက်မှတ်အတည်ပြုချက်ကို ရယူနိုင်သော နည်းလမ်းများကို တွေ့နိုင်ပါသည်။ ဒီစာမျက်နှာကို Bookmark လုပ်ပြီး အကြောင်းအရာများကို လစဉ်အနည်းဆုံး ပြောင်းလဲနေသောကြောင့် အကြိမ်ကြိမ်စစ်ဆေးပါ။ +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Microsoft သို့ ဝင်ရောက်နိုင်မည့် နည်းလမ်းတစ်ခုဖြစ်သော သင်တန်းသားအထူးသံတမန်များ၏ ကမ္ဘာလုံးဆိုင်ရာအသိုင်းအဝိုင်းကို ပူးပေါင်းပါ။ + +# စတင်ခြင်း + +> **ဆရာများ**: [ဒီသင်ရိုးကို အသုံးပြုရန် အကြံပြုချက်များ](for-teachers.md) ပါဝင်သည်။ ကျွန်ုပ်တို့၏ [ဆွေးနွေးမှုဖိုရမ်](https://github.com/microsoft/Data-Science-For-Beginners/discussions) တွင် သင့်တုံ့ပြန်ချက်ကို ကြိုဆိုပါသည်။ + +> **[သင်တန်းသားများ](https://aka.ms/student-page)**: သင်တစ်ဦးတည်း သင်ယူရန်အတွက် သင်ရိုးကို fork လုပ်ပြီး သင်ခန်းစာမတိုင်မီ စစ်တမ်းဖြေဆိုပါ။ ထို့နောက် သင်ခန်းစာကို ဖတ်ပြီး လုပ်ငန်းများကို ပြီးမြောက်ပါ။ သင်ခန်းစာများကို နားလည်ခြင်းဖြင့် ပရောဂျက်များကို ဖန်တီးရန် ကြိုးစားပါ။ သို့သော် ဖြေရှင်းချက်ကုဒ်ကို /solutions ဖိုလ်ဒါတွင် ရရှိနိုင်ပါသည်။ အခြားနည်းလမ်းတစ်ခုမှာ မိတ်ဆွေများနှင့် သင်ယူအဖွဲ့တစ်ခု ဖွဲ့ပြီး အကြောင်းအရာကို အတူတူ လေ့လာပါ။ ထပ်မံလေ့လာရန်အတွက် [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) ကို အကြံပြုပါသည်။ + +## အဖွဲ့ကို တွေ့ဆုံပါ + +[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") + +**Gif by** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) + +> 🎥 အထက်ပါ ပုံကို နှိပ်ပြီး ပရောဂျက်နှင့် ဖန်တီးသူများအကြောင်း ဗီဒီယိုကို ကြည့်ပါ။ + +## သင်ကြားမှုနည်းလမ်း + +ဒီသင်ရိုးကို ဖန်တီးစဉ်တွင် ပရောဂျက်အခြေခံနှင့် မကြာခဏ စစ်တမ်းများပါဝင်သည်ကို အခြေခံထားသည်။ ဒီစီးရီး၏ နောက်ဆုံးတွင် သင်တန်းသားများသည် ဒေတာသိပ္ပံ၏ အခြေခံသိပ္ပံများ၊ အကျင့်သိက္ခာဆိုင်ရာ အယူအဆများ၊ ဒေတာပြင်ဆင်ခြင်း၊ ဒေတာနှင့် အလုပ်လုပ်နည်းများ၊ ဒေတာကို မြင်သာအောင် ပြသခြင်း၊ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း၊ ဒေတာသိပ္ပံ၏ အမှန်တကယ်အသုံးချမှုများနှင့် အခြားအရာများကို သင်ယူနိုင်မည်ဖြစ်သည်။ + +ထို့အပြင် သင်ခန်းစာမတိုင်မီ စစ်တမ်းသည် သင်ခန်းစာအကြောင်းအရာကို သင်ယူရန် သင်တန်းသား၏ ရည်ရွယ်ချက်ကို သတ်မှတ်ပေးပြီး သင်ခန်းစာပြီးနောက် စစ်တမ်းသည် သင်ယူမှုကို ထိန်းသိမ်းပေးသည်။ ဒီသင်ရိုးကို အပြည့်အစုံ သို့မဟုတ် အစိတ်အပိုင်းအလိုက် လွယ်ကူပြီး ပျော်ရွှင်စွာ လေ့လာနိုင်ရန် ဖန်တီးထားသည်။ ပရောဂျက်များသည် သေးငယ်ပြီး 10 ပတ်အတွင်း ပိုမိုရှုပ်ထွေးလာမည်ဖြစ်သည်။ +ကျွန်ုပ်တို့၏ [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) လမ်းညွှန်များကို ရှာဖွေကြည့်ပါ။ သင့်၏ တည်ဆောက်မှုဆိုင်ရာ အကြံပြုချက်များကို ကျွန်ုပ်တို့ ကြိုဆိုပါသည်! +## သင်ခန်းစာတစ်ခုစီတွင် ပါဝင်သောအရာများ: + +- ရွေးချယ်နိုင်သော sketchnote +- ရွေးချယ်နိုင်သော အပိုဗီဒီယို +- သင်ခန်းစာမတိုင်မီ အပူတက်မေးခွန်း +- ရေးသားထားသော သင်ခန်းစာ +- ပရောဂျက်အခြေခံ သင်ခန်းစာများအတွက် ပရောဂျက်တည်ဆောက်ရန် အဆင့်ဆင့်လမ်းညွှန် +- အသိပညာစစ်ဆေးမှုများ +- စိန်ခေါ်မှု +- အပိုဖတ်ရှုရန်စာများ +- လုပ်ငန်းတာဝန် +- [သင်ခန်းစာပြီးဆုံးပြီး မေးခွန်း](https://ff-quizzes.netlify.app/en/) + +> **မေးခွန်းများအကြောင်းမှတ်ချက်**: မေးခွန်းအားလုံးကို Quiz-App ဖိုလ်ဒါတွင် ထည့်သွင်းထားပြီး၊ မေးခွန်း ၃ ခုပါဝင်သော စုစုပေါင်း ၄၀ မေးခွန်းရှိသည်။ မေးခွန်းများကို သင်ခန်းစာများအတွင်းမှ ချိတ်ဆက်ထားပြီး၊ quiz app ကို ဒေသတွင်းတွင် အလုပ်လုပ်စေခြင်း သို့မဟုတ် Azure တွင် တင်နိုင်သည်။ `quiz-app` ဖိုလ်ဒါရှိ လမ်းညွှန်ချက်များကို လိုက်နာပါ။ မေးခွန်းများကို တဖြည်းဖြည်း ဒေသခံအဖြစ် ပြောင်းလဲနေသည်။ + +## သင်ခန်းစာများ + +|![ Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.my.png)| +|:---:| +| Data Science For Beginners: Roadmap - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +| သင်ခန်းစာနံပါတ် | ခေါင်းစဉ် | သင်ခန်းစာအုပ်စု | သင်ယူရမည့်ရည်ရွယ်ချက်များ | ချိတ်ဆက်ထားသော သင်ခန်းစာ | အရေးသားသူ | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | ဒေတာသိပ္ပံကို အဓိပ္ပါယ်ဖွင့်ဆိုခြင်း | [Introduction](1-Introduction/README.md) | ဒေတာသိပ္ပံ၏ အခြေခံအယူအဆများနှင့် ၎င်းသည် အတုအယောင်အတတ်ပညာ၊ စက်ရုပ်သင်ယူမှုနှင့် အကြီးမားဆုံးဒေတာများနှင့် ဘယ်လိုဆက်စပ်နေသည်ကို သင်ယူပါ။ | [lesson](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | +| 02 | ဒေတာသိပ္ပံ၏ စည်းကမ်းများ | [Introduction](1-Introduction/README.md) | ဒေတာစည်းကမ်းများ၏ အယူအဆများ၊ စိန်ခေါ်မှုများနှင့် ဖွဲ့စည်းမှုများ။ | [lesson](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 03 | ဒေတာကို အဓိပ္ပါယ်ဖွင့်ဆိုခြင်း | [Introduction](1-Introduction/README.md) | ဒေတာကို ဘယ်လိုအမျိုးအစားခွဲခြားရမည်နှင့် ၎င်း၏ ရိုးရိုးရင်းမြစ်များ။ | [lesson](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 04 | စာရိတျနှင့် အလားအလာအတွက် အကျဉ်းချုပ် | [Introduction](1-Introduction/README.md) | ဒေတာကို နားလည်ရန် စာရိတျနှင့် အလားအလာ၏ သင်္ချာနည်းလမ်းများ။ | [lesson](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | +| 05 | ဆက်စပ်ဒေတာနှင့် အလုပ်လုပ်ခြင်း | [Working With Data](2-Working-With-Data/README.md) | ဆက်စပ်ဒေတာနှင့် အကျဉ်းချုပ်၊ Structured Query Language (SQL) ဟုခေါ်သော ဆက်စပ်ဒေတာကို စူးစမ်းခြင်းနှင့် ခွဲခြားခြင်း၏ အခြေခံများ။ | [lesson](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | +| 06 | NoSQL ဒေတာနှင့် အလုပ်လုပ်ခြင်း | [Working With Data](2-Working-With-Data/README.md) | ဆက်စပ်မဟုတ်သော ဒေတာ၏ အကျဉ်းချုပ်၊ ၎င်း၏ အမျိုးအစားများနှင့် စာရွက်စာတမ်းဒေတာဘေ့စ်များကို စူးစမ်းခြင်းနှင့် ခွဲခြားခြင်း၏ အခြေခံများ။ | [lesson](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| +| 07 | Python နှင့် အလုပ်လုပ်ခြင်း | [Working With Data](2-Working-With-Data/README.md) | Pandas ကဲ့သို့သော library များနှင့် ဒေတာကို စူးစမ်းရန် Python ကို အသုံးပြုခြင်း၏ အခြေခံများ။ Python programming အခြေခံကို နားလည်ထားရန် အကြံပြုသည်။ | [lesson](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | +| 08 | ဒေတာပြင်ဆင်ခြင်း | [Working With Data](2-Working-With-Data/README.md) | ပျောက်ဆုံးနေသော၊ မမှန်ကန်သော သို့မဟုတ် မပြည့်စုံသော ဒေတာများကို ကိုင်တွယ်ရန် ဒေတာကို သန့်စင်ခြင်းနှင့် ပြောင်းလဲခြင်းနည်းလမ်းများအပေါ် ခေါင်းစဉ်များ။ | [lesson](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 09 | အရေအတွက်များကို ရှင်းလင်းဖော်ပြခြင်း | [Data Visualization](3-Data-Visualization/README.md) | Matplotlib ကို အသုံးပြု၍ ငှက်ဒေတာ 🦆 ကို ရှင်းလင်းဖော်ပြရန် သင်ယူပါ။ | [lesson](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | +| 10 | ဒေတာဖြန့်ဝေမှုများကို ရှင်းလင်းဖော်ပြခြင်း | [Data Visualization](3-Data-Visualization/README.md) | အကွာအဝေးအတွင်းရှိ စောင့်ကြည့်မှုများနှင့် လမ်းကြောင်းများကို ရှင်းလင်းဖော်ပြခြင်း။ | [lesson](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 11 | အချိုးအစားများကို ရှင်းလင်းဖော်ပြခြင်း | [Data Visualization](3-Data-Visualization/README.md) | သီးခြားနှင့် အုပ်စုဖွဲ့ထားသော ရာခိုင်နှုန်းများကို ရှင်းလင်းဖော်ပြခြင်း။ | [lesson](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 12 | ဆက်နွယ်မှုများကို ရှင်းလင်းဖော်ပြခြင်း | [Data Visualization](3-Data-Visualization/README.md) | ဒေတာအစုများနှင့် ၎င်းတို့၏ variable များအကြား ဆက်နွယ်မှုများနှင့် ဆက်စပ်မှုများကို ရှင်းလင်းဖော်ပြခြင်း။ | [lesson](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | +| 13 | အဓိပ္ပါယ်ရှိသော ရှင်းလင်းဖော်ပြမှုများ | [Data Visualization](3-Data-Visualization/README.md) | ပြဿနာများကို အကျိုးရှိစွာ ဖြေရှင်းရန်နှင့် အမြင်များရရန် သင့်ရဲ့ ရှင်းလင်းဖော်ပြမှုများကို တန်ဖိုးရှိစေရန် နည်းလမ်းများနှင့် လမ်းညွှန်ချက်များ။ | [lesson](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | +| 14 | ဒေတာသိပ္ပံ၏ အသက်တာစဉ်ကို မိတ်ဆက်ခြင်း | [Lifecycle](4-Data-Science-Lifecycle/README.md) | ဒေတာသိပ္ပံ၏ အသက်တာစဉ်နှင့် ဒေတာကို ရယူခြင်းနှင့် ထုတ်ယူခြင်း၏ ပထမဆုံးအဆင့်ကို မိတ်ဆက်ခြင်း။ | [lesson](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | ခွဲခြားခြင်း | [Lifecycle](4-Data-Science-Lifecycle/README.md) | ဒေတာသိပ္ပံ၏ အသက်တာစဉ်၏ ဒီအဆင့်သည် ဒေတာကို ခွဲခြားရန် နည်းလမ်းများအပေါ် အာရုံစိုက်သည်။ | [lesson](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | ဆက်သွယ်ရေး | [Lifecycle](4-Data-Science-Lifecycle/README.md) | ဒေတာမှရရှိသော အမြင်များကို ဆုံးဖြတ်သူများအတွက် နားလည်ရလွယ်ကူစေရန် တင်ပြခြင်းအပေါ် အာရုံစိုက်သည်။ | [lesson](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 17 | Cloud တွင် ဒေတာသိပ္ပံ | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Cloud တွင် ဒေတာသိပ္ပံနှင့် ၎င်း၏ အကျိုးကျေးဇူးများကို မိတ်ဆက်သင်ခန်းစာများ။ | [lesson](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) | +| 18 | Cloud တွင် ဒေတာသိပ္ပံ | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Low Code tools အသုံးပြု၍ မော်ဒယ်များကို လေ့ကျင့်ခြင်း။ |[lesson](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) | +| 19 | Cloud တွင် ဒေတာသိပ္ပံ | [Cloud Data](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio ဖြင့် မော်ဒယ်များကို တင်ဆောင်ခြင်း။ | [lesson](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) and [Maud](https://twitter.com/maudstweets) | +| 20 | သဘာဝပတ်ဝန်းကျင်တွင် ဒေတာသိပ္ပံ | [In the Wild](6-Data-Science-In-Wild/README.md) | အမှန်တကယ်သော ကမ္ဘာတွင် ဒေတာသိပ္ပံအခြေခံ ပရောဂျက်များ။ | [lesson](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | + +## GitHub Codespaces + +Codespace တွင် ဤနမူနာကို ဖွင့်ရန် အောက်ပါအဆင့်များကို လိုက်နာပါ: +1. Code drop-down menu ကို နှိပ်ပြီး Open with Codespaces ရွေးချယ်ပါ။ +2. pane အောက်ဆုံးတွင် + New codespace ကို ရွေးချယ်ပါ။ +ပိုမိုသိရှိရန် [GitHub documentation](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) ကို ကြည့်ပါ။ + +## VSCode Remote - Containers +သင့်ရဲ့ ဒေသတွင်းစက်နှင့် VSCode ကို အသုံးပြု၍ container တွင် ဤ repo ကို ဖွင့်ရန် VS Code Remote - Containers extension ကို အသုံးပြုပါ: + +1. ပထမဆုံးအကြိမ် development container ကို အသုံးပြုနေပါက၊ [the getting started documentation](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started) တွင် သင့်စနစ်သည် အလိုအလျောက် Docker တပ်ဆင်ထားရှိသည်ကို သေချာစေပါ။ + +ဤ repository ကို အသုံးပြုရန်၊ Docker volume တွင် isolated အဖြစ် repository ကို ဖွင့်နိုင်သည်: + +**မှတ်ချက်**: အောက်ခံတွင်၊ ဤသည်သည် Remote-Containers: **Clone Repository in Container Volume...** command ကို အသုံးပြု၍ ဒေတာကို ဒေသတွင်း file system အစား Docker volume တွင် clone လုပ်ပါမည်။ [Volumes](https://docs.docker.com/storage/volumes/) သည် container data ကို ထိန်းသိမ်းရန် အကြံပြုထားသော နည်းလမ်းဖြစ်သည်။ + +သို့မဟုတ် ဒေသတွင်းတွင် clone လုပ်ထားသော သို့မဟုတ် download လုပ်ထားသော repository ကို ဖွင့်ပါ: + +- ဤ repository ကို သင့်ဒေသတွင်း file system သို့ clone လုပ်ပါ။ +- F1 ကို နှိပ်ပြီး **Remote-Containers: Open Folder in Container...** command ကို ရွေးချယ်ပါ။ +- clone လုပ်ထားသော folder ကို ရွေးချယ်ပြီး၊ container စတင်ရန် စောင့်ပါ၊ ၎င်းကို စမ်းသပ်ပါ။ + +## အွန်လိုင်းမရှိ access + +Docsify ကို အသုံးပြု၍ ဤ documentation ကို အွန်လိုင်းမရှိဘဲ အလုပ်လုပ်စေပါ။ [Docsify](https://docsify.js.org/#/) ကို သင့်ဒေသတွင်းစက်တွင် တပ်ဆင်ပြီး၊ repo ၏ root folder တွင် `docsify serve` ရိုက်ပါ။ website ကို localhost: `localhost:3000` တွင် port 3000 တွင် အလုပ်လုပ်ပါမည်။ + +> မှတ်ချက်၊ notebooks များကို Docsify မှတဆင့် မဖော်ပြနိုင်ပါ၊ ထို့ကြောင့် notebook ကို အခြား Python kernel ဖြင့် VS Code တွင် သီးသန့် အလုပ်လုပ်ပါ။ + +## အခြားသင်ခန်းစာများ + +ကျွန်ုပ်တို့၏အဖွဲ့သည် အခြားသင်ခန်းစာများကို ထုတ်လုပ်ပါသည်! ကြည့်ပါ: + +- [Generative AI for Beginners](https://aka.ms/genai-beginners) +- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript) +- [Generative AI with Java](https://aka.ms/genaijava) +- [AI for Beginners](https://aka.ms/ai-beginners) +- [Data Science for Beginners](https://aka.ms/datascience-beginners) +- [ML for Beginners](https://aka.ms/ml-beginners) +- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) +- [Web Dev for Beginners](https://aka.ms/webdev-beginners) +- [IoT for Beginners](https://aka.ms/iot-beginners) +- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners) +- [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/SECURITY.md b/translations/my/SECURITY.md new file mode 100644 index 00000000..036c5f5b --- /dev/null +++ b/translations/my/SECURITY.md @@ -0,0 +1,51 @@ + +## လုံခြုံရေး + +Microsoft သည် ၎င်း၏ ဆော့ဖ်ဝဲထုတ်ကုန်များနှင့် ဝန်ဆောင်မှုများ၏ လုံခြုံရေးကို အလေးထားဆောင်ရွက်ပြီး၊ ၎င်းတွင် [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) နှင့် [ကျွန်ုပ်တို့၏ GitHub အဖွဲ့အစည်းများ](https://opensource.microsoft.com/) အပါအဝင် GitHub အဖွဲ့အစည်းများမှ စီမံခန့်ခွဲထားသော အရင်းအမြစ်ကုဒ်ရုံများအားလုံး ပါဝင်သည်။ + +သင်သည် Microsoft ပိုင်ဆိုင်သော ရုံတစ်ခုတွင် [Microsoft ၏ လုံခြုံရေးထိခိုက်မှုအဓိပ္ပါယ်](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)) ကို ဖြည့်ဆည်းသော လုံခြုံရေးထိခိုက်မှုတစ်ခုကို ရှာဖွေတွေ့ရှိခဲ့သည်ဟု ယုံကြည်ပါက၊ အောက်တွင် ဖော်ပြထားသည့်အတိုင်း ကျွန်ုပ်တို့ထံ အကြောင်းကြားပါ။ + +## လုံခြုံရေးပြဿနာများ အကြောင်းကြားခြင်း + +**GitHub public issues မှတဆင့် လုံခြုံရေးထိခိုက်မှုများကို အကြောင်းမကြားပါနှင့်။** + +ထိုအစား Microsoft Security Response Center (MSRC) သို့ [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report) တွင် အကြောင်းကြားပါ။ + +သင်သည် အကောင့်ဝင်ခြင်းမရှိဘဲ တင်သွင်းလိုပါက [secure@microsoft.com](mailto:secure@microsoft.com) သို့ အီးမေးလ်ပို့ပါ။ သင်၏ စာကို ကျွန်ုပ်တို့၏ PGP key ဖြင့် စာဝှက်နိုင်ပါက ပိုမိုကောင်းမွန်ပါမည်။ [Microsoft Security Response Center PGP Key page](https://www.microsoft.com/en-us/msrc/pgp-key-msrc) မှ ဒေါင်းလုဒ်လုပ်ပါ။ + +သင်သည် ၂၄ နာရီအတွင်း တုံ့ပြန်ချက်ရရှိရမည်ဖြစ်သည်။ တစ်စုံတစ်ရာအကြောင်းကြောင့် မရရှိပါက၊ သင်၏မူရင်းစာကို ကျွန်ုပ်တို့ရရှိခဲ့ကြောင်း သေချာစေရန် အီးမေးလ်ဖြင့် ထပ်မံဆက်သွယ်ပါ။ အပိုဆောင်းအချက်အလက်များကို [microsoft.com/msrc](https://www.microsoft.com/msrc) တွင် ရှာဖွေနိုင်ပါသည်။ + +ကျွန်ုပ်တို့အား အောက်ပါ အချက်အလက်များ (သင်ပေးနိုင်သလောက်) ပါဝင်စေရန် ကြိုးစားပါ၊ ထို့ကြောင့် ပြဿနာ၏ သဘာဝနှင့် အကျယ်အဝန်းကို ပိုမိုနားလည်နိုင်ပါမည်- + + * ပြဿနာအမျိုးအစား (ဥပမာ buffer overflow, SQL injection, cross-site scripting, စသည်) + * ပြဿနာဖြစ်ပေါ်နေသော အရင်းအမြစ်ဖိုင်(များ)၏ အပြည့်အစုံလမ်းကြောင်း + * ထိခိုက်မှုရှိသော အရင်းအမြစ်ကုဒ်တည်နေရာ (tag/branch/commit သို့မဟုတ် တိုက်ရိုက် URL) + * ပြဿနာကို ထပ်မံဖြစ်ပေါ်စေရန် လိုအပ်သော အထူးဖွဲ့စည်းမှု + * ပြဿနာကို ထပ်မံဖြစ်ပေါ်စေရန် လိုက်နာရမည့် အဆင့်ဆင့်လမ်းညွှန်ချက်များ + * Proof-of-concept သို့မဟုတ် exploit code (ဖြစ်နိုင်ပါက) + * ပြဿနာ၏ သက်ရောက်မှု၊ အထူးသဖြင့် တိုက်ခိုက်သူက ပြဿနာကို မည်သို့ အသုံးချနိုင်မည်ကို ဖော်ပြပါ + +ဤအချက်အလက်များသည် သင်၏ အကြောင်းကြားချက်ကို ပိုမိုလျင်မြန်စွာ စီစဉ်နိုင်ရန် ကူညီပါမည်။ + +သင်သည် bug bounty အတွက် အကြောင်းကြားနေပါက၊ ပိုမိုပြည့်စုံသော အကြောင်းကြားချက်များသည် ပိုမိုမြင့်မားသော bounty ဆုငွေ ရရှိနိုင်ရန် အထောက်အကူဖြစ်စေပါသည်။ ကျွန်ုပ်တို့၏ လက်ရှိအစီအစဉ်များအကြောင်း အသေးစိတ်ကို [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) စာမျက်နှာတွင် ကြည့်ရှုပါ။ + +## အကြိုက်ဆုံးဘာသာစကားများ + +ကျွန်ုပ်တို့သည် အားလုံးကို အင်္ဂလိပ်ဘာသာဖြင့် ဆက်သွယ်ရန် ဦးစားပေးပါသည်။ + +## မူဝါဒ + +Microsoft သည် [Coordinated Vulnerability Disclosure](https://www.microsoft.com/en-us/msrc/cvd) ကို လိုက်နာဆောင်ရွက်ပါသည်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားယူမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/SUPPORT.md b/translations/my/SUPPORT.md new file mode 100644 index 00000000..cada995d --- /dev/null +++ b/translations/my/SUPPORT.md @@ -0,0 +1,24 @@ + +# အထောက်အပံ့ +## ပြဿနာများတင်သွင်းခြင်းနှင့် အကူအညီရယူရန် + +ဒီပရောဂျက်မှာ GitHub Issues ကို အသုံးပြုပြီး အမှားများနှင့် လုပ်ဆောင်လိုသော အင်္ဂါရပ်များကို မှတ်တမ်းတင်ထားပါတယ်။ အသစ်သော ပြဿနာများ တင်သွင်းမီ ရှိပြီးသား ပြဿနာများကို ရှာဖွေကြည့်ပါ၊ ထပ်တူကျမှုများကို ရှောင်ရှားနိုင်ပါသည်။ အသစ်သော ပြဿနာများအတွက် သင့်အမှား သို့မဟုတ် လုပ်ဆောင်လိုသော အင်္ဂါရပ်ကို Issue အသစ်အဖြစ် တင်သွင်းပါ။ + +ဒီပရောဂျက်ကို အသုံးပြုရာတွင် အကူအညီနှင့် မေးခွန်းများရှိပါက Issue တစ်ခု တင်သွင်းပါ။ + +## Microsoft အထောက်အပံ့ မူဝါဒ + +ဒီ repository အတွက် အထောက်အပံ့ကို အထက်တွင် ဖော်ပြထားသော အရင်းအမြစ်များအတိုင်းသာ ပံ့ပိုးပေးပါသည်။ + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို ကျေးဇူးပြု၍ သိရှိထားပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပြန်ဆိုမှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပါယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/docs/_sidebar.md b/translations/my/docs/_sidebar.md new file mode 100644 index 00000000..6ddc2a5b --- /dev/null +++ b/translations/my/docs/_sidebar.md @@ -0,0 +1,40 @@ + +- အနိမ့်အမြင့် + - [ဒေတာသိပ္ပံကို အဓိပ္ပါယ်ဖွင့်ဆိုခြင်း](../1-Introduction/01-defining-data-science/README.md) + - [ဒေတာသိပ္ပံ၏ စည်းကမ်းများ](../1-Introduction/02-ethics/README.md) + - [ဒေတာကို အဓိပ္ပါယ်ဖွင့်ဆိုခြင်း](../1-Introduction/03-defining-data/README.md) + - [အလားအလာနှင့် သင်္ချာ](../1-Introduction/04-stats-and-probability/README.md) +- ဒေတာနှင့် အလုပ်လုပ်ခြင်း + - [ဆက်နွယ်မှုရှိသော ဒေတာဘေ့စ်များ](../2-Working-With-Data/05-relational-databases/README.md) + - [ဆက်နွယ်မှုမရှိသော ဒေတာဘေ့စ်များ](../2-Working-With-Data/06-non-relational/README.md) + - [Python](../2-Working-With-Data/07-python/README.md) + - [ဒေတာပြင်ဆင်ခြင်း](../2-Working-With-Data/08-data-preparation/README.md) +- ဒေတာကို ရှင်းလင်းစွာ ဖော်ပြခြင်း + - [အရေအတွက်များကို ရှင်းလင်းစွာ ဖော်ပြခြင်း](../3-Data-Visualization/09-visualization-quantities/README.md) + - [ဖြန့်ဝေမှုများကို ရှင်းလင်းစွာ ဖော်ပြခြင်း](../3-Data-Visualization/10-visualization-distributions/README.md) + - [အချိုးအစားများကို ရှင်းလင်းစွာ ဖော်ပြခြင်း](../3-Data-Visualization/11-visualization-proportions/README.md) + - [ဆက်နွယ်မှုများကို ရှင်းလင်းစွာ ဖော်ပြခြင်း](../3-Data-Visualization/12-visualization-relationships/README.md) + - [အဓိပ္ပါယ်ရှိသော ရှင်းလင်းမှုများ](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- ဒေတာသိပ္ပံ၏ အသက်တာစဉ် + - [အနိမ့်အမြင့်](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [ခွဲခြမ်းစိတ်ဖြာခြင်း](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [ဆက်သွယ်မှု](../4-Data-Science-Lifecycle/16-communication/README.md) +- Cloud တွင် ဒေတာသိပ္ပံ + - [အနိမ့်အမြင့်](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md) +- သဘာဝပတ်ဝန်းကျင်တွင် ဒေတာသိပ္ပံ + - [သဘာဝပတ်ဝန်းကျင်တွင် ဒေတာသိပ္ပံ](../6-Data-Science-In-Wild/README.md) + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/for-teachers.md b/translations/my/for-teachers.md new file mode 100644 index 00000000..d7f9f322 --- /dev/null +++ b/translations/my/for-teachers.md @@ -0,0 +1,78 @@ + +## ကျောင်းဆရာများအတွက် + +ဒီသင်ခန်းစာများကို သင့်ရဲ့အတန်းထဲမှာ အသုံးပြုချင်ပါသလား? လွတ်လပ်စွာအသုံးပြုနိုင်ပါတယ်! + +အမှန်တကယ်တော့ GitHub Classroom ကို အသုံးပြုပြီး GitHub ထဲမှာတင် အသုံးပြုနိုင်ပါတယ်။ + +ဒါလုပ်ဖို့အတွက် ဒီ repo ကို fork လုပ်ပါ။ သင့်ရဲ့သင်ခန်းစာတစ်ခုချင်းစီအတွက် repo တစ်ခုစီဖန်တီးဖို့လိုအပ်မှာဖြစ်ပြီး၊ folder တစ်ခုချင်းစီကို သီးသန့် repo အဖြစ် extract လုပ်ဖို့လိုအပ်ပါမယ်။ ဒီလိုလုပ်ရင် [GitHub Classroom](https://classroom.github.com/classrooms) က သင်ခန်းစာတစ်ခုချင်းစီကို သီးသန့်ရွေးချယ်နိုင်ပါမယ်။ + +ဒီ [လမ်းညွှန်ချက်များ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) က သင့်ရဲ့အတန်းကို စီစဉ်ဖို့အတွက် အကြံဉာဏ်ပေးပါမယ်။ + +## Repo ကို လက်ရှိအတိုင်းအသုံးပြုခြင်း + +GitHub Classroom ကို အသုံးမပြုဘဲ repo ကို လက်ရှိအတိုင်းအသုံးပြုချင်ရင်လည်း အဆင်ပြေပါတယ်။ သင့်ရဲ့ကျောင်းသားများကို ဘယ်သင်ခန်းစာကိုအတူတူလုပ်ရမယ်ဆိုတာ ဆက်သွယ်ပေးရပါမယ်။ + +အွန်လိုင်းပုံစံ (Zoom, Teams, ဒါမှမဟုတ် အခြား) မှာ quizzes အတွက် breakout rooms ဖွဲ့ပြီး၊ ကျောင်းသားများကို သင်ကြားဖို့ပြင်ဆင်စေဖို့ mentor လုပ်နိုင်ပါတယ်။ ပြီးရင် quizzes အတွက် ကျောင်းသားများကို ဖိတ်ခေါ်ပြီး 'issues' အနေနဲ့ အချိန်တစ်ခုမှာ အဖြေများတင်ပေးစေပါ။ Assignments အတွက်လည်း ဒီလိုပုံစံနဲ့ ကျောင်းသားများကို ပူးပေါင်းလုပ်ဆောင်စေချင်ရင် လုပ်နိုင်ပါတယ်။ + +ပိုပြီး private ပုံစံကို သင့်လျော်မယ်လို့ထင်ရင် ကျောင်းသားများကို curriculum ကို lesson တစ်ခုချင်းစီ fork လုပ်ပြီး သူတို့ရဲ့ GitHub repos ကို private repos အဖြစ်ထားပြီး သင့်ကို access ပေးစေပါ။ ပြီးရင် quizzes နဲ့ assignments ကို private အနေနဲ့ ပြီးစီးပြီး သင့် classroom repo မှာ issues အနေနဲ့ တင်ပေးနိုင်ပါတယ်။ + +အွန်လိုင်းအတန်းပုံစံမှာ ဒီလိုလုပ်ဆောင်နိုင်တဲ့နည်းလမ်းများစွာရှိပါတယ်။ သင့်အတွက် အကောင်းဆုံးအဆင်ပြေတဲ့နည်းလမ်းကို ကျေးဇူးပြုပြီး ပြောပြပေးပါ! + +## ဒီ curriculum ထဲမှာ ပါဝင်တာများ: + +20 ခုသော သင်ခန်းစာများ၊ 40 ခုသော quizzes နဲ့ 20 ခုသော assignments ပါဝင်ပါတယ်။ Sketchnotes တွေက visual learners တွေအတွက် lessons တွေကို အတူတူပါဝင်ပါတယ်။ Python နဲ့ R နှစ်မျိုးလုံးမှာ lessons များစွာကို ရရှိနိုင်ပြီး Jupyter notebooks ကို VS Code မှာ အသုံးပြုနိုင်ပါတယ်။ ဒီ tech stack ကို သင့် classroom မှာ အသုံးပြုဖို့ စီစဉ်နည်းလမ်းကို ပိုမိုလေ့လာပါ: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +Sketchnotes အားလုံး၊ အကြီးစား poster အပါအဝင် [ဒီ folder](../../sketchnotes) မှာရှိပါတယ်။ + +အပြည့်အစုံ curriculum ကို [PDF အနေနဲ့](../../pdf/readme.pdf) ရယူနိုင်ပါတယ်။ + +Docsify ကို အသုံးပြုပြီး curriculum ကို standalone, offline-friendly web site အဖြစ်လည်း run လို့ရပါတယ်။ [Docsify](https://docsify.js.org/#/) ကို သင့် local machine မှာ install လုပ်ပြီး၊ repo ရဲ့ root folder မှာ `docsify serve` ရိုက်ထည့်ပါ။ website ကို localhost ရဲ့ port 3000 မှာ serve လုပ်ပါမယ်: `localhost:3000`. + +Offline-friendly version က standalone web page အဖြစ်ဖွင့်ပါမယ်: https://localhost:3000 + +Lessons တွေကို 6 ပိုင်းအလိုက် grouping လုပ်ထားပါတယ်: + +- 1: အကျဉ်းချုပ် + - 1: Data Science ကို အဓိပ္ပါယ်ဖွင့်ခြင်း + - 2: Ethics + - 3: Data ကို အဓိပ္ပါယ်ဖွင့်ခြင်း + - 4: Probability နဲ့ Statistics အကျဉ်းချုပ် +- 2: Data နဲ့အလုပ်လုပ်ခြင်း + - 5: Relational Databases + - 6: Non-Relational Databases + - 7: Python + - 8: Data Preparation +- 3: Data Visualization + - 9: Quantities ကို Visualization လုပ်ခြင်း + - 10: Distributions ကို Visualization လုပ်ခြင်း + - 11: Proportions ကို Visualization လုပ်ခြင်း + - 12: Relationships ကို Visualization လုပ်ခြင်း + - 13: အဓိပ္ပါယ်ရှိတဲ့ Visualizations +- 4: Data Science Lifecycle + - 14: အကျဉ်းချုပ် + - 15: Analysis လုပ်ခြင်း + - 16: Communication +- 5: Cloud မှာ Data Science + - 17: အကျဉ်းချုပ် + - 18: Low-Code Options + - 19: Azure +- 6: Data Science in the Wild + - 20: အကျဉ်းချုပ် + +## ကျေးဇူးပြုပြီး သင့်အမြင်ကိုပေးပါ! + +ဒီ curriculum ကို သင်နဲ့ သင့်ကျောင်းသားများအတွက် အကောင်းဆုံးဖြစ်အောင်လုပ်ချင်ပါတယ်။ Discussion boards မှာ feedback ပေးပါ! သင့်ကျောင်းသားများအတွက် Discussion boards မှာ classroom area တစ်ခုဖန်တီးဖို့ လွတ်လပ်စွာလုပ်နိုင်ပါတယ်။ + +--- + +**အကြောင်းကြားချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် ရှုလို့ရပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်မှု ဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/quiz-app/README.md b/translations/my/quiz-app/README.md new file mode 100644 index 00000000..11775839 --- /dev/null +++ b/translations/my/quiz-app/README.md @@ -0,0 +1,138 @@ + +# မေးခွန်းများ + +ဒီမေးခွန်းများကတော့ https://aka.ms/datascience-beginners မှာရှိတဲ့ ဒေတာသိပ္ပံ သင်ရိုးညွှန်းတန်းအတွက် သင်ခန်းစာမတိုင်မီနှင့်ပြီးလျှင် မေးခွန်းများဖြစ်ပါတယ်။ +## ဘာသာပြန်ထားသော မေးခွန်းအစုတစ်ခု ထည့်သွင်းခြင်း + +ဘာသာပြန်ထားသော မေးခွန်းများကို `assets/translations` ဖိုလ်ဒါထဲမှာ မူရင်းမေးခွန်းဖွဲ့စည်းမှုနဲ့ကိုက်ညီအောင် ဖန်တီးပြီး ထည့်သွင်းပါ။ မူရင်းမေးခွန်းများကို `assets/translations/en` မှာတွေ့နိုင်ပါတယ်။ မေးခွန်းများကို အုပ်စုအလိုက် ခွဲထားပါတယ်။ မေးခွန်းအပိုင်းနဲ့အမှတ်စဉ်ကိုမှန်ကန်အောင် သေချာစွာလိုက်နာပါ။ ဒီသင်ရိုးညွှန်းတန်းမှာ စုစုပေါင်း ၄၀ မေးခွန်းရှိပြီး၊ အမှတ်စဉ် ၀ မှစတင်ပါတယ်။ + +ဘာသာပြန်ထားသော မေးခွန်းများကို ပြင်ဆင်ပြီးနောက်၊ `en` မှာရှိတဲ့ စံနည်းများအတိုင်း translation ဖိုလ်ဒါထဲက `index.js` ဖိုင်ကို ပြင်ဆင်ပြီး ဖိုင်အားလုံးကို import လုပ်ပါ။ + +ထို့နောက်၊ `assets/translations` ထဲက `index.js` ဖိုင်ကို ပြင်ဆင်ပြီး ဘာသာပြန်ထားသော ဖိုင်အသစ်များကို import လုပ်ပါ။ + +ပြီးရင် ဒီ app ရဲ့ `App.vue` ထဲမှာ dropdown ကို ပြင်ဆင်ပြီး သင့်ဘာသာစကားကို ထည့်သွင်းပါ။ ဘာသာပြန်ထားသော အတိုကောက်ကို သင့်ဘာသာစကားဖိုလ်ဒါနာမည်နဲ့ ကိုက်ညီအောင်လုပ်ပါ။ + +နောက်ဆုံးမှာ ဘာသာပြန်ထားသော သင်ခန်းစာများထဲက မေးခွန်းလင့်ခ်အားလုံးကို ပြင်ဆင်ပြီး localization ကို query parameter အနေနဲ့ ထည့်သွင်းပါ။ ဥပမာ - `?loc=fr`။ + +## ပရောဂျက် စတင်ခြင်း + +``` +npm install +``` + +### ဖွံ့ဖြိုးရေးအတွက် Compile နှင့် Hot-reload + +``` +npm run serve +``` + +### ထုတ်လုပ်မှုအတွက် Compile နှင့် Minify + +``` +npm run build +``` + +### ဖိုင်များကို Lint နှင့် ပြင်ဆင်ခြင်း + +``` +npm run lint +``` + +### ဖွဲ့စည်းမှုကို Customize လုပ်ခြင်း + +[Configuration Reference](https://cli.vuejs.org/config/) ကိုကြည့်ပါ။ + +Credit: ဒီမေးခွန်း app ရဲ့ မူရင်းဗားရှင်းအတွက် ကျေးဇူးတင်ပါတယ် - https://github.com/arpan45/simple-quiz-vue + +## Azure သို့ Deploy လုပ်ခြင်း + +ဒီလမ်းညွှန်ချက်တွေက သင့်ကို စတင်ရန် ကူညီပေးပါမယ် - + +1. GitHub Repository ကို Fork လုပ်ပါ +သင့် Static Web App Code ကို GitHub Repository ထဲမှာထားပါ။ ဒီ Repository ကို Fork လုပ်ပါ။ + +2. Azure Static Web App တစ်ခု ဖန်တီးပါ +- [Azure account](http://azure.microsoft.com) တစ်ခု ဖန်တီးပါ +- [Azure portal](https://portal.azure.com) သို့ သွားပါ +- “Create a resource” ကိုနှိပ်ပြီး “Static Web App” ကို ရှာပါ။ +- “Create” ကိုနှိပ်ပါ။ + +3. Static Web App ကို Configure လုပ်ပါ +- #### Basics: + - Subscription: သင့် Azure subscription ကိုရွေးပါ။ + - Resource Group: အသစ်တစ်ခုဖန်တီးပါ၊ သို့မဟုတ် ရှိပြီးသားတစ်ခုကို အသုံးပြုပါ။ + - Name: သင့် Static Web App အတွက် နာမည်တစ်ခုပေးပါ။ + - Region: သင့်အသုံးပြုသူများနဲ့အနီးဆုံးဒေသကိုရွေးပါ။ + +- #### Deployment Details: + - Source: “GitHub” ကိုရွေးပါ။ + - GitHub Account: Azure ကို သင့် GitHub Account ကို အသုံးပြုခွင့်ပေးပါ။ + - Organization: သင့် GitHub Organization ကိုရွေးပါ။ + - Repository: သင့် Static Web App ကိုပါဝင်တဲ့ Repository ကိုရွေးပါ။ + - Branch: Deploy လုပ်ချင်တဲ့ Branch ကိုရွေးပါ။ + +- #### Build Details: + - Build Presets: သင့် App ဖွဲ့စည်းထားတဲ့ Framework ကိုရွေးပါ (ဥပမာ - React, Angular, Vue, စသည်တို့)။ + - App Location: သင့် App Code ရှိတဲ့ ဖိုလ်ဒါကို သတ်မှတ်ပါ (ဥပမာ - / သို့မဟုတ် root မှာရှိရင် /)။ + - API Location: API ရှိရင်၊ API ရဲ့ တည်နေရာကို သတ်မှတ်ပါ (optional)။ + - Output Location: Build Output ဖိုင်တွေ ထွက်ရှိမယ့် ဖိုလ်ဒါကို သတ်မှတ်ပါ (ဥပမာ - build သို့မဟုတ် dist)။ + +4. Review နှင့် Create +သင့်အချက်အလက်များကို ပြန်လည်စစ်ဆေးပြီး “Create” ကိုနှိပ်ပါ။ Azure က လိုအပ်တဲ့ အရင်းအမြစ်တွေကို ဖန်တီးပြီး GitHub Actions Workflow တစ်ခုကို သင့် Repository ထဲမှာ ဖန်တီးပါမယ်။ + +5. GitHub Actions Workflow +Azure က GitHub Actions Workflow ဖိုင်တစ်ခုကို သင့် Repository ထဲမှာ အလိုအလျောက် ဖန်တီးပါမယ် (.github/workflows/azure-static-web-apps-.yml)။ ဒီ Workflow က Build နှင့် Deployment လုပ်ငန်းစဉ်ကို စီမံဆောင်ရွက်ပါမယ်။ + +6. Deployment ကို စောင့်ကြည့်ပါ +GitHub Repository ရဲ့ “Actions” Tab သို့ သွားပါ။ +Workflow တစ်ခု လုပ်ဆောင်နေတယ်ဆိုတာ တွေ့ရပါမယ်။ ဒီ Workflow က သင့် Static Web App ကို Azure သို့ Build နှင့် Deploy လုပ်ပါမယ်။ +Workflow ပြီးဆုံးသွားတဲ့အခါ၊ သင့် App ကို Azure URL မှာ Live ဖြစ်နေပါမယ်။ + +### ဥပမာ Workflow ဖိုင် + +GitHub Actions Workflow ဖိုင်က ဒီလိုပုံစံရှိနိုင်ပါတယ် - +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### ထပ်မံသိရှိရန် အရင်းအမြစ်များ +- [Azure Static Web Apps Documentation](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [GitHub Actions Documentation](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်ကြောင်း သတိပြုပါ။ မူလဘာသာဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတည်သော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားများ သို့မဟုတ် အဓိပ္ပာယ်မှားများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/my/sketchnotes/README.md b/translations/my/sketchnotes/README.md new file mode 100644 index 00000000..2df9ce90 --- /dev/null +++ b/translations/my/sketchnotes/README.md @@ -0,0 +1,21 @@ + +အားလုံးကို ဒီနေရာမှာ sketchnotes တွေရှာနိုင်ပါတယ်! + +## အားကျရေစွဲသူများ + +Nitya Narasimhan, အနုပညာရှင် + +![roadmap sketchnote](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.my.png) + +--- + +**ဝက်ဘ်ဆိုက်မှတ်ချက်**: +ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးစားနေပါသော်လည်း၊ အလိုအလျောက်ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို ကျေးဇူးပြု၍ သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူလဘာသာစကားဖြင့် အာဏာတည်သောရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုမှားမှုများ သို့မဟုတ် အဓိပ္ပါယ်မှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ \ No newline at end of file diff --git a/translations/ro/README.md b/translations/ro/README.md index c5ddde05..0e64b6c6 100644 --- a/translations/ro/README.md +++ b/translations/ro/README.md @@ -1,53 +1,50 @@ -# Data Science pentru Începători - Un Curriculum +# Știința Datelor pentru Începători - Un Curriculum -Azure Cloud Advocates de la Microsoft sunt încântați să ofere un curriculum de 10 săptămâni, cu 20 de lecții, despre Știința Datelor. Fiecare lecție include teste înainte și după lecție, instrucțiuni scrise pentru completarea lecției, o soluție și o temă. Pedagogia noastră bazată pe proiecte vă permite să învățați construind, o metodă dovedită pentru a fixa noile abilități. +Azure Cloud Advocates de la Microsoft sunt încântați să ofere un curriculum de 10 săptămâni, cu 20 de lecții, dedicat Științei Datelor. Fiecare lecție include chestionare înainte și după lecție, instrucțiuni scrise pentru completarea lecției, o soluție și o temă. Pedagogia noastră bazată pe proiecte vă permite să învățați în timp ce construiți, o metodă dovedită pentru a fixa noile abilități. **Mulțumiri sincere autorilor noștri:** [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). -**🙏 Mulțumiri speciale 🙏 autorilor, recenzorilor și contributorilor de conținut [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/),** printre care 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), +**🙏 Mulțumiri speciale 🙏 autorilor, recenzorilor și contributorilor de conținut [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/),** în special 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 de [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)| +|![Sketchnote de @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ro.png)| |:---:| | Știința Datelor pentru Începători - _Sketchnote de [@nitya](https://twitter.com/nitya)_ | -## Anunț - A fost lansat un nou curriculum despre AI Generativ! +### 🌐 Suport Multi-Limbă -Am lansat un curriculum de 12 lecții despre AI generativ. Vino să înveți lucruri precum: +#### Suportat prin GitHub Action (Automat & Mereu Actualizat) -- crearea și optimizarea de prompturi -- generarea de aplicații text și imagine -- aplicații de căutare +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](./README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) -Ca de obicei, fiecare lecție include teme de completat, verificări de cunoștințe și provocări. +**Dacă doriți să aveți suport pentru limbi suplimentare, acestea sunt listate [aici](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** -Descoperă mai multe: - -> https://aka.ms/genai-beginners +#### Alăturați-vă Comunității Noastre +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) # Ești student? Începe cu următoarele resurse: -- [Pagina Hub pentru Studenți](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) În această pagină vei găsi resurse pentru începători, pachete pentru studenți și chiar modalități de a obține un voucher gratuit pentru certificare. Este o pagină pe care merită să o salvezi și să o verifici periodic, deoarece conținutul este actualizat cel puțin lunar. +- [Pagina Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Pe această pagină, vei găsi resurse pentru începători, pachete pentru studenți și chiar modalități de a obține un voucher gratuit pentru certificare. Este o pagină pe care vrei să o salvezi și să o verifici periodic, deoarece schimbăm conținutul cel puțin lunar. - [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Alătură-te unei comunități globale de ambasadori studenți, aceasta ar putea fi calea ta către Microsoft. # Începe > **Profesori**: am [inclus câteva sugestii](for-teachers.md) despre cum să utilizați acest curriculum. Ne-ar plăcea să primim feedback-ul vostru [în forumul nostru de discuții](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! -> **[Studenți](https://aka.ms/student-page)**: pentru a utiliza acest curriculum pe cont propriu, faceți fork la întregul repo și completați exercițiile pe cont propriu, începând cu un test înainte de lecție. Apoi citiți lecția și completați restul activităților. Încercați să creați proiectele înțelegând lecțiile, mai degrabă decât copiind codul soluției; totuși, acel cod este disponibil în folderele /solutions din fiecare lecție orientată pe proiect. O altă idee ar fi să formați un grup de studiu cu prietenii și să parcurgeți conținutul împreună. Pentru studii suplimentare, recomandăm [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). +> **[Studenți](https://aka.ms/student-page)**: pentru a utiliza acest curriculum pe cont propriu, faceți fork la întregul repo și completați exercițiile pe cont propriu, începând cu un chestionar înainte de lecție. Apoi citiți lecția și completați restul activităților. Încercați să creați proiectele înțelegând lecțiile, mai degrabă decât copiind codul soluției; totuși, acel cod este disponibil în folderele /solutions din fiecare lecție orientată pe proiect. O altă idee ar fi să formați un grup de studiu cu prietenii și să parcurgeți conținutul împreună. Pentru studii suplimentare, recomandăm [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). -## Cunoaște echipa +## Cunoaște Echipa [![Video promoțional](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Video promoțional") @@ -57,53 +54,51 @@ Descoperă mai multe: ## Pedagogie -Am ales două principii pedagogice în construirea acestui curriculum: asigurarea că este bazat pe proiecte și includerea de teste frecvente. Până la sfârșitul acestei serii, studenții vor fi învățat principiile de bază ale științei datelor, inclusiv concepte etice, pregătirea datelor, diferite moduri de a lucra cu date, vizualizarea datelor, analiza datelor, cazuri reale de utilizare ale științei datelor și multe altele. - -În plus, un test cu miză redusă înainte de o clasă setează intenția studentului de a învăța un subiect, în timp ce un al doilea test după clasă asigură o mai bună retenție. Acest curriculum a fost conceput să fie flexibil și distractiv și poate fi parcurs în întregime sau parțial. Proiectele încep mici și devin din ce în ce mai complexe până la sfârșitul ciclului de 10 săptămâni. - -> Găsiți [Codul nostru de Conduită](CODE_OF_CONDUCT.md), [Contribuții](CONTRIBUTING.md), [Ghiduri de Traducere](TRANSLATIONS.md). Apreciem feedback-ul vostru constructiv! +Am ales două principii pedagogice în construirea acestui curriculum: asigurarea că este bazat pe proiecte și includerea de chestionare frecvente. Până la sfârșitul acestei serii, studenții vor fi învățat principii de bază ale științei datelor, inclusiv concepte etice, pregătirea datelor, diferite moduri de a lucra cu datele, vizualizarea datelor, analiza datelor, cazuri reale de utilizare ale științei datelor și multe altele. +În plus, un chestionar cu miză redusă înainte de o clasă setează intenția studentului de a învăța un subiect, în timp ce un al doilea chestionar după clasă asigură o mai bună retenție. Acest curriculum a fost conceput să fie flexibil și distractiv și poate fi parcurs în întregime sau parțial. Proiectele încep mici și devin din ce în ce mai complexe până la sfârșitul ciclului de 10 săptămâni. +Găsiți [Codul nostru de Conduită](CODE_OF_CONDUCT.md), [Ghidul de Contribuire](CONTRIBUTING.md), [Ghidul de Traducere](TRANSLATIONS.md). Apreciem feedback-ul vostru constructiv! ## Fiecare lecție include: -- Sketchnote opțional +- Schiță opțională - Video suplimentar opțional - Test de încălzire înainte de lecție - Lecție scrisă -- Pentru lecțiile bazate pe proiecte, ghiduri pas cu pas despre cum să construiți proiectul +- Pentru lecțiile bazate pe proiecte, ghiduri pas cu pas despre cum să construiești proiectul - Verificări de cunoștințe - O provocare - Lectură suplimentară - Temă -- Test după lecție +- [Test după lecție](https://ff-quizzes.netlify.app/en/) -> **O notă despre teste**: Toate testele sunt conținute în folderul Quiz-App, pentru un total de 40 de teste, fiecare cu trei întrebări. Ele sunt legate din lecții, dar aplicația de teste poate fi rulată local sau implementată pe Azure; urmați instrucțiunile din folderul `quiz-app`. Ele sunt treptat localizate. +> **O notă despre teste**: Toate testele sunt incluse în folderul Quiz-App, pentru un total de 40 de teste, fiecare cu trei întrebări. Acestea sunt legate din cadrul lecțiilor, dar aplicația de teste poate fi rulată local sau implementată pe Azure; urmează instrucțiunile din folderul `quiz-app`. Ele sunt treptat localizate. ## Lecții -|![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)| +|![ Schiță de @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ro.png)| |:---:| -| Știința Datelor pentru Începători: Planificare - _Sketchnote de [@nitya](https://twitter.com/nitya)_ | +| Data Science Pentru Începători: Planificare - _Schiță de [@nitya](https://twitter.com/nitya)_ | | Număr Lecție | Subiect | Grupare Lecție | Obiective de Învățare | Lecție Legată | Autor | | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | | 01 | Definirea Științei Datelor | [Introducere](1-Introduction/README.md) | Învață conceptele de bază ale științei datelor și cum este aceasta legată de inteligența artificială, învățarea automată și big data. | [lecție](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | -| 02 | Etica în Știința Datelor | [Introducere](1-Introduction/README.md) | Concepte, provocări și cadre etice în știința datelor. | [lecție](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 02 | Etica în Știința Datelor | [Introducere](1-Introduction/README.md) | Concepte, provocări și cadre de etică în date. | [lecție](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | | 03 | Definirea Datelor | [Introducere](1-Introduction/README.md) | Cum sunt clasificate datele și sursele lor comune. | [lecție](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | | 04 | Introducere în Statistică și Probabilitate | [Introducere](1-Introduction/README.md) | Tehnici matematice de probabilitate și statistică pentru a înțelege datele. | [lecție](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | -| 05 | Lucrul cu Date Relaționale | [Lucrul cu Date](2-Working-With-Data/README.md) | Introducere în datele relaționale și elementele de bază ale explorării și analizei datelor relaționale cu Structured Query Language, cunoscut și sub numele de SQL (pronunțat „see-quell”). | [lecție](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | -| 06 | Lucrul cu Date NoSQL | [Lucrul cu Date](2-Working-With-Data/README.md) | Introducere în datele non-relaționale, diferitele lor tipuri și elementele de bază ale explorării și analizei bazelor de date document. | [lecție](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| +| 05 | Lucrul cu Date Relaționale | [Lucrul cu Date](2-Working-With-Data/README.md) | Introducere în date relaționale și elementele de bază ale explorării și analizei datelor relaționale cu Structured Query Language, cunoscut și sub numele de SQL (pronunțat „see-quell”). | [lecție](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | +| 06 | Lucrul cu Date NoSQL | [Lucrul cu Date](2-Working-With-Data/README.md) | Introducere în datele non-relaționale, tipurile lor diverse și elementele de bază ale explorării și analizei bazelor de date document. | [lecție](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| | 07 | Lucrul cu Python | [Lucrul cu Date](2-Working-With-Data/README.md) | Bazele utilizării Python pentru explorarea datelor cu biblioteci precum Pandas. Se recomandă o înțelegere fundamentală a programării în Python. | [lecție](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | -| 08 | Pregătirea Datelor | [Lucrul cu Date](2-Working-With-Data/README.md) | Subiecte despre tehnici de curățare și transformare a datelor pentru a gestiona provocările legate de date lipsă, inexacte sau incomplete. | [lecție](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 08 | Pregătirea Datelor | [Lucrul cu Date](2-Working-With-Data/README.md) | Subiecte despre tehnici de curățare și transformare a datelor pentru a gestiona provocările datelor lipsă, inexacte sau incomplete. | [lecție](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | | 09 | Vizualizarea Cantităților | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Învață cum să folosești Matplotlib pentru a vizualiza date despre păsări 🦆 | [lecție](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | | 10 | Vizualizarea Distribuțiilor Datelor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea observațiilor și tendințelor într-un interval. | [lecție](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | | 11 | Vizualizarea Proporțiilor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea procentajelor discrete și grupate. | [lecție](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | -| 12 | Vizualizarea Relațiilor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea conexiunilor și corelațiilor dintre seturi de date și variabilele acestora. | [lecție](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | -| 13 | Vizualizări Semnificative | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Tehnici și sfaturi pentru a face vizualizările valoroase în rezolvarea eficientă a problemelor și obținerea de perspective. | [lecție](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | -| 14 | Introducere în ciclul de viață al științei datelor | [Ciclul de viață](4-Data-Science-Lifecycle/README.md) | Introducere în ciclul de viață al științei datelor și primul său pas: achiziția și extragerea datelor. | [lecție](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | -| 15 | Analiza | [Ciclul de viață](4-Data-Science-Lifecycle/README.md) | Această fază a ciclului de viață al științei datelor se concentrează pe tehnici de analiză a datelor. | [lecție](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | -| 16 | Comunicarea | [Ciclul de viață](4-Data-Science-Lifecycle/README.md) | Această fază a ciclului de viață al științei datelor se concentrează pe prezentarea perspectivelor obținute din date într-un mod ușor de înțeles pentru factorii de decizie. | [lecție](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 12 | Vizualizarea Relațiilor | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Vizualizarea conexiunilor și corelațiilor între seturi de date și variabilele lor. | [lecție](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | +| 13 | Vizualizări Semnificative | [Vizualizarea Datelor](3-Data-Visualization/README.md) | Tehnici și îndrumări pentru a face vizualizările tale valoroase pentru rezolvarea eficientă a problemelor și obținerea de informații. | [lecție](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | +| 14 | Introducere în ciclul de viață al Științei Datelor | [Ciclul de Viață](4-Data-Science-Lifecycle/README.md) | Introducere în ciclul de viață al științei datelor și primul său pas de achiziție și extragere a datelor. | [lecție](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | Analiza | [Ciclul de Viață](4-Data-Science-Lifecycle/README.md) | Această fază a ciclului de viață al științei datelor se concentrează pe tehnici de analiză a datelor. | [lecție](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | Comunicare | [Ciclul de Viață](4-Data-Science-Lifecycle/README.md) | Această fază a ciclului de viață al științei datelor se concentrează pe prezentarea informațiilor obținute din date într-un mod care să faciliteze înțelegerea pentru factorii de decizie. | [lecție](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | | 17 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Această serie de lecții introduce știința datelor în cloud și beneficiile acesteia. | [lecție](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) | -| 18 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Antrenarea modelelor folosind instrumente Low Code. | [lecție](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) | +| 18 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Antrenarea modelelor folosind instrumente Low Code. |[lecție](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) | | 19 | Știința Datelor în Cloud | [Date în Cloud](5-Data-Science-In-Cloud/README.md) | Implementarea modelelor cu Azure Machine Learning Studio. | [lecție](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) și [Maud](https://twitter.com/maudstweets) | | 20 | Știința Datelor în Lumea Reală | [În Lumea Reală](6-Data-Science-In-Wild/README.md) | Proiecte bazate pe știința datelor în lumea reală. | [lecție](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | @@ -117,31 +112,27 @@ Pentru mai multe informații, consultă [documentația GitHub](https://docs.gith ## VSCode Remote - Containers Urmează acești pași pentru a deschide acest repo într-un container folosind mașina ta locală și VSCode cu extensia VS Code Remote - Containers: -1. Dacă este prima dată când folosești un container de dezvoltare, asigură-te că sistemul tău îndeplinește cerințele preliminare (de exemplu, să ai Docker instalat) din [documentația de început](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). +1. Dacă este prima dată când folosești un container de dezvoltare, asigură-te că sistemul tău îndeplinește cerințele (de exemplu, să ai Docker instalat) din [documentația de început](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). Pentru a folosi acest depozit, poți fie să deschizi depozitul într-un volum Docker izolat: -**Notă**: În fundal, aceasta va folosi comanda Remote-Containers: **Clone Repository in Container Volume...** pentru a clona codul sursă într-un volum Docker în loc de sistemul de fișiere local. [Volumurile](https://docs.docker.com/storage/volumes/) sunt mecanismul preferat pentru a persista datele containerului. +**Notă**: În fundal, aceasta va folosi comanda Remote-Containers: **Clone Repository in Container Volume...** pentru a clona codul sursă într-un volum Docker în loc de sistemul de fișiere local. [Volumurile](https://docs.docker.com/storage/volumes/) sunt mecanismul preferat pentru a păstra datele containerului. Sau să deschizi o versiune clonată sau descărcată local a depozitului: - Clonează acest depozit pe sistemul tău local. - Apasă F1 și selectează comanda **Remote-Containers: Open Folder in Container...**. -- Selectează copia clonată a acestui folder, așteaptă să pornească containerul și testează-l. +- Selectează copia clonată a acestui folder, așteaptă ca containerul să pornească și testează lucrurile. ## Acces offline Poți rula această documentație offline folosind [Docsify](https://docsify.js.org/#/). Clonează acest repo, [instalează Docsify](https://docsify.js.org/#/quickstart) pe mașina ta locală, apoi în folderul rădăcină al acestui repo, tastează `docsify serve`. Website-ul va fi servit pe portul 3000 pe localhost-ul tău: `localhost:3000`. -> Notă, notebook-urile nu vor fi afișate prin Docsify, așa că atunci când ai nevoie să rulezi un notebook, fă acest lucru separat în VS Code folosind un kernel Python. - -## Ajutor necesar! - -Dacă dorești să traduci tot sau o parte din curriculum, te rugăm să urmezi ghidul nostru [Translations](TRANSLATIONS.md). +> Notă, notebook-urile nu vor fi afișate prin Docsify, așa că atunci când ai nevoie să rulezi un notebook, fă asta separat în VS Code rulând un kernel Python. ## Alte Curricula -Echipa noastră produce alte curricula! Consultă: +Echipa noastră produce alte curricula! Verifică: - [Generative AI pentru Începători](https://aka.ms/genai-beginners) - [Generative AI pentru Începători .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) @@ -161,4 +152,4 @@ Echipa noastră produce alte curricula! Consultă: --- **Declinare de responsabilitate**: -Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa maternă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri. \ No newline at end of file +Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să fiți conștienți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri. \ No newline at end of file diff --git a/translations/sk/README.md b/translations/sk/README.md index 32961b73..b21de430 100644 --- a/translations/sk/README.md +++ b/translations/sk/README.md @@ -1,51 +1,48 @@ -# Data Science pre začiatočníkov - Učebné osnovy +# Data Science pre začiatočníkov - Učebný plán -Azure Cloud Advocates v Microsofte s radosťou ponúkajú 10-týždňový, 20-lekciový kurz o dátovej vede. Každá lekcia obsahuje kvízy pred a po lekcii, písomné pokyny na dokončenie lekcie, riešenie a zadanie. Náš projektovo orientovaný prístup vám umožní učiť sa prostredníctvom tvorby, čo je osvedčený spôsob, ako si nové zručnosti lepšie zapamätať. +Azure Cloud Advocates v spoločnosti Microsoft s radosťou ponúkajú 10-týždňový, 20-lekciový učebný plán o dátovej vede. Každá lekcia obsahuje kvízy pred a po lekcii, písomné pokyny na dokončenie lekcie, riešenie a zadanie. Náš projektovo orientovaný prístup vám umožňuje učiť sa prostredníctvom tvorby, čo je osvedčený spôsob, ako si nové zručnosti lepšie osvojiť. **Veľká vďaka našim autorom:** [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). -**🙏 Špeciálne poďakovanie 🙏 našim [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autorom, recenzentom a prispievateľom obsahu,** najmä 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/) +**🙏 Špeciálne poďakovanie 🙏 našim [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autorom, recenzentom a prispievateľom obsahu,** najmä Aaryanovi Arorovi, [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 od [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)| +|![Sketchnote by @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sk.png)| |:---:| | Data Science pre začiatočníkov - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | -## Oznámenie - Nové učebné osnovy o generatívnej AI práve vydané! +### 🌐 Podpora viacerých jazykov -Práve sme vydali 12-lekciový kurz o generatívnej AI. Naučte sa veci ako: +#### Podporované prostredníctvom GitHub Action (automatizované a vždy aktuálne) -- tvorba a optimalizácia promptov -- generovanie textových a obrazových aplikácií -- aplikácie na vyhľadávanie +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](./README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) -Ako obvykle, každá lekcia obsahuje zadania na dokončenie, kontrolu vedomostí a výzvy. +**Ak si želáte podporu ďalších jazykov, zoznam podporovaných jazykov nájdete [tu](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** -Pozrite si to: - -> https://aka.ms/genai-beginners +#### Pridajte sa k našej komunite +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) # Ste študent? Začnite s nasledujúcimi zdrojmi: -- [Stránka Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Na tejto stránke nájdete zdroje pre začiatočníkov, študentské balíčky a dokonca aj spôsoby, ako získať bezplatný certifikát. Túto stránku si určite uložte a pravidelne kontrolujte, pretože obsah meníme minimálne raz mesačne. -- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Pripojte sa ku globálnej komunite študentských ambasádorov, toto môže byť vaša cesta do Microsoftu. +- [Stránka pre študentov](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Na tejto stránke nájdete zdroje pre začiatočníkov, študentské balíčky a dokonca aj spôsoby, ako získať bezplatný certifikát. Toto je stránka, ktorú si chcete uložiť a pravidelne kontrolovať, pretože obsah meníme aspoň raz mesačne. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Pridajte sa k celosvetovej komunite študentských ambasádorov, toto môže byť vaša cesta do Microsoftu. # Začíname -> **Učitelia**: [pridali sme niekoľko návrhov](for-teachers.md) na to, ako používať tieto učebné osnovy. Radi by sme počuli váš názor [v našom diskusnom fóre](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! +> **Učitelia**: zahrnuli sme [niekoľko návrhov](for-teachers.md), ako tento učebný plán využiť. Radi by sme počuli vašu spätnú väzbu [v našom diskusnom fóre](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! -> **[Študenti](https://aka.ms/student-page)**: ak chcete používať tieto učebné osnovy samostatne, vytvorte si vlastnú kópiu celého repozitára a dokončite cvičenia sami, začnite kvízom pred lekciou. Potom si prečítajte lekciu a dokončite zvyšok aktivít. Pokúste sa vytvoriť projekty pochopením lekcií namiesto kopírovania kódu riešenia; tento kód je však dostupný v priečinkoch /solutions v každej projektovo orientovanej lekcii. Ďalším nápadom by bolo vytvoriť študijnú skupinu s priateľmi a prejsť obsah spolu. Pre ďalšie štúdium odporúčame [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). +> **[Študenti](https://aka.ms/student-page)**: ak chcete tento učebný plán používať samostatne, forknite si celý repozitár a dokončite cvičenia sami, začnite kvízom pred prednáškou. Potom si prečítajte prednášku a dokončite zvyšné aktivity. Skúste vytvárať projekty pochopením lekcií namiesto kopírovania riešení; tieto kódy sú však dostupné v priečinkoch /solutions v každej projektovo orientovanej lekcii. Ďalším nápadom by bolo vytvoriť študijnú skupinu s priateľmi a prejsť obsah spoločne. Na ďalšie štúdium odporúčame [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). ## Spoznajte tím @@ -57,38 +54,36 @@ Začnite s nasledujúcimi zdrojmi: ## Pedagogika -Pri tvorbe týchto učebných osnov sme sa rozhodli pre dva pedagogické princípy: zabezpečiť, aby boli projektovo orientované a aby obsahovali časté kvízy. Na konci tejto série sa študenti naučia základné princípy dátovej vedy, vrátane etických konceptov, prípravy dát, rôznych spôsobov práce s dátami, vizualizácie dát, analýzy dát, reálnych prípadov použitia dátovej vedy a ďalších. - -Okrem toho, kvíz s nízkym rizikom pred hodinou nastaví študentovu pozornosť na učenie sa témy, zatiaľ čo druhý kvíz po hodine zabezpečí lepšie zapamätanie. Tieto učebné osnovy boli navrhnuté tak, aby boli flexibilné a zábavné a mohli byť absolvované celé alebo čiastočne. Projekty začínajú malé a postupne sa stávajú zložitejšími na konci 10-týždňového cyklu. - -> Nájdite náš [Kódex správania](CODE_OF_CONDUCT.md), [Prispievanie](CONTRIBUTING.md), [Preklad](TRANSLATIONS.md) pokyny. Uvítame vašu konštruktívnu spätnú väzbu! +Pri tvorbe tohto učebného plánu sme si zvolili dva pedagogické princípy: zabezpečiť, aby bol projektovo orientovaný a aby obsahoval časté kvízy. Na konci tejto série sa študenti naučia základné princípy dátovej vedy, vrátane etických konceptov, prípravy dát, rôznych spôsobov práce s dátami, vizualizácie dát, analýzy dát, reálnych prípadov použitia dátovej vedy a ďalších. +Okrem toho, nízko-stresový kvíz pred hodinou nastaví študentovu pozornosť na učenie sa témy, zatiaľ čo druhý kvíz po hodine zabezpečí lepšie zapamätanie. Tento učebný plán bol navrhnutý tak, aby bol flexibilný a zábavný a mohol byť absolvovaný celý alebo len jeho časti. Projekty začínajú jednoduchými úlohami a postupne sa stávajú zložitejšími na konci 10-týždňového cyklu. +> Nájdete náš [Kódex správania](CODE_OF_CONDUCT.md), [Pravidlá prispievania](CONTRIBUTING.md), [Pokyny pre preklad](TRANSLATIONS.md). Vaša konštruktívna spätná väzba je vítaná! ## Každá lekcia obsahuje: - Voliteľný sketchnote - Voliteľné doplnkové video -- Kvíz na rozohriatie pred lekciou -- Písomná lekcia -- Pre projektovo orientované lekcie, podrobné pokyny na vytvorenie projektu -- Kontroly vedomostí +- Rozcvičkový kvíz pred lekciou +- Písomnú lekciu +- Pre lekcie založené na projektoch, podrobné návody na vytvorenie projektu +- Kontrolu vedomostí - Výzvu - Doplnkové čítanie - Zadanie -- Kvíz po lekcii +- [Kvíz po lekcii](https://ff-quizzes.netlify.app/en/) -> **Poznámka o kvízoch**: Všetky kvízy sú obsiahnuté v priečinku Quiz-App, celkovo 40 kvízov po tri otázky. Sú prepojené v rámci lekcií, ale aplikáciu kvízov je možné spustiť lokálne alebo nasadiť na Azure; postupujte podľa pokynov v priečinku `quiz-app`. Postupne sa lokalizujú. +> **Poznámka ku kvízom**: Všetky kvízy sa nachádzajú v priečinku Quiz-App, celkovo 40 kvízov, každý s tromi otázkami. Sú prepojené priamo z lekcií, ale aplikáciu kvízov je možné spustiť lokálne alebo nasadiť na Azure; postupujte podľa pokynov v priečinku `quiz-app`. Postupne sa lokalizujú. ## Lekcie -|![ Sketchnote od [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)| +|![ Sketchnote od @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sk.png)| |:---:| -| Data Science pre začiatočníkov: Cestovná mapa - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | +| Data Science For Beginners: Roadmap - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | | Číslo lekcie | Téma | Skupina lekcií | Ciele učenia | Prepojená lekcia | Autor | | :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | -| 01 | Definovanie dátovej vedy | [Úvod](1-Introduction/README.md) | Naučte sa základné koncepty dátovej vedy a ako súvisí s umelou inteligenciou, strojovým učením a veľkými dátami. | [lekcia](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | -| 02 | Etika dátovej vedy | [Úvod](1-Introduction/README.md) | Koncepty etiky dát, výzvy a rámce. | [lekcia](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | -| 03 | Definovanie dát | [Úvod](1-Introduction/README.md) | Ako sú dáta klasifikované a ich bežné zdroje. | [lekcia](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 01 | Definovanie Data Science | [Úvod](1-Introduction/README.md) | Naučte sa základné koncepty Data Science a ako súvisí s umelou inteligenciou, strojovým učením a veľkými dátami. | [lekcia](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | +| 02 | Etika v Data Science | [Úvod](1-Introduction/README.md) | Koncepty etiky dát, výzvy a rámce. | [lekcia](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 03 | Definovanie dát | [Úvod](1-Introduction/README.md) | Ako sa dáta klasifikujú a ich bežné zdroje. | [lekcia](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | | 04 | Úvod do štatistiky a pravdepodobnosti | [Úvod](1-Introduction/README.md) | Matematické techniky pravdepodobnosti a štatistiky na pochopenie dát. | [lekcia](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | | 05 | Práca s relačnými dátami | [Práca s dátami](2-Working-With-Data/README.md) | Úvod do relačných dát a základy skúmania a analýzy relačných dát pomocou Structured Query Language, známeho ako SQL (vyslovuje sa „si-kvel“). | [lekcia](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | | 06 | Práca s NoSQL dátami | [Práca s dátami](2-Working-With-Data/README.md) | Úvod do nerelačných dát, ich rôznych typov a základy skúmania a analýzy dokumentových databáz. | [lekcia](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| @@ -99,27 +94,27 @@ Okrem toho, kvíz s nízkym rizikom pred hodinou nastaví študentovu pozornosť | 11 | Vizualizácia proporcií | [Vizualizácia dát](3-Data-Visualization/README.md) | Vizualizácia diskrétnych a skupinových percentuálnych podielov. | [lekcia](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | | 12 | Vizualizácia vzťahov | [Vizualizácia dát](3-Data-Visualization/README.md) | Vizualizácia spojení a korelácií medzi súbormi dát a ich premennými. | [lekcia](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | | 13 | Zmysluplné vizualizácie | [Vizualizácia dát](3-Data-Visualization/README.md) | Techniky a odporúčania na vytváranie vizualizácií, ktoré sú hodnotné pre efektívne riešenie problémov a získavanie poznatkov. | [lekcia](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | -| 14 | Úvod do životného cyklu dátovej vedy | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Úvod do životného cyklu dátovej vedy a jeho prvého kroku - získavania a extrakcie dát. | [lekcia](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | -| 15 | Analýza | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Táto fáza životného cyklu dátovej vedy sa zameriava na techniky analýzy dát. | [lekcia](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | -| 16 | Komunikácia | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Táto fáza životného cyklu dátovej vedy sa zameriava na prezentáciu poznatkov z dát spôsobom, ktorý uľahčuje ich pochopenie pre rozhodovacích činiteľov. | [lekcia](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | -| 17 | Dátová veda v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Táto séria lekcií predstavuje dátovú vedu v cloude a jej výhody. | [lekcia](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) | -| 18 | Dátová veda v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Trénovanie modelov pomocou nástrojov s nízkym kódom. | [lekcia](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) | -| 19 | Dátová veda v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Nasadzovanie modelov pomocou Azure Machine Learning Studio. | [lekcia](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) | -| 20 | Dátová veda v reálnom svete | [V reálnom svete](6-Data-Science-In-Wild/README.md) | Projekty založené na dátovej vede v reálnom svete. | [lekcia](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | +| 14 | Úvod do životného cyklu Data Science | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Úvod do životného cyklu Data Science a jeho prvého kroku získavania a extrakcie dát. | [lekcia](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | Analýza | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Táto fáza životného cyklu Data Science sa zameriava na techniky analýzy dát. | [lekcia](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | Komunikácia | [Životný cyklus](4-Data-Science-Lifecycle/README.md) | Táto fáza životného cyklu Data Science sa zameriava na prezentáciu poznatkov z dát spôsobom, ktorý uľahčuje ich pochopenie pre rozhodovateľov. | [lekcia](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 17 | Data Science v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Táto séria lekcií predstavuje Data Science v cloude a jeho výhody. | [lekcia](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) | +| 18 | Data Science v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Trénovanie modelov pomocou nástrojov Low Code. |[lekcia](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) | +| 19 | Data Science v cloude | [Cloudové dáta](5-Data-Science-In-Cloud/README.md) | Nasadzovanie modelov pomocou Azure Machine Learning Studio. | [lekcia](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) a [Maud](https://twitter.com/maudstweets) | +| 20 | Data Science v praxi | [V praxi](6-Data-Science-In-Wild/README.md) | Projekty riadené Data Science v reálnom svete. | [lekcia](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | ## GitHub Codespaces Postupujte podľa týchto krokov na otvorenie tejto ukážky v Codespace: 1. Kliknite na rozbaľovacie menu Code a vyberte možnosť Open with Codespaces. 2. Vyberte + New codespace v dolnej časti panela. -Pre viac informácií si pozrite [dokumentáciu GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). +Viac informácií nájdete v [dokumentácii GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). ## VSCode Remote - Containers Postupujte podľa týchto krokov na otvorenie tohto repozitára v kontajneri pomocou vášho lokálneho počítača a VSCode s rozšírením VS Code Remote - Containers: -1. Ak používate vývojový kontajner prvýkrát, uistite sa, že váš systém spĺňa predpoklady (napr. máte nainštalovaný Docker) uvedené v [dokumentácii pre začiatok](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). +1. Ak je to prvýkrát, čo používate vývojový kontajner, uistite sa, že váš systém spĺňa predpoklady (napr. máte nainštalovaný Docker) v [dokumentácii pre začiatok](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). -Na použitie tohto repozitára môžete buď otvoriť repozitár v izolovanom Docker objeme: +Na použitie tohto repozitára ho môžete otvoriť buď v izolovanom Docker objeme: **Poznámka**: V zákulisí sa použije príkaz Remote-Containers: **Clone Repository in Container Volume...** na klonovanie zdrojového kódu do Docker objemu namiesto lokálneho súborového systému. [Objemy](https://docs.docker.com/storage/volumes/) sú preferovaným mechanizmom na uchovávanie dát kontajnera. @@ -131,34 +126,30 @@ Alebo otvorte lokálne klonovanú alebo stiahnutú verziu repozitára: ## Offline prístup -Túto dokumentáciu môžete spustiť offline pomocou [Docsify](https://docsify.js.org/#/). Forknite tento repozitár, [nainštalujte Docsify](https://docsify.js.org/#/quickstart) na váš lokálny počítač, potom v koreňovom priečinku tohto repozitára zadajte `docsify serve`. Webová stránka bude dostupná na porte 3000 na vašom localhost: `localhost:3000`. +Túto dokumentáciu môžete spustiť offline pomocou [Docsify](https://docsify.js.org/#/). Forknite tento repozitár, [nainštalujte Docsify](https://docsify.js.org/#/quickstart) na váš lokálny počítač, potom v koreňovom priečinku tohto repozitára zadajte `docsify serve`. Webová stránka bude spustená na porte 3000 na vašom localhoste: `localhost:3000`. > Poznámka, notebooky nebudú renderované cez Docsify, takže keď potrebujete spustiť notebook, urobte to samostatne vo VS Code s bežiacim Python kernelom. -## Hľadáme pomoc! - -Ak by ste chceli preložiť celú alebo časť učebných materiálov, postupujte podľa nášho [návodu na preklady](TRANSLATIONS.md). - -## Ďalšie učebné materiály - -Náš tím vytvára aj ďalšie učebné materiály! Pozrite si: - -- [Generatívna AI pre začiatočníkov](https://aka.ms/genai-beginners) -- [Generatívna AI pre začiatočníkov .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) -- [Generatívna AI s JavaScriptom](https://github.com/microsoft/generative-ai-with-javascript) -- [Generatívna AI s Javou](https://aka.ms/genaijava) -- [AI pre začiatočníkov](https://aka.ms/ai-beginners) -- [Dátová veda pre začiatočníkov](https://aka.ms/datascience-beginners) -- [ML pre začiatočníkov](https://aka.ms/ml-beginners) -- [Kybernetická bezpečnosť pre začiatočníkov](https://github.com/microsoft/Security-101) -- [Webový vývoj pre začiatočníkov](https://aka.ms/webdev-beginners) -- [IoT pre začiatočníkov](https://aka.ms/iot-beginners) -- [XR vývoj pre začiatočníkov](https://github.com/microsoft/xr-development-for-beginners) -- [Ovládnutie GitHub Copilot pre párové programovanie](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) -- [Ovládnutie GitHub Copilot pre C#/.NET vývojárov](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) -- [Vyberte si vlastné dobrodružstvo s Copilotom](https://github.com/microsoft/CopilotAdventures) +## Ďalšie učebné osnovy + +Náš tím vytvára ďalšie učebné osnovy! Pozrite si: + +- [Generative AI for Beginners](https://aka.ms/genai-beginners) +- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript) +- [Generative AI with Java](https://aka.ms/genaijava) +- [AI for Beginners](https://aka.ms/ai-beginners) +- [Data Science for Beginners](https://aka.ms/datascience-beginners) +- [ML for Beginners](https://aka.ms/ml-beginners) +- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) +- [Web Dev for Beginners](https://aka.ms/webdev-beginners) +- [IoT for Beginners](https://aka.ms/iot-beginners) +- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners) +- [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) --- **Upozornenie**: -Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nenesieme zodpovednosť za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu. \ No newline at end of file +Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu. \ No newline at end of file diff --git a/translations/sl/1-Introduction/01-defining-data-science/README.md b/translations/sl/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..742c1c75 --- /dev/null +++ b/translations/sl/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,124 @@ + +## Določanje podatkovne znanosti + +| ![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/01-Definitions.png) | +| :--------------------------------------------------------------------------------------------------------: | +| Določanje podatkovne znanosti - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +--- + +[![Video o določanju podatkovne znanosti](../../../../translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.sl.png)](https://youtu.be/beZ7Mb_oz9I) + +## [Predhodni kviz pred predavanjem](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/0) + +## Kaj so podatki? +V našem vsakdanjem življenju smo nenehno obdani s podatki. Besedilo, ki ga trenutno berete, so podatki. Seznam telefonskih številk vaših prijateljev v pametnem telefonu so podatki, prav tako trenutni čas, ki ga prikazuje vaša ura. Kot ljudje naravno delujemo s podatki, na primer ko štejemo denar ali pišemo pisma prijateljem. + +Vendar pa so podatki postali veliko bolj pomembni z nastankom računalnikov. Primarna naloga računalnikov je izvajanje izračunov, vendar za delovanje potrebujejo podatke. Zato moramo razumeti, kako računalniki shranjujejo in obdelujejo podatke. + +S pojavom interneta se je vloga računalnikov kot naprav za obdelavo podatkov povečala. Če pomislite, danes računalnike vse bolj uporabljamo za obdelavo podatkov in komunikacijo, ne pa za dejanske izračune. Ko napišemo e-pošto prijatelju ali iščemo informacije na internetu, v bistvu ustvarjamo, shranjujemo, prenašamo in manipuliramo s podatki. +> Se spomnite, kdaj ste nazadnje uporabili računalnik za dejanski izračun? + +## Kaj je podatkovna znanost? + +Na [Wikipediji](https://en.wikipedia.org/wiki/Data_science) je **podatkovna znanost** opredeljena kot *znanstveno področje, ki uporablja znanstvene metode za pridobivanje znanja in vpogledov iz strukturiranih in nestrukturiranih podatkov ter uporabi pridobljeno znanje in praktične vpoglede iz podatkov na širokem spektru aplikacijskih področij*. + +Ta definicija poudarja naslednje pomembne vidike podatkovne znanosti: + +* Glavni cilj podatkovne znanosti je **pridobivanje znanja** iz podatkov, z drugimi besedami - **razumevanje** podatkov, iskanje skritih povezav in gradnja **modela**. +* Podatkovna znanost uporablja **znanstvene metode**, kot so verjetnost in statistika. Pravzaprav so nekateri ob uvedbi izraza *podatkovna znanost* trdili, da je to le nov moderen izraz za statistiko. Danes je jasno, da je področje veliko širše. +* Pridobljeno znanje je treba uporabiti za ustvarjanje **praktičnih vpogledov**, tj. uporabnih vpogledov, ki jih lahko uporabimo v resničnih poslovnih situacijah. +* Moramo biti sposobni delovati tako na **strukturiranih** kot na **nestrukturiranih** podatkih. O različnih vrstah podatkov bomo podrobneje govorili kasneje v tečaju. +* **Aplikacijsko področje** je pomemben koncept, saj podatkovni znanstveniki pogosto potrebujejo vsaj nekaj stopnje strokovnega znanja na področju problema, na primer: finance, medicina, marketing itd. + +> Drug pomemben vidik podatkovne znanosti je, da preučuje, kako se podatki lahko zbirajo, shranjujejo in obdelujejo z računalniki. Medtem ko nam statistika daje matematične temelje, podatkovna znanost uporablja matematične koncepte za dejansko pridobivanje vpogledov iz podatkov. + +Eden od načinov (pripisan [Jimu Grayu](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist))) za razumevanje podatkovne znanosti je, da jo obravnavamo kot ločen znanstveni pristop: +* **Empirični**, kjer se zanašamo predvsem na opazovanja in rezultate eksperimentov +* **Teoretični**, kjer novi koncepti izhajajo iz obstoječega znanstvenega znanja +* **Računalniški**, kjer odkrivamo nova načela na podlagi računalniških eksperimentov +* **Na podatkih temelječi**, kjer odkrivamo povezave in vzorce v podatkih + +## Druga povezana področja + +Ker so podatki vseprisotni, je tudi podatkovna znanost široko področje, ki se dotika številnih drugih disciplin. + +## Vrste podatkov + +Kot smo že omenili, so podatki povsod. Le zajeti jih moramo na pravi način! Koristno je razlikovati med **strukturiranimi** in **nestrukturiranimi** podatki. Prvi so običajno predstavljeni v dobro strukturirani obliki, pogosto kot tabela ali več tabel, medtem ko so drugi le zbirka datotek. Včasih lahko govorimo tudi o **polstrukturiranih** podatkih, ki imajo neko vrsto strukture, ki se lahko močno razlikuje. + +| Strukturirani | Polstrukturirani | Nestrukturirani | +| -------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------- | --------------------------------------- | +| Seznam ljudi s telefonskimi številkami | Wikipedijine strani s povezavami | Besedilo Enciklopedije Britannica | +| Temperatura v vseh sobah stavbe vsako minuto v zadnjih 20 letih | Zbirka znanstvenih člankov v formatu JSON z avtorji, datumom objave in povzetkom | Datotečna shramba s korporativnimi dokumenti | +| Podatki o starosti in spolu vseh ljudi, ki vstopajo v stavbo | Spletne strani | Surov video posnetek iz nadzorne kamere | + +## Kje dobiti podatke + +Obstaja veliko možnih virov podatkov, zato jih je nemogoče vse našteti! Vendar pa omenimo nekaj tipičnih mest, kjer lahko dobite podatke: + +* **Strukturirani** + - **Internet stvari** (IoT), vključno s podatki iz različnih senzorjev, kot so senzorji temperature ali tlaka, zagotavlja veliko uporabnih podatkov. Na primer, če je poslovna stavba opremljena s senzorji IoT, lahko samodejno nadzorujemo ogrevanje in razsvetljavo, da zmanjšamo stroške. + - **Ankete**, ki jih prosimo uporabnike, da izpolnijo po nakupu ali po obisku spletne strani. + - **Analiza vedenja** lahko na primer pomaga razumeti, kako globoko uporabnik raziskuje spletno stran in kaj je tipičen razlog za zapustitev strani. +* **Nestrukturirani** + - **Besedila** so lahko bogat vir vpogledov, kot je skupna **ocena sentimenta** ali pridobivanje ključnih besed in semantičnega pomena. + - **Slike** ali **video**. Video iz nadzorne kamere lahko uporabimo za oceno prometa na cesti in obveščanje ljudi o morebitnih zastojih. + - **Dnevniki spletnih strežnikov** lahko pomagajo razumeti, katere strani naše spletne strani so najpogosteje obiskane in kako dolgo. +* **Polstrukturirani** + - **Grafi družbenih omrežij** so lahko odličen vir podatkov o osebnostih uporabnikov in potencialni učinkovitosti pri širjenju informacij. + - Ko imamo kup fotografij s zabave, lahko poskusimo pridobiti podatke o **skupinski dinamiki** z gradnjo grafa ljudi, ki se fotografirajo skupaj. + +Z poznavanjem različnih možnih virov podatkov lahko razmišljate o različnih scenarijih, kjer je mogoče uporabiti tehnike podatkovne znanosti za boljše razumevanje situacije in izboljšanje poslovnih procesov. + +## Kaj lahko storite s podatki + +V podatkovni znanosti se osredotočamo na naslednje korake pri delu s podatki: + +Seveda, odvisno od dejanskih podatkov, nekateri koraki morda manjkajo (npr. ko že imamo podatke v bazi podatkov ali ko ne potrebujemo usposabljanja modela), ali pa se nekateri koraki večkrat ponovijo (kot je obdelava podatkov). + +## Digitalizacija in digitalna transformacija + +V zadnjem desetletju so številna podjetja začela razumeti pomen podatkov pri sprejemanju poslovnih odločitev. Za uporabo načel podatkovne znanosti pri vodenju podjetja je najprej treba zbrati nekaj podatkov, tj. prevesti poslovne procese v digitalno obliko. To je znano kot **digitalizacija**. Uporaba tehnik podatkovne znanosti na teh podatkih za usmerjanje odločitev lahko vodi do znatnih povečanj produktivnosti (ali celo preoblikovanja poslovanja), kar imenujemo **digitalna transformacija**. + +Poglejmo primer. Recimo, da imamo tečaj podatkovne znanosti (kot je ta), ki ga izvajamo prek spleta za študente, in želimo uporabiti podatkovno znanost za njegovo izboljšanje. Kako lahko to storimo? + +Začnemo lahko z vprašanjem "Kaj lahko digitaliziramo?" Najpreprostejši način bi bil merjenje časa, ki ga vsak študent porabi za dokončanje vsakega modula, ter merjenje pridobljenega znanja z večkratno izbiro testa na koncu vsakega modula. Z izračunom povprečnega časa dokončanja med vsemi študenti lahko ugotovimo, kateri moduli povzročajo največ težav študentom, in delamo na njihovi poenostavitvi. +> Lahko bi trdili, da ta pristop ni idealen, saj so moduli lahko različno dolgi. Verjetno bi bilo bolj pravično čas razdeliti glede na dolžino modula (v številu znakov) in primerjati te vrednosti namesto tega. +Ko začnemo analizirati rezultate testov z več izbirami, lahko poskusimo ugotoviti, katere koncepte imajo študenti težave razumeti, in uporabimo te informacije za izboljšanje vsebine. Da bi to dosegli, moramo teste oblikovati tako, da vsako vprašanje ustreza določenemu konceptu ali delu znanja. + +Če želimo stvari še bolj zaplesti, lahko primerjamo čas, potreben za dokončanje posameznega modula, glede na starostno kategorijo študentov. Morda ugotovimo, da za nekatere starostne kategorije traja neprimerno dolgo, da dokončajo modul, ali pa da študenti odnehajo, preden ga zaključijo. To nam lahko pomaga podati starostna priporočila za modul in zmanjšati nezadovoljstvo ljudi zaradi napačnih pričakovanj. + +## 🚀 Izziv + +V tem izzivu bomo poskušali najti koncepte, ki so relevantni za področje podatkovne znanosti, tako da preučimo besedila. Vzeli bomo Wikipedijski članek o podatkovni znanosti, prenesli in obdelali besedilo ter nato ustvarili oblak besed, kot je ta: + +![Oblak besed za podatkovno znanost](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sl.png) + +Obiščite [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), da preberete kodo. Prav tako lahko zaženete kodo in si ogledate, kako v realnem času izvaja vse transformacije podatkov. + +> Če ne veste, kako zagnati kodo v Jupyter Notebooku, si oglejte [ta članek](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1) + +## Naloge + +* **Naloga 1**: Spremenite zgornjo kodo, da poiščete povezane koncepte za področji **Big Data** in **Machine Learning**. +* **Naloga 2**: [Razmislite o scenarijih podatkovne znanosti](assignment.md) + +## Zasluge + +To lekcijo je z ljubeznijo pripravil [Dmitry Soshnikov](http://soshnikov.com). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/01-defining-data-science/assignment.md b/translations/sl/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..6556d5d2 --- /dev/null +++ b/translations/sl/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,46 @@ + +# Naloga: Scenariji podatkovne znanosti + +V tej prvi nalogi vas prosimo, da razmislite o nekem resničnem procesu ali problemu v različnih problematičnih domenah in kako ga lahko izboljšate z uporabo procesa podatkovne znanosti. Razmislite o naslednjem: + +1. Katere podatke lahko zberete? +1. Kako bi jih zbrali? +1. Kako bi podatke shranili? Kako obsežni bodo verjetno podatki? +1. Katere vpoglede bi lahko pridobili iz teh podatkov? Katere odločitve bi lahko sprejeli na podlagi podatkov? + +Poskusite razmisliti o 3 različnih problemih/procesih in za vsako problematično domeno opišite zgornje točke. + +Tukaj je nekaj problematičnih domen in problemov, ki vam lahko pomagajo pri razmišljanju: + +1. Kako lahko uporabite podatke za izboljšanje izobraževalnega procesa za otroke v šolah? +1. Kako lahko uporabite podatke za nadzor cepljenja med pandemijo? +1. Kako lahko uporabite podatke, da zagotovite svojo produktivnost pri delu? + +## Navodila + +Izpolnite naslednjo tabelo (po potrebi zamenjajte predlagane problematične domene s svojimi): + +| Problematična domena | Problem | Katere podatke zbrati | Kako shraniti podatke | Katere vpoglede/odločitve lahko sprejmemo | +|-----------------------|---------|-----------------------|-----------------------|------------------------------------------| +| Izobraževanje | | | | | +| Cepljenje | | | | | +| Produktivnost | | | | | + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | -- | +Udeleženec je uspel identificirati smiselne vire podatkov, načine shranjevanja podatkov in možne odločitve/vpoglede za vse problematične domene | Nekateri vidiki rešitve niso podrobno opisani, shranjevanje podatkov ni obravnavano, opisani sta vsaj 2 problematični domeni | Opisani so le deli podatkovne rešitve, obravnavana je le ena problematična domena. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/sl/1-Introduction/01-defining-data-science/solution/assignment.md new file mode 100644 index 00000000..6e721dc4 --- /dev/null +++ b/translations/sl/1-Introduction/01-defining-data-science/solution/assignment.md @@ -0,0 +1,48 @@ + +# Naloga: Scenariji podatkovne znanosti + +V tej prvi nalogi vas prosimo, da razmislite o nekem resničnem procesu ali problemu v različnih problematičnih domenah in kako bi ga lahko izboljšali s procesom podatkovne znanosti. Razmislite o naslednjem: + +1. Katere podatke lahko zberete? +1. Kako bi jih zbrali? +1. Kako bi podatke shranili? Kako veliki bodo verjetno ti podatki? +1. Katere vpoglede bi lahko pridobili iz teh podatkov? Katere odločitve bi lahko sprejeli na podlagi teh podatkov? + +Poskusite razmisliti o 3 različnih problemih/procesih in za vsako problematično domeno opišite zgornje točke. + +Tukaj je nekaj problematičnih domen in problemov, ki vam lahko pomagajo pri razmišljanju: + +1. Kako lahko uporabite podatke za izboljšanje izobraževalnega procesa za otroke v šolah? +1. Kako lahko uporabite podatke za nadzor cepljenja med pandemijo? +1. Kako lahko uporabite podatke, da zagotovite svojo produktivnost pri delu? + +## Navodila + +Izpolnite naslednjo tabelo (po potrebi zamenjajte predlagane problematične domene s svojimi): + +| Problematična domena | Problem | Katere podatke zbrati | Kako shraniti podatke | Katere vpoglede/odločitve lahko sprejmemo | +|-----------------------|---------|-----------------------|-----------------------|-------------------------------------------| +| Izobraževanje | Na univerzi imamo običajno nizko udeležbo na predavanjih, in imamo hipotezo, da študenti, ki se udeležujejo predavanj, v povprečju bolje opravijo izpite. Želimo spodbuditi udeležbo in preveriti hipotezo. | Udeležbo lahko spremljamo s fotografijami, posnetimi s strani varnostne kamere v učilnici, ali s sledenjem bluetooth/wifi naslovov mobilnih telefonov študentov v učilnici. Podatki o izpitih so že na voljo v univerzitetni bazi podatkov. | Če sledimo slikam varnostnih kamer, moramo shraniti nekaj (5-10) fotografij med predavanjem (nestrukturirani podatki), nato pa uporabiti AI za prepoznavanje obrazov študentov (pretvorba podatkov v strukturirano obliko). | Izračunamo lahko povprečne podatke o udeležbi za vsakega študenta in preverimo, ali obstaja kakšna korelacija z ocenami na izpitih. Več o korelaciji bomo govorili v poglavju [verjetnost in statistika](../../04-stats-and-probability/README.md). Za spodbujanje udeležbe študentov lahko na šolskem portalu objavimo tedensko oceno udeležbe in podelimo nagrade med tistimi z najvišjo udeležbo. | +| Cepljenje | | | | | +| Produktivnost | | | | | + +> *Podali smo samo en odgovor kot primer, da dobite predstavo o tem, kaj se pričakuje v tej nalogi.* + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | -- | +Udeleženec je uspel identificirati razumne vire podatkov, načine shranjevanja podatkov in možne odločitve/vpoglede za vse problematične domene | Nekateri vidiki rešitve niso podrobno opisani, shranjevanje podatkov ni obravnavano, opisani sta vsaj 2 problematični domeni | Opisani so le deli rešitve podatkov, obravnavana je le ena problematična domena. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/02-ethics/README.md b/translations/sl/1-Introduction/02-ethics/README.md new file mode 100644 index 00000000..8c2ef01b --- /dev/null +++ b/translations/sl/1-Introduction/02-ethics/README.md @@ -0,0 +1,263 @@ + +# Uvod v podatkovno etiko + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| +|:---:| +| Etika podatkovne znanosti - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +--- + +Vsi smo podatkovni državljani, ki živimo v svetu, prežetem s podatki. + +Tržni trendi kažejo, da bo do leta 2022 ena od treh velikih organizacij kupovala in prodajala svoje podatke prek spletnih [tržnic in izmenjav](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Kot **razvijalci aplikacij** bomo lažje in ceneje vključili vpoglede, ki temeljijo na podatkih, ter avtomatizacijo, ki jo poganjajo algoritmi, v vsakodnevne uporabniške izkušnje. Toda z vseprisotnostjo umetne inteligence bomo morali razumeti tudi potencialne škodljive učinke [uporabe algoritmov kot orožja](https://www.youtube.com/watch?v=TQHs8SA1qpk) v velikem obsegu. + +Trendi prav tako kažejo, da bomo do leta 2025 ustvarili in porabili več kot [180 zettabajtov](https://www.statista.com/statistics/871513/worldwide-data-created/) podatkov. Kot **podatkovni znanstveniki** imamo s tem neprimerljivo raven dostopa do osebnih podatkov. To nam omogoča gradnjo vedenjskih profilov uporabnikov in vplivanje na sprejemanje odločitev na načine, ki ustvarjajo [iluzijo svobodne izbire](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), hkrati pa potencialno usmerjajo uporabnike k izidom, ki jih sami preferiramo. To odpira tudi širša vprašanja o zasebnosti podatkov in zaščiti uporabnikov. + +Podatkovna etika je zdaj _nujna varovalka_ za podatkovno znanost in inženiring, ki nam pomaga zmanjšati potencialne škodljive učinke in nenamerne posledice naših dejanj, ki temeljijo na podatkih. [Gartnerjev Hype Cycle za umetno inteligenco](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identificira relevantne trende v digitalni etiki, odgovorni umetni inteligenci in upravljanju umetne inteligence kot ključne gonilnike večjih megatrendov okoli _demokratizacije_ in _industrializacije_ umetne inteligence. + +![Gartnerjev Hype Cycle za umetno inteligenco - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) + +V tej lekciji bomo raziskali fascinantno področje podatkovne etike - od osnovnih konceptov in izzivov do študij primerov in uporabljenih konceptov umetne inteligence, kot je upravljanje, ki pomagajo vzpostaviti kulturo etike v ekipah in organizacijah, ki delajo s podatki in umetno inteligenco. + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 + +## Osnovne definicije + +Začnimo z razumevanjem osnovne terminologije. + +Beseda "etika" izhaja iz [grške besede "ethikos"](https://en.wikipedia.org/wiki/Ethics) (in njenega korena "ethos"), ki pomeni _značaj ali moralna narava_. + +**Etika** se nanaša na skupne vrednote in moralna načela, ki usmerjajo naše vedenje v družbi. Etika temelji ne na zakonih, temveč na splošno sprejetih normah, kaj je "prav vs. narobe". Vendar pa lahko etične premisleke vplivajo na pobude korporativnega upravljanja in vladne regulacije, ki ustvarjajo več spodbud za skladnost. + +**Podatkovna etika** je [nova veja etike](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), ki "preučuje in ocenjuje moralne probleme, povezane s _podatki, algoritmi in ustreznimi praksami_". Tukaj se **"podatki"** osredotočajo na dejanja, povezana z generiranjem, beleženjem, kuriranjem, obdelavo, razširjanjem, deljenjem in uporabo, **"algoritmi"** se osredotočajo na umetno inteligenco, agente, strojno učenje in robote, medtem ko se **"prakse"** osredotočajo na teme, kot so odgovorne inovacije, programiranje, hekanje in kodeks etike. + +**Uporabljena etika** je [praktična uporaba moralnih premislekov](https://en.wikipedia.org/wiki/Applied_ethics). Gre za proces aktivnega raziskovanja etičnih vprašanj v kontekstu _dejanskih dejanj, izdelkov in procesov_ ter sprejemanja korektivnih ukrepov, da ostanejo skladni z našimi opredeljenimi etičnimi vrednotami. + +**Kultura etike** se nanaša na [_operacionalizacijo_ uporabljene etike](https://hbr.org/2019/05/how-to-design-an-ethical-organization), da zagotovimo, da so naša etična načela in prakse sprejeta na dosleden in razširljiv način po celotni organizaciji. Uspešne kulture etike opredelijo organizacijsko široka etična načela, zagotavljajo smiselne spodbude za skladnost ter krepijo etične norme z vzpodbujanjem in amplifikacijo želenih vedenj na vseh ravneh organizacije. + +## Koncepti etike + +V tem razdelku bomo razpravljali o konceptih, kot so **skupne vrednote** (načela) in **etični izzivi** (problemi) za podatkovno etiko - ter raziskali **študije primerov**, ki vam pomagajo razumeti te koncepte v realnih kontekstih. + +### 1. Načela etike + +Vsaka strategija podatkovne etike se začne z opredelitvijo _etičnih načel_ - "skupnih vrednot", ki opisujejo sprejemljiva vedenja in usmerjajo skladna dejanja v naših projektih, povezanih s podatki in umetno inteligenco. Ta načela lahko opredelite na individualni ali skupinski ravni. Vendar pa večina velikih organizacij opredeli ta načela v _etičnem AI_ misijskem izjavi ali okviru, ki je opredeljen na korporativni ravni in dosledno uveljavljen v vseh ekipah. + +**Primer:** Microsoftova [Odgovorna umetna inteligenca](https://www.microsoft.com/en-us/ai/responsible-ai) misijska izjava se glasi: _"Zavezani smo k napredku umetne inteligence, ki temelji na etičnih načelih, ki postavljajo ljudi na prvo mesto"_ - opredeljuje 6 etičnih načel v spodnjem okviru: + +![Odgovorna umetna inteligenca pri Microsoftu](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) + +Na kratko raziščimo ta načela. _Transparentnost_ in _odgovornost_ sta temeljni vrednoti, na katerih temeljijo druga načela - zato začnimo tukaj: + +* [**Odgovornost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zahteva, da so praktiki _odgovorni_ za svoje operacije, povezane s podatki in umetno inteligenco, ter skladnost s temi etičnimi načeli. +* [**Transparentnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) zagotavlja, da so dejanja, povezana s podatki in umetno inteligenco, _razumljiva_ (interpretabilna) za uporabnike, pojasnjujoč kaj in zakaj za odločitvami. +* [**Pravičnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - se osredotoča na zagotavljanje, da umetna inteligenca _vse ljudi_ obravnava pravično, obravnavajoč morebitne sistemske ali implicitne socio-tehnične pristranskosti v podatkih in sistemih. +* [**Zanesljivost in varnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - zagotavlja, da umetna inteligenca deluje _dosledno_ z opredeljenimi vrednotami, zmanjšuje potencialne škodljive učinke ali nenamerne posledice. +* [**Zasebnost in varnost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se nanaša na razumevanje izvora podatkov ter zagotavljanje _zasebnosti podatkov in povezanih zaščit_ za uporabnike. +* [**Vključenost**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - se nanaša na načrtovanje rešitev umetne inteligence z namenom, prilagajanje za izpolnjevanje _širokega spektra človeških potreb_ in sposobnosti. + +> 🚨 Razmislite, kakšna bi lahko bila vaša misijska izjava o podatkovni etiki. Raziščite etične AI okvire drugih organizacij - tukaj so primeri od [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) in [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Katere skupne vrednote imajo? Kako se ta načela nanašajo na AI izdelke ali industrijo, v kateri delujejo? + +### 2. Etični izzivi + +Ko imamo opredeljena etična načela, je naslednji korak oceniti naša dejanja, povezana s podatki in umetno inteligenco, da vidimo, ali so skladna s temi skupnimi vrednotami. Razmislite o svojih dejanjih v dveh kategorijah: _zbiranje podatkov_ in _oblikovanje algoritmov_. + +Pri zbiranju podatkov bodo dejanja verjetno vključevala **osebne podatke** ali osebno prepoznavne informacije (PII) za prepoznavne žive posameznike. To vključuje [različne elemente neosebnih podatkov](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), ki _skupno_ identificirajo posameznika. Etični izzivi se lahko nanašajo na _zasebnost podatkov_, _lastništvo podatkov_ in povezana vprašanja, kot so _informirano soglasje_ ter _pravice intelektualne lastnine_ za uporabnike. + +Pri oblikovanju algoritmov bodo dejanja vključevala zbiranje in kuriranje **naborov podatkov**, nato pa njihovo uporabo za treniranje in uvajanje **podatkovnih modelov**, ki napovedujejo izide ali avtomatizirajo odločitve v realnih kontekstih. Etični izzivi se lahko pojavijo zaradi _pristranskosti nabora podatkov_, _težav s kakovostjo podatkov_, _nepravičnosti_ in _napačne predstavitve_ v algoritmih - vključno z nekaterimi vprašanji, ki so sistemske narave. + +V obeh primerih etični izzivi izpostavljajo področja, kjer lahko naša dejanja naletijo na konflikt z našimi skupnimi vrednotami. Da bi zaznali, ublažili, zmanjšali ali odpravili te skrbi, moramo zastaviti moralna "da/ne" vprašanja, povezana z našimi dejanji, nato pa po potrebi sprejeti korektivne ukrepe. Poglejmo si nekaj etičnih izzivov in moralnih vprašanj, ki jih sprožajo: + +#### 2.1 Lastništvo podatkov + +Zbiranje podatkov pogosto vključuje osebne podatke, ki lahko identificirajo podatkovne subjekte. [Lastništvo podatkov](https://permission.io/blog/data-ownership) se nanaša na _nadzor_ in [_pravice uporabnikov_](https://permission.io/blog/data-ownership), povezane z ustvarjanjem, obdelavo in razširjanjem podatkov. + +Moralna vprašanja, ki jih moramo zastaviti, so: + * Kdo je lastnik podatkov? (uporabnik ali organizacija) + * Katere pravice imajo podatkovni subjekti? (npr. dostop, izbris, prenosljivost) + * Katere pravice imajo organizacije? (npr. popravljanje zlonamernih uporabniških ocen) + +#### 2.2 Informirano soglasje + +[Informirano soglasje](https://legaldictionary.net/informed-consent/) opredeljuje dejanje, ko uporabniki privolijo v dejanje (npr. zbiranje podatkov) z _polnim razumevanjem_ relevantnih dejstev, vključno z namenom, potencialnimi tveganji in alternativami. + +Vprašanja za raziskovanje tukaj so: + * Ali je uporabnik (podatkovni subjekt) dal dovoljenje za zajemanje in uporabo podatkov? + * Ali je uporabnik razumel namen, za katerega so bili podatki zajeti? + * Ali je uporabnik razumel potencialna tveganja zaradi svoje udeležbe? + +#### 2.3 Intelektualna lastnina + +[Intelektualna lastnina](https://en.wikipedia.org/wiki/Intellectual_property) se nanaša na nematerialne stvaritve, ki izhajajo iz človeške pobude in lahko _imajo ekonomsko vrednost_ za posameznike ali podjetja. + +Vprašanja za raziskovanje tukaj so: + * Ali imajo zbrani podatki ekonomsko vrednost za uporabnika ali podjetje? + * Ali ima **uporabnik** tukaj intelektualno lastnino? + * Ali ima **organizacija** tukaj intelektualno lastnino? + * Če te pravice obstajajo, kako jih ščitimo? + +#### 2.4 Zasebnost podatkov + +[Zasebnost podatkov](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ali informacijska zasebnost se nanaša na ohranjanje zasebnosti uporabnikov in zaščito identitete uporabnikov glede osebno prepoznavnih informacij. + +Vprašanja za raziskovanje tukaj so: + * Ali so uporabnikovi (osebni) podatki zaščiteni pred vdori in uhajanjem? + * Ali so uporabnikovi podatki dostopni le pooblaščenim uporabnikom in kontekstom? + * Ali je uporabnikova anonimnost ohranjena, ko so podatki deljeni ali razširjeni? + * Ali je mogoče uporabnika de-identificirati iz anonimiziranih naborov podatkov? + +#### 2.5 Pravica do pozabe + +[Pravica do pozabe](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ali [pravica do izbrisa](https://www.gdpreu.org/right-to-be-forgotten/) zagotavlja dodatno zaščito osebnih podatkov uporabnikom. Konkretno, daje uporabnikom pravico zahtevati izbris ali odstranitev osebnih podatkov iz internetnih iskanj in drugih lokacij, _pod določenimi pogoji_ - kar jim omogoča nov začetek na spletu brez preteklih dejanj, ki bi jih bremenila. + +Vprašanja za raziskovanje tukaj so: + * Ali sistem omogoča podatkovnim subjektom zahtevo za izbris? + * Ali bi morala umaknitev uporabniškega soglasja sprožiti avtomatiziran izbris? + * Ali so bili podatki zbrani brez soglasja ali na nezakonit način? + * Ali smo skladni z vladnimi regulacijami za zasebnost podatkov? + +#### 2.6 Pristranskost nabora podatkov + +Nabor podatkov ali [pristranskost zbiranja](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) se nanaša na izbiro _nereprezentativnega_ podnabora podatkov za razvoj algoritmov, kar ustvarja potencialno nepravičnost v rezultatih za različne skupine. Vrste pristranskosti vključujejo pristranskost izbire ali vzorčenja, pristranskost prostovoljcev in pristranskost instrumentov. + +Vprašanja za raziskovanje tukaj so: + * Ali smo pridobili reprezentativen nabor podatkovnih subjektov? + * Ali smo testirali naš zbrani ali kurirani nabor podatkov za različne pristranskosti? + * Ali lahko ublažimo ali odstranimo odkrite pristranskosti? + +#### 2.7 Kakovost podatkov + +[Kakovost podatkov](https://lakefs.io/data-quality-testing/) preverja veljavnost kuriranega nabora podatkov, uporabljenega za razvoj naših algoritmov, preverja, ali značilnosti in zapisi izpolnjujejo zahteve za raven natančnosti in doslednosti, potrebne za naš namen umetne inteligence. + +Vprašanja za raziskovanje tukaj so: + * Ali smo zajeli veljavne _značilnosti_ za naš primer uporabe? + * Ali so +[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) preveri, ali zasnova algoritma sistematično diskriminira določene podskupine podatkovnih subjektov, kar lahko vodi do [potencialnih škod](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) pri _dodeljevanju_ (kjer so sredstva zavrnjena ali zadržana za to skupino) in _kakovosti storitev_ (kjer AI ni tako natančen za nekatere podskupine kot za druge). + +Vprašanja, ki jih je treba raziskati: + * Ali smo ocenili natančnost modela za različne podskupine in pogoje? + * Ali smo sistem preverili glede potencialnih škod (npr. stereotipiziranje)? + * Ali lahko spremenimo podatke ali ponovno usposobimo modele za zmanjšanje ugotovljenih škod? + +Raziskujte vire, kot so [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), da izveste več. + +#### 2.9 Napačna predstavitev + +[Napačna predstavitev podatkov](https://www.sciencedirect.com/topics/computer-science/misrepresentation) se nanaša na vprašanje, ali sporočamo vpoglede iz pošteno poročanih podatkov na zavajajoč način, da podpiramo želeno pripoved. + +Vprašanja, ki jih je treba raziskati: + * Ali poročamo nepopolne ali netočne podatke? + * Ali vizualiziramo podatke na način, ki vodi do zavajajočih zaključkov? + * Ali uporabljamo selektivne statistične tehnike za manipulacijo rezultatov? + * Ali obstajajo alternativne razlage, ki bi lahko ponudile drugačen zaključek? + +#### 2.10 Svobodna izbira +[Iluzija svobodne izbire](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) se pojavi, ko "arhitekture izbire" sistema uporabljajo algoritme za sprejemanje odločitev, da ljudi usmerijo k želenemu rezultatu, medtem ko jim dajejo občutek možnosti in nadzora. Ti [temni vzorci](https://www.darkpatterns.org/) lahko povzročijo socialno in ekonomsko škodo uporabnikom. Ker odločitve uporabnikov vplivajo na vedenjske profile, lahko te akcije potencialno usmerjajo prihodnje izbire, ki lahko okrepijo ali podaljšajo vpliv teh škod. + +Vprašanja, ki jih je treba raziskati: + * Ali je uporabnik razumel posledice sprejetja te odločitve? + * Ali je bil uporabnik seznanjen z (alternativnimi) možnostmi in prednostmi ter slabostmi vsake? + * Ali lahko uporabnik kasneje razveljavi avtomatizirano ali vplivano izbiro? + +### 3. Študije primerov + +Da bi te etične izzive postavili v kontekst resničnega sveta, je koristno pogledati študije primerov, ki poudarjajo potencialne škode in posledice za posameznike ter družbo, kadar se takšne kršitve etike prezrejo. + +Tukaj je nekaj primerov: + +| Etični izziv | Študija primera | +|--- |--- | +| **Informirano soglasje** | 1972 - [Študija sifilisa Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Afroameriškim moškim, ki so sodelovali v študiji, so obljubili brezplačno zdravstveno oskrbo, _vendar so jih raziskovalci zavajali_, saj jim niso povedali diagnoze ali o razpoložljivosti zdravljenja. Veliko udeležencev je umrlo, prizadeti pa so bili tudi partnerji in otroci; študija je trajala 40 let. | +| **Zasebnost podatkov** | 2007 - [Netflixova nagrada za podatke](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) je raziskovalcem zagotovila _10M anonimiziranih ocen filmov od 50K strank_, da bi izboljšali algoritme priporočanja. Vendar so raziskovalci uspeli povezati anonimizirane podatke z osebnimi podatki v _zunanjih zbirkah podatkov_ (npr. komentarji na IMDb) - učinkovito "deanonimizirali" nekatere naročnike Netflixa.| +| **Pristranskost pri zbiranju podatkov** | 2013 - Mesto Boston je [razvilo Street Bump](https://www.boston.gov/transportation/street-bump), aplikacijo, ki je omogočila državljanom prijavo lukenj na cestah, kar je mestu zagotovilo boljše podatke o cestah za odpravljanje težav. Vendar pa [ljudje z nižjimi dohodki niso imeli enakega dostopa do avtomobilov in telefonov](https://hbr.org/2013/04/the-hidden-biases-in-big-data), zaradi česar so njihove težave s cestami ostale nevidne v tej aplikaciji. Razvijalci so sodelovali z akademiki, da bi obravnavali _vprašanja pravičnega dostopa in digitalnih vrzeli_. | +| **Pravičnost algoritmov** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) je ocenila natančnost AI produktov za klasifikacijo spola in razkrila vrzeli v natančnosti za ženske in osebe temnejše polti. [Apple Card iz leta 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) je očitno ponujala manj kreditov ženskam kot moškim. Obe študiji sta pokazali težave pristranskosti algoritmov, ki vodijo do socio-ekonomskih škod.| +| **Napačna predstavitev podatkov** | 2020 - [Oddelek za javno zdravje Georgie je objavil COVID-19 grafe](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), ki so zavajali državljane glede trendov potrjenih primerov z ne-kronološkim razvrščanjem na x-osi. To ponazarja napačno predstavitev s triki vizualizacije. | +| **Iluzija svobodne izbire** | 2020 - Učna aplikacija [ABCmouse je plačala $10M za poravnavo pritožbe FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), kjer so starši ostali ujeti v plačevanje naročnin, ki jih niso mogli preklicati. To ponazarja temne vzorce v arhitekturah izbire, kjer so bili uporabniki usmerjeni k potencialno škodljivim odločitvam. | +| **Zasebnost podatkov in pravice uporabnikov** | 2021 - Facebook [kršitev podatkov](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) je razkrila podatke 530M uporabnikov, kar je privedlo do poravnave v višini $5B z FTC. Vendar pa ni obvestil uporabnikov o kršitvi, kar je kršilo pravice uporabnikov glede transparentnosti podatkov in dostopa. | + +Želite raziskati več študij primerov? Oglejte si te vire: +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - etične dileme v različnih industrijah. +* [Tečaj o etiki podatkovne znanosti](https://www.coursera.org/learn/data-science-ethics#syllabus) - obravnava ključne študije primerov. +* [Kje so stvari šle narobe](https://deon.drivendata.org/examples/) - kontrolni seznam Deon z zgledi. + +> 🚨 Razmislite o študijah primerov, ki ste jih videli - ali ste doživeli ali bili prizadeti zaradi podobnega etičnega izziva v svojem življenju? Ali lahko pomislite na vsaj eno drugo študijo primera, ki ponazarja enega od etičnih izzivov, o katerih smo razpravljali v tem razdelku? + +## Uporabna etika + +Govorili smo o konceptih etike, izzivih in študijah primerov v kontekstu resničnega sveta. Toda kako začeti _uporabljati_ etična načela in prakse v svojih projektih? In kako _operacionalizirati_ te prakse za boljše upravljanje? Raziščimo nekaj rešitev iz resničnega sveta: + +### 1. Profesionalni kodeksi + +Profesionalni kodeksi ponujajo eno možnost za organizacije, da "spodbujajo" člane k podpori njihovih etičnih načel in poslanstva. Kodeksi so _moralne smernice_ za profesionalno vedenje, ki pomagajo zaposlenim ali članom sprejemati odločitve, ki so skladne z načeli njihove organizacije. Njihova učinkovitost je odvisna od prostovoljne skladnosti članov; vendar pa mnoge organizacije ponujajo dodatne nagrade in kazni za motivacijo skladnosti. + +Primeri vključujejo: + + * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Kodeks etike + * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Kodeks ravnanja (ustvarjen leta 2013) + * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (od leta 1993) + +> 🚨 Ali pripadate profesionalni inženirski ali podatkovno-znanstveni organizaciji? Raziščite njihovo spletno stran, da vidite, ali opredeljujejo profesionalni kodeks etike. Kaj to pove o njihovih etičnih načelih? Kako "spodbujajo" člane k upoštevanju kodeksa? + +### 2. Etični kontrolni seznami + +Medtem ko profesionalni kodeksi opredeljujejo zahtevano _etično vedenje_ od praktikov, [imajo znane omejitve](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) pri izvajanju, zlasti pri velikih projektih. Namesto tega mnogi strokovnjaki za podatkovno znanost [zagovarjajo kontrolne sezname](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ki lahko **povežejo načela s praksami** na bolj determinističen in izvedljiv način. + +Kontrolni seznami pretvorijo vprašanja v "da/ne" naloge, ki jih je mogoče operacionalizirati, kar omogoča njihovo sledenje kot del standardnih delovnih tokov za izdajo izdelkov. + +Primeri vključujejo: + * [Deon](https://deon.drivendata.org/) - splošni kontrolni seznam etike podatkov, ustvarjen iz [priporočil industrije](https://deon.drivendata.org/#checklist-citations) z orodjem ukazne vrstice za enostavno integracijo. + * [Kontrolni seznam za revizijo zasebnosti](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - zagotavlja splošne smernice za prakse ravnanja z informacijami z vidika pravne in socialne izpostavljenosti. + * [Kontrolni seznam za pravičnost AI](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - ustvarjen s strani AI praktikov za podporo sprejetju in integraciji preverjanj pravičnosti v razvojne cikle AI. + * [22 vprašanj za etiko v podatkih in AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - bolj odprt okvir, strukturiran za začetno raziskovanje etičnih vprašanj v oblikovanju, izvajanju in organizacijskih kontekstih. + +### 3. Etika in regulacije + +Etika se ukvarja z opredeljevanjem skupnih vrednot in prostovoljnim delovanjem _pravilno_. **Skladnost** se nanaša na _upoštevanje zakonov_, če in kjer so opredeljeni. **Upravljanje** na splošno zajema vse načine, kako organizacije delujejo za uveljavljanje etičnih načel in skladnost z uveljavljenimi zakoni. + +Danes upravljanje poteka v dveh oblikah znotraj organizacij. Prvič, gre za opredelitev **etičnih AI** načel in vzpostavitev praks za operacionalizacijo sprejetja v vseh projektih, povezanih z AI, v organizaciji. Drugič, gre za skladnost z vsemi vladno določenimi **regulacijami varstva podatkov** za regije, v katerih deluje. + +Primeri regulacij varstva podatkov in zasebnosti: + + * `1974`, [Zakon o zasebnosti ZDA](https://www.justice.gov/opcl/privacy-act-1974) - ureja _zbiranje, uporabo in razkritje osebnih podatkov_ s strani zvezne vlade. + * `1996`, [Zakon o prenosljivosti in odgovornosti zdravstvenega zavarovanja ZDA (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ščiti osebne zdravstvene podatke. + * `1998`, [Zakon o zasebnosti otrok na spletu ZDA (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - ščiti zasebnost podatkov otrok, mlajših od 13 let. + * `2018`, [Splošna uredba o varstvu podatkov (GDPR)](https://gdpr-info.eu/) - zagotavlja pravice uporabnikov, varstvo podatkov in zasebnost. + * `2018`, [Kalifornijski zakon o zasebnosti potrošnikov (CCPA)](https://www.oag.ca.gov/privacy/ccpa) daje potrošnikom več _pravic_ nad njihovimi (osebnimi) podatki. + * `2021`, Kitajska [Zakon o varstvu osebnih podatkov](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) je bil pravkar sprejet, kar ustvarja eno najmočnejših regulacij zasebnosti podatkov na spletu na svetu. + +> 🚨 Evropska unija je opredelila GDPR (Splošna uredba o varstvu podatkov), ki ostaja ena najbolj vplivnih regulacij zasebnosti podatkov danes. Ali ste vedeli, da opredeljuje tudi [8 pravic uporabnikov](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) za zaščito digitalne zasebnosti in osebnih podatkov državljanov? Preberite, katere so te pravice in zakaj so pomembne. + +### 4. Kultura etike + +Upoštevajte, da ostaja neotipljiva vrzel med _skladnostjo_ (narediti dovolj, da izpolnimo "črko zakona") in obravnavanjem [sistemskih vprašanj](https://www.coursera.org/learn/data-science-ethics/home/week/4) (kot so okostenelost, asimetrija informacij in distribucijska nepravičnost), ki lahko pospešijo orožitev AI. + +Slednje zahteva [sodelovalne pristope k opredeljevanju kultur etike](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), ki gradijo čustvene povezave in dosledne skupne vrednote _med organizacijami_ v industriji. To zahteva bolj [formalizirane kulture etike podatkov](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) v organizacijah - omogočanje _komurkoli_, da [potegne Andon vrv](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (za zgodnje opozarjanje na etične pomisleke) in vključitev _etičnih ocen_ (npr. pri zaposlovanju) kot ključnega kriterija za oblikovanje ekip v AI projektih. + +--- +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯 +## Pregled in samostojno učenje + +Tečaji in knjige pomagajo pri razumevanju osnovnih konceptov etike in izzivov, medtem ko študije primerov in orodja pomagajo pri uporabi etičnih praks v resničnem svetu. Tukaj je nekaj virov za začetek. + +* [Strojno učenje za začetnike](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lekcija o pravičnosti, Microsoft. +* [Načela odgovorne umetne inteligence](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - brezplačna učna pot na Microsoft Learn. +* [Etika in podatkovna znanost](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason et. al) +* [Etika podatkovne znanosti](https://www.coursera.org/learn/data-science-ethics#syllabus) - spletni tečaj Univerze v Michiganu. +* [Etika razkrita](https://ethicsunwrapped.utexas.edu/case-studies) - študije primerov Univerze v Teksasu. + +# Naloga + +[Napišite študijo primera o etiki podatkov](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/02-ethics/assignment.md b/translations/sl/1-Introduction/02-ethics/assignment.md new file mode 100644 index 00000000..1d4ba6b0 --- /dev/null +++ b/translations/sl/1-Introduction/02-ethics/assignment.md @@ -0,0 +1,35 @@ + +## Napišite študijo primera o etiki podatkov + +## Navodila + +Naučili ste se o različnih [izzivih etike podatkov](README.md#2-ethics-challenges) in si ogledali nekaj primerov [študij primerov](README.md#3-case-studies), ki odražajo izzive etike podatkov v resničnih situacijah. + +V tej nalogi boste napisali svojo študijo primera, ki odraža izziv etike podatkov iz vaše lastne izkušnje ali iz ustreznega resničnega konteksta, ki ga poznate. Sledite tem korakom: + +1. `Izberite izziv etike podatkov`. Oglejte si [primere iz lekcije](README.md#2-ethics-challenges) ali raziščite spletne primere, kot je [Deon Checklist](https://deon.drivendata.org/examples/), za navdih. + +2. `Opišite primer iz resničnega sveta`. Razmislite o situaciji, za katero ste slišali (naslovi novic, raziskovalna študija itd.) ali jo doživeli (lokalna skupnost), kjer se je pojavil ta specifični izziv. Razmislite o vprašanjih etike podatkov, povezanih s tem izzivom, in razpravljajte o možnih škodah ali nenamernih posledicah, ki izhajajo iz tega problema. Bonus točke: razmislite o možnih rešitvah ali procesih, ki bi jih lahko uporabili za odpravo ali zmanjšanje negativnega vpliva tega izziva. + +3. `Zagotovite seznam povezanih virov`. Delite enega ali več virov (povezave do članka, osebne objave na blogu ali slike, spletnega raziskovalnega članka itd.), da dokažete, da se je to res zgodilo. Bonus točke: delite vire, ki prav tako prikazujejo možne škode in posledice incidenta ali poudarjajo pozitivne korake, sprejete za preprečitev njegove ponovitve. + + + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | -- | +Eden ali več izzivov etike podatkov je identificiran.

Študija primera jasno opisuje resnični incident, ki odraža ta izziv, in poudarja nezaželene posledice ali škodo, ki jo je povzročil.

Obstaja vsaj en povezan vir, ki dokazuje, da se je to zgodilo. | Eden izziv etike podatkov je identificiran.

Vsaj ena ustrezna škoda ali posledica je na kratko obravnavana.

Vendar je razprava omejena ali pa manjka dokaz o resničnem dogodku. | Izziv etike podatkov je identificiran.

Vendar opis ali viri ne ustrezno odražajo izziva ali ne dokazujejo njegovega resničnega dogodka. | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/03-defining-data/README.md b/translations/sl/1-Introduction/03-defining-data/README.md new file mode 100644 index 00000000..b9a356bb --- /dev/null +++ b/translations/sl/1-Introduction/03-defining-data/README.md @@ -0,0 +1,84 @@ + +# Definiranje podatkov + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)| +|:---:| +|Definiranje podatkov - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Podatki so dejstva, informacije, opazovanja in meritve, ki se uporabljajo za odkrivanje novih spoznanj in podporo informiranim odločitvam. Podatek je posamezna enota podatkov znotraj nabora podatkov, ki je zbirka podatkovnih točk. Nabori podatkov so lahko v različnih formatih in strukturah, običajno pa temeljijo na svojem viru oziroma na tem, od kod podatki izvirajo. Na primer, mesečni zaslužek podjetja je lahko v preglednici, medtem ko so podatki o srčnem utripu na uro iz pametne ure lahko v formatu [JSON](https://stackoverflow.com/a/383699). Pogosto se podatkovni znanstveniki ukvarjajo z različnimi vrstami podatkov znotraj nabora podatkov. + +Ta lekcija se osredotoča na prepoznavanje in razvrščanje podatkov glede na njihove značilnosti in vire. + +## [Pred-predavanje kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4) +## Kako so podatki opisani + +### Surovi podatki +Surovi podatki so podatki, ki prihajajo iz svojega vira v začetnem stanju in niso bili analizirani ali organizirani. Da bi razumeli, kaj se dogaja z naborom podatkov, jih je treba organizirati v format, ki ga lahko razumejo ljudje, pa tudi tehnologija, ki jo lahko uporabijo za nadaljnjo analizo. Struktura nabora podatkov opisuje, kako je organiziran, in jo je mogoče razvrstiti kot strukturirano, nestrukturirano in polstrukturirano. Te vrste struktur se razlikujejo glede na vir, vendar se na koncu uvrščajo v te tri kategorije. + +### Kvantitativni podatki +Kvantitativni podatki so numerična opazovanja znotraj nabora podatkov, ki jih je mogoče običajno analizirati, meriti in matematično uporabiti. Nekateri primeri kvantitativnih podatkov so: populacija države, višina osebe ali četrtni zaslužek podjetja. Z dodatno analizo bi se kvantitativni podatki lahko uporabili za odkrivanje sezonskih trendov indeksa kakovosti zraka (AQI) ali za oceno verjetnosti prometne konice na običajen delovni dan. + +### Kvalitativni podatki +Kvalitativni podatki, znani tudi kot kategorijski podatki, so podatki, ki jih ni mogoče objektivno meriti, kot so opazovanja kvantitativnih podatkov. Na splošno gre za različne oblike subjektivnih podatkov, ki zajemajo kakovost nečesa, kot je izdelek ali proces. Včasih so kvalitativni podatki numerični, vendar jih običajno ne uporabljamo matematično, kot so telefonske številke ali časovni žigi. Nekateri primeri kvalitativnih podatkov so: komentarji na videoposnetke, znamka in model avtomobila ali najljubša barva vaših najbližjih prijateljev. Kvalitativni podatki bi se lahko uporabili za razumevanje, kateri izdelki so potrošnikom najbolj všeč, ali za prepoznavanje priljubljenih ključnih besed v življenjepisih za prijave na delovna mesta. + +### Strukturirani podatki +Strukturirani podatki so podatki, ki so organizirani v vrsticah in stolpcih, kjer ima vsaka vrstica enak nabor stolpcev. Stolpci predstavljajo vrednost določenega tipa in so identificirani z imenom, ki opisuje, kaj vrednost predstavlja, medtem ko vrstice vsebujejo dejanske vrednosti. Stolpci pogosto vsebujejo določen nabor pravil ali omejitev glede vrednosti, da se zagotovi, da vrednosti natančno predstavljajo stolpec. Na primer, si predstavljajte preglednico strank, kjer mora vsaka vrstica imeti telefonsko številko, telefonske številke pa ne smejo vsebovati abecednih znakov. Na stolpec telefonske številke so lahko uporabljena pravila, da nikoli ni prazen in vsebuje samo številke. + +Prednost strukturiranih podatkov je, da jih je mogoče organizirati na način, ki omogoča povezovanje z drugimi strukturiranimi podatki. Vendar pa lahko zaradi zasnove podatkov, ki so organizirani na določen način, spremembe celotne strukture zahtevajo veliko truda. Na primer, dodajanje stolpca za e-pošto v preglednico strank, ki ne sme biti prazen, pomeni, da boste morali ugotoviti, kako dodati te vrednosti obstoječim vrsticam strank v naboru podatkov. + +Primeri strukturiranih podatkov: preglednice, relacijske baze podatkov, telefonske številke, bančni izpiski + +### Nestrukturirani podatki +Nestrukturirani podatki običajno ne morejo biti kategorizirani v vrstice ali stolpce in ne vsebujejo formata ali niza pravil, ki bi jih morali upoštevati. Ker imajo nestrukturirani podatki manj omejitev glede svoje strukture, je lažje dodajati nove informacije v primerjavi s strukturiranim naborom podatkov. Če senzor, ki zajema podatke o barometričnem tlaku vsakih 2 minuti, prejme posodobitev, ki mu omogoča merjenje in beleženje temperature, ni treba spreminjati obstoječih podatkov, če so nestrukturirani. Vendar pa lahko to podaljša čas analize ali preiskave takšnih podatkov. Na primer, znanstvenik, ki želi ugotoviti povprečno temperaturo prejšnjega meseca iz podatkov senzorja, odkrije, da je senzor v nekaterih svojih podatkih zabeležil "e", da bi označil, da je bil pokvarjen, namesto običajne številke, kar pomeni, da so podatki nepopolni. + +Primeri nestrukturiranih podatkov: besedilne datoteke, besedilna sporočila, video datoteke + +### Polstrukturirani podatki +Polstrukturirani podatki imajo značilnosti, zaradi katerih so kombinacija strukturiranih in nestrukturiranih podatkov. Običajno ne ustrezajo formatu vrstic in stolpcev, vendar so organizirani na način, ki velja za strukturiran, in lahko sledijo določenemu formatu ali nizu pravil. Struktura se razlikuje med viri, od dobro definirane hierarhije do nečesa bolj prilagodljivega, kar omogoča enostavno vključevanje novih informacij. Metapodatki so kazalniki, ki pomagajo določiti, kako so podatki organizirani in shranjeni, ter imajo različna imena glede na vrsto podatkov. Nekatera pogosta imena za metapodatke so oznake, elementi, entitete in atributi. Na primer, tipično e-poštno sporočilo bo imelo zadevo, telo in nabor prejemnikov ter ga je mogoče organizirati glede na to, komu ali kdaj je bilo poslano. + +Primeri polstrukturiranih podatkov: HTML, datoteke CSV, JavaScript Object Notation (JSON) + +## Viri podatkov + +Vir podatkov je začetna lokacija, kjer so bili podatki ustvarjeni ali kjer "živijo", in se razlikuje glede na to, kako in kdaj so bili zbrani. Podatki, ki jih ustvarijo uporabniki, so znani kot primarni podatki, medtem ko sekundarni podatki prihajajo iz vira, ki je zbral podatke za splošno uporabo. Na primer, skupina znanstvenikov, ki zbira opazovanja v deževnem gozdu, bi se štela za primarne, če pa se odločijo, da jih delijo z drugimi znanstveniki, bi se za tiste, ki jih uporabljajo, šteli za sekundarne. + +Baze podatkov so pogost vir in se zanašajo na sistem za upravljanje baz podatkov, da gostijo in vzdržujejo podatke, kjer uporabniki uporabljajo ukaze, imenovane poizvedbe, za raziskovanje podatkov. Datoteke kot viri podatkov so lahko zvočne, slikovne in video datoteke ter preglednice, kot je Excel. Internetni viri so pogosta lokacija za gostovanje podatkov, kjer je mogoče najti baze podatkov in datoteke. Programski vmesniki aplikacij, znani tudi kot API-ji, omogočajo programerjem ustvarjanje načinov za deljenje podatkov z zunanjimi uporabniki prek interneta, medtem ko proces spletnega strganja pridobiva podatke s spletne strani. [Lekcije v delu z podatki](../../../../../../../../../2-Working-With-Data) se osredotočajo na to, kako uporabljati različne vire podatkov. + +## Zaključek + +V tej lekciji smo se naučili: + +- Kaj so podatki +- Kako so podatki opisani +- Kako so podatki razvrščeni in kategorizirani +- Kje je mogoče najti podatke + +## 🚀 Izziv + +Kaggle je odličen vir odprtih naborov podatkov. Uporabite [orodje za iskanje nabora podatkov](https://www.kaggle.com/datasets), da najdete nekaj zanimivih naborov podatkov in razvrstite 3-5 naborov podatkov po teh kriterijih: + +- Ali so podatki kvantitativni ali kvalitativni? +- Ali so podatki strukturirani, nestrukturirani ali polstrukturirani? + +## [Po-predavanje kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5) + +## Pregled in samostojno učenje + +- Enota Microsoft Learn z naslovom [Razvrščanje vaših podatkov](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) vsebuje podroben pregled strukturiranih, polstrukturiranih in nestrukturiranih podatkov. + +## Naloga + +[Razvrščanje naborov podatkov](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/03-defining-data/assignment.md b/translations/sl/1-Introduction/03-defining-data/assignment.md new file mode 100644 index 00000000..b3a10e66 --- /dev/null +++ b/translations/sl/1-Introduction/03-defining-data/assignment.md @@ -0,0 +1,79 @@ + +# Razvrščanje podatkovnih nizov + +## Navodila + +Sledite navodilom v tej nalogi, da prepoznate in razvrstite podatke v eno od naslednjih vrst podatkov: + +**Vrste struktur**: Strukturirani, Polstrukturirani ali Nestrukturirani + +**Vrste vrednosti**: Kvalitativni ali Kvantitativni + +**Vrste virov**: Primarni ali Sekundarni + +1. Podjetje je bilo prevzeto in zdaj ima matično podjetje. Podatkovni znanstveniki so prejeli preglednico s telefonskimi številkami strank od matičnega podjetja. + +Vrsta strukture: + +Vrsta vrednosti: + +Vrsta vira: + +--- + +2. Pametna ura zbira podatke o srčnem utripu svojega uporabnika, surovi podatki pa so v formatu JSON. + +Vrsta strukture: + +Vrsta vrednosti: + +Vrsta vira: + +--- + +3. Anketa o delovnem vzdušju zaposlenih, shranjena v datoteki CSV. + +Vrsta strukture: + +Vrsta vrednosti: + +Vrsta vira: + +--- + +4. Astrofiziki dostopajo do baze podatkov galaksij, ki jih je zbrala vesoljska sonda. Podatki vsebujejo število planetov v vsaki galaksiji. + +Vrsta strukture: + +Vrsta vrednosti: + +Vrsta vira: + +--- + +5. Aplikacija za osebne finance uporablja API-je za povezovanje z uporabnikovimi finančnimi računi, da izračuna njihovo neto vrednost. Uporabnik lahko vidi vse svoje transakcije v obliki vrstic in stolpcev, ki so podobni preglednici. + +Vrsta strukture: + +Vrsta vrednosti: + +Vrsta vira: + +## Rubrika + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | -- | +Pravilno prepozna vse strukture, vrednosti in vire | Pravilno prepozna 3 strukture, vrednosti in vire | Pravilno prepozna 2 ali manj struktur, vrednosti in virov | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/04-stats-and-probability/README.md b/translations/sl/1-Introduction/04-stats-and-probability/README.md new file mode 100644 index 00000000..70b9ad53 --- /dev/null +++ b/translations/sl/1-Introduction/04-stats-and-probability/README.md @@ -0,0 +1,276 @@ + +# Kratek uvod v statistiko in verjetnost + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)| +|:---:| +| Statistika in verjetnost - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Teorija statistike in verjetnosti sta dve tesno povezani področji matematike, ki sta zelo pomembni za podatkovno znanost. Čeprav je mogoče delati s podatki brez poglobljenega matematičnega znanja, je vseeno koristno poznati vsaj osnovne koncepte. Tukaj bomo predstavili kratek uvod, ki vam bo pomagal začeti. + +[![Uvodni video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sl.png)](https://youtu.be/Z5Zy85g4Yjw) + +## [Pred-predavanjski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) + +## Verjetnost in naključne spremenljivke + +**Verjetnost** je število med 0 in 1, ki izraža, kako verjeten je določen **dogodek**. Definirana je kot število pozitivnih izidov (ki vodijo do dogodka), deljeno s skupnim številom možnih izidov, ob predpostavki, da so vsi izidi enako verjetni. Na primer, ko vržemo kocko, je verjetnost, da dobimo sodo število, 3/6 = 0,5. + +Ko govorimo o dogodkih, uporabljamo **naključne spremenljivke**. Na primer, naključna spremenljivka, ki predstavlja število, dobljeno pri metanju kocke, bi imela vrednosti od 1 do 6. Množica števil od 1 do 6 se imenuje **vzorec**. Lahko govorimo o verjetnosti, da naključna spremenljivka dobi določeno vrednost, na primer P(X=3)=1/6. + +Naključna spremenljivka v prejšnjem primeru se imenuje **diskretna**, ker ima števno vzorčno množico, tj. obstajajo ločene vrednosti, ki jih je mogoče prešteti. Obstajajo pa tudi primeri, ko je vzorčna množica interval realnih števil ali celotna množica realnih števil. Takšne spremenljivke imenujemo **zvezne**. Dober primer je čas prihoda avtobusa. + +## Porazdelitev verjetnosti + +V primeru diskretnih naključnih spremenljivk je enostavno opisati verjetnost vsakega dogodka s funkcijo P(X). Za vsako vrednost *s* iz vzorčne množice *S* bo podana številka med 0 in 1, tako da bo vsota vseh vrednosti P(X=s) za vse dogodke enaka 1. + +Najbolj znana diskretna porazdelitev je **enakomerna porazdelitev**, pri kateri je vzorčna množica sestavljena iz N elementov, z enako verjetnostjo 1/N za vsakega od njih. + +Težje je opisati porazdelitev verjetnosti zvezne spremenljivke, katere vrednosti so izbrane iz intervala [a,b] ali celotne množice realnih števil ℝ. Razmislimo o primeru časa prihoda avtobusa. Pravzaprav je za vsak točen čas prihoda *t* verjetnost, da avtobus prispe točno ob tem času, enaka 0! + +> Zdaj veste, da se dogodki z verjetnostjo 0 zgodijo, in to zelo pogosto! Vsaj vsakič, ko avtobus prispe! + +Lahko govorimo le o verjetnosti, da spremenljivka pade v določen interval vrednosti, npr. P(t1≤X2). V tem primeru je porazdelitev verjetnosti opisana z **gostotno funkcijo verjetnosti** p(x), tako da + +![P(t_1\le X1, x2, ..., xn. **Povprečje** (ali **aritmetična sredina**) zaporedja lahko definiramo na tradicionalen način kot (x1+x2+...+xn)/n. Ko povečujemo velikost vzorca (tj. vzamemo mejo pri n→∞), dobimo povprečje (imenovano tudi **pričakovana vrednost**) porazdelitve. Pričakovano vrednost označujemo z **E**(x). + +> Dokazano je, da za katerokoli diskretno porazdelitev z vrednostmi {x1, x2, ..., xN} in ustreznimi verjetnostmi p1, p2, ..., pN, pričakovana vrednost ustreza E(X)=x1p1+x2p2+...+xNpN. + +Za določitev, kako razpršene so vrednosti, lahko izračunamo varianco σ2 = ∑(xi - μ)2/n, kjer je μ povprečje zaporedja. Vrednost σ imenujemo **standardni odklon**, σ2 pa **varianca**. + +## Modus, mediana in kvartili + +Včasih povprečje ne predstavlja ustrezno "tipične" vrednosti za podatke. Na primer, kadar obstajajo ekstremne vrednosti, ki so povsem izven dosega, lahko vplivajo na povprečje. Druga dobra mera je **mediana**, vrednost, pri kateri je polovica podatkov nižja, druga polovica pa višja. + +Za boljše razumevanje porazdelitve podatkov je koristno govoriti o **kvartilih**: + +* Prvi kvartil ali Q1 je vrednost, pri kateri je 25 % podatkov nižjih od nje +* Tretji kvartil ali Q3 je vrednost, pri kateri je 75 % podatkov nižjih od nje + +Grafično lahko razmerje med medianom in kvartili predstavimo v diagramu, imenovanem **škatlasti diagram**: + + + +Tukaj prav tako izračunamo **interkvartilni razpon** IQR=Q3-Q1 in tako imenovane **izstopajoče vrednosti** - vrednosti, ki ležijo zunaj meja [Q1-1.5*IQR, Q3+1.5*IQR]. + +Za končno porazdelitev, ki vsebuje majhno število možnih vrednosti, je dobra "tipična" vrednost tista, ki se pojavi najpogosteje, in jo imenujemo **modus**. Pogosto se uporablja za kategorialne podatke, kot so barve. Na primer, če imamo dve skupini ljudi - eno, ki močno preferira rdečo, in drugo, ki preferira modro. Če barve kodiramo s številkami, bi povprečna vrednost za najljubšo barvo padla nekje v oranžno-zeleni spekter, kar ne bi ustrezalo dejanskim preferencam nobene skupine. Vendar bi modus predstavljal eno od barv ali obe barvi, če je število ljudi, ki glasujejo za njiju, enako (v tem primeru vzorec imenujemo **multimodalen**). + +## Podatki iz resničnega sveta + +Ko analiziramo podatke iz resničnega sveta, ti pogosto niso naključne spremenljivke v pravem pomenu besede, saj ne izvajamo eksperimentov z neznanim izidom. Na primer, razmislimo o ekipi baseball igralcev in njihovih telesnih podatkih, kot so višina, teža in starost. Te številke niso povsem naključne, vendar lahko še vedno uporabimo iste matematične koncepte. Na primer, zaporedje tež baseball igralcev lahko obravnavamo kot zaporedje vrednosti, izbranih iz neke naključne spremenljivke. Spodaj je zaporedje tež dejanskih baseball igralcev iz [Major League Baseball](http://mlb.mlb.com/index.jsp), vzeto iz [tega nabora podatkov](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (za vašo udobje je prikazanih le prvih 20 vrednosti): + +``` +[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] +``` + +> **Opomba**: Če želite videti primer dela s tem naborom podatkov, si oglejte [spremljajoči zvezek](notebook.ipynb). V tej lekciji je tudi več izzivov, ki jih lahko rešite z dodajanjem kode v ta zvezek. Če niste prepričani, kako delati s podatki, ne skrbite - k delu s podatki v Pythonu se bomo vrnili kasneje. Če ne veste, kako zagnati kodo v Jupyter Notebooku, si oglejte [ta članek](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +Tukaj je škatlasti diagram, ki prikazuje povprečje, median in kvartile za naše podatke: + +![Škatlasti diagram teže](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sl.png) + +Ker naši podatki vsebujejo informacije o različnih **vlogah** igralcev, lahko naredimo tudi škatlasti diagram po vlogah - to nam omogoča vpogled v to, kako se vrednosti parametrov razlikujejo med vlogami. Tokrat bomo obravnavali višino: + +![Škatlasti diagram po vlogah](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sl.png) + +Ta diagram nakazuje, da je povprečna višina igralcev na prvi bazi višja od višine igralcev na drugi bazi. Kasneje v tej lekciji se bomo naučili, kako lahko to hipotezo formalneje preverimo in kako pokažemo, da so naši podatki statistično pomembni za to trditev. + +> Pri delu s podatki iz resničnega sveta predpostavljamo, da so vse točke vzorci, izbrani iz neke porazdelitve verjetnosti. Ta predpostavka nam omogoča uporabo tehnik strojnega učenja in gradnjo delujočih napovednih modelov. + +Da bi videli, kakšna je porazdelitev naših podatkov, lahko narišemo graf, imenovan **histogram**. X-os bo vsebovala število različnih intervalov teže (tako imenovanih **razredov**), Y-os pa bo prikazovala število primerov, ko je vzorec naključne spremenljivke padel v določen interval. + +![Histogram podatkov iz resničnega sveta](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sl.png) + +Iz tega histograma lahko vidimo, da so vse vrednosti skoncentrirane okoli določenega povprečja teže, in bolj ko se oddaljujemo od tega povprečja, manj pogosto se pojavljajo teže te vrednosti. To pomeni, da je zelo malo verjetno, da bi bila teža baseball igralca zelo različna od povprečne teže. Varianca tež prikazuje, v kolikšni meri se teže verjetno razlikujejo od povprečja. + +> Če bi vzeli teže drugih ljudi, ki niso iz baseball lige, bi bila porazdelitev verjetno drugačna. Vendar bi bila oblika porazdelitve podobna, le povprečje in varianca bi se spremenila. Če torej naš model treniramo na baseball igralcih, bo verjetno dal napačne rezultate, ko ga uporabimo na študentih univerze, ker je osnovna porazdelitev drugačna. + +## Normalna porazdelitev + +Porazdelitev tež, ki smo jo videli zgoraj, je zelo tipična, in veliko meritev iz resničnega sveta sledi istemu tipu porazdelitve, vendar z različnim povprečjem in varianco. Ta porazdelitev se imenuje **normalna porazdelitev** in igra zelo pomembno vlogo v statistiki. + +Uporaba normalne porazdelitve je pravilen način za generiranje naključnih tež potencialnih baseball igralcev. Ko poznamo povprečno težo `mean` in standardni odklon `std`, lahko generiramo 1000 vzorcev teže na naslednji način: +```python +samples = np.random.normal(mean,std,1000) +``` + +Če narišemo histogram generiranih vzorcev, bomo videli sliko, zelo podobno zgornji. Če povečamo število vzorcev in število razredov, lahko ustvarimo sliko normalne porazdelitve, ki je bližje idealni: + +![Normalna porazdelitev s povprečjem=0 in std.odklonom=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sl.png) + +*Normalna porazdelitev s povprečjem=0 in std.odklonom=1* + +## Intervali zaupanja + +Ko govorimo o težah baseball igralcev, predpostavljamo, da obstaja določena **naključna spremenljivka W**, ki ustreza idealni porazdelitvi verjetnosti tež vseh baseball igralcev (tako imenovana **populacija**). Naše zaporedje tež ustreza podmnožici vseh baseball igralcev, ki jo imenujemo **vzorec**. Zanimivo vprašanje je, ali lahko poznamo parametre porazdelitve W, tj. povprečje in varianco populacije? + +Najlažji odgovor bi bil izračunati povprečje in varianco našega vzorca. Vendar se lahko zgodi, da naš naključni vzorec ne predstavlja natančno celotne populacije. Zato je smiselno govoriti o **intervalu zaupanja**. +> **Interval zaupanja** je ocena pravega povprečja populacije glede na naš vzorec, ki je natančna z določeno verjetnostjo (ali **stopnjo zaupanja**). +Predpostavimo, da imamo vzorec X1, ..., Xn iz naše porazdelitve. Vsakič, ko vzamemo vzorec iz naše porazdelitve, dobimo drugačno povprečno vrednost μ. Zato lahko μ obravnavamo kot naključno spremenljivko. **Interval zaupanja** z zaupanjem p je par vrednosti (Lp, Rp), tako da **P**(Lp ≤ μ ≤ Rp) = p, torej je verjetnost, da izmerjena povprečna vrednost pade v interval, enaka p. + +Podrobna razlaga, kako se ti intervali zaupanja izračunajo, presega naš kratek uvod. Več podrobnosti najdete [na Wikipediji](https://en.wikipedia.org/wiki/Confidence_interval). Na kratko, definiramo porazdelitev izračunanega vzorčnega povprečja glede na pravo povprečje populacije, kar imenujemo **Studentova porazdelitev**. + +> **Zanimivo dejstvo**: Studentova porazdelitev je poimenovana po matematiku Williamu Sealyju Gossetu, ki je svoje delo objavil pod psevdonimom "Student". Delal je v pivovarni Guinness, in po eni od različic njegov delodajalec ni želel, da bi širša javnost vedela, da uporabljajo statistične teste za določanje kakovosti surovin. + +Če želimo oceniti povprečje μ naše populacije z zaupanjem p, moramo vzeti *(1-p)/2-ti percentil* Studentove porazdelitve A, ki ga lahko pridobimo iz tabel ali izračunamo z vgrajenimi funkcijami statistične programske opreme (npr. Python, R itd.). Nato je interval za μ podan z X ± A*D/√n, kjer je X pridobljeno povprečje vzorca, D pa standardni odklon. + +> **Opomba**: Prav tako izpuščamo razpravo o pomembnem konceptu [stopnje prostosti](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), ki je pomemben v povezavi s Studentovo porazdelitvijo. Za globlje razumevanje tega koncepta se lahko obrnete na bolj celovite knjige o statistiki. + +Primer izračuna intervala zaupanja za težo in višino je podan v [priloženih zvezkih](notebook.ipynb). + +| p | Povprečje teže | +|------|----------------| +| 0.85 | 201.73±0.94 | +| 0.90 | 201.73±1.08 | +| 0.95 | 201.73±1.28 | + +Opazimo, da je višja verjetnost zaupanja, širši je interval zaupanja. + +## Testiranje hipotez + +V našem naboru podatkov o igralcih baseballa obstajajo različne vloge igralcev, ki jih lahko povzamemo spodaj (glejte [priložen zvezek](notebook.ipynb), da vidite, kako se ta tabela izračuna): + +| Vloga | Višina | Teža | Število | +|-------------------|------------|------------|---------| +| Lovec | 72.723684 | 204.328947 | 76 | +| Določeni udarec | 74.222222 | 220.888889 | 18 | +| Prvi bazni igralec| 74.000000 | 213.109091 | 55 | +| Zunanji igralec | 73.010309 | 199.113402 | 194 | +| Rezervni metalec | 74.374603 | 203.517460 | 315 | +| Drugi bazni igralec| 71.362069 | 184.344828 | 58 | +| Kratki igralec | 71.903846 | 182.923077 | 52 | +| Začetni metalec | 74.719457 | 205.163636 | 221 | +| Tretji bazni igralec| 73.044444| 200.955556 | 45 | + +Opazimo lahko, da je povprečna višina prvih baznih igralcev višja od povprečne višine drugih baznih igralcev. Zato bi lahko sklepali, da so **prvi bazni igralci višji od drugih baznih igralcev**. + +> Ta izjava se imenuje **hipoteza**, ker ne vemo, ali je dejstvo dejansko resnično ali ne. + +Vendar ni vedno očitno, ali lahko to sklepamo. Iz zgornje razprave vemo, da ima vsako povprečje pripadajoči interval zaupanja, zato je lahko ta razlika zgolj statistična napaka. Potrebujemo bolj formalni način za testiranje naše hipoteze. + +Izračunajmo intervale zaupanja ločeno za višine prvih in drugih baznih igralcev: + +| Zaupanje | Prvi bazni igralci | Drugi bazni igralci | +|----------|--------------------|---------------------| +| 0.85 | 73.62..74.38 | 71.04..71.69 | +| 0.90 | 73.56..74.44 | 70.99..71.73 | +| 0.95 | 73.47..74.53 | 70.92..71.81 | + +Vidimo lahko, da se intervali pod nobenim zaupanjem ne prekrivajo. To dokazuje našo hipotezo, da so prvi bazni igralci višji od drugih baznih igralcev. + +Bolj formalno, problem, ki ga rešujemo, je ugotoviti, ali sta **dve porazdelitvi verjetnosti enaki**, ali imata vsaj enake parametre. Glede na porazdelitev moramo za to uporabiti različne teste. Če vemo, da sta naši porazdelitvi normalni, lahko uporabimo **[Studentov t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)**. + +Pri Studentovem t-testu izračunamo tako imenovano **t-vrednost**, ki kaže razliko med povprečji ob upoštevanju variance. Dokazano je, da t-vrednost sledi **Studentovi porazdelitvi**, kar nam omogoča pridobitev mejne vrednosti za dano raven zaupanja **p** (to lahko izračunamo ali poiščemo v numeričnih tabelah). Nato primerjamo t-vrednost s to mejno vrednostjo, da potrdimo ali zavrnemo hipotezo. + +V Pythonu lahko uporabimo paket **SciPy**, ki vključuje funkcijo `ttest_ind` (poleg mnogih drugih uporabnih statističnih funkcij!). Ta funkcija za nas izračuna t-vrednost in tudi obraten izračun p-vrednosti zaupanja, tako da lahko preprosto pogledamo zaupanje in sprejmemo sklep. + +Na primer, naša primerjava med višinami prvih in drugih baznih igralcev nam daje naslednje rezultate: +```python +from scipy.stats import ttest_ind + +tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) +print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") +``` +``` +T-value = 7.65 +P-value: 9.137321189738925e-12 +``` +V našem primeru je p-vrednost zelo nizka, kar pomeni, da obstajajo močni dokazi, ki podpirajo, da so prvi bazni igralci višji. + +Obstajajo tudi različne druge vrste hipotez, ki jih morda želimo testirati, na primer: +* Dokazati, da dani vzorec sledi neki porazdelitvi. V našem primeru smo predpostavili, da so višine normalno porazdeljene, vendar to zahteva formalno statistično preverjanje. +* Dokazati, da povprečna vrednost vzorca ustreza neki vnaprej določeni vrednosti. +* Primerjati povprečja več vzorcev (npr. kakšna je razlika v ravni sreče med različnimi starostnimi skupinami). + +## Zakon velikih števil in centralni limitni izrek + +Eden od razlogov, zakaj je normalna porazdelitev tako pomembna, je tako imenovani **centralni limitni izrek**. Predpostavimo, da imamo velik vzorec neodvisnih N vrednosti X1, ..., XN, vzorčenih iz katere koli porazdelitve s povprečjem μ in varianco σ2. Nato, za dovolj velik N (z drugimi besedami, ko N→∞), bo povprečje ΣiXi normalno porazdeljeno, s povprečjem μ in varianco σ2/N. + +> Drug način interpretacije centralnega limitnega izreka je, da ne glede na porazdelitev, ko izračunate povprečje vsote vrednosti katere koli naključne spremenljivke, dobite normalno porazdelitev. + +Iz centralnega limitnega izreka prav tako sledi, da, ko N→∞, verjetnost, da bo vzorčno povprečje enako μ, postane 1. To je znano kot **zakon velikih števil**. + +## Kovarianca in korelacija + +Ena od stvari, ki jih počne podatkovna znanost, je iskanje povezav med podatki. Pravimo, da se dve zaporedji **korelirata**, ko kažeta podobno vedenje ob istem času, tj. se hkrati dvigujeta/padajo, ali eno zaporedje narašča, ko drugo pada, in obratno. Z drugimi besedami, zdi se, da obstaja neka povezava med dvema zaporedjema. + +> Korelacija ne pomeni nujno vzročne povezave med dvema zaporedjema; včasih lahko obe spremenljivki odvisni od nekega zunanjega vzroka, ali pa je zgolj naključje, da se dve zaporedji korelirata. Vendar pa je močna matematična korelacija dober pokazatelj, da sta dve spremenljivki nekako povezani. + +Matematično je glavni koncept, ki kaže povezavo med dvema naključnima spremenljivkama, **kovarianca**, ki se izračuna takole: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Izračunamo odstopanje obeh spremenljivk od njihovih povprečnih vrednosti, nato pa produkt teh odstopanj. Če obe spremenljivki odstopata skupaj, bo produkt vedno pozitivna vrednost, ki se bo seštela v pozitivno kovarianco. Če obe spremenljivki odstopata nesinhrono (tj. ena pade pod povprečje, ko druga naraste nad povprečje), bomo vedno dobili negativne vrednosti, ki se bodo seštela v negativno kovarianco. Če odstopanja niso odvisna, se bodo približno seštela na nič. + +Absolutna vrednost kovariance nam ne pove veliko o tem, kako velika je korelacija, ker je odvisna od velikosti dejanskih vrednosti. Da jo normaliziramo, lahko kovarianco delimo s standardnim odklonom obeh spremenljivk, da dobimo **korelacijo**. Dobro je, da je korelacija vedno v razponu [-1,1], kjer 1 označuje močno pozitivno korelacijo med vrednostmi, -1 močno negativno korelacijo, in 0 - nobene korelacije (spremenljivki sta neodvisni). + +**Primer**: Korelacijo med težo in višino igralcev baseballa iz zgoraj omenjenega nabora podatkov lahko izračunamo: +```python +print(np.corrcoef(weights,heights)) +``` +Kot rezultat dobimo **korelacijsko matriko**, kot je ta: +``` +array([[1. , 0.52959196], + [0.52959196, 1. ]]) +``` + +> Korelacijsko matriko C lahko izračunamo za poljubno število vhodnih zaporedij S1, ..., Sn. Vrednost Cij je korelacija med Si in Sj, diagonalni elementi pa so vedno 1 (kar je tudi samokorelacija Si). + +V našem primeru vrednost 0.53 kaže, da obstaja neka korelacija med težo in višino osebe. Prav tako lahko naredimo razpršeni diagram ene vrednosti proti drugi, da vizualno vidimo povezavo: + +![Povezava med težo in višino](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sl.png) + +> Več primerov korelacije in kovariance najdete v [priloženem zvezku](notebook.ipynb). + +## Zaključek + +V tem poglavju smo se naučili: + +* osnovnih statističnih lastnosti podatkov, kot so povprečje, varianca, modus in kvartili +* različnih porazdelitev naključnih spremenljivk, vključno z normalno porazdelitvijo +* kako najti korelacijo med različnimi lastnostmi +* kako uporabiti matematični in statistični aparat za dokazovanje hipotez +* kako izračunati intervale zaupanja za naključno spremenljivko glede na vzorec podatkov + +Čeprav to ni izčrpen seznam tem, ki obstajajo znotraj verjetnosti in statistike, bi moralo biti dovolj, da vam omogoči dober začetek tega tečaja. + +## 🚀 Izziv + +Uporabite vzorčno kodo v zvezku za testiranje drugih hipotez: +1. Prvi bazni igralci so starejši od drugih baznih igralcev. +2. Prvi bazni igralci so višji od tretjih baznih igralcev. +3. Kratki igralci so višji od drugih baznih igralcev. + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7) + +## Pregled in samostojno učenje + +Verjetnost in statistika sta tako široki temi, da si zaslužita svoj tečaj. Če želite iti globlje v teorijo, lahko nadaljujete z branjem nekaterih naslednjih knjig: + +1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) z New York University ima odlične zapiske predavanj [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (na voljo na spletu). +1. [Peter in Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[vzorec kode v R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. +1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[vzorec kode v R](https://github.com/PacktPublishing/Statistics-for-Data-Science)]. + +## Naloga + +[Majhna študija o diabetesu](assignment.md) + +## Zasluge + +To lekcijo je z ljubeznijo napisal [Dmitry Soshnikov](http://soshnikov.com). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/04-stats-and-probability/assignment.md b/translations/sl/1-Introduction/04-stats-and-probability/assignment.md new file mode 100644 index 00000000..c18615bc --- /dev/null +++ b/translations/sl/1-Introduction/04-stats-and-probability/assignment.md @@ -0,0 +1,40 @@ + +# Majhna študija o diabetesu + +V tej nalogi bomo delali z majhnim naborom podatkov o bolnikih z diabetesom, ki je vzet iz [tukaj](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html). + +| | STAROST | SPOL | ITM | KR | S1 | S2 | S3 | S4 | S5 | S6 | Y | +|---|---------|------|-----|----|----|----|----|----|----|----|----| +| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 | +| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 | +| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 | +| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... | + +## Navodila + +* Odprite [zvezek z nalogo](assignment.ipynb) v okolju jupyter notebook +* Izpolnite vse naloge, navedene v zvezku, in sicer: + * [ ] Izračunajte povprečne vrednosti in varianco za vse vrednosti + * [ ] Narišite boxplote za ITM, KR in Y glede na spol + * [ ] Kakšna je porazdelitev spremenljivk Starost, Spol, ITM in Y? + * [ ] Preverite korelacijo med različnimi spremenljivkami in napredovanjem bolezni (Y) + * [ ] Preverite hipotezo, da je stopnja napredovanja diabetesa različna med moškimi in ženskami + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | -- | +Vse zahtevane naloge so izpolnjene, grafično prikazane in razložene | Večina nalog je izpolnjenih, manjkajo razlage ali sklepi iz grafov in/ali pridobljenih vrednosti | Izpolnjene so le osnovne naloge, kot so izračun povprečja/variance in osnovni grafi, brez sklepov iz podatkov + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/1-Introduction/README.md b/translations/sl/1-Introduction/README.md new file mode 100644 index 00000000..601cbbdc --- /dev/null +++ b/translations/sl/1-Introduction/README.md @@ -0,0 +1,31 @@ + +# Uvod v podatkovno znanost + +![podatki v akciji](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sl.jpg) +> Fotografija avtorja Stephen Dawson na Unsplash + +V teh lekcijah boste odkrili, kako je definirana podatkovna znanost, in spoznali etične vidike, ki jih mora upoštevati podatkovni znanstvenik. Prav tako boste izvedeli, kako so podatki definirani, ter se seznanili z osnovami statistike in verjetnosti, ki sta osrednji akademski področji podatkovne znanosti. + +### Teme + +1. [Definicija podatkovne znanosti](01-defining-data-science/README.md) +2. [Etika v podatkovni znanosti](02-ethics/README.md) +3. [Definicija podatkov](03-defining-data/README.md) +4. [Uvod v statistiko in verjetnost](04-stats-and-probability/README.md) + +### Avtorji + +Te lekcije so bile napisane z ❤️ s strani [Nitya Narasimhan](https://twitter.com/nitya) in [Dmitry Soshnikov](https://twitter.com/shwars). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/05-relational-databases/README.md b/translations/sl/2-Working-With-Data/05-relational-databases/README.md new file mode 100644 index 00000000..59a9c94e --- /dev/null +++ b/translations/sl/2-Working-With-Data/05-relational-databases/README.md @@ -0,0 +1,195 @@ + +# Delo z podatki: Relacijske baze podatkov + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)| +|:---:| +| Delo z podatki: Relacijske baze podatkov - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Verjetno ste v preteklosti že uporabljali preglednico za shranjevanje informacij. Imeli ste niz vrstic in stolpcev, kjer so vrstice vsebovale informacije (ali podatke), stolpci pa so opisovali te informacije (včasih imenovane metapodatki). Relacijska baza podatkov temelji na tem osnovnem principu stolpcev in vrstic v tabelah, kar omogoča razporeditev informacij v več tabelah. To vam omogoča delo z bolj zapletenimi podatki, izogibanje podvajanju in večjo prilagodljivost pri raziskovanju podatkov. Raziskali bomo koncepte relacijske baze podatkov. + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8) + +## Vse se začne s tabelami + +Jedro relacijske baze podatkov so tabele. Tako kot pri preglednici je tabela zbirka stolpcev in vrstic. Vrstica vsebuje podatke ali informacije, s katerimi želimo delati, kot so ime mesta ali količina padavin. Stolpci opisujejo podatke, ki jih hranijo. + +Začnimo z raziskovanjem tako, da ustvarimo tabelo za shranjevanje informacij o mestih. Morda začnemo z njihovim imenom in državo. To lahko shranite v tabelo, kot je prikazano spodaj: + +| Mesto | Država | +| -------- | ------------- | +| Tokio | Japonska | +| Atlanta | Združene države | +| Auckland | Nova Zelandija | + +Opazite, da imena stolpcev **mesto**, **država** in **prebivalstvo** opisujejo podatke, ki se hranijo, vsaka vrstica pa vsebuje informacije o enem mestu. + +## Pomanjkljivosti pristopa z eno tabelo + +Verjetno se vam zgornja tabela zdi precej poznana. Dodajmo nekaj dodatnih podatkov v našo nastajajočo bazo podatkov - letne padavine (v milimetrih). Osredotočili se bomo na leta 2018, 2019 in 2020. Če bi jih dodali za Tokio, bi to izgledalo nekako takole: + +| Mesto | Država | Leto | Količina | +| ----- | ------- | ---- | ------ | +| Tokio | Japonska | 2020 | 1690 | +| Tokio | Japonska | 2019 | 1874 | +| Tokio | Japonska | 2018 | 1445 | + +Kaj opazite pri naši tabeli? Morda opazite, da podvajamo ime in državo mesta znova in znova. To bi lahko zavzelo precej prostora za shranjevanje, kar je večinoma nepotrebno. Navsezadnje ima Tokio samo eno ime, ki nas zanima. + +OK, poskusimo nekaj drugega. Dodajmo nove stolpce za vsako leto: + +| Mesto | Država | 2018 | 2019 | 2020 | +| -------- | ------------- | ---- | ---- | ---- | +| Tokio | Japonska | 1445 | 1874 | 1690 | +| Atlanta | Združene države | 1779 | 1111 | 1683 | +| Auckland | Nova Zelandija | 1386 | 942 | 1176 | + +Čeprav se s tem izognemo podvajanju vrstic, to prinaša nekaj drugih izzivov. Strukturo tabele bi morali spreminjati vsakič, ko se pojavi novo leto. Poleg tega bo z rastjo naših podatkov uporaba let kot stolpcev otežila pridobivanje in izračunavanje vrednosti. + +Zato potrebujemo več tabel in relacije. Z razdelitvijo podatkov se lahko izognemo podvajanju in pridobimo večjo prilagodljivost pri delu s podatki. + +## Koncepti relacij + +Vrnimo se k našim podatkom in določimo, kako jih želimo razdeliti. Vemo, da želimo shraniti ime in državo za naša mesta, zato bo to verjetno najbolje delovalo v eni tabeli. + +| Mesto | Država | +| -------- | ------------- | +| Tokio | Japonska | +| Atlanta | Združene države | +| Auckland | Nova Zelandija | + +Preden ustvarimo naslednjo tabelo, moramo ugotoviti, kako bomo sklicevali na vsako mesto. Potrebujemo neko obliko identifikatorja, ID ali (v tehničnih izrazih baze podatkov) primarni ključ. Primarni ključ je vrednost, ki se uporablja za identifikacijo ene specifične vrstice v tabeli. Čeprav bi to lahko temeljilo na sami vrednosti (na primer, lahko uporabimo ime mesta), bi moral biti skoraj vedno številka ali drug identifikator. Nočemo, da se ID kdaj spremeni, saj bi to prekinilo relacijo. V večini primerov bo primarni ključ ali ID samodejno generirana številka. + +> ✅ Primarni ključ je pogosto okrajšan kot PK + +### mesta + +| mesto_id | Mesto | Država | +| -------- | -------- | ------------- | +| 1 | Tokio | Japonska | +| 2 | Atlanta | Združene države | +| 3 | Auckland | Nova Zelandija | + +> ✅ Opazili boste, da med to lekcijo uporabljamo izraza "id" in "primarni ključ" izmenično. Koncepti tukaj veljajo za DataFrames, ki jih boste raziskovali kasneje. DataFrames ne uporabljajo terminologije "primarni ključ", vendar boste opazili, da se obnašajo zelo podobno. + +Ko smo ustvarili tabelo mest, shranimo padavine. Namesto da podvajamo celotne informacije o mestu, lahko uporabimo ID. Prav tako moramo zagotoviti, da ima na novo ustvarjena tabela stolpec *id*, saj bi morale vse tabele imeti ID ali primarni ključ. + +### padavine + +| padavine_id | mesto_id | Leto | Količina | +| ----------- | -------- | ---- | ------ | +| 1 | 1 | 2018 | 1445 | +| 2 | 1 | 2019 | 1874 | +| 3 | 1 | 2020 | 1690 | +| 4 | 2 | 2018 | 1779 | +| 5 | 2 | 2019 | 1111 | +| 6 | 2 | 2020 | 1683 | +| 7 | 3 | 2018 | 1386 | +| 8 | 3 | 2019 | 942 | +| 9 | 3 | 2020 | 1176 | + +Opazite stolpec **mesto_id** znotraj na novo ustvarjene tabele **padavine**. Ta stolpec vsebuje vrednosti, ki se sklicujejo na ID-je v tabeli **mesta**. V tehničnih relacijskih podatkovnih izrazih se to imenuje **tuji ključ**; to je primarni ključ iz druge tabele. Lahko si ga preprosto predstavljate kot referenco ali kazalec. **mesto_id** 1 se sklicuje na Tokio. + +> [!NOTE] Tuji ključ je pogosto okrajšan kot FK + +## Pridobivanje podatkov + +Ko so naši podatki razdeljeni v dve tabeli, se morda sprašujete, kako jih pridobimo. Če uporabljamo relacijsko bazo podatkov, kot so MySQL, SQL Server ali Oracle, lahko uporabimo jezik, imenovan Structured Query Language ali SQL. SQL (včasih izgovorjen kot "sequel") je standardni jezik, ki se uporablja za pridobivanje in spreminjanje podatkov v relacijski bazi podatkov. + +Za pridobivanje podatkov uporabite ukaz `SELECT`. V svojem jedru **izberete** stolpce, ki jih želite videti **iz** tabele, v kateri so vsebovani. Če bi želeli prikazati samo imena mest, bi lahko uporabili naslednje: + +```sql +SELECT city +FROM cities; + +-- Output: +-- Tokyo +-- Atlanta +-- Auckland +``` + +`SELECT` je mesto, kjer navedete stolpce, in `FROM` je mesto, kjer navedete tabele. + +> [NOTE] Sintaksa SQL ni občutljiva na velike in male črke, kar pomeni, da `select` in `SELECT` pomenita isto. Vendar pa so lahko stolpci in tabele občutljivi na velike in male črke, odvisno od vrste baze podatkov, ki jo uporabljate. Zato je dobra praksa, da vedno obravnavate vse v programiranju, kot da je občutljivo na velike in male črke. Pri pisanju SQL poizvedb je običajna konvencija, da ključne besede pišete z velikimi črkami. + +Zgornja poizvedba bo prikazala vsa mesta. Predstavljajte si, da želimo prikazati samo mesta v Novi Zelandiji. Potrebujemo neko obliko filtra. Ključna beseda SQL za to je `WHERE`, ali "kjer nekaj drži". + +```sql +SELECT city +FROM cities +WHERE country = 'New Zealand'; + +-- Output: +-- Auckland +``` + +## Združevanje podatkov + +Do zdaj smo pridobivali podatke iz ene same tabele. Zdaj želimo združiti podatke iz obeh tabel **mesta** in **padavine**. To se naredi z *združevanjem* tabel. Ustvarili boste povezavo med obema tabelama in uskladili vrednosti iz stolpca vsake tabele. + +V našem primeru bomo uskladili stolpec **mesto_id** v tabeli **padavine** s stolpcem **mesto_id** v tabeli **mesta**. To bo uskladilo vrednost padavin z ustreznim mestom. Vrsta združitve, ki jo bomo izvedli, se imenuje *notranja* združitev, kar pomeni, da se vrstice, ki se ne ujemajo z ničemer iz druge tabele, ne bodo prikazale. V našem primeru ima vsako mesto padavine, zato bo vse prikazano. + +Pridobimo padavine za leto 2019 za vsa naša mesta. + +To bomo naredili v korakih. Prvi korak je združitev podatkov z navedbo stolpcev za povezavo - **mesto_id**, kot je bilo poudarjeno prej. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +``` + +Poudarili smo dva stolpca, ki ju želimo, in dejstvo, da želimo združiti tabele z **mesto_id**. Zdaj lahko dodamo stavek `WHERE`, da filtriramo samo leto 2019. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +WHERE rainfall.year = 2019 + +-- Output + +-- city | amount +-- -------- | ------ +-- Tokyo | 1874 +-- Atlanta | 1111 +-- Auckland | 942 +``` + +## Povzetek + +Relacijske baze podatkov temeljijo na razdelitvi informacij med več tabel, ki se nato združijo za prikaz in analizo. To omogoča visoko stopnjo prilagodljivosti za izvajanje izračunov in drugačno manipulacijo podatkov. Videli ste osnovne koncepte relacijske baze podatkov in kako izvesti združitev med dvema tabelama. + +## 🚀 Izziv + +Na internetu je na voljo veliko relacijskih baz podatkov. Raziskujte podatke z uporabo veščin, ki ste se jih naučili zgoraj. + +## Kviz po predavanju + +## [Kviz po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9) + +## Pregled in samostojno učenje + +Na voljo je več virov na [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum), kjer lahko nadaljujete raziskovanje konceptov SQL in relacijskih baz podatkov. + +- [Opis konceptov relacijskih podatkov](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum) +- [Začnite z poizvedbami v Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL je različica SQL) +- [SQL vsebine na Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum) + +## Naloga + +[Naslov naloge](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/05-relational-databases/assignment.md b/translations/sl/2-Working-With-Data/05-relational-databases/assignment.md new file mode 100644 index 00000000..4d60fe42 --- /dev/null +++ b/translations/sl/2-Working-With-Data/05-relational-databases/assignment.md @@ -0,0 +1,73 @@ + +# Prikaz podatkov o letališčih + +Na voljo imate [bazo podatkov](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db), zgrajeno na [SQLite](https://sqlite.org/index.html), ki vsebuje informacije o letališčih. Shema je prikazana spodaj. Uporabili boste [razširitev SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) v [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) za prikaz informacij o letališčih v različnih mestih. + +## Navodila + +Za začetek naloge boste morali izvesti nekaj korakov. Namestiti boste morali nekaj orodij in prenesti vzorčno bazo podatkov. + +### Priprava sistema + +Za interakcijo z bazo podatkov lahko uporabite Visual Studio Code in razširitev SQLite. + +1. Obiščite [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) in sledite navodilom za namestitev Visual Studio Code +1. Namestite [razširitev SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum), kot je opisano na strani Marketplace + +### Prenos in odpiranje baze podatkov + +Nato prenesite in odprite bazo podatkov. + +1. Prenesite [datoteko baze podatkov iz GitHuba](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) in jo shranite v mapo +1. Odprite Visual Studio Code +1. Odprite bazo podatkov v razširitvi SQLite tako, da pritisnete **Ctl-Shift-P** (ali **Cmd-Shift-P** na Macu) in vtipkate `SQLite: Open database` +1. Izberite **Choose database from file** in odprite datoteko **airports.db**, ki ste jo prej prenesli +1. Po odprtju baze podatkov (na zaslonu ne bo vidne spremembe) ustvarite novo okno za poizvedbe tako, da pritisnete **Ctl-Shift-P** (ali **Cmd-Shift-P** na Macu) in vtipkate `SQLite: New query` + +Ko je okno odprto, ga lahko uporabite za izvajanje SQL poizvedb na bazi podatkov. Za izvajanje poizvedb na bazi podatkov lahko uporabite ukaz **Ctl-Shift-Q** (ali **Cmd-Shift-Q** na Macu). + +> [!NOTE] Za več informacij o razširitvi SQLite si lahko ogledate [dokumentacijo](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) + +## Shema baze podatkov + +Shema baze podatkov je zasnova in struktura njenih tabel. Baza podatkov **airports** ima dve tabeli: `cities`, ki vsebuje seznam mest v Združenem kraljestvu in na Irskem, ter `airports`, ki vsebuje seznam vseh letališč. Ker imajo nekatera mesta lahko več letališč, sta bili ustvarjeni dve tabeli za shranjevanje informacij. V tej nalogi boste uporabili združevanja (joins) za prikaz informacij o različnih mestih. + +| Mesta | +| ---------------- | +| id (PK, integer) | +| city (text) | +| country (text) | + +| Letališča | +| -------------------------------- | +| id (PK, integer) | +| name (text) | +| code (text) | +| city_id (FK na id v **Mesta**) | + +## Naloga + +Ustvarite poizvedbe, ki vrnejo naslednje informacije: + +1. vsa imena mest v tabeli `Cities` +1. vsa mesta na Irskem v tabeli `Cities` +1. vsa imena letališč z njihovim mestom in državo +1. vsa letališča v Londonu, Združeno kraljestvo + +## Merila ocenjevanja + +| Odlično | Zadostno | Potrebno izboljšanje | +| ----------- | ---------- | -------------------- | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/06-non-relational/README.md b/translations/sl/2-Working-With-Data/06-non-relational/README.md new file mode 100644 index 00000000..b4ab0bff --- /dev/null +++ b/translations/sl/2-Working-With-Data/06-non-relational/README.md @@ -0,0 +1,158 @@ + +# Delo s podatki: Nerelacijski podatki + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)| +|:---:| +|Delo z NoSQL podatki - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +## [Predavanje: Kviz pred začetkom](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10) + +Podatki niso omejeni le na relacijske baze podatkov. Ta lekcija se osredotoča na nerelacijske podatke in zajema osnove preglednic ter NoSQL. + +## Preglednice + +Preglednice so priljubljen način za shranjevanje in raziskovanje podatkov, saj zahtevajo manj priprave za začetek dela. V tej lekciji boste spoznali osnovne sestavne dele preglednice, formule in funkcije. Primeri bodo prikazani z Microsoft Excelom, vendar bodo večina delov in tem imela podobna imena in korake tudi v drugih programih za preglednice. + +![Prazna delovna knjiga Microsoft Excel z dvema delovnima listoma](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sl.png) + +Preglednica je datoteka, ki je dostopna v datotečnem sistemu računalnika, naprave ali oblaka. Programska oprema je lahko brskalniška ali aplikacija, ki jo je treba namestiti na računalnik ali prenesti kot aplikacijo. V Excelu so te datoteke definirane kot **delovne knjige**, kar bo uporabljeno v preostanku te lekcije. + +Delovna knjiga vsebuje enega ali več **delovnih listov**, ki so označeni z zavihki. Znotraj delovnega lista so pravokotniki, imenovani **celice**, ki vsebujejo dejanske podatke. Celica je presečišče vrstice in stolpca, kjer so stolpci označeni z abecednimi znaki, vrstice pa številčno. Nekatere preglednice vsebujejo glave v prvih nekaj vrsticah, ki opisujejo podatke v celici. + +Z osnovnimi elementi Excelove delovne knjige bomo uporabili primer iz [Microsoft Templates](https://templates.office.com/), osredotočen na inventar, da bomo preučili dodatne dele preglednice. + +### Upravljanje inventarja + +Datoteka preglednice z imenom "InventoryExample" je oblikovana preglednica predmetov v inventarju, ki vsebuje tri delovne liste, kjer so zavihki označeni kot "Inventory List", "Inventory Pick List" in "Bin Lookup". Vrstica 4 na delovnem listu Inventory List je glava, ki opisuje vrednost vsake celice v stolpcu glave. + +![Označena formula iz primernega seznama inventarja v Microsoft Excelu](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sl.png) + +Obstajajo primeri, kjer je vrednost celice odvisna od vrednosti drugih celic. Preglednica Inventory List spremlja stroške vsakega predmeta v inventarju, vendar kaj, če želimo vedeti vrednost celotnega inventarja? [**Formule**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) izvajajo dejanja na podatkih v celicah in se uporabljajo za izračun stroškov inventarja v tem primeru. Ta preglednica uporablja formulo v stolpcu Inventory Value za izračun vrednosti vsakega predmeta z množenjem količine pod glavo QTY in stroškov pod glavo COST. Dvoklik ali označitev celice prikaže formulo. Opazili boste, da formule začnejo z znakom za enačbo, ki mu sledi izračun ali operacija. + +![Označena funkcija iz primernega seznama inventarja v Microsoft Excelu](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sl.png) + +Za seštevanje vseh vrednosti stolpca Inventory Value lahko uporabimo drugo formulo. To bi lahko izračunali z dodajanjem vsake celice posebej, vendar je to lahko zamudno. Excel ima [**funkcije**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), ali vnaprej določene formule za izvajanje izračunov na vrednostih celic. Funkcije zahtevajo argumente, kar so potrebne vrednosti za izvedbo teh izračunov. Če funkcije zahtevajo več kot en argument, jih je treba navesti v določenem vrstnem redu, sicer funkcija morda ne bo pravilno izračunala vrednosti. Ta primer uporablja funkcijo SUM in uporablja vrednosti stolpca Inventory Value kot argument za izračun skupne vrednosti, navedene v vrstici 3, stolpec B (imenovan tudi B3). + +## NoSQL + +NoSQL je splošen izraz za različne načine shranjevanja nerelacijskih podatkov in ga lahko interpretiramo kot "non-SQL", "nerelacijski" ali "ne samo SQL". Te vrste podatkovnih sistemov lahko razvrstimo v 4 tipe. + +![Grafični prikaz podatkovne shrambe ključ-vrednost, ki prikazuje 4 edinstvene numerične ključe, povezane s 4 različnimi vrednostmi](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sl.png) +> Vir: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) + +[Podatkovne shrambe ključ-vrednost](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) povezujejo edinstvene ključe, ki so unikatni identifikatorji, z vrednostmi. Ti pari so shranjeni z uporabo [hash tabele](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) z ustrezno hash funkcijo. + +![Grafični prikaz grafične podatkovne shrambe, ki prikazuje odnose med ljudmi, njihovimi interesi in lokacijami](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sl.png) +> Vir: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) + +[Grafične](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) podatkovne shrambe opisujejo odnose v podatkih in so predstavljene kot zbirka vozlišč in povezav. Vozlišče predstavlja entiteto, nekaj, kar obstaja v resničnem svetu, kot je študent ali bančni izpisek. Povezave predstavljajo odnose med dvema entitetama. Vsako vozlišče in povezava imata lastnosti, ki zagotavljajo dodatne informacije o vozliščih in povezavah. + +![Grafični prikaz stolpčne podatkovne shrambe, ki prikazuje bazo podatkov strank z dvema družinama stolpcev, imenovanima Identity in Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sl.png) + +[Stolpčne](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) podatkovne shrambe organizirajo podatke v stolpce in vrstice, podobno kot relacijska struktura podatkov, vendar je vsak stolpec razdeljen v skupine, imenovane družine stolpcev, kjer so vsi podatki pod enim stolpcem povezani in jih je mogoče pridobiti ali spremeniti kot eno enoto. + +### Dokumentne podatkovne shrambe z Azure Cosmos DB + +[Dokumentne](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) podatkovne shrambe temeljijo na konceptu shrambe ključ-vrednost in so sestavljene iz serije polj in objektov. Ta razdelek raziskuje dokumentne baze podatkov z emulatorjem Cosmos DB. + +Baza podatkov Cosmos DB ustreza definiciji "ne samo SQL", kjer dokumentna baza podatkov Cosmos DB uporablja SQL za poizvedovanje podatkov. [Prejšnja lekcija](../05-relational-databases/README.md) o SQL zajema osnove jezika, ki jih bomo lahko uporabili tudi tukaj. Uporabili bomo emulator Cosmos DB, ki omogoča ustvarjanje in raziskovanje dokumentne baze podatkov lokalno na računalniku. Več o emulatorju preberite [tukaj](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21). + +Dokument je zbirka polj in vrednosti objektov, kjer polja opisujejo, kaj vrednost objekta predstavlja. Spodaj je primer dokumenta. + +```json +{ + "firstname": "Eva", + "age": 44, + "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5", + "_rid": "bHwDAPQz8s0BAAAAAAAAAA==", + "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"", + "_attachments": "attachments/", + "_ts": 1630544034 +} +``` + +Polja, ki nas zanimajo v tem dokumentu, so: `firstname`, `id` in `age`. Ostala polja z podčrtaji so bila ustvarjena s strani Cosmos DB. + +#### Raziskovanje podatkov z emulatorjem Cosmos DB + +Emulator lahko prenesete in namestite [za Windows tukaj](https://aka.ms/cosmosdb-emulator). Za možnosti uporabe emulatorja na macOS in Linuxu si oglejte to [dokumentacijo](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos). + +Emulator odpre okno brskalnika, kjer pogled Explorer omogoča raziskovanje dokumentov. + +![Pogled Explorer v emulatorju Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sl.png) + +Če sledite navodilom, kliknite "Start with Sample", da ustvarite vzorčno bazo podatkov z imenom SampleDB. Če razširite SampleDB s klikom na puščico, boste našli zbirko z imenom `Persons`. Zbirka vsebuje zbirko elementov, ki so dokumenti znotraj zbirke. Raziskujete lahko štiri posamezne dokumente pod `Items`. + +![Raziskovanje vzorčnih podatkov v emulatorju Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sl.png) + +#### Poizvedovanje dokumentnih podatkov z emulatorjem Cosmos DB + +V emulatorju lahko poizvedujete vzorčne podatke s klikom na gumb za novo SQL poizvedbo (drugi gumb z leve). + +`SELECT * FROM c` vrne vse dokumente v zbirki. Dodajmo stavek WHERE in poiščimo vse, ki so mlajši od 40 let. + +`SELECT * FROM c where c.age < 40` + +![Izvajanje poizvedbe SELECT na vzorčnih podatkih v emulatorju Cosmos DB za iskanje dokumentov, katerih vrednost polja age je manjša od 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sl.png) + +Poizvedba vrne dva dokumenta, pri čemer je vrednost polja age v vsakem dokumentu manjša od 40. + +#### JSON in dokumenti + +Če poznate JavaScript Object Notation (JSON), boste opazili, da so dokumenti podobni JSON-u. V tej mapi je datoteka `PersonsData.json` z več podatki, ki jih lahko naložite v zbirko Persons v emulatorju prek gumba `Upload Item`. + +V večini primerov lahko API-ji, ki vračajo JSON podatke, neposredno prenesejo in shranijo podatke v dokumentne baze podatkov. Spodaj je še en dokument, ki predstavlja tvite z Microsoftovega Twitter računa, pridobljene z uporabo Twitter API-ja in nato vstavljene v Cosmos DB. + +```json +{ + "created_at": "2021-08-31T19:03:01.000Z", + "id": "1432780985872142341", + "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK", + "_rid": "dhAmAIUsA4oHAAAAAAAAAA==", + "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"", + "_attachments": "attachments/", + "_ts": 1630537000 +``` + +Polja, ki nas zanimajo v tem dokumentu, so: `created_at`, `id` in `text`. + +## 🚀 Izziv + +V datoteki `TwitterData.json` so podatki, ki jih lahko naložite v bazo SampleDB. Priporočljivo je, da jih dodate v ločeno zbirko. To lahko storite tako: + +1. Kliknite gumb za novo zbirko v zgornjem desnem kotu. +2. Izberite obstoječo bazo podatkov (SampleDB) in ustvarite ID zbirke za zbirko. +3. Nastavite ključ particije na `/id`. +4. Kliknite OK (preostale informacije v tem pogledu lahko ignorirate, saj gre za majhen nabor podatkov, ki se izvaja lokalno na vašem računalniku). +5. Odprite novo zbirko in naložite datoteko Twitter Data z gumbom `Upload Item`. + +Poskusite izvesti nekaj poizvedb SELECT, da poiščete dokumente, ki vsebujejo besedo Microsoft v polju text. Namig: uporabite [ključno besedo LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character). + +## [Kviz po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11) + +## Pregled in samostojno učenje + +- Obstajajo dodatne funkcije in oblikovanja, dodana tej preglednici, ki jih ta lekcija ne zajema. Microsoft ima [obsežno knjižnico dokumentacije in videov](https://support.microsoft.com/excel) o Excelu, če vas zanima več. + +- Ta arhitekturna dokumentacija podrobno opisuje značilnosti različnih vrst nerelacijskih podatkov: [Nerelacijski podatki in NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data). + +- Cosmos DB je oblačna nerelacijska baza podatkov, ki lahko shranjuje tudi različne vrste NoSQL, omenjene v tej lekciji. Več o teh vrstah si preberite v tem [modulu Microsoft Learn o Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/). + +## Naloga + +[Soda Profits](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/06-non-relational/assignment.md b/translations/sl/2-Working-With-Data/06-non-relational/assignment.md new file mode 100644 index 00000000..cd7b174a --- /dev/null +++ b/translations/sl/2-Working-With-Data/06-non-relational/assignment.md @@ -0,0 +1,33 @@ + +# Dobički od sode + +## Navodila + +V [preglednici Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) manjkajo nekateri izračuni. Vaša naloga je: + +1. Izračunajte bruto dobičke za poslovna leta '15, '16, '17 in '18 + - Bruto dobiček = Neto prihodki od poslovanja - Stroški prodanega blaga +1. Izračunajte povprečje vseh bruto dobičkov. Poskusite to narediti s funkcijo. + - Povprečje = Vsota bruto dobičkov, deljena s številom poslovnih let (10) + - Dokumentacija o [funkciji AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) +1. To je Excelova datoteka, vendar bi morala biti urejana v kateri koli platformi za preglednice. + +[Zasluge za vir podatkov: Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel) + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | -- | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/07-python/README.md b/translations/sl/2-Working-With-Data/07-python/README.md new file mode 100644 index 00000000..3ac4e802 --- /dev/null +++ b/translations/sl/2-Working-With-Data/07-python/README.md @@ -0,0 +1,290 @@ + +# Delo z podatki: Python in knjižnica Pandas + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) | +| :-------------------------------------------------------------------------------------------------------: | +| Delo s Pythonom - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +[![Uvodni video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sl.png)](https://youtu.be/dZjWOGbsN4Y) + +Medtem ko baze podatkov ponujajo zelo učinkovite načine za shranjevanje podatkov in njihovo poizvedovanje z uporabo jezikov za poizvedbe, je najbolj prilagodljiv način obdelave podatkov pisanje lastnega programa za manipulacijo podatkov. V mnogih primerih bi bila poizvedba v bazi podatkov bolj učinkovita. Vendar pa v nekaterih primerih, ko je potrebna bolj zapletena obdelava podatkov, tega ni mogoče enostavno doseči z uporabo SQL. +Obdelavo podatkov je mogoče programirati v katerem koli programskem jeziku, vendar obstajajo določeni jeziki, ki so na višji ravni glede dela s podatki. Podatkovni znanstveniki običajno uporabljajo enega od naslednjih jezikov: + +* **[Python](https://www.python.org/)**, splošno namenski programski jezik, ki je pogosto označen kot ena najboljših možnosti za začetnike zaradi svoje preprostosti. Python ima veliko dodatnih knjižnic, ki vam lahko pomagajo rešiti številne praktične težave, kot so pridobivanje podatkov iz ZIP arhiva ali pretvorba slike v sivinsko lestvico. Poleg podatkovne znanosti se Python pogosto uporablja tudi za razvoj spletnih aplikacij. +* **[R](https://www.r-project.org/)** je tradicionalno orodje, razvito z mislijo na statistično obdelavo podatkov. Vsebuje tudi veliko knjižnico (CRAN), zaradi česar je dobra izbira za obdelavo podatkov. Vendar pa R ni splošno namenski programski jezik in se redko uporablja zunaj področja podatkovne znanosti. +* **[Julia](https://julialang.org/)** je še en jezik, razvit posebej za podatkovno znanost. Namenjen je zagotavljanju boljše zmogljivosti kot Python, zaradi česar je odlično orodje za znanstvene eksperimente. + +V tej lekciji se bomo osredotočili na uporabo Pythona za preprosto obdelavo podatkov. Predpostavljamo osnovno poznavanje jezika. Če želite podrobnejši uvod v Python, lahko uporabite enega od naslednjih virov: + +* [Naučite se Pythona na zabaven način z grafiko Turtle in fraktali](https://github.com/shwars/pycourse) - GitHub tečaj za hiter uvod v programiranje v Pythonu +* [Naredite prve korake s Pythonom](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Učni načrt na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +Podatki lahko pridejo v različnih oblikah. V tej lekciji bomo obravnavali tri oblike podatkov - **tabelarične podatke**, **besedilo** in **slike**. + +Osredotočili se bomo na nekaj primerov obdelave podatkov, namesto da bi podali celoten pregled vseh povezanih knjižnic. To vam bo omogočilo, da dobite glavno idejo o tem, kaj je mogoče, in vas pustilo z razumevanjem, kje najti rešitve za vaše težave, ko jih potrebujete. + +> **Najbolj uporaben nasvet**. Ko morate izvesti določeno operacijo na podatkih, za katero ne veste, kako jo narediti, poskusite iskati po internetu. [Stackoverflow](https://stackoverflow.com/) običajno vsebuje veliko uporabnih primerov kode v Pythonu za številne tipične naloge. + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12) + +## Tabelarični podatki in DataFrame + +Tabelarične podatke ste že srečali, ko smo govorili o relacijskih bazah podatkov. Ko imate veliko podatkov, ki so shranjeni v številnih povezanih tabelah, se vsekakor splača uporabiti SQL za delo z njimi. Vendar pa obstaja veliko primerov, ko imamo tabelo podatkov in želimo pridobiti nekaj **razumevanja** ali **vpogledov** v te podatke, kot so porazdelitev, korelacija med vrednostmi itd. V podatkovni znanosti je veliko primerov, ko moramo izvesti nekaj transformacij izvornih podatkov, ki jim sledi vizualizacija. Obe fazi je mogoče enostavno izvesti z uporabo Pythona. + +Obstajata dve najbolj uporabni knjižnici v Pythonu, ki vam lahko pomagata pri delu s tabelaričnimi podatki: +* **[Pandas](https://pandas.pydata.org/)** omogoča manipulacijo tako imenovanih **DataFrame**, ki so analogni relacijskim tabelam. Lahko imate poimenovane stolpce in izvajate različne operacije na vrsticah, stolpcih in DataFrame na splošno. +* **[Numpy](https://numpy.org/)** je knjižnica za delo s **tenzorji**, tj. večdimenzionalnimi **polji**. Polje ima vrednosti iste osnovne vrste in je preprostejše od DataFrame, vendar ponuja več matematičnih operacij in ustvarja manjšo obremenitev. + +Obstaja tudi nekaj drugih knjižnic, ki jih morate poznati: +* **[Matplotlib](https://matplotlib.org/)** je knjižnica, ki se uporablja za vizualizacijo podatkov in risanje grafov +* **[SciPy](https://www.scipy.org/)** je knjižnica z nekaterimi dodatnimi znanstvenimi funkcijami. S to knjižnico smo se že srečali, ko smo govorili o verjetnosti in statistiki + +Tukaj je kos kode, ki bi ga običajno uporabili za uvoz teh knjižnic na začetku vašega programa v Pythonu: +```python +import numpy as np +import pandas as pd +import matplotlib.pyplot as plt +from scipy import ... # you need to specify exact sub-packages that you need +``` + +Pandas temelji na nekaj osnovnih konceptih. + +### Series + +**Series** je zaporedje vrednosti, podobno seznamu ali numpy polju. Glavna razlika je, da ima Series tudi **indeks**, in ko izvajamo operacije na Series (npr. jih seštevamo), se upošteva indeks. Indeks je lahko tako preprost kot celoštevilska številka vrstice (to je privzeti indeks, ko ustvarjamo Series iz seznama ali polja), ali pa ima lahko kompleksno strukturo, kot je časovni interval. + +> **Opomba**: Uvodno kodo Pandas najdete v priloženi beležnici [`notebook.ipynb`](notebook.ipynb). Tukaj podajamo le nekaj primerov, vsekakor pa ste vabljeni, da si ogledate celotno beležnico. + +Razmislimo o primeru: želimo analizirati prodajo v naši sladoledarni. Ustvarimo Series številk prodaje (število prodanih izdelkov vsak dan) za določeno časovno obdobje: + +```python +start_date = "Jan 1, 2020" +end_date = "Mar 31, 2020" +idx = pd.date_range(start_date,end_date) +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() +``` +![Časovni graf](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sl.png) + +Recimo, da vsak teden organiziramo zabavo za prijatelje in vzamemo dodatnih 10 paketov sladoleda za zabavo. Ustvarimo lahko še en Series, indeksiran po tednih, da to prikažemo: +```python +additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W")) +``` +Ko seštejemo oba Series, dobimo skupno število: +```python +total_items = items_sold.add(additional_items,fill_value=0) +total_items.plot() +``` +![Časovni graf](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sl.png) + +> **Opomba**: Ne uporabljamo preproste sintakse `total_items+additional_items`. Če bi jo, bi dobili veliko vrednosti `NaN` (*Not a Number*) v rezultatu. To je zato, ker manjkajo vrednosti za nekatere točke indeksa v Series `additional_items`, in seštevanje `NaN` z nečim rezultira v `NaN`. Zato moramo med seštevanjem določiti parameter `fill_value`. + +Pri časovnih vrstah lahko tudi **ponovno vzorčimo** Series z različnimi časovnimi intervali. Na primer, če želimo izračunati povprečno prodajo mesečno, lahko uporabimo naslednjo kodo: +```python +monthly = total_items.resample("1M").mean() +ax = monthly.plot(kind='bar') +``` +![Mesečna povprečja časovnih vrst](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sl.png) + +### DataFrame + +DataFrame je v bistvu zbirka Series z istim indeksom. Več Series lahko združimo v DataFrame: +```python +a = pd.Series(range(1,10)) +b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9)) +df = pd.DataFrame([a,b]) +``` +To bo ustvarilo horizontalno tabelo, kot je ta: +| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | +| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- | +| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | +| 1 | I | like | to | use | Python | and | Pandas | very | much | + +Series lahko uporabimo tudi kot stolpce in določimo imena stolpcev z uporabo slovarja: +```python +df = pd.DataFrame({ 'A' : a, 'B' : b }) +``` +To nam bo dalo tabelo, kot je ta: + +| | A | B | +| --- | --- | ------ | +| 0 | 1 | I | +| 1 | 2 | like | +| 2 | 3 | to | +| 3 | 4 | use | +| 4 | 5 | Python | +| 5 | 6 | and | +| 6 | 7 | Pandas | +| 7 | 8 | very | +| 8 | 9 | much | + +**Opomba**: To postavitev tabele lahko dobimo tudi z transponiranjem prejšnje tabele, npr. z zapisom +```python +df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' }) +``` +Tukaj `.T` pomeni operacijo transponiranja DataFrame, tj. zamenjavo vrstic in stolpcev, medtem ko operacija `rename` omogoča preimenovanje stolpcev, da ustrezajo prejšnjemu primeru. + +Tukaj je nekaj najpomembnejših operacij, ki jih lahko izvedemo na DataFrame: + +**Izbira stolpcev**. Posamezne stolpce lahko izberemo z zapisom `df['A']` - ta operacija vrne Series. Podmnožico stolpcev lahko izberemo v drug DataFrame z zapisom `df[['B','A']]` - to vrne drug DataFrame. + +**Filtriranje** določenih vrstic po kriterijih. Na primer, da pustimo le vrstice, kjer je stolpec `A` večji od 5, lahko zapišemo `df[df['A']>5]`. + +> **Opomba**: Način delovanja filtriranja je naslednji. Izraz `df['A']<5` vrne logični Series, ki označuje, ali je izraz `True` ali `False` za vsak element izvirnega Series `df['A']`. Ko se logični Series uporabi kot indeks, vrne podmnožico vrstic v DataFrame. Zato ni mogoče uporabiti poljubnega Python logičnega izraza, na primer zapis `df[df['A']>5 and df['A']<7]` bi bil napačen. Namesto tega morate uporabiti posebno operacijo `&` na logičnem Series, z zapisom `df[(df['A']>5) & (df['A']<7)]` (*oklepaji so tukaj pomembni*). + +**Ustvarjanje novih izračunljivih stolpcev**. Z lahkoto lahko ustvarimo nove izračunljive stolpce za naš DataFrame z uporabo intuitivnega izraza, kot je ta: +```python +df['DivA'] = df['A']-df['A'].mean() +``` +Ta primer izračuna odstopanje A od njegove povprečne vrednosti. Kaj se tukaj dejansko zgodi, je, da izračunamo Series in ga nato dodelimo levi strani, s čimer ustvarimo nov stolpec. Zato ne moremo uporabiti nobenih operacij, ki niso združljive s Series, na primer spodnja koda je napačna: +```python +# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi" +df['LenB'] = len(df['B']) # <- Wrong result +``` +Zadnji primer, čeprav je sintaktično pravilen, daje napačen rezultat, ker dodeli dolžino Series `B` vsem vrednostim v stolpcu, namesto dolžine posameznih elementov, kot smo nameravali. + +Če moramo izračunati kompleksne izraze, kot je ta, lahko uporabimo funkcijo `apply`. Zadnji primer lahko zapišemo takole: +```python +df['LenB'] = df['B'].apply(lambda x : len(x)) +# or +df['LenB'] = df['B'].apply(len) +``` + +Po zgornjih operacijah bomo dobili naslednji DataFrame: + +| | A | B | DivA | LenB | +| --- | --- | ------ | ---- | ---- | +| 0 | 1 | I | -4.0 | 1 | +| 1 | 2 | like | -3.0 | 4 | +| 2 | 3 | to | -2.0 | 2 | +| 3 | 4 | use | -1.0 | 3 | +| 4 | 5 | Python | 0.0 | 6 | +| 5 | 6 | and | 1.0 | 3 | +| 6 | 7 | Pandas | 2.0 | 6 | +| 7 | 8 | very | 3.0 | 4 | +| 8 | 9 | much | 4.0 | 4 | + +**Izbira vrstic glede na številke** lahko izvedemo z uporabo konstrukta `iloc`. Na primer, da izberemo prvih 5 vrstic iz DataFrame: +```python +df.iloc[:5] +``` + +**Skupinjenje** se pogosto uporablja za pridobitev rezultata, podobnega *pivot tabelam* v Excelu. Recimo, da želimo izračunati povprečno vrednost stolpca `A` za vsako dano število `LenB`. Nato lahko skupinimo naš DataFrame po `LenB` in pokličemo `mean`: +```python +df.groupby(by='LenB').mean() +``` +Če moramo izračunati povprečje in število elementov v skupini, lahko uporabimo bolj kompleksno funkcijo `aggregate`: +```python +df.groupby(by='LenB') \ + .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \ + .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'}) +``` +To nam da naslednjo tabelo: + +| LenB | Count | Mean | +| ---- | ----- | -------- | +| 1 | 1 | 1.000000 | +| 2 | 1 | 3.000000 | +| 3 | 2 | 5.000000 | +| 4 | 3 | 6.333333 | +| 6 | 2 | 6.000000 | + +### Pridobivanje podatkov +Videli smo, kako enostavno je ustvariti Series in DataFrames iz Pythonovih objektov. Vendar pa podatki običajno prihajajo v obliki besedilne datoteke ali Excelove tabele. Na srečo nam Pandas ponuja preprost način za nalaganje podatkov z diska. Na primer, branje CSV datoteke je tako preprosto kot tole: +```python +df = pd.read_csv('file.csv') +``` +V razdelku "Izziv" bomo videli več primerov nalaganja podatkov, vključno s pridobivanjem podatkov z zunanjih spletnih mest. + +### Tiskanje in risanje grafov + +Podatkovni znanstvenik mora pogosto raziskovati podatke, zato je pomembno, da jih zna vizualizirati. Ko je DataFrame velik, si pogosto želimo le zagotoviti, da delamo vse pravilno, tako da natisnemo prvih nekaj vrstic. To lahko storimo z uporabo `df.head()`. Če to izvajate v Jupyter Notebooku, bo DataFrame prikazan v lepi tabelarični obliki. + +Prav tako smo videli uporabo funkcije `plot` za vizualizacijo nekaterih stolpcev. Čeprav je `plot` zelo uporaben za številne naloge in podpira različne vrste grafov prek parametra `kind=`, lahko vedno uporabite knjižnico `matplotlib` za risanje nečesa bolj zapletenega. Podrobno bomo obravnavali vizualizacijo podatkov v ločenih lekcijah tečaja. + +Ta pregled zajema najpomembnejše koncepte Pandas, vendar je knjižnica zelo bogata in ni omejitev, kaj lahko z njo naredite! Zdaj pa uporabimo to znanje za reševanje specifičnega problema. + +## 🚀 Izziv 1: Analiza širjenja COVID-a + +Prvi problem, na katerega se bomo osredotočili, je modeliranje širjenja epidemije COVID-19. Za to bomo uporabili podatke o številu okuženih posameznikov v različnih državah, ki jih zagotavlja [Center za sisteme znanosti in inženiringa](https://systems.jhu.edu/) (CSSE) na [Univerzi Johns Hopkins](https://jhu.edu/). Podatkovni niz je na voljo v [tem GitHub repozitoriju](https://github.com/CSSEGISandData/COVID-19). + +Ker želimo pokazati, kako ravnati s podatki, vas vabimo, da odprete [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) in ga preberete od začetka do konca. Prav tako lahko zaženete celice in rešite nekaj izzivov, ki smo jih pustili za vas na koncu. + +![Širjenje COVID-a](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sl.png) + +> Če ne veste, kako zagnati kodo v Jupyter Notebooku, si oglejte [ta članek](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## Delo z nestrukturiranimi podatki + +Čeprav podatki pogosto prihajajo v tabelarični obliki, se v nekaterih primerih srečamo z manj strukturiranimi podatki, na primer besedilom ali slikami. V tem primeru moramo za uporabo tehnik obdelave podatkov, ki smo jih videli zgoraj, nekako **izluščiti** strukturirane podatke. Tukaj je nekaj primerov: + +* Izluščitev ključnih besed iz besedila in analiza njihove pogostosti +* Uporaba nevronskih mrež za pridobivanje informacij o objektih na sliki +* Pridobivanje informacij o čustvih ljudi na video posnetkih + +## 🚀 Izziv 2: Analiza COVID člankov + +V tem izzivu bomo nadaljevali s temo pandemije COVID in se osredotočili na obdelavo znanstvenih člankov na to temo. Obstaja [CORD-19 podatkovni niz](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) z več kot 7000 (v času pisanja) članki o COVID-u, ki so na voljo z metapodatki in povzetki (za približno polovico člankov je na voljo tudi celotno besedilo). + +Celoten primer analize tega podatkovnega niza z uporabo kognitivne storitve [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) je opisan [v tem blogu](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Obravnavali bomo poenostavljeno različico te analize. + +> **NOTE**: Kopija podatkovnega niza ni vključena v ta repozitorij. Najprej boste morda morali prenesti datoteko [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) iz [tega podatkovnega niza na Kagglu](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Registracija na Kagglu je morda potrebna. Podatkovni niz lahko prenesete tudi brez registracije [tukaj](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), vendar bo vključeval vsa celotna besedila poleg datoteke z metapodatki. + +Odprite [`notebook-papers.ipynb`](notebook-papers.ipynb) in ga preberite od začetka do konca. Prav tako lahko zaženete celice in rešite nekaj izzivov, ki smo jih pustili za vas na koncu. + +![Zdravljenje COVID-a](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sl.png) + +## Obdelava slikovnih podatkov + +V zadnjem času so bili razviti zelo zmogljivi AI modeli, ki omogočajo razumevanje slik. Obstaja veliko nalog, ki jih je mogoče rešiti z uporabo vnaprej naučenih nevronskih mrež ali oblačnih storitev. Nekateri primeri vključujejo: + +* **Razvrščanje slik**, ki vam lahko pomaga kategorizirati sliko v eno od vnaprej določenih kategorij. Svoje klasifikatorje slik lahko enostavno naučite z uporabo storitev, kot je [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum). +* **Zaznavanje objektov** za prepoznavanje različnih objektov na sliki. Storitve, kot je [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), lahko zaznajo številne pogoste objekte, medtem ko lahko model [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) naučite za zaznavanje specifičnih objektov. +* **Zaznavanje obrazov**, vključno z zaznavanjem starosti, spola in čustev. To je mogoče storiti prek [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum). + +Vse te oblačne storitve je mogoče klicati z uporabo [Python SDK-jev](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), zato jih je mogoče enostavno vključiti v vaš potek raziskovanja podatkov. + +Tukaj je nekaj primerov raziskovanja podatkov iz slikovnih virov: +* V blogu [Kako se naučiti podatkovne znanosti brez programiranja](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) raziskujemo fotografije na Instagramu in poskušamo razumeti, kaj ljudi spodbudi, da všečkajo določeno fotografijo. Najprej iz slik pridobimo čim več informacij z uporabo [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), nato pa uporabimo [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) za izdelavo razložljivega modela. +* V [delavnici o študijah obrazov](https://github.com/CloudAdvocacy/FaceStudies) uporabljamo [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) za pridobivanje čustev ljudi na fotografijah z dogodkov, da bi poskušali razumeti, kaj ljudi osrečuje. + +## Zaključek + +Ne glede na to, ali že imate strukturirane ali nestrukturirane podatke, lahko s Pythonom izvedete vse korake, povezane z obdelavo in razumevanjem podatkov. To je verjetno najbolj prilagodljiv način obdelave podatkov, zato večina podatkovnih znanstvenikov uporablja Python kot svoje glavno orodje. Če ste resni glede svoje poti v podatkovni znanosti, je poglobljeno učenje Pythona verjetno dobra ideja! + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13) + +## Pregled in samostojno učenje + +**Knjige** +* [Wes McKinney. Python za analizo podatkov: Obdelava podatkov s Pandas, NumPy in IPython](https://www.amazon.com/gp/product/1491957662) + +**Spletni viri** +* Uradni [10 minut za Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) vodič +* [Dokumentacija o vizualizaciji s Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) + +**Učenje Pythona** +* [Naučite se Pythona na zabaven način z grafiko Turtle in fraktali](https://github.com/shwars/pycourse) +* [Naredite prve korake s Pythonom](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) učna pot na [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +## Naloga + +[Izvedite podrobnejšo študijo podatkov za zgornje izzive](assignment.md) + +## Zahvale + +To lekcijo je z ♥️ pripravil [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/07-python/assignment.md b/translations/sl/2-Working-With-Data/07-python/assignment.md new file mode 100644 index 00000000..8d8450b2 --- /dev/null +++ b/translations/sl/2-Working-With-Data/07-python/assignment.md @@ -0,0 +1,37 @@ + +# Naloga za obdelavo podatkov v Pythonu + +V tej nalogi vas bomo prosili, da razširite kodo, ki smo jo začeli razvijati v naših izzivih. Naloga je sestavljena iz dveh delov: + +## Modeliranje širjenja COVID-19 + + - [ ] Narišite grafe *R* za 5-6 različnih držav na enem grafu za primerjavo ali na več grafih, postavljenih drug ob drugem. + - [ ] Preučite, kako število smrti in okrevanj korelira s številom okuženih primerov. + - [ ] Ugotovite, kako dolgo običajno traja bolezen, tako da vizualno primerjate stopnjo okužb in stopnjo smrti ter iščete anomalije. Morda boste morali pogledati različne države, da to ugotovite. + - [ ] Izračunajte stopnjo smrtnosti in kako se ta spreminja skozi čas. *Morda boste želeli upoštevati dolžino bolezni v dnevih, da premaknete eno časovno serijo, preden izvedete izračune.* + +## Analiza člankov o COVID-19 + +- [ ] Zgradite matriko so-pojavitev različnih zdravil in preverite, katera zdravila se pogosto pojavljajo skupaj (tj. omenjena v enem povzetku). Kodo za gradnjo matrike so-pojavitev za zdravila in diagnoze lahko prilagodite. +- [ ] To matriko vizualizirajte s pomočjo toplotne karte. +- [ ] Kot dodatni cilj vizualizirajte so-pojavitev zdravil z uporabo [krožnega diagrama](https://en.wikipedia.org/wiki/Chord_diagram). [Ta knjižnica](https://pypi.org/project/chord/) vam lahko pomaga narisati krožni diagram. +- [ ] Kot še en dodatni cilj izluščite odmerke različnih zdravil (na primer **400mg** v *vzemite 400mg klorokina dnevno*) z uporabo regularnih izrazov in zgradite podatkovni okvir, ki prikazuje različne odmerke za različna zdravila. **Opomba**: upoštevajte številske vrednosti, ki so v bližini imena zdravila v besedilu. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | -- | +Vse naloge so dokončane, grafično prikazane in razložene, vključno z vsaj enim od dveh dodatnih ciljev | Več kot 5 nalog je dokončanih, dodatni cilji niso poskušeni ali rezultati niso jasni | Manj kot 5 (vendar več kot 3) nalog je dokončanih, vizualizacije ne pomagajo pri prikazu točke + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/08-data-preparation/README.md b/translations/sl/2-Working-With-Data/08-data-preparation/README.md new file mode 100644 index 00000000..79b64650 --- /dev/null +++ b/translations/sl/2-Working-With-Data/08-data-preparation/README.md @@ -0,0 +1,346 @@ + +# Delo z podatki: Priprava podatkov + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)| +|:---:| +|Priprava podatkov - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14) + +Odvisno od vira lahko surovi podatki vsebujejo nedoslednosti, ki otežujejo analizo in modeliranje. Z drugimi besedami, takšni podatki so lahko "neurejeni" in jih je treba očistiti. Ta lekcija se osredotoča na tehnike čiščenja in preoblikovanja podatkov za reševanje težav, kot so manjkajoči, netočni ali nepopolni podatki. Obravnavane teme v tej lekciji uporabljajo Python in knjižnico Pandas ter bodo [prikazane v zvezku](notebook.ipynb) v tej mapi. + +## Pomen čiščenja podatkov + +- **Enostavnost uporabe in ponovne uporabe**: Ko so podatki pravilno organizirani in normalizirani, jih je lažje iskati, uporabljati in deliti z drugimi. + +- **Konsistentnost**: Podatkovna znanost pogosto zahteva delo z več nabori podatkov, kjer je treba združiti podatke iz različnih virov. Zagotavljanje, da ima vsak posamezen nabor podatkov skupne standarde, zagotavlja uporabnost podatkov tudi po združitvi v en nabor. + +- **Natančnost modela**: Očiščeni podatki izboljšajo natančnost modelov, ki se nanje zanašajo. + +## Pogosti cilji in strategije čiščenja + +- **Raziskovanje nabora podatkov**: Raziskovanje podatkov, ki je obravnavano v [kasnejši lekciji](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), vam lahko pomaga odkriti podatke, ki jih je treba očistiti. Vizualno opazovanje vrednosti v naboru podatkov lahko ustvari pričakovanja o tem, kako izgleda preostanek, ali pa ponudi vpogled v težave, ki jih je treba rešiti. Raziskovanje lahko vključuje osnovno poizvedovanje, vizualizacije in vzorčenje. + +- **Formatiranje**: Glede na vir lahko podatki vsebujejo nedoslednosti v načinu predstavitve. To lahko povzroči težave pri iskanju in prikazovanju vrednosti, kjer so podatki vidni v naboru, vendar niso pravilno predstavljeni v vizualizacijah ali rezultatih poizvedb. Pogoste težave s formatiranjem vključujejo odpravljanje presledkov, datume in tipe podatkov. Reševanje teh težav je običajno naloga uporabnikov podatkov. Na primer, standardi za prikazovanje datumov in številk se lahko razlikujejo glede na državo. + +- **Podvajanja**: Podatki z več pojavitvami lahko povzročijo netočne rezultate in jih je običajno treba odstraniti. To je pogost pojav pri združevanju dveh ali več naborov podatkov. Vendar pa obstajajo primeri, ko podvajanje v združenih naborih vsebuje dodatne informacije, ki jih je morda treba ohraniti. + +- **Manjkajoči podatki**: Manjkajoči podatki lahko povzročijo netočnosti ter šibke ali pristranske rezultate. Te težave je včasih mogoče rešiti z "ponovnim nalaganjem" podatkov, zapolnjevanjem manjkajočih vrednosti s pomočjo izračunov in kode, kot je Python, ali preprosto z odstranitvijo vrednosti in ustreznih podatkov. Razlogi za manjkajoče podatke so številni, ukrepi za njihovo reševanje pa so odvisni od tega, kako in zakaj so podatki manjkali. + +## Raziskovanje informacij v DataFrame +> **Cilj učenja:** Do konca tega podpoglavja bi morali biti sposobni pridobiti splošne informacije o podatkih, shranjenih v pandas DataFrame. + +Ko naložite podatke v pandas, bodo ti najverjetneje v obliki DataFrame (glejte prejšnjo [lekcijo](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) za podroben pregled). Če pa ima DataFrame 60.000 vrstic in 400 stolpcev, kako sploh začeti razumeti, s čim delate? Na srečo pandas ponuja nekaj priročnih orodij za hitro pregledovanje splošnih informacij o DataFrame, poleg prvih in zadnjih nekaj vrstic. + +Za raziskovanje te funkcionalnosti bomo uvozili knjižnico Python scikit-learn in uporabili ikoničen nabor podatkov: **Iris dataset**. + +```python +import pandas as pd +from sklearn.datasets import load_iris + +iris = load_iris() +iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names']) +``` +| |dolžina čašnega lista (cm)|širina čašnega lista (cm)|dolžina venčnega lista (cm)|širina venčnega lista (cm)| +|----------------------------------------|--------------------------|--------------------------|---------------------------|--------------------------| +|0 |5.1 |3.5 |1.4 |0.2 | +|1 |4.9 |3.0 |1.4 |0.2 | +|2 |4.7 |3.2 |1.3 |0.2 | +|3 |4.6 |3.1 |1.5 |0.2 | +|4 |5.0 |3.6 |1.4 |0.2 | + +- **DataFrame.info**: Za začetek se metoda `info()` uporablja za izpis povzetka vsebine, prisotne v `DataFrame`. Poglejmo si ta nabor podatkov: +```python +iris_df.info() +``` +``` +RangeIndex: 150 entries, 0 to 149 +Data columns (total 4 columns): + # Column Non-Null Count Dtype +--- ------ -------------- ----- + 0 sepal length (cm) 150 non-null float64 + 1 sepal width (cm) 150 non-null float64 + 2 petal length (cm) 150 non-null float64 + 3 petal width (cm) 150 non-null float64 +dtypes: float64(4) +memory usage: 4.8 KB +``` +Iz tega vemo, da ima nabor podatkov *Iris* 150 vnosov v štirih stolpcih brez praznih vnosov. Vsi podatki so shranjeni kot 64-bitne številske vrednosti s plavajočo vejico. + +- **DataFrame.head()**: Nato za preverjanje dejanske vsebine `DataFrame` uporabimo metodo `head()`. Poglejmo, kako izgledajo prve vrstice našega `iris_df`: +```python +iris_df.head() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +0 5.1 3.5 1.4 0.2 +1 4.9 3.0 1.4 0.2 +2 4.7 3.2 1.3 0.2 +3 4.6 3.1 1.5 0.2 +4 5.0 3.6 1.4 0.2 +``` +- **DataFrame.tail()**: Nasprotno pa za preverjanje zadnjih nekaj vrstic `DataFrame` uporabimo metodo `tail()`: +```python +iris_df.tail() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +145 6.7 3.0 5.2 2.3 +146 6.3 2.5 5.0 1.9 +147 6.5 3.0 5.2 2.0 +148 6.2 3.4 5.4 2.3 +149 5.9 3.0 5.1 1.8 +``` +> **Ključna misel:** Že samo z ogledom metapodatkov o informacijah v DataFrame ali prvih in zadnjih nekaj vrednosti lahko takoj dobite predstavo o velikosti, obliki in vsebini podatkov, s katerimi delate. + +## Reševanje manjkajočih podatkov +> **Cilj učenja:** Do konca tega podpoglavja bi morali vedeti, kako zamenjati ali odstraniti prazne vrednosti iz DataFrame. + +Večino časa nabori podatkov, ki jih želite (ali morate) uporabiti, vsebujejo manjkajoče vrednosti. Način obravnave manjkajočih podatkov vključuje subtilne kompromise, ki lahko vplivajo na vašo končno analizo in rezultate v resničnem svetu. + +Pandas obravnava manjkajoče vrednosti na dva načina. Prvi, ki ste ga že videli v prejšnjih razdelkih, je `NaN` ali Not a Number. To je pravzaprav posebna vrednost, ki je del IEEE specifikacije za števila s plavajočo vejico in se uporablja samo za označevanje manjkajočih številsko-plavajočih vrednosti. + +Za manjkajoče vrednosti, ki niso številske, pandas uporablja Pythonov objekt `None`. Čeprav se morda zdi zmedeno, da boste naleteli na dve različni vrsti vrednosti, ki v bistvu pomenita isto, obstajajo utemeljeni programerski razlogi za to oblikovalsko odločitev, ki v praksi omogoča pandasu, da ponudi dobro rešitev za večino primerov. Kljub temu pa imata tako `None` kot `NaN` omejitve, na katere morate biti pozorni glede njihove uporabe. + +Več o `NaN` in `None` si oglejte v [zvezku](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)! + +- **Zaznavanje praznih vrednosti**: V `pandas` sta metodi `isnull()` in `notnull()` vaši glavni orodji za zaznavanje praznih podatkov. Obe vrneta logične maske nad vašimi podatki. Uporabili bomo `numpy` za vrednosti `NaN`: +```python +import numpy as np + +example1 = pd.Series([0, np.nan, '', None]) +example1.isnull() +``` +``` +0 False +1 True +2 False +3 True +dtype: bool +``` +Pozorno si oglejte izpis. Vas kaj preseneča? Čeprav je `0` aritmetična ničla, je še vedno povsem veljavna cela številka in pandas jo tako tudi obravnava. `''` je nekoliko bolj subtilen. Čeprav smo ga v razdelku 1 uporabili za predstavitev prazne nizovne vrednosti, je še vedno nizovni objekt in ne predstavlja prazne vrednosti v smislu pandas. + +Zdaj pa obrnimo to okoli in uporabimo te metode na način, kot jih boste uporabljali v praksi. Logične maske lahko neposredno uporabite kot indeks `Series` ali `DataFrame`, kar je uporabno pri delu z izoliranimi manjkajočimi (ali prisotnimi) vrednostmi. + +> **Ključna misel:** Tako metodi `isnull()` kot `notnull()` prikažeta podobne rezultate, ko ju uporabite v `DataFrame`: prikažeta rezultate in indeks teh rezultatov, kar vam bo v veliko pomoč pri delu s podatki. + +- **Odstranjevanje praznih vrednosti**: Poleg prepoznavanja manjkajočih vrednosti pandas omogoča priročen način za odstranjevanje praznih vrednosti iz `Series` in `DataFrame`. (Še posebej pri velikih naborih podatkov je pogosto bolj priporočljivo preprosto odstraniti manjkajoče [NA] vrednosti iz analize, kot pa se z njimi ukvarjati na druge načine.) Da to vidimo v praksi, se vrnimo k `example1`: +```python +example1 = example1.dropna() +example1 +``` +``` +0 0 +2 +dtype: object +``` +Opazite, da bi to moralo izgledati kot vaš izpis iz `example3[example3.notnull()]`. Razlika je v tem, da je `dropna` odstranil manjkajoče vrednosti iz `Series` `example1`, namesto da bi jih le indeksiral. + +Ker imajo `DataFrame` dve dimenziji, omogočajo več možnosti za odstranjevanje podatkov. + +```python +example2 = pd.DataFrame([[1, np.nan, 7], + [2, 5, 8], + [np.nan, 6, 9]]) +example2 +``` +| | 0 | 1 | 2 | +|------|---|---|---| +|0 |1.0|NaN|7 | +|1 |2.0|5.0|8 | +|2 |NaN|6.0|9 | + +(Ste opazili, da je pandas dve stolpci pretvoril v števila s plavajočo vejico, da bi prilagodil `NaN`?) + +Iz `DataFrame` ne morete odstraniti posamezne vrednosti, zato morate odstraniti cele vrstice ali stolpce. Glede na to, kaj počnete, boste morda želeli narediti eno ali drugo, zato pandas ponuja možnosti za oboje. Ker v podatkovni znanosti stolpci običajno predstavljajo spremenljivke, vrstice pa opazovanja, boste bolj verjetno odstranili vrstice podatkov; privzeta nastavitev za `dropna()` je odstranitev vseh vrstic, ki vsebujejo kakršne koli prazne vrednosti: + +```python +example2.dropna() +``` +``` + 0 1 2 +1 2.0 5.0 8 +``` +Če je potrebno, lahko odstranite vrednosti NA iz stolpcev. Uporabite `axis=1` za to: +```python +example2.dropna(axis='columns') +``` +``` + 2 +0 7 +1 8 +2 9 +``` +Opazite, da lahko to odstrani veliko podatkov, ki jih morda želite obdržati, še posebej v manjših naborih podatkov. Kaj pa, če želite odstraniti samo vrstice ali stolpce, ki vsebujejo več ali celo vse prazne vrednosti? Te nastavitve določite v `dropna` s parametroma `how` in `thresh`. + +Privzeto je `how='any'` (če želite preveriti sami ali videti, katere druge parametre ima metoda, zaženite `example4.dropna?` v kodi). Lahko pa določite `how='all'`, da odstranite samo vrstice ali stolpce, ki vsebujejo vse prazne vrednosti. Razširimo naš primer `DataFrame`, da to vidimo v praksi. + +```python +example2[3] = np.nan +example2 +``` +| |0 |1 |2 |3 | +|------|---|---|---|---| +|0 |1.0|NaN|7 |NaN| +|1 |2.0|5.0|8 |NaN| +|2 |NaN|6.0|9 |NaN| + +Parameter `thresh` vam omogoča natančnejši nadzor: nastavite število *ne-praznih* vrednosti, ki jih mora imeti vrstica ali stolpec, da se ohrani: +```python +example2.dropna(axis='rows', thresh=3) +``` +``` + 0 1 2 3 +1 2.0 5.0 8 NaN +``` +Tukaj sta bili prvi in zadnji vrstici odstranjeni, ker vsebujeta le dve ne-prazni vrednosti. + +- **Zapolnjevanje praznih vrednosti**: Glede na vaš nabor podatkov je včasih smiselneje zapolniti prazne vrednosti z veljavnimi, namesto da jih odstranite. To bi lahko naredili z `isnull` na mestu, vendar je to lahko zamudno, še posebej, če imate veliko vrednosti za zapolniti. Ker je to tako pogosta naloga v podatkovni znanosti, pandas ponuja `fillna`, ki vrne kopijo `Series` ali `DataFrame` z manjkajočimi vrednostmi, nadomeščenimi z izbrano vrednostjo. Ustvarimo še en primer `Series`, da vidimo, kako to deluje v praksi. +```python +example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde')) +example3 +``` +``` +a 1.0 +b NaN +c 2.0 +d NaN +e 3.0 +dtype: float64 +``` +Vse prazne vnose lahko zapolnite z eno samo vrednostjo, na primer `0`: +```python +example3.fillna(0) +``` +``` +a 1.0 +b 0.0 +c 2.0 +d 0.0 +e 3.0 +dtype: float64 +``` +Lahko **naprej zapolnite** prazne vrednosti, kar pomeni, da uporabite zadnjo veljavno vrednost za zapolnitev prazne: +```python +example3.fillna(method='ffill') +``` +``` +a 1.0 +b 1.0 +c 2.0 +d 2.0 +e 3.0 +dtype: float64 +``` +Lahko tudi **nazaj zapolnite**, da propagirate naslednjo veljavno vrednost nazaj za zapolnitev prazne: +```python +example3.fillna(method='bfill') +``` +``` +a 1.0 +b 2.0 +c 2.0 +d 3.0 +e 3.0 +dtype: float64 +``` +Kot si lahko predstavljate, to deluje enako z `DataFrame`, vendar lahko določite tudi `axis`, vzdolž katerega zapolnite prazne vrednosti. Ponovno uporabimo prej uporabljeni `example2`: +```python +example2.fillna(method='ffill', axis=1) +``` +``` + 0 1 2 3 +0 1.0 1.0 7.0 7.0 +1 2.0 5.0 8.0 8.0 +2 NaN 6.0 9.0 9.0 +``` +Opazite, da ko prejšnja vrednost ni na voljo za naprej zapolnjevanje, prazna vrednost ostane. +> **Ključna misel:** Obstaja več načinov za obravnavo manjkajočih vrednosti v vaših podatkovnih nizih. Specifična strategija, ki jo uporabite (odstranjevanje, zamenjava ali način zamenjave), naj bo prilagojena značilnostim teh podatkov. Bolj ko boste delali s podatkovnimi nizi, bolj boste razvili občutek za obravnavo manjkajočih vrednosti. + +## Odstranjevanje podvojenih podatkov + +> **Cilj učenja:** Do konca tega podpoglavja bi morali biti sposobni prepoznati in odstraniti podvojene vrednosti iz DataFrame-ov. + +Poleg manjkajočih podatkov boste v resničnih podatkovnih nizih pogosto naleteli na podvojene podatke. Na srečo `pandas` ponuja preprost način za zaznavanje in odstranjevanje podvojenih vnosov. + +- **Prepoznavanje podvojenih vrednosti: `duplicated`**: Podvojene vrednosti lahko enostavno prepoznate z metodo `duplicated` v pandas, ki vrne logično masko, ki označuje, ali je vnos v `DataFrame` podvojen glede na prejšnjega. Ustvarimo še en primer `DataFrame`, da vidimo, kako to deluje. +```python +example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'], + 'numbers': [1, 2, 1, 3, 3]}) +example4 +``` +| |črke |številke| +|------|-------|--------| +|0 |A |1 | +|1 |B |2 | +|2 |A |1 | +|3 |B |3 | +|4 |B |3 | + +```python +example4.duplicated() +``` +``` +0 False +1 False +2 True +3 False +4 True +dtype: bool +``` +- **Odstranjevanje podvojenih vrednosti: `drop_duplicates`:** preprosto vrne kopijo podatkov, pri katerih so vse vrednosti `duplicated` označene kot `False`: +```python +example4.drop_duplicates() +``` +``` + letters numbers +0 A 1 +1 B 2 +3 B 3 +``` +Tako `duplicated` kot `drop_duplicates` privzeto upoštevata vse stolpce, vendar lahko določite, da pregledujeta le podmnožico stolpcev v vašem `DataFrame`: +```python +example4.drop_duplicates(['letters']) +``` +``` +letters numbers +0 A 1 +1 B 2 +``` + +> **Ključna misel:** Odstranjevanje podvojenih podatkov je bistven del skoraj vsakega projekta podatkovne znanosti. Podvojeni podatki lahko spremenijo rezultate vaših analiz in vam dajo netočne rezultate! + + +## 🚀 Izziv + +Vsi obravnavani materiali so na voljo kot [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Poleg tega so po vsakem razdelku na voljo vaje – preizkusite jih! + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15) + + + +## Pregled in samostojno učenje + +Obstaja veliko načinov za odkrivanje in pripravo podatkov za analizo ter modeliranje, čiščenje podatkov pa je pomemben korak, ki zahteva praktično izkušnjo. Preizkusite te izzive na Kagglu, da raziščete tehnike, ki jih ta lekcija ni zajela. + +- [Izziv čiščenja podatkov: Razčlenjevanje datumov](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/) + +- [Izziv čiščenja podatkov: Skaliranje in normalizacija podatkov](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data) + + +## Naloga + +[Ocenjevanje podatkov iz obrazca](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/08-data-preparation/assignment.md b/translations/sl/2-Working-With-Data/08-data-preparation/assignment.md new file mode 100644 index 00000000..dec5addc --- /dev/null +++ b/translations/sl/2-Working-With-Data/08-data-preparation/assignment.md @@ -0,0 +1,28 @@ + +# Vrednotenje podatkov iz obrazca + +Stranka je testirala [majhen obrazec](../../../../2-Working-With-Data/08-data-preparation/index.html) za zbiranje osnovnih podatkov o svoji bazi strank. Svoje ugotovitve so prinesli k vam, da preverite zbrane podatke. Stran `index.html` lahko odprete v brskalniku, da si ogledate obrazec. + +Na voljo imate [nabor podatkov s csv zapisi](../../../../data/form.csv), ki vsebuje vnose iz obrazca ter nekaj osnovnih vizualizacij. Stranka je opozorila, da nekatere vizualizacije izgledajo napačne, vendar niso prepričani, kako to rešiti. Raziskujete jih lahko v [zvezku z nalogo](assignment.ipynb). + +## Navodila + +Uporabite tehnike iz te lekcije, da podate priporočila za obrazec, tako da bo zajemal točne in dosledne informacije. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | --- + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/2-Working-With-Data/README.md b/translations/sl/2-Working-With-Data/README.md new file mode 100644 index 00000000..641d1548 --- /dev/null +++ b/translations/sl/2-Working-With-Data/README.md @@ -0,0 +1,31 @@ + +# Delo s podatki + +![ljubezen do podatkov](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sl.jpg) +> Fotografija avtorja Alexander Sinn na Unsplash + +V teh lekcijah boste spoznali nekatere načine, kako je mogoče podatke upravljati, obdelovati in uporabljati v aplikacijah. Spoznali boste relacijske in nerelacijske baze podatkov ter kako se podatki lahko shranjujejo v njih. Naučili se boste osnov dela s Pythonom za upravljanje podatkov in odkrili številne načine, kako lahko s Pythonom upravljate in analizirate podatke. + +### Teme + +1. [Relacijske baze podatkov](05-relational-databases/README.md) +2. [Nerelacijske baze podatkov](06-non-relational/README.md) +3. [Delo s Pythonom](07-python/README.md) +4. [Priprava podatkov](08-data-preparation/README.md) + +### Avtorji + +Te lekcije so bile napisane z ❤️ s strani [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) in [Jasmine Greenaway](https://twitter.com/paladique). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/09-visualization-quantities/README.md b/translations/sl/3-Data-Visualization/09-visualization-quantities/README.md new file mode 100644 index 00000000..0fa97c5d --- /dev/null +++ b/translations/sl/3-Data-Visualization/09-visualization-quantities/README.md @@ -0,0 +1,217 @@ + +# Vizualizacija količin + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Vizualizacija količin - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +V tej lekciji boste raziskali, kako uporabiti eno izmed številnih Python knjižnic za ustvarjanje zanimivih vizualizacij, povezanih s konceptom količine. Z uporabo očiščenega nabora podatkov o pticah iz Minnesote se lahko naučite veliko zanimivih dejstev o lokalni divjini. +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Opazovanje razpona kril z Matplotlib + +Odlična knjižnica za ustvarjanje tako preprostih kot tudi sofisticiranih grafov in diagramov različnih vrst je [Matplotlib](https://matplotlib.org/stable/index.html). Na splošno postopek risanja podatkov s temi knjižnicami vključuje: določitev delov vašega dataframe-a, ki jih želite obdelati, izvedbo potrebnih transformacij podatkov, dodelitev vrednosti za osi x in y, odločitev o vrsti grafa in nato prikaz grafa. Matplotlib ponuja veliko različnih vizualizacij, vendar se bomo v tej lekciji osredotočili na tiste, ki so najbolj primerne za vizualizacijo količin: črtne grafe, razpršene grafe in stolpčne grafe. + +> ✅ Uporabite najboljši graf glede na strukturo vaših podatkov in zgodbo, ki jo želite povedati. +> - Za analizo trendov skozi čas: črta +> - Za primerjavo vrednosti: stolpec, stolpec, tortni graf, razpršeni graf +> - Za prikaz, kako deli sestavljajo celoto: tortni graf +> - Za prikaz porazdelitve podatkov: razpršeni graf, stolpec +> - Za prikaz trendov: črta, stolpec +> - Za prikaz odnosov med vrednostmi: črta, razpršeni graf, mehurčasti graf + +Če imate nabor podatkov in želite ugotoviti, koliko določenega elementa je vključenega, bo ena izmed prvih nalog pregled njegovih vrednosti. + +✅ Na voljo so odlični 'cheat sheeti' za Matplotlib [tukaj](https://matplotlib.org/cheatsheets/cheatsheets.pdf). + +## Ustvarjanje črtnega grafa za vrednosti razpona kril ptic + +Odprite datoteko `notebook.ipynb` v korenski mapi te lekcije in dodajte celico. + +> Opomba: podatki so shranjeni v korenu tega repozitorija v mapi `/data`. + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` +Ti podatki so mešanica besedila in številk: + +| | Ime | ZnanstvenoIme | Kategorija | Red | Družina | Rod | StanjeOhranitve | MinDolžina | MaxDolžina | MinTežaTelesa | MaxTežaTelesa | MinRazponKril | MaxRazponKril | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | ---------: | ---------: | ------------: | ------------: | ------------: | ------------: | +| 0 | Črno-trebušna žvižgajoča raca | Dendrocygna autumnalis | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rjava žvižgajoča raca | Dendrocygna bicolor | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snežna gos | Anser caerulescens | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova gos | Anser rossii | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Velika bela čelna gos | Anser albifrons | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Začnimo z risanjem nekaterih številskih podatkov z osnovnim črtnim grafom. Recimo, da želite prikazati največji razpon kril teh zanimivih ptic. + +```python +wingspan = birds['MaxWingspan'] +wingspan.plot() +``` +![Max RazponKril](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sl.png) + +Kaj opazite takoj? Zdi se, da je vsaj en odstopajoč podatek - to je precejšen razpon kril! Razpon kril 2300 centimetrov pomeni 23 metrov - ali v Minnesoti letajo pterodaktili? Raziščimo. + +Čeprav bi lahko hitro razvrstili podatke v Excelu, da bi našli te odstopajoče vrednosti, nadaljujte z vizualizacijo znotraj grafa. + +Dodajte oznake osi x, da prikažete, za katere ptice gre: + +``` +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.xticks(rotation=45) +x = birds['Name'] +y = birds['MaxWingspan'] + +plt.plot(x, y) + +plt.show() +``` +![razpon kril z oznakami](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sl.png) + +Tudi z rotacijo oznak na 45 stopinj je preveč podatkov za branje. Poskusimo drugačno strategijo: označimo samo odstopajoče vrednosti in postavimo oznake znotraj grafa. Uporabite razpršeni graf, da naredite več prostora za označevanje: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) + +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + plt.plot(x, y, 'bo') + if birds['MaxWingspan'][i] > 500: + plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12) + +plt.show() +``` +Kaj se dogaja tukaj? Uporabili ste `tick_params`, da skrijete spodnje oznake, nato pa ustvarili zanko čez vaš nabor podatkov o pticah. Z risanjem grafa z majhnimi modrimi pikami z uporabo `bo` ste preverili, ali ima katera ptica največji razpon kril nad 500, in če je tako, ste prikazali njeno oznako poleg pike. Oznake ste nekoliko premaknili na osi y (`y * (1 - 0.05)`) in uporabili ime ptice kot oznako. + +Kaj ste odkrili? + +![odstopajoče vrednosti](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sl.png) +## Filtriranje podatkov + +Tako plešasti orel kot prerijski sokol, čeprav sta verjetno zelo veliki ptici, sta očitno napačno označena, z dodatno `0` pri največjem razponu kril. Malo verjetno je, da boste srečali plešastega orla z razponom kril 25 metrov, vendar če ga, nam to prosim sporočite! Ustvarimo nov dataframe brez teh dveh odstopajočih vrednosti: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']: + plt.plot(x, y, 'bo') +plt.show() +``` + +Z odstranitvijo odstopajočih vrednosti so vaši podatki zdaj bolj skladni in razumljivi. + +![razpršeni graf razponov kril](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sl.png) + +Zdaj, ko imamo bolj očiščen nabor podatkov vsaj glede razpona kril, odkrijmo več o teh pticah. + +Čeprav črtni in razpršeni grafi lahko prikazujejo informacije o vrednostih podatkov in njihovih porazdelitvah, želimo razmisliti o vrednostih, ki so lastne temu naboru podatkov. Lahko bi ustvarili vizualizacije za odgovore na naslednja vprašanja o količinah: + +> Koliko kategorij ptic obstaja in kakšno je njihovo število? +> Koliko ptic je izumrlih, ogroženih, redkih ali pogostih? +> Koliko je različnih rodov in redov v Linnaeusovi terminologiji? +## Raziskovanje stolpčnih grafov + +Stolpčni grafi so praktični, ko morate prikazati skupine podatkov. Raziščimo kategorije ptic, ki obstajajo v tem naboru podatkov, da vidimo, katera je najpogostejša po številu. + +V datoteki zvezka ustvarite osnovni stolpčni graf. + +✅ Opomba: lahko odstranite dve odstopajoči ptici, ki smo ju identificirali v prejšnjem razdelku, popravite tipkarsko napako v njunem razponu kril ali ju pustite vključeni za te vaje, ki ne temeljijo na vrednostih razpona kril. + +Če želite ustvariti stolpčni graf, lahko izberete podatke, na katere se želite osredotočiti. Stolpčne grafe lahko ustvarite iz surovih podatkov: + +```python +birds.plot(x='Category', + kind='bar', + stacked=True, + title='Birds of Minnesota') + +``` +![celotni podatki kot stolpčni graf](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sl.png) + +Ta stolpčni graf pa je neberljiv, ker je preveč nepovezanih podatkov. Izbrati morate samo podatke, ki jih želite prikazati, zato si oglejmo dolžino ptic glede na njihovo kategorijo. + +Filtrirajte svoje podatke, da vključite samo kategorijo ptic. + +✅ Opazite, da uporabljate Pandas za upravljanje podatkov, nato pa Matplotlib za risanje grafa. + +Ker je veliko kategorij, lahko ta graf prikažete vertikalno in prilagodite njegovo višino, da vključite vse podatke: + +```python +category_count = birds.value_counts(birds['Category'].values, sort=True) +plt.rcParams['figure.figsize'] = [6, 12] +category_count.plot.barh() +``` +![kategorija in dolžina](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sl.png) + +Ta stolpčni graf prikazuje dober pregled števila ptic v vsaki kategoriji. Na prvi pogled vidite, da je največ ptic v tej regiji v kategoriji Race/Gosi/Vodna ptica. Minnesota je 'dežela 10.000 jezer', zato to ni presenetljivo! + +✅ Preizkusite nekaj drugih izračunov na tem naboru podatkov. Vas kaj preseneti? + +## Primerjava podatkov + +Lahko poskusite različne primerjave združenih podatkov z ustvarjanjem novih osi. Poskusite primerjavo MaxDolžine ptice glede na njeno kategorijo: + +```python +maxlength = birds['MaxLength'] +plt.barh(y=birds['Category'], width=maxlength) +plt.rcParams['figure.figsize'] = [6, 12] +plt.show() +``` +![primerjava podatkov](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sl.png) + +Tukaj ni nič presenetljivega: kolibriji imajo najmanjšo MaxDolžino v primerjavi s pelikani ali gosi. Dobro je, ko podatki logično ustrezajo! + +Lahko ustvarite bolj zanimive vizualizacije stolpčnih grafov z nadgrajevanjem podatkov. Nadgradimo Minimalno in Maksimalno Dolžino na določeno kategorijo ptic: + +```python +minLength = birds['MinLength'] +maxLength = birds['MaxLength'] +category = birds['Category'] + +plt.barh(category, maxLength) +plt.barh(category, minLength) + +plt.show() +``` +Na tem grafu lahko vidite razpon za vsako kategorijo ptic glede na Minimalno in Maksimalno Dolžino. Lahko varno rečete, da je glede na te podatke večja ptica, večji je njen razpon dolžine. Fascinantno! + +![nadgrajene vrednosti](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sl.png) + +## 🚀 Izziv + +Ta nabor podatkov o pticah ponuja bogastvo informacij o različnih vrstah ptic znotraj določenega ekosistema. Poiščite po internetu in preverite, ali lahko najdete druge nabore podatkov o pticah. Vadite ustvarjanje grafov in diagramov o teh pticah, da odkrijete dejstva, ki jih niste poznali. +## [Kviz po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Pregled in samostojno učenje + +Ta prva lekcija vam je dala nekaj informacij o tem, kako uporabiti Matplotlib za vizualizacijo količin. Raziskujte druge načine dela z nabori podatkov za vizualizacijo. [Plotly](https://github.com/plotly/plotly.py) je ena izmed možnosti, ki je ne bomo obravnavali v teh lekcijah, zato si oglejte, kaj ponuja. +## Naloga + +[Črte, razpršeni grafi in stolpci](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/sl/3-Data-Visualization/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..4f97c633 --- /dev/null +++ b/translations/sl/3-Data-Visualization/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Črte, razpršene točke in stolpci + +## Navodila + +V tej lekciji ste delali z črtastimi grafikoni, razpršenimi točkami in stolpičnimi grafikoni, da bi prikazali zanimiva dejstva o tem naboru podatkov. V tej nalogi se poglobite v nabor podatkov, da odkrijete dejstvo o določeni vrsti ptice. Na primer, ustvarite beležnico, ki vizualizira vse zanimive podatke, ki jih lahko odkrijete o snežnih goskah. Uporabite tri zgoraj omenjene grafične prikaze, da v svoji beležnici poveste zgodbo. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebna izboljšava +--- | --- | -- | +Predstavljena je beležnica z dobrimi opombami, trdnim pripovedovanjem zgodbe in privlačnimi grafikoni | Beležnici manjka eden od teh elementov | Beležnici manjkajo dva od teh elementov + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/10-visualization-distributions/README.md b/translations/sl/3-Data-Visualization/10-visualization-distributions/README.md new file mode 100644 index 00000000..8d1c6267 --- /dev/null +++ b/translations/sl/3-Data-Visualization/10-visualization-distributions/README.md @@ -0,0 +1,217 @@ + +# Vizualizacija porazdelitev + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Vizualizacija porazdelitev - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +V prejšnji lekciji ste izvedeli nekaj zanimivih dejstev o podatkovnem naboru o pticah iz Minnesote. Z vizualizacijo odstopajočih vrednosti ste našli nekaj napačnih podatkov in si ogledali razlike med kategorijami ptic glede na njihovo največjo dolžino. + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Raziskovanje podatkovnega nabora ptic + +Drug način za raziskovanje podatkov je pogled na njihovo porazdelitev oziroma kako so podatki organizirani vzdolž osi. Morda bi na primer želeli izvedeti več o splošni porazdelitvi največjega razpona kril ali največje telesne mase ptic iz Minnesote v tem podatkovnem naboru. + +Odkrijmo nekaj dejstev o porazdelitvah podatkov v tem naboru. V datoteki _notebook.ipynb_ v korenski mapi te lekcije uvozite Pandas, Matplotlib in svoje podatke: + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` + +| | Ime | ZnanstvenoIme | Kategorija | Red | Družina | Rod | StanjeOhranjenosti | MinDolžina | MaxDolžina | MinTelesnaMasa | MaxTelesnaMasa | MinRazponKril | MaxRazponKril | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | ---------: | ---------: | -------------: | -------------: | ------------: | ------------: | +| 0 | Črno-trebušna žvižgača | Dendrocygna autumnalis | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rjava žvižgača | Dendrocygna bicolor | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snežna gos | Anser caerulescens | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova gos | Anser rossii | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Velika bela čelna gos | Anser albifrons | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Na splošno lahko hitro pogledate, kako so podatki porazdeljeni, z uporabo razsevnega diagrama, kot smo to storili v prejšnji lekciji: + +```python +birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8)) + +plt.title('Max Length per Order') +plt.ylabel('Order') +plt.xlabel('Max Length') + +plt.show() +``` +![največja dolžina po redu](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sl.png) + +To daje pregled splošne porazdelitve dolžine telesa po redih ptic, vendar to ni optimalen način za prikaz resničnih porazdelitev. Ta naloga je običajno izvedena z ustvarjanjem histograma. + +## Delo s histogrami + +Matplotlib ponuja zelo dobre načine za vizualizacijo porazdelitve podatkov z uporabo histogramov. Ta vrsta grafa je podobna stolpičnemu diagramu, kjer je porazdelitev vidna skozi vzpon in padec stolpcev. Za izdelavo histograma potrebujete numerične podatke. Histogram lahko ustvarite tako, da določite vrsto grafa kot 'hist' za histogram. Ta graf prikazuje porazdelitev MaxBodyMass za celoten razpon numeričnih podatkov v naboru. Z razdelitvijo podatkovnega niza na manjše razpone (bins) lahko prikaže porazdelitev vrednosti podatkov: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12)) +plt.show() +``` +![porazdelitev za celoten nabor podatkov](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sl.png) + +Kot lahko vidite, večina od 400+ ptic v tem naboru podatkov spada v razpon pod 2000 za njihovo največjo telesno maso. Pridobite več vpogleda v podatke tako, da spremenite parameter `bins` na višjo vrednost, na primer 30: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12)) +plt.show() +``` +![porazdelitev za celoten nabor podatkov z večjim parametrom bins](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sl.png) + +Ta graf prikazuje porazdelitev na nekoliko bolj podroben način. Manj pristranski graf na levo bi lahko ustvarili tako, da izberete samo podatke znotraj določenega razpona: + +Filtrirajte svoje podatke, da dobite samo tiste ptice, katerih telesna masa je pod 60, in prikažite 40 `bins`: + +```python +filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] +filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12)) +plt.show() +``` +![filtriran histogram](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sl.png) + +✅ Preizkusite nekaj drugih filtrov in podatkovnih točk. Če želite videti celotno porazdelitev podatkov, odstranite filter `['MaxBodyMass']`, da prikažete označene porazdelitve. + +Histogram ponuja tudi nekaj lepih izboljšav barv in označevanja, ki jih lahko preizkusite: + +Ustvarite 2D histogram za primerjavo razmerja med dvema porazdelitvama. Primerjajmo `MaxBodyMass` in `MaxLength`. Matplotlib ponuja vgrajen način za prikaz konvergence z uporabo svetlejših barv: + +```python +x = filteredBirds['MaxBodyMass'] +y = filteredBirds['MaxLength'] + +fig, ax = plt.subplots(tight_layout=True) +hist = ax.hist2d(x, y) +``` +Zdi se, da obstaja pričakovana korelacija med tema dvema elementoma vzdolž pričakovane osi, z eno posebej močno točko konvergence: + +![2D graf](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sl.png) + +Histogrami dobro delujejo privzeto za numerične podatke. Kaj pa, če morate videti porazdelitve glede na besedilne podatke? +## Raziskovanje porazdelitev v naboru podatkov z uporabo besedilnih podatkov + +Ta nabor podatkov vključuje tudi dobre informacije o kategoriji ptic ter njihovem rodu, vrsti in družini, pa tudi o njihovem stanju ohranjenosti. Raziščimo te informacije o ohranjenosti. Kakšna je porazdelitev ptic glede na njihovo stanje ohranjenosti? + +> ✅ V naboru podatkov je uporabljenih več kratic za opis stanja ohranjenosti. Te kratice izhajajo iz [IUCN Rdečega seznama kategorij](https://www.iucnredlist.org/), organizacije, ki katalogizira stanje vrst. +> +> - CR: Kritično ogrožena +> - EN: Ogrožena +> - EX: Izumrla +> - LC: Najmanj zaskrbljujoča +> - NT: Skoraj ogrožena +> - VU: Ranljiva + +To so besedilne vrednosti, zato boste morali izvesti transformacijo, da ustvarite histogram. Z uporabo podatkovnega okvira filteredBirds prikažite njegovo stanje ohranjenosti skupaj z minimalnim razponom kril. Kaj opazite? + +```python +x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] +x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] +x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] +x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] +x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] +x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] + +kwargs = dict(alpha=0.5, bins=20) + +plt.hist(x1, **kwargs, color='red', label='Extinct') +plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') +plt.hist(x3, **kwargs, color='yellow', label='Endangered') +plt.hist(x4, **kwargs, color='green', label='Near Threatened') +plt.hist(x5, **kwargs, color='blue', label='Vulnerable') +plt.hist(x6, **kwargs, color='gray', label='Least Concern') + +plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') +plt.legend(); +``` + +![razpon kril in stanje ohranjenosti](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sl.png) + +Zdi se, da ni dobre korelacije med minimalnim razponom kril in stanjem ohranjenosti. Preizkusite druge elemente nabora podatkov z uporabo te metode. Lahko preizkusite tudi različne filtre. Ali najdete kakšno korelacijo? + +## Grafi gostote + +Morda ste opazili, da so histogrami, ki smo jih do zdaj pregledali, 'stopničasti' in ne tečejo gladko v loku. Za prikaz bolj gladkega grafa gostote lahko poskusite graf gostote. + +Za delo z grafi gostote se seznanite z novo knjižnico za risanje, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). + +Z nalaganjem Seaborn poskusite osnovni graf gostote: + +```python +import seaborn as sns +import matplotlib.pyplot as plt +sns.kdeplot(filteredBirds['MinWingspan']) +plt.show() +``` +![Graf gostote](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sl.png) + +Vidite lahko, kako graf odraža prejšnjega za podatke o minimalnem razponu kril; le da je nekoliko bolj gladek. Po dokumentaciji Seaborn "v primerjavi s histogramom lahko KDE ustvari graf, ki je manj natrpan in bolj razumljiv, še posebej pri risanju več porazdelitev. Vendar pa lahko uvede popačenja, če je osnovna porazdelitev omejena ali ni gladka. Tako kot pri histogramu tudi kakovost predstavitve odvisna od izbire dobrih parametrov glajenja." [vir](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Z drugimi besedami, odstopajoče vrednosti bodo, kot vedno, povzročile nepravilno obnašanje vaših grafov. + +Če bi želeli ponovno pregledati tisto nazobčano črto MaxBodyMass v drugem grafu, ki ste ga ustvarili, bi jo lahko zelo dobro zgladili z uporabo te metode: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass']) +plt.show() +``` +![gladka črta telesne mase](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sl.png) + +Če želite gladko, vendar ne preveč gladko črto, uredite parameter `bw_adjust`: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) +plt.show() +``` +![manj gladka črta telesne mase](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sl.png) + +✅ Preberite o parametrih, ki so na voljo za to vrsto grafa, in eksperimentirajte! + +Ta vrsta grafa ponuja čudovito razlagalne vizualizacije. Z nekaj vrsticami kode lahko na primer prikažete gostoto največje telesne mase po redih ptic: + +```python +sns.kdeplot( + data=filteredBirds, x="MaxBodyMass", hue="Order", + fill=True, common_norm=False, palette="crest", + alpha=.5, linewidth=0, +) +``` + +![telesna masa po redih](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sl.png) + +Prav tako lahko na enem grafu prikažete gostoto več spremenljivk. Preizkusite največjo in najmanjšo dolžino ptice v primerjavi z njihovim stanjem ohranjenosti: + +```python +sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus") +``` + +![več gostot, prekrivajočih se](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sl.png) + +Morda je vredno raziskati, ali je skupina 'ranljivih' ptic glede na njihove dolžine smiselna ali ne. + +## 🚀 Izziv + +Histogrami so bolj izpopolnjena vrsta grafa kot osnovni razsevni diagrami, stolpični diagrami ali črtni diagrami. Poiščite na internetu dobre primere uporabe histogramov. Kako se uporabljajo, kaj prikazujejo in na katerih področjih ali področjih raziskovanja se običajno uporabljajo? + +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Pregled in samostojno učenje + +V tej lekciji ste uporabili Matplotlib in začeli delati s Seaborn za prikaz bolj izpopolnjenih grafov. Raziščite `kdeplot` v Seaborn, "neprekinjeno krivuljo gostote verjetnosti v eni ali več dimenzijah". Preberite [dokumentacijo](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), da razumete, kako deluje. + +## Naloga + +[Uporabite svoje veščine](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/sl/3-Data-Visualization/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..db9ec6d4 --- /dev/null +++ b/translations/sl/3-Data-Visualization/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Uporabite svoje veščine + +## Navodila + +Do zdaj ste delali z naborom podatkov o pticah iz Minnesote, da bi odkrili informacije o količinah ptic in gostoti populacije. Vadite uporabo teh tehnik z drugačnim naborom podatkov, morda pridobljenim iz [Kaggle](https://www.kaggle.com/). Ustvarite zvezek, ki pripoveduje zgodbo o tem naboru podatkov, in poskrbite, da boste uporabili histograme pri razpravi o njem. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | -- | +Predstavljen je zvezek z opombami o tem naboru podatkov, vključno z njegovim virom, in uporablja vsaj 5 histogramov za odkrivanje dejstev o podatkih. | Predstavljen je zvezek z nepopolnimi opombami ali napakami. | Predstavljen je zvezek brez opomb in z napakami. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/11-visualization-proportions/README.md b/translations/sl/3-Data-Visualization/11-visualization-proportions/README.md new file mode 100644 index 00000000..55dfa987 --- /dev/null +++ b/translations/sl/3-Data-Visualization/11-visualization-proportions/README.md @@ -0,0 +1,204 @@ + +# Vizualizacija deležev + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Vizualizacija deležev - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +V tej lekciji boste uporabili naravoslovno usmerjen nabor podatkov za vizualizacijo deležev, na primer koliko različnih vrst gliv je prisotnih v danem naboru podatkov o gobah. Raziskali bomo te fascinantne glive z naborom podatkov, pridobljenim iz Audubona, ki vsebuje podrobnosti o 23 vrstah gob z lističi iz družin Agaricus in Lepiota. Eksperimentirali boste z okusnimi vizualizacijami, kot so: + +- Torte 🥧 +- Krofi 🍩 +- Vaflji 🧇 + +> 💡 Zelo zanimiv projekt [Charticulator](https://charticulator.com) Microsoft Researcha ponuja brezplačen vmesnik za vizualizacijo podatkov z metodo povleci in spusti. V enem od njihovih vaj uporabljajo tudi ta nabor podatkov o gobah! Tako lahko raziskujete podatke in hkrati spoznate knjižnico: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Spoznajte svoje gobe 🍄 + +Gobe so zelo zanimive. Uvozimo nabor podatkov, da jih preučimo: + +```python +import pandas as pd +import matplotlib.pyplot as plt +mushrooms = pd.read_csv('../../data/mushrooms.csv') +mushrooms.head() +``` +Izpiše se tabela z odličnimi podatki za analizo: + + +| razred | oblika klobuka | površina klobuka | barva klobuka | modrice | vonj | pritrditev lističev | razmik lističev | velikost lističev | barva lističev | oblika bet | korenina bet | površina nad obročem | površina pod obročem | barva nad obročem | barva pod obročem | tip zastora | barva zastora | število obročev | tip obroča | barva trosnega prahu | populacija | habitat | +| --------- | -------------- | ---------------- | ------------- | ------- | -------- | ------------------- | ---------------- | ----------------- | -------------- | ---------- | ------------ | ------------------- | ------------------- | ---------------- | ---------------- | ---------- | ------------- | -------------- | ---------- | -------------------- | ---------- | ------- | +| Strupena | Konveksna | Gladka | Rjava | Modrice | Ostri | Prosta | Tesna | Ozka | Črna | Povečana | Enaka | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseča | Črna | Razpršena | Urbana | +| Užitna | Konveksna | Gladka | Rumena | Modrice | Mandelj | Prosta | Tesna | Široka | Črna | Povečana | Klub | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseča | Rjava | Številna | Trava | +| Užitna | Zvono | Gladka | Bela | Modrice | Janež | Prosta | Tesna | Široka | Rjava | Povečana | Klub | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseča | Rjava | Številna | Travniki | +| Strupena | Konveksna | Luskasta | Bela | Modrice | Ostri | Prosta | Tesna | Ozka | Rjava | Povečana | Enaka | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseča | Črna | Razpršena | Urbana | + +Takoj opazite, da so vsi podatki besedilni. Te podatke boste morali pretvoriti, da jih boste lahko uporabili v grafu. Večina podatkov je dejansko predstavljena kot objekt: + +```python +print(mushrooms.select_dtypes(["object"]).columns) +``` + +Rezultat je: + +```output +Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', + 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', + 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', + 'stalk-surface-below-ring', 'stalk-color-above-ring', + 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', + 'ring-type', 'spore-print-color', 'population', 'habitat'], + dtype='object') +``` +Vzemite te podatke in pretvorite stolpec 'razred' v kategorijo: + +```python +cols = mushrooms.select_dtypes(["object"]).columns +mushrooms[cols] = mushrooms[cols].astype('category') +``` + +```python +edibleclass=mushrooms.groupby(['class']).count() +edibleclass +``` + +Zdaj, če izpišete podatke o gobah, lahko vidite, da so razvrščeni v kategorije glede na razred strupenosti/užitnosti: + + +| | oblika klobuka | površina klobuka | barva klobuka | modrice | vonj | pritrditev lističev | razmik lističev | velikost lističev | barva lističev | oblika bet | ... | površina pod obročem | barva nad obročem | barva pod obročem | tip zastora | barva zastora | število obročev | tip obroča | barva trosnega prahu | populacija | habitat | +| --------- | -------------- | ---------------- | ------------- | ------- | ---- | ------------------- | ---------------- | ----------------- | -------------- | ---------- | --- | ------------------- | ---------------- | ---------------- | ---------- | ------------- | -------------- | ---------- | -------------------- | ---------- | ------- | +| razred | | | | | | | | | | | | | | | | | | | | | | +| Užitna | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | +| Strupena | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | + +Če sledite vrstnemu redu, predstavljenemu v tej tabeli, da ustvarite oznake kategorij razreda, lahko ustvarite tortni graf: + +## Torta! + +```python +labels=['Edible','Poisonous'] +plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') +plt.title('Edible?') +plt.show() +``` +Voila, tortni graf, ki prikazuje deleže teh podatkov glede na dva razreda gob. Zelo pomembno je, da pravilno določite vrstni red oznak, še posebej tukaj, zato preverite vrstni red, s katerim je zgrajeno polje oznak! + +![tortni graf](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sl.png) + +## Krofi! + +Vizualno nekoliko bolj zanimiv tortni graf je krofni graf, ki je tortni graf z luknjo v sredini. Poglejmo naše podatke s to metodo. + +Oglejte si različna življenjska okolja, kjer rastejo gobe: + +```python +habitat=mushrooms.groupby(['habitat']).count() +habitat +``` +Tukaj razvrščate podatke glede na habitat. Naštetih je 7, zato jih uporabite kot oznake za krofni graf: + +```python +labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] + +plt.pie(habitat['class'], labels=labels, + autopct='%1.1f%%', pctdistance=0.85) + +center_circle = plt.Circle((0, 0), 0.40, fc='white') +fig = plt.gcf() + +fig.gca().add_artist(center_circle) + +plt.title('Mushroom Habitats') + +plt.show() +``` + +![krofni graf](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sl.png) + +Ta koda nariše graf in osrednji krog, nato pa doda ta osrednji krog v graf. Širino osrednjega kroga lahko uredite tako, da spremenite `0.40` v drugo vrednost. + +Krofni grafi se lahko prilagodijo na več načinov, da spremenite oznake. Oznake lahko zlasti poudarite za boljšo berljivost. Več o tem si preberite v [dokumentaciji](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut). + +Zdaj, ko veste, kako razvrstiti podatke in jih nato prikazati kot torto ali krof, lahko raziščete druge vrste grafov. Poskusite vafeljni graf, ki je le drugačen način raziskovanja količine. +## Vaflji! + +Graf tipa 'vafelj' je drugačen način vizualizacije količin kot 2D matrika kvadratov. Poskusite vizualizirati različne količine barv klobukov gob v tem naboru podatkov. Za to morate namestiti pomožno knjižnico [PyWaffle](https://pypi.org/project/pywaffle/) in uporabiti Matplotlib: + +```python +pip install pywaffle +``` + +Izberite segment svojih podatkov za razvrščanje: + +```python +capcolor=mushrooms.groupby(['cap-color']).count() +capcolor +``` + +Ustvarite vafeljni graf z ustvarjanjem oznak in nato razvrščanjem podatkov: + +```python +import pandas as pd +import matplotlib.pyplot as plt +from pywaffle import Waffle + +data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], + 'amount': capcolor['class'] + } + +df = pd.DataFrame(data) + +fig = plt.figure( + FigureClass = Waffle, + rows = 100, + values = df.amount, + labels = list(df.color), + figsize = (30,30), + colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], +) +``` + +Z uporabo vafeljnega grafa lahko jasno vidite deleže barv klobukov v tem naboru podatkov o gobah. Zanimivo je, da je veliko gob z zelenimi klobuki! + +![vafeljni graf](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sl.png) + +✅ Pywaffle podpira ikone znotraj grafov, ki uporabljajo katero koli ikono, ki je na voljo v [Font Awesome](https://fontawesome.com/). Naredite nekaj eksperimentov, da ustvarite še bolj zanimiv vafeljni graf z uporabo ikon namesto kvadratov. + +V tej lekciji ste spoznali tri načine vizualizacije deležev. Najprej morate razvrstiti podatke v kategorije in nato odločiti, kateri način prikaza podatkov je najboljši - torta, krof ali vafelj. Vsi so okusni in uporabniku takoj ponudijo vpogled v nabor podatkov. + +## 🚀 Izziv + +Poskusite poustvariti te okusne grafe v [Charticulator](https://charticulator.com). +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Pregled & Samostojno učenje + +Včasih ni očitno, kdaj uporabiti tortni, krofni ali vafeljni graf. Tukaj je nekaj člankov za branje na to temo: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Raziskujte, da najdete več informacij o tej težki odločitvi. +## Naloga + +[Poskusite v Excelu](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/sl/3-Data-Visualization/11-visualization-proportions/assignment.md new file mode 100644 index 00000000..d3a3f27b --- /dev/null +++ b/translations/sl/3-Data-Visualization/11-visualization-proportions/assignment.md @@ -0,0 +1,25 @@ + +# Poskusite v Excelu + +## Navodila + +Ali ste vedeli, da lahko v Excelu ustvarite krofne, tortne in vafeljne grafe? Z uporabo podatkovnega nabora po vaši izbiri ustvarite te tri grafe neposredno v Excelovi preglednici. + +## Merila ocenjevanja + +| Odlično | Zadostno | Potrebna izboljšava | +| ------------------------------------------------------- | ------------------------------------------------ | ---------------------------------------------------- | +| Predstavljena je Excelova preglednica z vsemi tremi grafi | Predstavljena je Excelova preglednica z dvema grafoma | Predstavljena je Excelova preglednica z enim grafom | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/12-visualization-relationships/README.md b/translations/sl/3-Data-Visualization/12-visualization-relationships/README.md new file mode 100644 index 00000000..416f20af --- /dev/null +++ b/translations/sl/3-Data-Visualization/12-visualization-relationships/README.md @@ -0,0 +1,186 @@ + +# Vizualizacija odnosov: Vse o medu 🍯 + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Vizualizacija odnosov - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Nadaljujmo z naravoslovno usmeritvijo našega raziskovanja in odkrijmo zanimive vizualizacije, ki prikazujejo odnose med različnimi vrstami medu, na podlagi podatkovne zbirke, pridobljene iz [Ministrstva za kmetijstvo Združenih držav Amerike](https://www.nass.usda.gov/About_NASS/index.php). + +Ta podatkovna zbirka, ki vsebuje približno 600 postavk, prikazuje proizvodnjo medu v številnih zveznih državah ZDA. Na primer, lahko si ogledate število čebeljih družin, donos na družino, skupno proizvodnjo, zaloge, ceno na funt in vrednost proizvedenega medu v določeni državi od leta 1998 do 2012, pri čemer vsaka vrstica predstavlja eno leto za posamezno državo. + +Zanimivo bo vizualizirati odnos med letno proizvodnjo določene države in, na primer, ceno medu v tej državi. Alternativno bi lahko prikazali odnos med donosom medu na družino v različnih državah. To časovno obdobje zajema tudi uničujočo 'motnjo propada čebeljih družin' (CCD), ki so jo prvič opazili leta 2006 (http://npic.orst.edu/envir/ccd.html), zato je to ganljiva podatkovna zbirka za raziskovanje. 🐝 + +## [Pred-predavanjski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +V tej lekciji lahko uporabite knjižnico Seaborn, ki ste jo že uporabljali, kot odlično orodje za vizualizacijo odnosov med spremenljivkami. Posebej zanimiva je uporaba funkcije `relplot` v Seabornu, ki omogoča hitro ustvarjanje razpršenih in linijskih grafov za prikaz '[statističnih odnosov](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', kar podatkovnemu znanstveniku omogoča boljše razumevanje, kako so spremenljivke med seboj povezane. + +## Razpršeni grafi + +Uporabite razpršeni graf za prikaz, kako se je cena medu razvijala iz leta v leto po posameznih državah. Seaborn z uporabo `relplot` priročno združuje podatke držav in prikazuje točke za tako kategorialne kot numerične podatke. + +Začnimo z uvozom podatkov in knjižnice Seaborn: + +```python +import pandas as pd +import matplotlib.pyplot as plt +import seaborn as sns +honey = pd.read_csv('../../data/honey.csv') +honey.head() +``` +Opazili boste, da ima podatkovna zbirka o medu več zanimivih stolpcev, vključno z letom in ceno na funt. Raziščimo te podatke, združene po zveznih državah ZDA: + +| država | št. družin | donos na družino | skupna proizvodnja | zaloge | cena na funt | vrednost proizvodnje | leto | +| ------ | ---------- | ---------------- | ------------------ | -------- | ------------ | -------------------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | + +Ustvarite osnovni razpršeni graf za prikaz odnosa med ceno na funt medu in državo izvora. Osi `y` nastavite tako, da bo dovolj visoka za prikaz vseh držav: + +```python +sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); +``` +![razpršeni graf 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sl.png) + +Zdaj prikažite iste podatke z barvno shemo, ki ponazarja, kako se cena spreminja skozi leta. To lahko storite z dodajanjem parametra 'hue', ki prikazuje spremembe iz leta v leto: + +> ✅ Več o [barvnih paletah, ki jih lahko uporabite v Seabornu](https://seaborn.pydata.org/tutorial/color_palettes.html) - preizkusite čudovito mavrično barvno shemo! + +```python +sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); +``` +![razpršeni graf 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sl.png) + +S to spremembo barvne sheme lahko jasno vidite močan trend naraščanja cene medu na funt skozi leta. Če preverite vzorec podatkov (na primer za državo Arizona), lahko opazite vzorec zviševanja cen iz leta v leto, z nekaj izjemami: + +| država | št. družin | donos na družino | skupna proizvodnja | zaloge | cena na funt | vrednost proizvodnje | leto | +| ------ | ---------- | ---------------- | ------------------ | ------- | ------------ | -------------------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Drug način za prikaz tega trenda je uporaba velikosti namesto barve. Za uporabnike z barvno slepoto je to morda boljša možnost. Prilagodite vizualizacijo tako, da povečanje cene prikažete z večanjem obsega točk: + +```python +sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); +``` +Vidite lahko, da se velikost točk postopoma povečuje. + +![razpršeni graf 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sl.png) + +Je to preprost primer ponudbe in povpraševanja? Zaradi dejavnikov, kot so podnebne spremembe in propad čebeljih družin, je morda na voljo manj medu za nakup, kar povzroča zvišanje cen? + +Za odkrivanje korelacije med nekaterimi spremenljivkami v tej podatkovni zbirki raziščimo nekaj linijskih grafov. + +## Linijski grafi + +Vprašanje: Ali obstaja jasen trend naraščanja cene medu na funt iz leta v leto? To lahko najlažje odkrijete z ustvarjanjem enega samega linijskega grafa: + +```python +sns.relplot(x="year", y="priceperlb", kind="line", data=honey); +``` +Odgovor: Da, z nekaj izjemami okoli leta 2003: + +![linijski graf 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sl.png) + +✅ Ker Seaborn združuje podatke okoli ene linije, prikazuje "več meritev za vsako vrednost x z izrisom povprečja in 95-odstotnega intervala zaupanja okoli povprečja". [Vir](https://seaborn.pydata.org/tutorial/relational.html). To časovno zahtevno vedenje lahko onemogočite z dodajanjem `ci=None`. + +Vprašanje: No, ali lahko leta 2003 opazimo tudi porast zaloge medu? Kaj pa, če pogledate skupno proizvodnjo iz leta v leto? + +```python +sns.relplot(x="year", y="totalprod", kind="line", data=honey); +``` + +![linijski graf 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sl.png) + +Odgovor: Ne ravno. Če pogledate skupno proizvodnjo, se zdi, da se je v tem letu dejansko povečala, čeprav se na splošno količina proizvedenega medu v teh letih zmanjšuje. + +Vprašanje: V tem primeru, kaj bi lahko povzročilo porast cene medu okoli leta 2003? + +Za odkrivanje tega lahko raziščete mrežo faset. + +## Mreže faset + +Mreže faset vzamejo en vidik vaše podatkovne zbirke (v našem primeru lahko izberete 'leto', da se izognete prevelikemu številu faset). Seaborn nato ustvari graf za vsako od teh faset z izbranimi x in y koordinatami za lažjo vizualno primerjavo. Ali leto 2003 izstopa v tej vrsti primerjave? + +Ustvarite mrežo faset z nadaljevanjem uporabe `relplot`, kot je priporočeno v [dokumentaciji Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). + +```python +sns.relplot( + data=honey, + x="yieldpercol", y="numcol", + col="year", + col_wrap=3, + kind="line" +``` +V tej vizualizaciji lahko primerjate donos na družino in število družin iz leta v leto, ena ob drugi, z nastavitvijo 'wrap' na 3 za stolpce: + +![mreža faset](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sl.png) + +Za to podatkovno zbirko nič posebej ne izstopa glede števila družin in njihovega donosa iz leta v leto ter med državami. Ali obstaja drugačen način za iskanje korelacije med tema dvema spremenljivkama? + +## Dvovrstični grafi + +Poskusite večvrstični graf tako, da prekrivate dva linijska grafa enega na drugega, uporabite Seabornov 'despine' za odstranitev zgornjih in desnih osi ter uporabite `ax.twinx` [iz Matplotliba](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx omogoča grafu, da deli os x in prikaže dve osi y. Tako prikažite donos na družino in število družin, prekrivajoče: + +```python +fig, ax = plt.subplots(figsize=(12,6)) +lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, + label = 'Number of bee colonies', legend=False) +sns.despine() +plt.ylabel('# colonies') +plt.title('Honey Production Year over Year'); + +ax2 = ax.twinx() +lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", + label ='Yield per colony', legend=False) +sns.despine(right=False) +plt.ylabel('colony yield') +ax.figure.legend(); +``` +![prekrivajoči grafi](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sl.png) + +Čeprav nič posebej ne izstopa okoli leta 2003, nam to omogoča, da zaključimo to lekcijo na nekoliko bolj optimistični noti: čeprav se število družin na splošno zmanjšuje, se število družin stabilizira, tudi če njihov donos na družino upada. + +Naprej, čebele, naprej! + +🐝❤️ +## 🚀 Izziv + +V tej lekciji ste izvedeli več o uporabi razpršenih grafov in mrež faset, vključno z mrežami faset. Izzovite se in ustvarite mrežo faset z uporabo druge podatkovne zbirke, morda tiste, ki ste jo uporabili v prejšnjih lekcijah. Opazujte, koliko časa traja njihova izdelava in kako morate biti previdni glede števila mrež, ki jih ustvarite s temi tehnikami. +## [Po-predavanjski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Pregled in samostojno učenje + +Linijski grafi so lahko preprosti ali precej zapleteni. Preberite več v [dokumentaciji Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) o različnih načinih, kako jih lahko zgradite. Poskusite izboljšati linijske grafe, ki ste jih ustvarili v tej lekciji, z drugimi metodami, navedenimi v dokumentaciji. +## Naloga + +[Potopite se v čebelnjak](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/sl/3-Data-Visualization/12-visualization-relationships/assignment.md new file mode 100644 index 00000000..cc2646a0 --- /dev/null +++ b/translations/sl/3-Data-Visualization/12-visualization-relationships/assignment.md @@ -0,0 +1,25 @@ + +# Potopite se v čebelnjak + +## Navodila + +V tej lekciji ste začeli raziskovati podatkovni niz o čebelah in njihovi proizvodnji medu skozi časovno obdobje, v katerem je prišlo do zmanjšanja populacije čebeljih kolonij. Poglobite se v ta podatkovni niz in ustvarite beležnico, ki lahko pripoveduje zgodbo o zdravju čebelje populacije, po posameznih državah in letih. Ali odkrijete kaj zanimivega v tem podatkovnem nizu? + +## Merila ocenjevanja + +| Odlično | Zadostno | Potrebno izboljšanje | +| ------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------- | ---------------------------------------- | +| Predstavljena je beležnica z zgodbo, ki vključuje vsaj tri različne grafe, ki prikazujejo vidike podatkovnega niza, po državah in letih | Beležnica manjka enega od teh elementov | Beležnica manjka dveh od teh elementov | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/README.md new file mode 100644 index 00000000..abb4a454 --- /dev/null +++ b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/README.md @@ -0,0 +1,182 @@ + +# Ustvarjanje smiselnih vizualizacij + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Smiselne vizualizacije - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +> "Če dovolj dolgo mučiš podatke, bodo priznali karkoli." -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +Ena osnovnih veščin podatkovnega znanstvenika je sposobnost ustvarjanja smiselnih vizualizacij podatkov, ki pomagajo odgovoriti na zastavljena vprašanja. Preden vizualizirate svoje podatke, morate poskrbeti, da so očiščeni in pripravljeni, kot ste to storili v prejšnjih lekcijah. Šele nato lahko začnete razmišljati, kako najbolje predstaviti podatke. + +V tej lekciji boste pregledali: + +1. Kako izbrati pravi tip grafa +2. Kako se izogniti zavajajočim grafom +3. Kako delati z barvami +4. Kako oblikovati grafe za boljšo berljivost +5. Kako ustvariti animirane ali 3D rešitve za grafe +6. Kako ustvariti kreativno vizualizacijo + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Izberite pravi tip grafa + +V prejšnjih lekcijah ste eksperimentirali z ustvarjanjem različnih zanimivih vizualizacij podatkov z uporabo knjižnic Matplotlib in Seaborn. Na splošno lahko izberete [pravi tip grafa](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) glede na vprašanje, ki ga zastavljate, s pomočjo te tabele: + +| Potrebujete: | Uporabite: | +| -------------------------- | ------------------------------- | +| Prikazati trende skozi čas | Črta | +| Primerjati kategorije | Stolpec, Torta | +| Primerjati skupne vrednosti| Torta, Zloženi stolpec | +| Prikazati odnose | Raztresen, Črta, Facet, Dvojna črta | +| Prikazati porazdelitve | Raztresen, Histogram, Box | +| Prikazati deleže | Torta, Krofi, Waffle | + +> ✅ Glede na sestavo vaših podatkov boste morda morali pretvoriti besedilo v številke, da bo določen graf deloval. + +## Izogibajte se zavajanju + +Tudi če podatkovni znanstvenik skrbno izbere pravi graf za prave podatke, obstaja veliko načinov, kako lahko podatke prikaže na način, ki podpira določeno stališče, pogosto na račun resničnosti podatkov. Obstaja veliko primerov zavajajočih grafov in infografik! + +[![Kako grafi lažejo avtorja Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sl.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Kako grafi lažejo") + +> 🎥 Kliknite zgornjo sliko za konferenčno predavanje o zavajajočih grafih + +Ta graf obrne os X, da prikaže nasprotje resnice glede na datum: + +![slab graf 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sl.png) + +[Ta graf](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) je še bolj zavajajoč, saj oko pritegne desno stran, kar daje vtis, da so se primeri COVID-a v različnih okrožjih sčasoma zmanjšali. Če pa natančno pogledate datume, ugotovite, da so bili preurejeni, da bi ustvarili zavajajoč trend navzdol. + +![slab graf 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sl.jpg) + +Ta zloglasni primer uporablja barvo IN obrnjeno os Y za zavajanje: namesto da bi sklepali, da so se smrti zaradi strelnega orožja povečale po sprejetju zakonodaje, ki podpira orožje, je oko zavedeno, da misli nasprotno: + +![slab graf 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sl.jpg) + +Ta nenavaden graf prikazuje, kako je mogoče manipulirati s proporcijami, kar vodi do smešnih rezultatov: + +![slab graf 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sl.jpg) + +Primerjava neprimerljivega je še en sumljiv trik. Obstaja [čudovita spletna stran](https://tylervigen.com/spurious-correlations), ki prikazuje 'lažne korelacije', kot je povezava med stopnjo ločitev v Maineu in porabo margarine. Skupina na Redditu prav tako zbira [grde primere](https://www.reddit.com/r/dataisugly/top/?t=all) uporabe podatkov. + +Pomembno je razumeti, kako zlahka lahko oko zavedejo zavajajoči grafi. Tudi če so nameni podatkovnega znanstvenika dobri, lahko izbira napačnega tipa grafa, kot je tortni graf z preveč kategorijami, povzroči zavajanje. + +## Barve + +Kot ste videli v zgornjem grafu o 'nasilju s strelnim orožjem na Floridi', lahko barva doda dodatno plast pomena grafom, še posebej tistim, ki niso zasnovani z uporabo knjižnic, kot sta Matplotlib in Seaborn, ki vključujeta preverjene barvne knjižnice in palete. Če graf izdelujete ročno, si vzemite čas za študij [teorije barv](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Zavedajte se, da je pri oblikovanju grafov dostopnost pomemben vidik vizualizacije. Nekateri vaši uporabniki so lahko barvno slepi - ali je vaš graf berljiv za uporabnike z vidnimi ovirami? + +Bodite previdni pri izbiri barv za svoj graf, saj lahko barva prenaša pomen, ki ga morda niste nameravali. 'Rožnate dame' v zgornjem grafu o 'višini' prenašajo izrazito 'ženski' pomen, kar še povečuje nenavadnost samega grafa. + +Čeprav se [pomen barv](https://colormatters.com/color-symbolism/the-meanings-of-colors) lahko razlikuje glede na del sveta in se spreminja glede na odtenek, na splošno barve pomenijo: + +| Barva | Pomen | +| ------ | ------------------- | +| rdeča | moč | +| modra | zaupanje, lojalnost | +| rumena | sreča, previdnost | +| zelena | ekologija, sreča, zavist | +| vijolična | sreča | +| oranžna | živahnost | + +Če morate ustvariti graf z lastnimi barvami, poskrbite, da bodo vaši grafi dostopni in da barve, ki jih izberete, ustrezajo sporočilu, ki ga želite posredovati. + +## Oblikovanje grafov za boljšo berljivost + +Grafi niso smiselni, če niso berljivi! Vzemite si trenutek za prilagoditev širine in višine grafa, da se dobro prilagodi vašim podatkom. Če morate prikazati veliko spremenljivk (npr. vseh 50 zveznih držav), jih prikažite navpično na osi Y, če je mogoče, da se izognete vodoravnemu pomikanju. + +Označite osi, dodajte legendo, če je potrebno, in ponudite orodja za boljše razumevanje podatkov. + +Če so vaši podatki na osi X besedilni in obsežni, lahko besedilo nagnite za boljšo berljivost. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) omogoča 3D risanje, če vaši podatki to podpirajo. S sofisticiranimi vizualizacijami podatkov lahko ustvarite z uporabo `mpl_toolkits.mplot3d`. + +![3D grafi](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sl.png) + +## Animacija in prikaz 3D grafov + +Nekatere najboljše vizualizacije podatkov danes so animirane. Shirley Wu je ustvarila neverjetne vizualizacije z D3, kot je '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kjer vsak cvet predstavlja film. Drug primer za Guardian je 'bussed out', interaktivna izkušnja, ki združuje vizualizacije z Greensock in D3 ter format članka za prikaz, kako NYC rešuje problem brezdomcev z njihovim prevozom iz mesta. + +![bussing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sl.png) + +> "Bussed Out: Kako Amerika premika svoje brezdomce" iz [Guardiana](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizacije avtorjev Nadieh Bremer & Shirley Wu + +Čeprav ta lekcija ne gre dovolj v globino, da bi vas naučila teh močnih knjižnic za vizualizacijo, poskusite uporabiti D3 v aplikaciji Vue.js z uporabo knjižnice za prikaz vizualizacije knjige "Nevarna razmerja" kot animirano socialno omrežje. + +> "Les Liaisons Dangereuses" je epistolarni roman, predstavljen kot serija pisem. Napisal ga je Choderlos de Laclos leta 1782 in pripoveduje zgodbo o zlobnih, moralno pokvarjenih družbenih manevrih dveh protagonistov francoske aristokracije v poznem 18. stoletju, vikonta de Valmonta in markize de Merteuil. Oba na koncu propadeta, vendar ne brez povzročanja velike družbene škode. Roman se odvija kot serija pisem, napisanih različnim ljudem v njunem krogu, z namenom maščevanja ali zgolj povzročanja težav. Ustvarite vizualizacijo teh pisem, da odkrijete glavne akterje zgodbe, vizualno. + +Dokončali boste spletno aplikacijo, ki bo prikazala animiran pogled na to socialno omrežje. Uporablja knjižnico, ki je bila ustvarjena za [vizualizacijo omrežja](https://github.com/emiliorizzo/vue-d3-network) z uporabo Vue.js in D3. Ko aplikacija deluje, lahko premikate vozlišča po zaslonu in premešate podatke. + +![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sl.png) + +## Projekt: Ustvarite graf za prikaz omrežja z uporabo D3.js + +> Ta mapa lekcije vključuje mapo `solution`, kjer lahko najdete dokončan projekt za referenco. + +1. Sledite navodilom v datoteki README.md v korenski mapi starterja. Pred namestitvijo odvisnosti projekta poskrbite, da imate na računalniku nameščena NPM in Node.js. + +2. Odprite mapo `starter/src`. V njej boste našli mapo `assets`, kjer je .json datoteka z vsemi pismi iz romana, oštevilčenimi, z oznakama 'to' in 'from'. + +3. Dokončajte kodo v `components/Nodes.vue`, da omogočite vizualizacijo. Poiščite metodo `createLinks()` in dodajte naslednjo zanko. + +Zanka skozi .json objekt za zajem podatkov 'to' in 'from' za pisma ter sestavite objekt `links`, da ga lahko knjižnica za vizualizacijo uporabi: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Zaženite svojo aplikacijo iz terminala (npm run serve) in uživajte v vizualizaciji! + +## 🚀 Izziv + +Raziskujte internet in odkrijte zavajajoče vizualizacije. Kako avtor zavaja uporabnika in ali je to namerno? Poskusite popraviti vizualizacije, da pokažete, kako bi morale izgledati. + +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Pregled in samostojno učenje + +Tukaj je nekaj člankov o zavajajočih vizualizacijah podatkov: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Oglejte si te zanimive vizualizacije zgodovinskih virov in artefaktov: + +https://handbook.pubpub.org/ + +Preberite ta članek o tem, kako animacija lahko izboljša vaše vizualizacije: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Naloga + +[Ustvarite svojo lastno vizualizacijo](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/assignment.md new file mode 100644 index 00000000..4ca916c6 --- /dev/null +++ b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/assignment.md @@ -0,0 +1,25 @@ + +# Ustvarite svojo prilagojeno vizualizacijo + +## Navodila + +Uporabite vzorčno kodo v tem projektu za ustvarjanje družbenega omrežja in pripravite podatke o svojih družbenih interakcijah. Lahko preslikate svojo uporabo družbenih medijev ali naredite diagram svojih družinskih članov. Ustvarite zanimivo spletno aplikacijo, ki prikazuje edinstveno vizualizacijo družbenega omrežja. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | --- | +GitHub repozitorij je predstavljen s kodo, ki pravilno deluje (poskusite jo objaviti kot statično spletno aplikacijo) in ima pripisano README datoteko, ki pojasnjuje projekt | Repozitorij ne deluje pravilno ali ni dobro dokumentiran | Repozitorij ne deluje pravilno in ni dobro dokumentiran + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/solution/README.md new file mode 100644 index 00000000..a50e1b22 --- /dev/null +++ b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/solution/README.md @@ -0,0 +1,40 @@ + +# Projekt vizualizacije podatkov Dangerous Liaisons + +Za začetek se prepričajte, da imate na svojem računalniku nameščena NPM in Node. Namestite odvisnosti (npm install) in nato projekt zaženite lokalno (npm run serve): + +## Nastavitev projekta +``` +npm install +``` + +### Prevajanje in samodejno osveževanje za razvoj +``` +npm run serve +``` + +### Prevajanje in minimiziranje za produkcijo +``` +npm run build +``` + +### Preverjanje kode in odpravljanje napak +``` +npm run lint +``` + +### Prilagoditev konfiguracije +Glejte [Reference konfiguracije](https://cli.vuejs.org/config/). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/starter/README.md new file mode 100644 index 00000000..fdac1598 --- /dev/null +++ b/translations/sl/3-Data-Visualization/13-meaningful-visualizations/starter/README.md @@ -0,0 +1,40 @@ + +# Projekt vizualizacije podatkov Dangerous Liaisons + +Za začetek se prepričajte, da imate na svojem računalniku nameščena NPM in Node. Namestite odvisnosti (npm install) in nato zaženite projekt lokalno (npm run serve): + +## Nastavitev projekta +``` +npm install +``` + +### Prevajanje in samodejno osveževanje za razvoj +``` +npm run serve +``` + +### Prevajanje in minimiziranje za produkcijo +``` +npm run build +``` + +### Preverjanje kode in odpravljanje napak +``` +npm run lint +``` + +### Prilagoditev konfiguracije +Glejte [Reference konfiguracije](https://cli.vuejs.org/config/). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/sl/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..59bdd8df --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,230 @@ + +# Vizualizacija količin +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Vizualizacija količin - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +V tej lekciji boste raziskali, kako uporabiti nekatere izmed številnih knjižnic paketov v R-ju za ustvarjanje zanimivih vizualizacij, ki se osredotočajo na koncept količine. Z uporabo očiščenega nabora podatkov o pticah iz Minnesote lahko odkrijete številna zanimiva dejstva o lokalni divjini. +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Opazovanje razpona kril z ggplot2 +Odlična knjižnica za ustvarjanje tako preprostih kot sofisticiranih grafov in diagramov različnih vrst je [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Na splošno proces risanja podatkov s temi knjižnicami vključuje identifikacijo delov vašega podatkovnega okvira, ki jih želite obdelati, izvedbo potrebnih transformacij podatkov, dodelitev vrednosti za osi x in y, odločitev o vrsti grafa ter prikaz grafa. + +`ggplot2` je sistem za deklarativno ustvarjanje grafike, ki temelji na "The Grammar of Graphics". [Grammar of Graphics](https://en.wikipedia.org/wiki/Ggplot2) je splošna shema za vizualizacijo podatkov, ki razdeli grafe na semantične komponente, kot so lestvice in sloji. Z drugimi besedami, enostavnost ustvarjanja grafov za enovariatne ali večvariatne podatke z malo kode naredi `ggplot2` najbolj priljubljen paket za vizualizacije v R-ju. Uporabnik pove `ggplot2`, kako preslikati spremenljivke na estetiko, katere grafične primitivne elemente uporabiti, nato pa `ggplot2` poskrbi za ostalo. + +> ✅ Graf = Podatki + Estetika + Geometrija +> - Podatki se nanašajo na nabor podatkov +> - Estetika označuje spremenljivke, ki jih preučujemo (spremenljivki x in y) +> - Geometrija se nanaša na vrsto grafa (črtni graf, stolpični graf itd.) + +Izberite najboljšo geometrijo (vrsto grafa) glede na vaše podatke in zgodbo, ki jo želite povedati skozi graf. + +> - Za analizo trendov: črta, stolpec +> - Za primerjavo vrednosti: stolpec, tortni diagram, razsevni diagram +> - Za prikaz, kako deli sestavljajo celoto: tortni diagram +> - Za prikaz porazdelitve podatkov: razsevni diagram, stolpec +> - Za prikaz odnosov med vrednostmi: črta, razsevni diagram, mehurčasti diagram + +✅ Oglejte si tudi ta opisni [priročnik](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) za ggplot2. + +## Ustvarite črtni graf za vrednosti razpona kril ptic + +Odprite konzolo R in uvozite nabor podatkov. +> Opomba: Nabor podatkov je shranjen v korenu tega repozitorija v mapi `/data`. + +Uvozimo nabor podatkov in si ogledamo glavo (prvih 5 vrstic) podatkov. + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +Glava podatkov vsebuje mešanico besedila in številk: + +| | Ime | ZnanstvenoIme | Kategorija | Red | Družina | Rod | StatusOhranjanja | MinDolžina | MaxDolžina | MinTelesnaMasa | MaxTelesnaMasa | MinRazponKril | MaxRazponKril | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Črno-trebušna piščalka | Dendrocygna autumnalis | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rjava piščalka | Dendrocygna bicolor | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snežna gos | Anser caerulescens | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova gos | Anser rossii | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Velika bela-frontna gos | Anser albifrons | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Začnimo z risanjem nekaterih numeričnih podatkov z osnovnim črtnim grafom. Recimo, da želite pogled na največji razpon kril teh zanimivih ptic. + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +Tukaj namestite paket `ggplot2` in ga nato uvozite v delovni prostor z ukazom `library("ggplot2")`. Za risanje grafa v ggplot se uporablja funkcija `ggplot()`, kjer določite nabor podatkov ter spremenljivki x in y kot atribute. V tem primeru uporabimo funkcijo `geom_line()`, saj želimo narisati črtni graf. + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sl.png) + +Kaj takoj opazite? Zdi se, da obstaja vsaj en odstopajoč podatek - to je kar razpon kril! Razpon kril več kot 2000 centimetrov pomeni več kot 20 metrov - ali v Minnesoti živijo pterodaktili? Raziščimo. + +Čeprav bi lahko hitro razvrstili podatke v Excelu, da bi našli te odstopajoče podatke, ki so verjetno tipkarske napake, nadaljujte proces vizualizacije z delom znotraj grafa. + +Dodajte oznake na os x, da pokažete, za katere ptice gre: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +Kot oznak določimo v `theme` in določimo oznake osi x in y v `xlab()` in `ylab()`. Funkcija `ggtitle()` doda ime grafu. + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sl.png) + +Tudi z rotacijo oznak na 45 stopinj je preveč podatkov za branje. Poskusimo drugačno strategijo: označimo samo odstopajoče podatke in postavimo oznake znotraj grafa. Uporabite razsevni diagram, da ustvarite več prostora za označevanje: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +Kaj se tukaj dogaja? Uporabili ste funkcijo `geom_point()` za risanje razsevnih točk. S tem ste dodali oznake za ptice, katerih `MaxWingspan > 500`, in tudi skrili oznake na osi x, da zmanjšate natrpanost grafa. + +Kaj odkrijete? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sl.png) + +## Filtrirajte svoje podatke + +Tako plešasti orel kot prerijski sokol, čeprav sta verjetno zelo veliki ptici, sta očitno napačno označena, z dodatno ničlo pri največjem razponu kril. Malo verjetno je, da boste srečali plešastega orla z razponom kril 25 metrov, vendar če ga, nam prosim sporočite! Ustvarimo nov podatkovni okvir brez teh dveh odstopajočih podatkov: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +Ustvarili smo nov podatkovni okvir `birds_filtered` in nato narisali razsevni diagram. Z odstranitvijo odstopajočih podatkov so vaši podatki zdaj bolj skladni in razumljivi. + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sl.png) + +Zdaj, ko imamo vsaj očiščen nabor podatkov glede razpona kril, odkrijmo več o teh pticah. + +Čeprav črtni in razsevni diagrami lahko prikazujejo informacije o vrednostih podatkov in njihovih porazdelitvah, želimo razmisliti o vrednostih, ki so inherentne v tem naboru podatkov. Lahko ustvarite vizualizacije za odgovore na naslednja vprašanja o količinah: + +> Koliko kategorij ptic obstaja in kakšno je njihovo število? +> Koliko ptic je izumrlih, ogroženih, redkih ali pogostih? +> Koliko jih je v različnih rodovih in redih po Linnaeusovi terminologiji? +## Raziskovanje stolpičnih grafov + +Stolpični grafi so praktični, ko morate prikazati skupine podatkov. Raziskujmo kategorije ptic, ki obstajajo v tem naboru podatkov, da vidimo, katera je najpogostejša po številu. +Ustvarimo stolpični graf na filtriranih podatkih. + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +V naslednjem odlomku namestimo paketa [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) in [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), da pomagata pri manipulaciji in grupiranju podatkov za risanje zloženega stolpičnega grafa. Najprej grupirate podatke po `Category` ptic in nato povzamete stolpce `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Nato narišete stolpični graf z uporabo paketa `ggplot2` in določite barve za različne kategorije ter oznake. + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sl.png) + +Ta stolpični graf je neberljiv, ker je preveč nepovezanih podatkov. Izbrati morate samo podatke, ki jih želite prikazati, zato si oglejmo dolžino ptic glede na njihovo kategorijo. + +Filtrirajte svoje podatke, da vključite samo kategorijo ptic. + +Ker je kategorij veliko, lahko ta graf prikažete vertikalno in prilagodite njegovo višino, da upoštevate vse podatke: + +```r +birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE) +birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) +ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip() +``` +Najprej preštejete unikatne vrednosti v stolpcu `Category` in jih nato razvrstite v nov podatkovni okvir `birds_count`. Te razvrščene podatke nato razvrstite na isti ravni, da so narisani v razvrščenem vrstnem redu. Z uporabo `ggplot2` nato narišete podatke v stolpičnem grafu. Funkcija `coord_flip()` nariše horizontalne stolpce. + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sl.png) + +Ta stolpični graf prikazuje dober pogled na število ptic v vsaki kategoriji. Na prvi pogled vidite, da je največ ptic v tej regiji v kategoriji Race/Gosi/Vodna ptica. Minnesota je 'dežela 10.000 jezer', zato to ni presenetljivo! + +✅ Poskusite nekaj drugih štetij na tem naboru podatkov. Vas kaj preseneti? + +## Primerjava podatkov + +Poskusite različne primerjave grupiranih podatkov z ustvarjanjem novih osi. Poskusite primerjavo največje dolžine ptice glede na njeno kategorijo: + +```r +birds_grouped <- birds_filtered %>% + group_by(Category) %>% + summarise( + MaxLength = max(MaxLength, na.rm = T), + MinLength = max(MinLength, na.rm = T) + ) %>% + arrange(Category) + +ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip() +``` +Grupiramo podatke `birds_filtered` po `Category` in nato narišemo stolpični graf. + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sl.png) + +Tukaj ni nič presenetljivega: kolibriji imajo najmanjšo največjo dolžino v primerjavi s pelikani ali gosmi. Dobro je, ko podatki logično ustrezajo! + +Lahko ustvarite bolj zanimive vizualizacije stolpičnih grafov z nadgrajevanjem podatkov. Nadgradimo minimalno in maksimalno dolžino na določeno kategorijo ptic: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sl.png) + +## 🚀 Izziv + +Ta nabor podatkov o pticah ponuja bogastvo informacij o različnih vrstah ptic znotraj določenega ekosistema. Poiščite po internetu in preverite, ali lahko najdete druge nabore podatkov o pticah. Vadite risanje grafov in diagramov o teh pticah, da odkrijete dejstva, ki jih niste poznali. +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Pregled in samostojno učenje + +Ta prva lekcija vam je dala nekaj informacij o tem, kako uporabiti `ggplot2` za vizualizacijo količin. Raziskujte druge načine dela z nabori podatkov za vizualizacijo. Raziskujte in poiščite nabore podatkov, ki jih lahko vizualizirate z drugimi paketi, kot sta [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) in [Plotly](https://github.com/plotly/plotly.R#readme). + +## Naloga +[Črte, razsevni diagrami in stolpci](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/sl/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..57c49207 --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Črte, razpršitve in stolpci + +## Navodila + +V tej lekciji ste delali z črtastimi grafikoni, razpršenimi diagrami in stolpičnimi grafikoni, da bi prikazali zanimiva dejstva o tem naboru podatkov. V tej nalogi se poglobite v nabor podatkov, da odkrijete dejstvo o določeni vrsti ptice. Na primer, ustvarite skripto, ki vizualizira vse zanimive podatke, ki jih lahko odkrijete o snežnih goskah. Uporabite tri zgoraj omenjene grafične prikaze, da v svojem zvezku poveste zgodbo. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebna izboljšava +--- | --- | --- | +Skripta je predstavljena z dobrimi opombami, trdno pripovedjo in privlačnimi grafikoni | Skripta manjka enega od teh elementov | Skripta manjka dva od teh elementov + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve AI za prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne odgovarjamo za morebitna napačna razumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/sl/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..c2d02af1 --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,184 @@ + +# Vizualizacija porazdelitev + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Vizualizacija porazdelitev - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +V prejšnji lekciji ste izvedeli nekaj zanimivih dejstev o podatkovnem naboru o pticah iz Minnesote. Z vizualizacijo odstopajočih vrednosti ste našli nekaj napačnih podatkov in si ogledali razlike med kategorijami ptic glede na njihovo največjo dolžino. + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Raziskovanje podatkovnega nabora ptic + +Drug način za raziskovanje podatkov je pogled na njihovo porazdelitev oziroma kako so podatki organizirani vzdolž osi. Morda bi na primer želeli izvedeti več o splošni porazdelitvi največjega razpona kril ali največje telesne mase ptic iz Minnesote v tem podatkovnem naboru. + +Odkrijmo nekaj dejstev o porazdelitvah podatkov v tem naboru. V svoji konzoli R uvozite `ggplot2` in podatkovno bazo. Odstranite odstopajoče vrednosti iz podatkovne baze, tako kot v prejšnji temi. + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | Ime | ZnanstvenoIme | Kategorija | Red | Družina | Rod | StanjeOhranitve | MinDolžina | MaxDolžina | MinTelesnaMasa | MaxTelesnaMasa | MinRazponKril | MaxRazponKril | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Črno-trebušni žvižgač | Dendrocygna autumnalis | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Rjavi žvižgač | Dendrocygna bicolor | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Snežna gos | Anser caerulescens | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Rossova gos | Anser rossii | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Velika bela čelna gos | Anser albifrons | Race/Gosi/Vodna ptica | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Na splošno lahko hitro pogledate, kako so podatki porazdeljeni, z uporabo razpršenega diagrama, kot smo to storili v prejšnji lekciji: + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![največja dolžina po redu](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sl.png) + +To daje pregled splošne porazdelitve dolžine telesa po redih ptic, vendar to ni optimalen način za prikaz resničnih porazdelitev. Ta naloga se običajno opravi z ustvarjanjem histograma. + +## Delo s histogrami + +`ggplot2` ponuja zelo dobre načine za vizualizacijo porazdelitve podatkov z uporabo histogramov. Ta vrsta grafa je podobna stolpčnemu diagramu, kjer je porazdelitev vidna skozi vzpone in padce stolpcev. Za izdelavo histograma potrebujete številske podatke. Za izdelavo histograma lahko narišete graf, kjer določite vrsto kot 'hist' za histogram. Ta graf prikazuje porazdelitev MaxBodyMass za celoten razpon številskih podatkov v naboru. Z razdelitvijo niza podatkov na manjše razpone lahko prikaže porazdelitev vrednosti podatkov: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![porazdelitev po celotnem naboru podatkov](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sl.png) + +Kot lahko vidite, večina od 400+ ptic v tem naboru spada v razpon pod 2000 za njihovo največjo telesno maso. Pridobite več vpogleda v podatke tako, da spremenite parameter `bins` na višjo številko, na primer 30: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![porazdelitev-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sl.png) + +Ta graf prikazuje porazdelitev na nekoliko bolj podroben način. Manj pristranski graf na levo bi lahko ustvarili tako, da izberete samo podatke znotraj določenega razpona: + +Filtrirajte svoje podatke, da dobite samo tiste ptice, katerih telesna masa je pod 60, in prikažite 30 `bins`: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![filtriran histogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sl.png) + +✅ Preizkusite nekaj drugih filtrov in podatkovnih točk. Če želite videti celotno porazdelitev podatkov, odstranite filter `['MaxBodyMass']`, da prikažete označene porazdelitve. + +Histogram ponuja tudi nekaj lepih barvnih in označevalnih izboljšav za preizkus: + +Ustvarite 2D histogram za primerjavo razmerja med dvema porazdelitvama. Primerjajmo `MaxBodyMass` in `MaxLength`. `ggplot2` ponuja vgrajen način za prikaz konvergence z uporabo svetlejših barv: + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +Zdi se, da obstaja pričakovana korelacija med tema dvema elementoma vzdolž pričakovane osi, z eno posebej močno točko konvergence: + +![2d graf](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sl.png) + +Histograme je privzeto mogoče dobro uporabiti za številske podatke. Kaj pa, če morate videti porazdelitve glede na besedilne podatke? +## Raziskovanje porazdelitev v naboru podatkov z uporabo besedilnih podatkov + +Ta nabor podatkov vključuje tudi koristne informacije o kategoriji ptic, njihovem rodu, vrsti, družini in stanju ohranitve. Poglobimo se v te informacije o ohranitvi. Kakšna je porazdelitev ptic glede na njihovo stanje ohranitve? + +> ✅ V naboru podatkov je uporabljenih več kratic za opis stanja ohranitve. Te kratice izhajajo iz [IUCN Red List Categories](https://www.iucnredlist.org/), organizacije, ki katalogizira stanje vrst. +> +> - CR: Kritično ogrožena +> - EN: Ogrožena +> - EX: Izumrla +> - LC: Najmanj zaskrbljujoča +> - NT: Potencialno ogrožena +> - VU: Ranljiva + +To so besedilne vrednosti, zato boste morali izvesti transformacijo za ustvarjanje histograma. Z uporabo podatkovnega okvira `filteredBirds` prikažite njegovo stanje ohranitve skupaj z minimalnim razponom kril. Kaj opazite? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![razpon kril in stanje ohranitve](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sl.png) + +Zdi se, da ni dobre korelacije med minimalnim razponom kril in stanjem ohranitve. Preizkusite druge elemente nabora podatkov z uporabo te metode. Poskusite tudi različne filtre. Ali najdete kakšno korelacijo? + +## Grafi gostote + +Morda ste opazili, da so histogrami, ki smo jih do zdaj pregledali, 'stopničasti' in ne tečejo gladko v loku. Za prikaz bolj gladkega grafa gostote lahko poskusite graf gostote. + +Zdaj se lotimo grafov gostote! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![graf gostote](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sl.png) + +Vidite lahko, kako graf odraža prejšnjega za podatke o minimalnem razponu kril; le da je nekoliko bolj gladek. Če bi želeli ponovno pregledati tisto nazobčano črto MaxBodyMass v drugem grafu, ki ste ga ustvarili, bi jo lahko zelo dobro zgladili z uporabo te metode: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![gostota telesne mase](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sl.png) + +Če želite gladko, a ne preveč gladko črto, uredite parameter `adjust`: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![manj gladka telesna masa](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sl.png) + +✅ Preberite o parametrih, ki so na voljo za to vrsto grafa, in eksperimentirajte! + +Ta vrsta grafa ponuja čudovito razlagalne vizualizacije. Na primer, z nekaj vrsticami kode lahko prikažete gostoto največje telesne mase po redih ptic: + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![telesna masa po redu](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sl.png) + +## 🚀 Izziv + +Histogrami so bolj izpopolnjena vrsta grafa kot osnovni razpršeni diagrami, stolpčni diagrami ali črtni diagrami. Poiščite na internetu dobre primere uporabe histogramov. Kako se uporabljajo, kaj prikazujejo in na katerih področjih ali področjih raziskovanja se običajno uporabljajo? + +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Pregled in samostojno učenje + +V tej lekciji ste uporabili `ggplot2` in začeli delati na prikazu bolj izpopolnjenih grafov. Raziščite `geom_density_2d()`, "kontinuirano krivuljo gostote verjetnosti v eni ali več dimenzijah". Preberite [dokumentacijo](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), da razumete, kako deluje. + +## Naloga + +[Uporabite svoje veščine](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/sl/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..3cbe4aba --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Uporabite svoje veščine + +## Navodila + +Do zdaj ste delali z naborom podatkov o pticah iz Minnesote, da bi odkrili informacije o količinah ptic in gostoti populacije. Vadite uporabo teh tehnik z drugačnim naborom podatkov, morda pridobljenim iz [Kaggle](https://www.kaggle.com/). Sestavite R skripto, ki pripoveduje zgodbo o tem naboru podatkov, in poskrbite, da boste pri razpravi uporabili histograme. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | -- | +Predstavljena je skripta z opombami o tem naboru podatkov, vključno z njegovim virom, in uporablja vsaj 5 histogramov za odkrivanje dejstev o podatkih. | Predstavljena je skripta z nepopolnimi opombami ali napakami. | Predstavljena je skripta brez opomb in z napakami. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/sl/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..318e7283 --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,201 @@ + +# Vizualizacija deležev + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Vizualizacija deležev - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +V tej lekciji boste uporabili naravoslovno usmerjen nabor podatkov za vizualizacijo deležev, na primer koliko različnih vrst gliv je prisotnih v določenem naboru podatkov o gobah. Raziskali bomo te fascinantne glive z naborom podatkov, pridobljenim iz Audubona, ki vsebuje podrobnosti o 23 vrstah gob z lističi iz družin Agaricus in Lepiota. Eksperimentirali boste z okusnimi vizualizacijami, kot so: + +- Torte 🥧 +- Krofi 🍩 +- Vaflji 🧇 + +> 💡 Zelo zanimiv projekt, imenovan [Charticulator](https://charticulator.com) iz Microsoft Research, ponuja brezplačen vmesnik za vizualizacijo podatkov z metodo povleci in spusti. V enem od njihovih vaj uporabljajo tudi ta nabor podatkov o gobah! Tako lahko raziskujete podatke in hkrati spoznate knjižnico: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Spoznajte svoje gobe 🍄 + +Gobe so zelo zanimive. Uvozimo nabor podatkov, da jih preučimo: + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +Izpiše se tabela z odličnimi podatki za analizo: + + +| razred | oblika klobuka | površina klobuka | barva klobuka | modrice | vonj | pritrditev lističev | razmik lističev | velikost lističev | barva lističev | oblika bet | koren bet | površina nad obročem | površina pod obročem | barva nad obročem | barva pod obročem | tip zastiralca | barva zastiralca | število obročev | tip obroča | barva trosov | populacija | habitat | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| Strupena | Konveksna | Gladka | Rjava | Modrice | Ostri vonj | Prosto | Tesno | Ozki | Črna | Širjenje | Enak | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseči | Črna | Razpršena | Urbana | +| Užitna | Konveksna | Gladka | Rumena | Modrice | Mandelj | Prosto | Tesno | Široki | Črna | Širjenje | Klub | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseči | Rjava | Številna | Trave | +| Užitna | Zvonec | Gladka | Bela | Modrice | Janež | Prosto | Tesno | Široki | Rjava | Širjenje | Klub | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseči | Rjava | Številna | Travniki | +| Strupena | Konveksna | Luskasta | Bela | Modrice | Ostri vonj | Prosto | Tesno | Ozki | Rjava | Širjenje | Enak | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseči | Črna | Razpršena | Urbana +| Užitna | Konveksna |Gladka | Zelena | Brez modric| Brez vonja |Prosto | Gosto | Široki | Črna | Zoženje | Enak | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Izginjajoči | Rjava | Obilna | Trave +|Užitna | Konveksna | Luskasta | Rumena | Modrice | Mandelj | Prosto | Tesno | Široki | Rjava | Širjenje | Klub | Gladka | Gladka | Bela | Bela | Delna | Bela | Ena | Viseči | Črna | Številna | Trave + +Takoj opazite, da so vsi podatki tekstovni. Te podatke boste morali pretvoriti, da jih boste lahko uporabili v grafu. Večina podatkov je dejansko predstavljena kot objekt: + +```r +names(mushrooms) +``` + +Rezultat je: + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` +Vzemite te podatke in pretvorite stolpec 'razred' v kategorijo: + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + + +Zdaj, če izpišete podatke o gobah, lahko vidite, da so razvrščeni v kategorije glede na razred strupenosti/užitnosti: +```r +View(grouped) +``` + + +| razred | število | +| --------- | --------- | +| Užitna | 4208 | +| Strupena| 3916 | + + + +Če sledite vrstnemu redu, predstavljenemu v tej tabeli, da ustvarite oznake kategorij razreda, lahko ustvarite tortni graf. + +## Torta! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +Voila, tortni graf, ki prikazuje deleže teh podatkov glede na ti dve kategoriji gob. Zelo pomembno je, da je vrstni red oznak pravilen, še posebej tukaj, zato preverite vrstni red, s katerim je ustvarjen niz oznak! + +![tortni graf](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sl.png) + +## Krofi! + +Malce bolj vizualno zanimiv tortni graf je krofni graf, ki je tortni graf z luknjo v sredini. Poglejmo naše podatke s to metodo. + +Oglejte si različna okolja, kjer rastejo gobe: + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` +Rezultat je: +| habitat| število | +| --------- | --------- | +| Trave | 2148 | +| Listje| 832 | +| Travniki | 292 | +| Poti| 1144 | +| Urbana | 368 | +| Odpadki| 192 | +| Les| 3148 | + + +Tukaj razvrščate svoje podatke po habitatih. Naštetih je 7, zato jih uporabite kot oznake za krofni graf: + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![krofni graf](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sl.png) + +Ta koda uporablja dve knjižnici - ggplot2 in webr. Z uporabo funkcije PieDonut iz knjižnice webr lahko enostavno ustvarimo krofni graf! + +Krofne grafe v R lahko ustvarimo tudi samo z uporabo knjižnice ggplot2. Več o tem lahko izveste [tukaj](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) in poskusite sami. + +Zdaj, ko veste, kako razvrstiti svoje podatke in jih nato prikazati kot torto ali krof, lahko raziščete druge vrste grafov. Poskusite vafeljni graf, ki je le drugačen način raziskovanja količine. +## Vaflji! + +Graf tipa 'vafelj' je drugačen način vizualizacije količin kot 2D matrika kvadratov. Poskusite vizualizirati različne količine barv klobukov gob v tem naboru podatkov. Za to morate namestiti pomožno knjižnico, imenovano [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf), in jo uporabiti za ustvarjanje svoje vizualizacije: + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +Izberite segment svojih podatkov za razvrščanje: + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +Ustvarite vafeljni graf z ustvarjanjem oznak in nato razvrščanjem svojih podatkov: + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +Z uporabo vafeljnega grafa lahko jasno vidite deleže barv klobukov v tem naboru podatkov o gobah. Zanimivo je, da je veliko gob z zelenimi klobuki! + +![vafeljni graf](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sl.png) + +V tej lekciji ste se naučili treh načinov vizualizacije deležev. Najprej morate razvrstiti svoje podatke v kategorije in nato odločiti, kateri je najboljši način za prikaz podatkov - torta, krof ali vafelj. Vsi so okusni in uporabniku takoj ponudijo vpogled v nabor podatkov. + +## 🚀 Izziv + +Poskusite ponovno ustvariti te okusne grafe v [Charticulator](https://charticulator.com). +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Pregled in samostojno učenje + +Včasih ni očitno, kdaj uporabiti tortni, krofni ali vafeljni graf. Tukaj je nekaj člankov za branje na to temo: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Raziskujte, da bi našli več informacij o tej težki odločitvi. +## Naloga + +[Poskusite v Excelu](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/sl/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..d13350f1 --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,177 @@ + +# Vizualizacija odnosov: Vse o medu 🍯 + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Vizualizacija odnosov - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Nadaljujmo z naravoslovnim fokusom naše raziskave in odkrijmo zanimive vizualizacije, ki prikazujejo odnose med različnimi vrstami medu, na podlagi podatkov, pridobljenih iz [Ministrstva za kmetijstvo Združenih držav Amerike](https://www.nass.usda.gov/About_NASS/index.php). + +Ta podatkovna zbirka, ki vsebuje približno 600 elementov, prikazuje proizvodnjo medu v številnih zveznih državah ZDA. Na primer, lahko si ogledate število kolonij, donos na kolonijo, skupno proizvodnjo, zaloge, ceno na funt in vrednost proizvedenega medu v določeni državi od leta 1998 do 2012, pri čemer je ena vrstica na leto za vsako državo. + +Zanimivo bo vizualizirati odnos med letno proizvodnjo določene države in, na primer, ceno medu v tej državi. Alternativno bi lahko vizualizirali odnos med donosom medu na kolonijo v različnih državah. To časovno obdobje zajema uničujočo 'CCD' ali 'Colony Collapse Disorder', ki je bila prvič opažena leta 2006 (http://npic.orst.edu/envir/ccd.html), zato je to ganljiva podatkovna zbirka za preučevanje. 🐝 + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +V tej lekciji lahko uporabite ggplot2, ki ste ga že uporabljali, kot odlično knjižnico za vizualizacijo odnosov med spremenljivkami. Še posebej zanimiva je uporaba funkcij ggplot2 `geom_point` in `qplot`, ki omogočata razpršene grafe in črtne grafe za hitro vizualizacijo '[statističnih odnosov](https://ggplot2.tidyverse.org/)', kar podatkovnemu znanstveniku omogoča boljše razumevanje, kako se spremenljivke med seboj povezujejo. + +## Razpršeni grafi + +Uporabite razpršeni graf za prikaz, kako se je cena medu razvijala iz leta v leto po posameznih državah. ggplot2, z uporabo `ggplot` in `geom_point`, priročno združi podatke držav in prikaže točke za tako kategorijske kot numerične podatke. + +Začnimo z uvozom podatkov in knjižnice Seaborn: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +Opazite, da ima podatkovna zbirka medu več zanimivih stolpcev, vključno z letom in ceno na funt. Raziščimo te podatke, razvrščene po zveznih državah ZDA: + +| država | št_kolonij | donos_na_kolonijo | skupna_proizvodnja | zaloge | cena_na_funt | vrednost_proizvodnje | leto | +| ------ | ---------- | ----------------- | ------------------ | -------- | ------------ | -------------------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 | 22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +Ustvarite osnovni razpršeni graf za prikaz odnosa med ceno na funt medu in zvezno državo, iz katere med izvira. Os y naj bo dovolj visok, da prikaže vse države: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![razpršeni graf 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sl.png) + +Zdaj prikažite iste podatke z barvno shemo medu, da pokažete, kako se cena spreminja skozi leta. To lahko storite z dodajanjem parametra 'scale_color_gradientn', ki prikazuje spremembe iz leta v leto: + +> ✅ Več o [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - preizkusite čudovito mavrično barvno shemo! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![razpršeni graf 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sl.png) + +S to spremembo barvne sheme lahko vidite, da je očitno močan napredek skozi leta glede cene medu na funt. Če pogledate vzorec podatkov za preverjanje (izberite določeno državo, na primer Arizono), lahko opazite vzorec naraščanja cen iz leta v leto, z nekaj izjemami: + +| država | št_kolonij | donos_na_kolonijo | skupna_proizvodnja | zaloge | cena_na_funt | vrednost_proizvodnje | leto | +| ------ | ---------- | ----------------- | ------------------ | ------- | ------------ | -------------------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Drug način za vizualizacijo tega napredka je uporaba velikosti namesto barve. Za uporabnike, ki imajo težave z barvnim vidom, je to morda boljša možnost. Uredite svojo vizualizacijo tako, da pokažete povečanje cene z večanjem obsega točk: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +Vidite lahko, da se velikost točk postopoma povečuje. + +![razpršeni graf 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sl.png) + +Je to preprost primer ponudbe in povpraševanja? Zaradi dejavnikov, kot so podnebne spremembe in propad kolonij, je na voljo manj medu za nakup iz leta v leto, zato se cena povečuje? + +Da bi odkrili korelacijo med nekaterimi spremenljivkami v tej podatkovni zbirki, raziščimo nekaj črtnih grafov. + +## Črtni grafi + +Vprašanje: Ali je jasno vidno naraščanje cene medu na funt iz leta v leto? To lahko najlažje odkrijete z ustvarjanjem enega samega črtnega grafa: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +Odgovor: Da, z nekaj izjemami okoli leta 2003: + +![črtni graf 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sl.png) + +Vprašanje: No, ali lahko leta 2003 opazimo tudi porast zaloge medu? Kaj pa, če pogledate skupno proizvodnjo iz leta v leto? + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![črtni graf 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sl.png) + +Odgovor: Ne ravno. Če pogledate skupno proizvodnjo, se zdi, da se je v tem letu dejansko povečala, čeprav na splošno količina proizvedenega medu v teh letih upada. + +Vprašanje: V tem primeru, kaj bi lahko povzročilo porast cene medu okoli leta 2003? + +Da bi to odkrili, lahko raziščete mrežo faset. + +## Mreže faset + +Mreže faset vzamejo en vidik vaše podatkovne zbirke (v našem primeru lahko izberete 'leto', da se izognete prevelikemu številu faset). Seaborn nato ustvari graf za vsako od teh faset izbranih x in y koordinat za lažjo vizualno primerjavo. Ali leto 2003 izstopa v tej vrsti primerjave? + +Ustvarite mrežo faset z uporabo `facet_wrap`, kot je priporočeno v [dokumentaciji ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html). + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +V tej vizualizaciji lahko primerjate donos na kolonijo in število kolonij iz leta v leto, drug ob drugem, z nastavitvijo wrap na 3 za stolpce: + +![mreža faset](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sl.png) + +Za to podatkovno zbirko nič posebej ne izstopa glede števila kolonij in njihovega donosa iz leta v leto ter med državami. Ali obstaja drugačen način za iskanje korelacije med tema dvema spremenljivkama? + +## Dvovrstni grafi + +Poskusite večvrstni graf z nadgrajevanjem dveh črtnih grafov enega na drugega, z uporabo funkcij `par` in `plot` v R. Grafirali bomo leto na osi x in prikazali dve osi y. Prikazali bomo donos na kolonijo in število kolonij, nadgrajeno: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![nadgrajeni grafi](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sl.png) + +Čeprav nič ne izstopa okoli leta 2003, nam to omogoča, da zaključimo to lekcijo na nekoliko bolj veseli noti: čeprav je skupno število kolonij v upadu, se število kolonij stabilizira, tudi če njihov donos na kolonijo upada. + +Naprej, čebele, naprej! + +🐝❤️ +## 🚀 Izziv + +V tej lekciji ste se naučili nekaj več o drugih uporabah razpršenih grafov in mrež faset, vključno z mrežami faset. Izzovite se in ustvarite mrežo faset z uporabo druge podatkovne zbirke, morda tiste, ki ste jo uporabili pred temi lekcijami. Opazujte, kako dolgo traja njihova izdelava in kako morate biti previdni glede števila faset, ki jih želite narisati s temi tehnikami. +## [Naknadni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Pregled in samostojno učenje + +Črtni grafi so lahko preprosti ali precej kompleksni. Malo preberite v [dokumentaciji ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) o različnih načinih, kako jih lahko zgradite. Poskusite izboljšati črtne grafe, ki ste jih zgradili v tej lekciji, z drugimi metodami, navedenimi v dokumentaciji. +## Naloga + +[Potopite se v čebelnjak](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas opozarjamo, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/sl/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..42de41c7 --- /dev/null +++ b/translations/sl/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,182 @@ + +# Ustvarjanje smiselnih vizualizacij + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Smiselne vizualizacije - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +> "Če dovolj dolgo mučiš podatke, bodo priznali karkoli." -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase) + +Ena osnovnih veščin podatkovnega znanstvenika je sposobnost ustvarjanja smiselnih vizualizacij podatkov, ki pomagajo odgovoriti na zastavljena vprašanja. Preden vizualizirate svoje podatke, morate zagotoviti, da so očiščeni in pripravljeni, kot ste to storili v prejšnjih lekcijah. Nato lahko začnete razmišljati, kako najbolje predstaviti podatke. + +V tej lekciji boste pregledali: + +1. Kako izbrati pravi tip grafa +2. Kako se izogniti zavajajočim grafom +3. Kako delati z barvami +4. Kako oblikovati grafe za boljšo berljivost +5. Kako ustvariti animirane ali 3D grafe +6. Kako ustvariti kreativno vizualizacijo + +## [Predlekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Izberite pravi tip grafa + +V prejšnjih lekcijah ste eksperimentirali z ustvarjanjem različnih zanimivih vizualizacij podatkov z uporabo knjižnic Matplotlib in Seaborn. Na splošno lahko izberete [pravi tip grafa](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) za vprašanje, ki ga zastavljate, s pomočjo te tabele: + +| Potrebujete: | Uporabite: | +| -------------------------- | ----------------------------- | +| Prikazati trende skozi čas | Črta | +| Primerjati kategorije | Stolpec, Krog | +| Primerjati skupne vrednosti| Krog, Zloženi stolpec | +| Prikazati odnose | Raztresen, Črta, Facet, Dvojna črta | +| Prikazati porazdelitve | Raztresen, Histogram, Škatla | +| Prikazati deleže | Krog, Obroč, Vafelj | + +> ✅ Glede na sestavo vaših podatkov boste morda morali pretvoriti besedilo v številčne vrednosti, da bo določen graf deloval. + +## Izogibajte se zavajanju + +Tudi če podatkovni znanstvenik skrbno izbere pravi graf za prave podatke, obstaja veliko načinov, kako lahko podatke prikažemo tako, da podpirajo določeno točko, pogosto na račun resničnosti podatkov. Obstaja veliko primerov zavajajočih grafov in infografik! + +[![Kako grafi lažejo avtorja Alberta Caira](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sl.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Kako grafi lažejo") + +> 🎥 Kliknite zgornjo sliko za konferenčno predavanje o zavajajočih grafih + +Ta graf obrne os X, da prikaže nasprotje resnice, glede na datum: + +![slab graf 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sl.png) + +[Ta graf](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) je še bolj zavajajoč, saj pogled pritegne desno stran, kar daje vtis, da so se primeri COVID-a skozi čas zmanjšali v različnih okrožjih. Če pa natančno pogledate datume, ugotovite, da so bili preurejeni, da bi ustvarili zavajajoč trend navzdol. + +![slab graf 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sl.jpg) + +Ta zloglasni primer uporablja barvo IN obrnjeno os Y za zavajanje: namesto da bi sklepali, da so se smrti zaradi orožja povečale po sprejetju zakonodaje, prijazne do orožja, je pogled zaveden, da misli, da je resnica nasprotna: + +![slab graf 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sl.jpg) + +Ta nenavaden graf prikazuje, kako je mogoče manipulirati s proporci, kar vodi do smešnih rezultatov: + +![slab graf 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sl.jpg) + +Primerjanje neprimerljivega je še en dvomljiv trik. Obstaja [odlična spletna stran](https://tylervigen.com/spurious-correlations), ki prikazuje 'lažne korelacije', kot so 'dejstva', ki povezujejo stopnjo ločitev v Mainu in porabo margarine. Skupina na Redditu prav tako zbira [grde primere](https://www.reddit.com/r/dataisugly/top/?t=all) uporabe podatkov. + +Pomembno je razumeti, kako zlahka lahko pogled zavedejo zavajajoči grafi. Tudi če so nameni podatkovnega znanstvenika dobri, lahko izbira napačnega tipa grafa, kot je krožni graf z preveč kategorijami, zavede. + +## Barve + +Kot ste videli v zgornjem grafu o 'nasilju z orožjem na Floridi', lahko barva doda dodatno plast pomena grafom, še posebej tistim, ki niso zasnovani z uporabo knjižnic, kot sta ggplot2 in RColorBrewer, ki vključujejo različne preverjene barvne knjižnice in palete. Če graf ustvarjate ročno, si vzemite čas za študij [teorije barv](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Zavedajte se, da je pri oblikovanju grafov dostopnost pomemben vidik vizualizacije. Nekateri vaši uporabniki so lahko barvno slepi - ali je vaš graf berljiv za uporabnike z okvarami vida? + +Bodite previdni pri izbiri barv za svoj graf, saj lahko barva prenaša pomen, ki ga morda niste nameravali. 'Rožnate dame' v zgornjem grafu o 'višini' prenašajo izrazito 'ženski' pomen, ki še povečuje nenavadnost grafa. + +Čeprav se [pomen barv](https://colormatters.com/color-symbolism/the-meanings-of-colors) lahko razlikuje v različnih delih sveta in se spreminja glede na odtenek, splošno velja: + +| Barva | Pomen | +| ------ | ------------------- | +| rdeča | moč | +| modra | zaupanje, lojalnost | +| rumena | sreča, previdnost | +| zelena | ekologija, sreča, zavist | +| vijolična | sreča | +| oranžna | živahnost | + +Če morate ustvariti graf z lastnimi barvami, poskrbite, da bodo vaši grafi dostopni in da barva, ki jo izberete, ustreza pomenu, ki ga želite prenesti. + +## Oblikovanje grafov za boljšo berljivost + +Grafi niso smiselni, če niso berljivi! Vzemite si trenutek za razmislek o oblikovanju širine in višine grafa, da se dobro prilega vašim podatkom. Če je treba prikazati eno spremenljivko (na primer vseh 50 držav), jih prikažite navpično na osi Y, če je mogoče, da se izognete grafu, ki zahteva vodoravno pomikanje. + +Označite svoje osi, zagotovite legendo, če je potrebno, in ponudite orodja za boljše razumevanje podatkov. + +Če so vaši podatki besedilni in obsežni na osi X, lahko besedilo nagnite za boljšo berljivost. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) omogoča 3D risanje, če vaši podatki to podpirajo. Z njim je mogoče ustvariti napredne vizualizacije podatkov. + +![3d grafi](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sl.png) + +## Animacija in prikaz 3D grafov + +Nekatere najboljše vizualizacije podatkov danes so animirane. Shirley Wu je ustvarila neverjetne vizualizacije z D3, kot je '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', kjer vsak cvet predstavlja vizualizacijo filma. Drug primer za Guardian je 'bussed out', interaktivna izkušnja, ki združuje vizualizacije z Greensock in D3 ter format članka za prikaz, kako NYC rešuje problem brezdomcev z njihovim prevozom iz mesta. + +![bussing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sl.png) + +> "Bussed Out: How America Moves its Homeless" iz [Guardiana](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Vizualizacije avtorjev Nadieh Bremer & Shirley Wu + +Čeprav ta lekcija ni dovolj poglobljena za učenje teh zmogljivih knjižnic za vizualizacijo, poskusite uporabiti D3 v aplikaciji Vue.js z uporabo knjižnice za prikaz vizualizacije knjige "Nevarna razmerja" kot animirano socialno omrežje. + +> "Les Liaisons Dangereuses" je epistolarni roman, predstavljen kot serija pisem. Napisal ga je Choderlos de Laclos leta 1782 in pripoveduje zgodbo o zlobnih, moralno pokvarjenih družbenih manevrih dveh protagonistov francoskega plemstva v poznem 18. stoletju, vikonta de Valmonta in markize de Merteuil. Oba na koncu propadeta, vendar ne brez povzročanja velike družbene škode. Roman se odvija kot serija pisem, napisanih različnim ljudem v njunem krogu, z namenom maščevanja ali povzročanja težav. Ustvarite vizualizacijo teh pisem, da odkrijete glavne akterje zgodbe, vizualno. + +Dokončali boste spletno aplikacijo, ki bo prikazala animiran pogled tega socialnega omrežja. Uporablja knjižnico, zasnovano za ustvarjanje [vizualizacije omrežja](https://github.com/emiliorizzo/vue-d3-network) z uporabo Vue.js in D3. Ko aplikacija deluje, lahko premikate vozlišča po zaslonu in premešate podatke. + +![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sl.png) + +## Projekt: Ustvarite graf za prikaz omrežja z uporabo D3.js + +> Ta mapa lekcije vključuje mapo `solution`, kjer lahko najdete dokončan projekt za referenco. + +1. Sledite navodilom v datoteki README.md v korenski mapi začetnega projekta. Pred namestitvijo odvisnosti projekta poskrbite, da imate na računalniku nameščena NPM in Node.js. + +2. Odprite mapo `starter/src`. V mapi `assets` boste našli datoteko .json z vsemi pismi iz romana, oštevilčenimi, z oznakama 'to' in 'from'. + +3. Dokončajte kodo v datoteki `components/Nodes.vue`, da omogočite vizualizacijo. Poiščite metodo `createLinks()` in dodajte naslednjo zanko. + +Prebrskajte objekt .json, da zajamete podatke 'to' in 'from' za pisma ter zgradite objekt `links`, ki ga lahko knjižnica za vizualizacijo uporabi: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Zaženite svojo aplikacijo iz terminala (npm run serve) in uživajte v vizualizaciji! + +## 🚀 Izziv + +Raziščite internet in odkrijte zavajajoče vizualizacije. Kako avtor zavede uporabnika in ali je to namerno? Poskusite popraviti vizualizacije, da prikažete, kako bi morale izgledati. + +## [Po-lekcijski kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Pregled in samostojno učenje + +Tukaj je nekaj člankov o zavajajočih vizualizacijah podatkov: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Oglejte si te zanimive vizualizacije zgodovinskih virov in artefaktov: + +https://handbook.pubpub.org/ + +Preberite ta članek o tem, kako animacija lahko izboljša vaše vizualizacije: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Naloga + +[Ustvarite svojo lastno vizualizacijo](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/3-Data-Visualization/README.md b/translations/sl/3-Data-Visualization/README.md new file mode 100644 index 00000000..21047a96 --- /dev/null +++ b/translations/sl/3-Data-Visualization/README.md @@ -0,0 +1,42 @@ + +# Vizualizacije + +![čebela na cvetu sivke](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sl.jpg) +> Fotografija avtorice Jenna Lee na Unsplash + +Vizualizacija podatkov je ena najpomembnejših nalog podatkovnega znanstvenika. Slike povedo več kot 1000 besed, vizualizacija pa vam lahko pomaga prepoznati različne zanimive vidike vaših podatkov, kot so konice, odstopanja, skupine, tendence in še več, kar vam omogoča, da bolje razumete zgodbo, ki jo vaši podatki pripovedujejo. + +V teh petih lekcijah boste raziskovali podatke iz narave in ustvarjali zanimive ter čudovite vizualizacije z uporabo različnih tehnik. + +| Številka teme | Tema | Povezana lekcija | Avtor | +| :-----------: | :--: | :--------------: | :----: | +| 1. | Vizualizacija količin |
  • [Python](09-visualization-quantities/README.md)
  • [R](../../../3-Data-Visualization/R/09-visualization-quantities)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 2. | Vizualizacija porazdelitev |
  • [Python](10-visualization-distributions/README.md)
  • [R](../../../3-Data-Visualization/R/10-visualization-distributions)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 3. | Vizualizacija deležev |
  • [Python](11-visualization-proportions/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 4. | Vizualizacija odnosov |
  • [Python](12-visualization-relationships/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| +| 5. | Ustvarjanje smiselnih vizualizacij |
  • [Python](13-meaningful-visualizations/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Jen Looper](https://twitter.com/jenlooper)
  • [Vidushi Gupta](https://github.com/Vidushi-Gupta)
  • [Jasleen Sondhi](https://github.com/jasleen101010)
| + +### Zasluge + +Te lekcije o vizualizaciji so bile napisane z 🌸 avtoricami [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) in [Vidushi Gupta](https://github.com/Vidushi-Gupta). + +🍯 Podatki o proizvodnji medu v ZDA so pridobljeni iz projekta Jessice Li na [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Podatki](https://usda.library.cornell.edu/concern/publications/rn301137d) izhajajo iz [Ministrstva za kmetijstvo ZDA](https://www.nass.usda.gov/About_NASS/index.php). + +🍄 Podatki o gobah so prav tako pridobljeni iz [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), revidirani s strani Hatterasa Duntona. Ta podatkovni niz vključuje opise hipotetičnih vzorcev, ki ustrezajo 23 vrstam gob z lističi iz družin Agaricus in Lepiota. Podatki o gobah so vzeti iz knjige The Audubon Society Field Guide to North American Mushrooms (1981). Ta podatkovni niz je bil doniran UCI ML 27 leta 1987. + +🦆 Podatki o pticah Minnesote so pridobljeni iz [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), strgani s strani [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) avtorice Hannah Collins. + +Vsi ti podatkovni nizi so licencirani kot [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/sl/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..c5868c60 --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,123 @@ + +# Uvod v življenjski cikel podatkovne znanosti + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| Uvod v življenjski cikel podatkovne znanosti - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +## [Predavanje: Kviz](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26) + +Do zdaj ste verjetno že ugotovili, da je podatkovna znanost proces. Ta proces lahko razdelimo na 5 faz: + +- Zajemanje +- Obdelava +- Analiza +- Komunikacija +- Vzdrževanje + +Ta lekcija se osredotoča na 3 dele življenjskega cikla: zajemanje, obdelavo in vzdrževanje. + +![Diagram življenjskega cikla podatkovne znanosti](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sl.jpg) +> Fotografija avtorja [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) + +## Zajemanje + +Prva faza življenjskega cikla je zelo pomembna, saj so naslednje faze odvisne od nje. Pravzaprav gre za dve fazi združeni v eno: pridobivanje podatkov in določanje namena ter problemov, ki jih je treba rešiti. +Določanje ciljev projekta zahteva globlje razumevanje problema ali vprašanja. Najprej moramo identificirati in pridobiti tiste, ki potrebujejo rešitev svojega problema. To so lahko deležniki v podjetju ali sponzorji projekta, ki lahko pomagajo določiti, kdo ali kaj bo imelo koristi od tega projekta, ter kaj in zakaj to potrebujejo. Dobro definiran cilj mora biti merljiv in kvantificiran, da lahko določimo sprejemljiv rezultat. + +Vprašanja, ki jih lahko postavi podatkovni znanstvenik: +- Ali je bil ta problem že obravnavan? Kaj je bilo odkrito? +- Ali vsi vključeni razumejo namen in cilj? +- Ali obstaja dvoumnost in kako jo zmanjšati? +- Kakšne so omejitve? +- Kako bo izgledal končni rezultat? +- Koliko virov (časa, ljudi, računalniških zmogljivosti) je na voljo? + +Naslednji korak je identificiranje, zbiranje in nato raziskovanje podatkov, potrebnih za dosego teh ciljev. V tej fazi pridobivanja morajo podatkovni znanstveniki oceniti količino in kakovost podatkov. To zahteva nekaj raziskovanja podatkov, da potrdimo, da bodo pridobljeni podatki podpirali dosego želenega rezultata. + +Vprašanja, ki jih lahko postavi podatkovni znanstvenik o podatkih: +- Kateri podatki so mi že na voljo? +- Kdo je lastnik teh podatkov? +- Kakšni so pomisleki glede zasebnosti? +- Ali imam dovolj podatkov za rešitev tega problema? +- Ali so podatki ustrezne kakovosti za ta problem? +- Če skozi te podatke odkrijem dodatne informacije, ali bi morali razmisliti o spremembi ali ponovni opredelitvi ciljev? + +## Obdelava + +Faza obdelave v življenjskem ciklu se osredotoča na odkrivanje vzorcev v podatkih in modeliranje. Nekatere tehnike, uporabljene v tej fazi, zahtevajo statistične metode za odkrivanje vzorcev. Običajno bi bila to zamudna naloga za človeka pri delu z velikimi nabori podatkov, zato se zanašamo na računalnike, da pospešijo proces. Ta faza je tudi točka, kjer se podatkovna znanost in strojno učenje prekrivata. Kot ste se naučili v prvi lekciji, je strojno učenje proces gradnje modelov za razumevanje podatkov. Modeli so predstavitev odnosa med spremenljivkami v podatkih, ki pomagajo napovedovati rezultate. + +Pogoste tehnike, uporabljene v tej fazi, so obravnavane v učnem načrtu ML za začetnike. Sledite povezavam, da izveste več o njih: + +- [Klasifikacija](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organiziranje podatkov v kategorije za učinkovitejšo uporabo. +- [Gručenje](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Združevanje podatkov v podobne skupine. +- [Regresija](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Določanje odnosov med spremenljivkami za napovedovanje ali napovedovanje vrednosti. + +## Vzdrževanje + +Na diagramu življenjskega cikla ste morda opazili, da vzdrževanje leži med zajemanjem in obdelavo. Vzdrževanje je stalen proces upravljanja, shranjevanja in varovanja podatkov skozi celoten proces projekta in ga je treba upoštevati skozi celoten projekt. + +### Shranjevanje podatkov + +Premisleki o tem, kako in kje so podatki shranjeni, lahko vplivajo na stroške shranjevanja in na to, kako hitro je mogoče dostopati do podatkov. Takšne odločitve verjetno ne sprejema samo podatkovni znanstvenik, vendar se lahko znajde v situaciji, ko mora izbirati, kako delati s podatki glede na to, kako so shranjeni. + +Tukaj je nekaj vidikov sodobnih sistemov za shranjevanje podatkov, ki lahko vplivajo na te odločitve: + +**Na lokaciji proti zunaj lokacije ter javni ali zasebni oblak** + +Na lokaciji pomeni gostovanje in upravljanje podatkov na lastni opremi, kot je strežnik s trdimi diski, ki shranjujejo podatke, medtem ko zunaj lokacije pomeni zanašanje na opremo, ki ni v vaši lasti, kot je podatkovni center. Javni oblak je priljubljena izbira za shranjevanje podatkov, ki ne zahteva znanja o tem, kako ali kje so podatki natančno shranjeni, pri čemer "javni" pomeni enotno osnovno infrastrukturo, ki jo delijo vsi uporabniki oblaka. Nekatere organizacije imajo stroge varnostne politike, ki zahtevajo popoln dostop do opreme, kjer so podatki gostovani, in se bodo zanašale na zasebni oblak, ki zagotavlja lastne storitve oblaka. Več o podatkih v oblaku boste izvedeli v [kasnejših lekcijah](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud). + +**Hladni proti vročim podatkom** + +Ko trenirate svoje modele, boste morda potrebovali več učnih podatkov. Če ste zadovoljni s svojim modelom, bodo novi podatki še vedno prihajali, da bo model služil svojemu namenu. V vsakem primeru se bodo stroški shranjevanja in dostopa do podatkov povečali, ko jih boste kopičili. Ločevanje redko uporabljenih podatkov, znanih kot hladni podatki, od pogosto dostopanih vročih podatkov je lahko cenejša možnost shranjevanja podatkov prek strojne ali programske opreme. Če je treba dostopati do hladnih podatkov, lahko traja nekoliko dlje kot pri vročih podatkih. + +### Upravljanje podatkov + +Ko delate s podatki, lahko ugotovite, da je treba nekatere podatke očistiti z uporabo tehnik, obravnavanih v lekciji o [pripravi podatkov](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation), da zgradite natančne modele. Ko prispejo novi podatki, bodo potrebovali enake aplikacije za ohranjanje doslednosti kakovosti. Nekateri projekti bodo vključevali uporabo avtomatiziranega orodja za čiščenje, združevanje in stiskanje podatkov, preden se ti premaknejo na končno lokacijo. Azure Data Factory je primer enega od teh orodij. + +### Varovanje podatkov + +Eden glavnih ciljev varovanja podatkov je zagotoviti, da imajo tisti, ki z njimi delajo, nadzor nad tem, kaj se zbira in v kakšnem kontekstu se uporablja. Ohranjanje varnosti podatkov vključuje omejevanje dostopa le na tiste, ki ga potrebujejo, spoštovanje lokalnih zakonov in predpisov ter ohranjanje etičnih standardov, kot je obravnavano v [lekciji o etiki](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics). + +Tukaj je nekaj stvari, ki jih lahko ekipa naredi z mislijo na varnost: +- Preveri, da so vsi podatki šifrirani +- Strankam zagotovi informacije o tem, kako se njihovi podatki uporabljajo +- Odstrani dostop do podatkov tistim, ki so zapustili projekt +- Dovoli le določenim članom projekta spreminjanje podatkov + +## 🚀 Izziv + +Obstaja veliko različic življenjskega cikla podatkovne znanosti, kjer ima lahko vsak korak drugačna imena in število faz, vendar vsebujejo iste procese, omenjene v tej lekciji. + +Raziščite [življenjski cikel procesa podatkovne znanosti ekipe](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) in [standardni proces za rudarjenje podatkov v različnih industrijah](https://www.datascience-pm.com/crisp-dm-2/). Naštejte 3 podobnosti in razlike med obema. + +|Proces podatkovne znanosti ekipe (TDSP)|Standardni proces za rudarjenje podatkov v različnih industrijah (CRISP-DM)| +|--|--| +|![Življenjski cikel procesa podatkovne znanosti ekipe](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sl.png) | ![Slika procesa CRISP-DM](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sl.png) | +| Slika avtorja [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Slika avtorja [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) | + +## [Kviz po predavanju](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27) + +## Pregled in samostojno učenje + +Uporaba življenjskega cikla podatkovne znanosti vključuje več vlog in nalog, kjer se nekateri osredotočajo na določene dele vsake faze. Proces podatkovne znanosti ekipe ponuja nekaj virov, ki pojasnjujejo vrste vlog in nalog, ki jih ima lahko nekdo v projektu. + +* [Vloge in naloge procesa podatkovne znanosti ekipe](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [Izvajanje nalog podatkovne znanosti: raziskovanje, modeliranje in uvajanje](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## Naloga + +[Ocenjevanje nabora podatkov](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/sl/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..c4d5931a --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,37 @@ + +# Ocena podatkovnega nabora + +Stranka se je obrnila na vašo ekipo za pomoč pri preučevanju sezonskih navad porabe taksi strank v New Yorku. + +Želijo vedeti: **Ali potniki rumenih taksijev v New Yorku voznikom več napitnin dajejo pozimi ali poleti?** + +Vaša ekipa je v fazi [Zajemanja](Readme.md#Capturing) življenjskega cikla podatkovne znanosti, vi pa ste zadolženi za obdelavo podatkovnega nabora. Na voljo imate zvezek in [podatke](../../../../data/taxi.csv) za raziskovanje. + +V tej mapi je [zvezek](notebook.ipynb), ki uporablja Python za nalaganje podatkov o vožnjah rumenih taksijev iz [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). +Datoteko s podatki o taksijih lahko odprete tudi v urejevalniku besedil ali programski opremi za preglednice, kot je Excel. + +## Navodila + +- Ocenite, ali podatki v tem podatkovnem naboru lahko pomagajo odgovoriti na vprašanje. +- Raziščite [katalog odprtih podatkov NYC](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Identificirajte dodaten podatkovni nabor, ki bi lahko bil koristen pri odgovoru na vprašanje stranke. +- Napišite 3 vprašanja, ki bi jih zastavili stranki za več pojasnil in boljše razumevanje problema. + +Za več informacij o podatkih si oglejte [slovar podatkovnega nabora](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) in [uporabniški priročnik](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf). + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | --- + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/sl/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..c394baf1 --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,61 @@ + +# Življenjski cikel podatkovne znanosti: Analiza + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| Življenjski cikel podatkovne znanosti: Analiza - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +## Predavanje - kviz + +## [Predavanje - kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28) + +Analiza v življenjskem ciklu podatkov potrjuje, da lahko podatki odgovorijo na zastavljena vprašanja ali rešijo določen problem. Ta korak se osredotoča tudi na preverjanje, ali model pravilno naslavlja ta vprašanja in probleme. Ta lekcija je osredotočena na raziskovalno analizo podatkov (Exploratory Data Analysis ali EDA), ki vključuje tehnike za določanje značilnosti in odnosov znotraj podatkov ter pripravo podatkov za modeliranje. + +Uporabili bomo primer podatkovnega nabora s [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), da pokažemo, kako to uporabiti s Pythonom in knjižnico Pandas. Ta podatkovni nabor vsebuje število nekaterih pogostih besed, ki se pojavljajo v e-poštnih sporočilih, pri čemer so viri teh sporočil anonimni. Uporabite [zvezek](notebook.ipynb) v tej mapi za sledenje. + +## Raziskovalna analiza podatkov + +Faza zajema v življenjskem ciklu je tista, kjer se pridobijo podatki ter določijo problemi in vprašanja, vendar kako vemo, ali lahko podatki podprejo končni rezultat? +Spomnimo se, da si podatkovni znanstvenik lahko zastavi naslednja vprašanja, ko pridobi podatke: +- Ali imam dovolj podatkov za rešitev tega problema? +- Ali so podatki ustrezne kakovosti za ta problem? +- Če skozi te podatke odkrijem dodatne informacije, ali bi morali razmisliti o spremembi ali ponovni opredelitvi ciljev? + +Raziskovalna analiza podatkov je proces spoznavanja podatkov in se lahko uporabi za odgovore na ta vprašanja ter za prepoznavanje izzivov pri delu s podatkovnim naborom. Osredotočimo se na nekatere tehnike, ki se uporabljajo za dosego tega. + +## Profiliranje podatkov, opisna statistika in Pandas +Kako oceniti, ali imamo dovolj podatkov za rešitev problema? Profiliranje podatkov lahko povzame in zbere splošne informacije o našem podatkovnem naboru s tehnikami opisne statistike. Profiliranje podatkov nam pomaga razumeti, kaj imamo na voljo, opisna statistika pa nam pomaga razumeti, koliko stvari imamo na voljo. + +V nekaj prejšnjih lekcijah smo uporabili Pandas za zagotavljanje opisne statistike z uporabo funkcije [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Ta funkcija zagotavlja število, največje in najmanjše vrednosti, povprečje, standardni odklon in kvantile za numerične podatke. Uporaba opisne statistike, kot je funkcija `describe()`, vam lahko pomaga oceniti, koliko podatkov imate in ali jih potrebujete več. + +## Vzorčenje in poizvedovanje +Raziskovanje vsega v velikem podatkovnem naboru je lahko zelo zamudno in naloga, ki jo običajno prepustimo računalniku. Vendar pa je vzorčenje koristno orodje za razumevanje podatkov in nam omogoča boljše razumevanje, kaj je v podatkovnem naboru in kaj predstavlja. Z vzorcem lahko uporabite verjetnost in statistiko za oblikovanje splošnih zaključkov o svojih podatkih. Čeprav ni določenega pravila o tem, koliko podatkov bi morali vzorčiti, je pomembno opozoriti, da več kot vzorčite, natančnejše posplošitve lahko naredite o podatkih. + +Pandas ima funkcijo [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), kjer lahko podate argument, koliko naključnih vzorcev želite prejeti in uporabiti. + +Splošno poizvedovanje podatkov vam lahko pomaga odgovoriti na splošna vprašanja in teorije, ki jih imate. V nasprotju z vzorčenjem vam poizvedbe omogočajo nadzor in osredotočanje na specifične dele podatkov, o katerih imate vprašanja. Funkcija [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) v knjižnici Pandas vam omogoča izbiro stolpcev in pridobivanje preprostih odgovorov o podatkih prek pridobljenih vrstic. + +## Raziskovanje z vizualizacijami +Ni vam treba čakati, da so podatki temeljito očiščeni in analizirani, da začnete ustvarjati vizualizacije. Pravzaprav lahko vizualna predstavitev med raziskovanjem pomaga prepoznati vzorce, odnose in težave v podatkih. Poleg tega vizualizacije omogočajo komunikacijo s tistimi, ki niso vključeni v upravljanje podatkov, in so lahko priložnost za deljenje in pojasnjevanje dodatnih vprašanj, ki niso bila obravnavana v fazi zajema. Oglejte si [oddelek o vizualizacijah](../../../../../../../../../3-Data-Visualization), da izveste več o nekaterih priljubljenih načinih vizualnega raziskovanja. + +## Raziskovanje za prepoznavanje nedoslednosti +Vse teme v tej lekciji lahko pomagajo prepoznati manjkajoče ali nedosledne vrednosti, vendar Pandas ponuja funkcije za preverjanje nekaterih od teh. Funkciji [isna() ali isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) lahko preverita manjkajoče vrednosti. Pomemben del raziskovanja teh vrednosti v vaših podatkih je raziskovanje, zakaj so se sploh pojavile. To vam lahko pomaga odločiti, katere [ukrepe sprejeti za njihovo rešitev](/2-Working-With-Data/08-data-preparation/notebook.ipynb). + +## [Predavanje - kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27) + +## Naloga + +[Raziskovanje za odgovore](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/sl/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..121a91c1 --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,36 @@ + +# Iskanje odgovorov + +To je nadaljevanje [naloge](../14-Introduction/assignment.md) iz prejšnje lekcije, kjer smo na kratko pregledali podatkovni niz. Zdaj bomo podatke podrobneje analizirali. + +Vprašanje, na katerega želi stranka dobiti odgovor: **Ali potniki rumenih taksijev v New Yorku voznikom dajejo več napitnin pozimi ali poleti?** + +Vaša ekipa je v fazi [Analiza](README.md) življenjskega cikla podatkovne znanosti, kjer ste odgovorni za izvedbo raziskovalne analize podatkov na danem naboru podatkov. Na voljo imate zvezek in podatkovni niz, ki vsebuje 200 taksi transakcij iz januarja in julija 2019. + +## Navodila + +V tej mapi se nahajata [zvezek](assignment.ipynb) in podatki Komisije za taksije in limuzine ([Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets)). Za več informacij o podatkih si oglejte [slovar podatkov](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) in [uporabniški priročnik](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf). + +Uporabite nekatere tehnike iz te lekcije za izvedbo lastne raziskovalne analize podatkov v zvezku (po potrebi dodajte celice) in odgovorite na naslednja vprašanja: + +- Katere druge vplive v podatkih bi lahko upoštevali pri analizi zneska napitnin? +- Katere stolpce najverjetneje ne boste potrebovali za odgovor na vprašanja stranke? +- Glede na doslej pridobljene podatke, ali ti kažejo kakršne koli dokaze o sezonskem vedenju pri dajanju napitnin? + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | --- + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/16-communication/README.md b/translations/sl/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..aeb0e432 --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,222 @@ + +# Življenjski cikel podatkovne znanosti: Komunikacija + +|![ Skica avtorja [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)| +|:---:| +| Življenjski cikel podatkovne znanosti: Komunikacija - _Skica avtorja [@nitya](https://twitter.com/nitya)_ | + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30) + +Preverite svoje znanje o tem, kar sledi, s predhodnim kvizom zgoraj! + +# Uvod + +### Kaj je komunikacija? +Začnimo to lekcijo z definicijo komunikacije. **Komunicirati pomeni prenašati ali izmenjevati informacije.** Informacije so lahko ideje, misli, občutki, sporočila, prikriti signali, podatki – karkoli, kar želi **_pošiljatelj_** (nekdo, ki pošilja informacije) prenesti **_prejemniku_** (nekdo, ki prejema informacije). V tej lekciji bomo pošiljatelje imenovali komunikatorji, prejemnike pa občinstvo. + +### Komunikacija podatkov in pripovedovanje zgodb +Razumemo, da je cilj komunikacije prenašanje ali izmenjava informacij. Toda pri komunikaciji podatkov vaš cilj ne bi smel biti zgolj posredovanje številk občinstvu. Vaš cilj bi moral biti pripovedovanje zgodbe, ki temelji na vaših podatkih – učinkovita komunikacija podatkov in pripovedovanje zgodb gresta z roko v roki. Vaše občinstvo si bo bolj verjetno zapomnilo zgodbo, ki jo poveste, kot pa številko, ki jo navedete. Kasneje v tej lekciji bomo predstavili nekaj načinov, kako lahko s pripovedovanjem zgodb učinkoviteje komunicirate svoje podatke. + +### Vrste komunikacije +V tej lekciji bomo obravnavali dve različni vrsti komunikacije: enosmerno komunikacijo in dvosmerno komunikacijo. + +**Enosmerna komunikacija** se zgodi, ko pošiljatelj pošlje informacije prejemniku, ne da bi prejel povratne informacije ali odziv. Primere enosmerne komunikacije vidimo vsak dan – v množičnih e-poštnih sporočilih, ko novice poročajo o najnovejših dogodkih, ali ko televizijski oglas predstavi, zakaj je njihov izdelek odličen. V teh primerih pošiljatelj ne išče izmenjave informacij, temveč želi zgolj posredovati informacije. + +**Dvosmerna komunikacija** se zgodi, ko vse vključene strani delujejo kot pošiljatelji in prejemniki. Pošiljatelj začne s komunikacijo s prejemnikom, prejemnik pa poda povratne informacije ali odziv. Dvosmerna komunikacija je tisto, kar običajno mislimo, ko govorimo o komunikaciji. Običajno si predstavljamo ljudi, ki se pogovarjajo – bodisi osebno, po telefonu, na družbenih omrežjih ali prek sporočil. + +Pri komunikaciji podatkov bodo primeri, ko boste uporabljali enosmerno komunikacijo (na primer predstavitev na konferenci ali veliki skupini, kjer vprašanja ne bodo postavljena neposredno po predstavitvi), in primeri, ko boste uporabljali dvosmerno komunikacijo (na primer pri prepričevanju nekaj ključnih deležnikov za podporo ali pri prepričevanju sodelavca, da je vredno vložiti čas in trud v razvoj nečesa novega). + +# Učinkovita komunikacija + +### Vaše odgovornosti kot komunikatorja +Ko komunicirate, je vaša naloga zagotoviti, da prejemnik(i) razumejo informacije, ki jih želite posredovati. Ko komunicirate podatke, ne želite, da si prejemniki zapomnijo zgolj številke, temveč zgodbo, ki temelji na vaših podatkih. Dober komunikator podatkov je dober pripovedovalec zgodb. + +Kako pripovedovati zgodbo s podatki? Obstaja neskončno načinov – spodaj je 6, o katerih bomo govorili v tej lekciji. +1. Razumeti svoje občinstvo, svoj kanal in svojo metodo komunikacije +2. Začeti z mislijo na cilj +3. Pristopiti kot k pravi zgodbi +4. Uporabljati smiselne besede in fraze +5. Uporabljati čustva + +Vsaka od teh strategij je podrobneje razložena spodaj. + +### 1. Razumeti svoje občinstvo, svoj kanal in svojo metodo komunikacije +Način, kako komunicirate z družinskimi člani, je verjetno drugačen od načina, kako komunicirate s prijatelji. Verjetno uporabljate različne besede in fraze, ki jih ljudje, s katerimi govorite, lažje razumejo. Enak pristop bi morali uporabiti pri komunikaciji podatkov. Razmislite, komu komunicirate. Razmislite o njihovih ciljih in kontekstu, ki ga imajo glede situacije, ki jim jo razlagate. + +Večino svojega občinstva lahko verjetno razvrstite v eno od kategorij. V članku _Harvard Business Review_, “[How to Tell a Story with Data](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)” (Kako pripovedovati zgodbo s podatki), Dellov strateški svetovalec Jim Stikeleather identificira pet kategorij občinstva. + + - **Začetnik**: prvi stik s temo, vendar ne želi pretiranega poenostavljanja + - **Splošni uporabnik**: seznanjen s temo, vendar išče pregled in glavne teme + - **Vodja**: poglobljeno, uporabno razumevanje podrobnosti in medsebojnih povezav z dostopom do podrobnosti + - **Strokovnjak**: več raziskovanja in odkrivanja, manj pripovedovanja zgodb, z veliko podrobnostmi + - **Direktor**: ima čas le za razumevanje pomena in zaključkov tehtanih verjetnosti + +Te kategorije lahko vplivajo na način, kako predstavite podatke svojemu občinstvu. + +Poleg razmišljanja o kategoriji svojega občinstva bi morali razmisliti tudi o kanalu, ki ga uporabljate za komunikacijo. Vaš pristop bi moral biti nekoliko drugačen, če pišete dopis ali e-pošto, v primerjavi s sestankom ali predstavitvijo na konferenci. + +Poleg razumevanja svojega občinstva je ključno tudi vedeti, kako boste komunicirali z njimi (z uporabo enosmerne ali dvosmerne komunikacije). + +Če komunicirate z večinoma začetniškim občinstvom in uporabljate enosmerno komunikacijo, morate najprej izobraziti občinstvo in jim dati ustrezen kontekst. Nato jim morate predstaviti svoje podatke, razložiti njihov pomen in zakaj so pomembni. V tem primeru se boste morda želeli osredotočiti na jasnost, saj vaše občinstvo ne bo moglo postavljati neposrednih vprašanj. + +Če komunicirate z večinoma vodstvenim občinstvom in uporabljate dvosmerno komunikacijo, verjetno ne boste potrebovali izobraževanja občinstva ali zagotavljanja veliko konteksta. Morda boste lahko takoj prešli na razpravo o zbranih podatkih in njihovem pomenu. V tem scenariju pa bi se morali osredotočiti na časovno usklajenost in nadzor nad svojo predstavitvijo. Pri dvosmerni komunikaciji (zlasti z vodstvenim občinstvom, ki išče "uporabno razumevanje podrobnosti in medsebojnih povezav z dostopom do podrobnosti") se lahko med interakcijo pojavijo vprašanja, ki lahko razpravo usmerijo v smer, ki ni povezana z zgodbo, ki jo želite povedati. Ko se to zgodi, lahko ukrepate in razpravo usmerite nazaj na svojo zgodbo. + +### 2. Začeti z mislijo na cilj +Začeti z mislijo na cilj pomeni razumeti, kaj želite, da si vaše občinstvo zapomni, še preden začnete komunicirati z njimi. Premišljenost o tem, kaj želite, da si občinstvo zapomni, vam lahko pomaga oblikovati zgodbo, ki jo bodo lahko sledili. Začeti z mislijo na cilj je primerno tako za enosmerno kot dvosmerno komunikacijo. + +Kako začeti z mislijo na cilj? Preden komunicirate svoje podatke, si zapišite ključne točke, ki jih želite posredovati. Nato se na vsakem koraku, ko pripravljate zgodbo, ki jo želite povedati s svojimi podatki, vprašajte: "Kako se to vključuje v zgodbo, ki jo pripovedujem?" + +Bodite pozorni – čeprav je začetek z mislijo na cilj idealen, ne želite komunicirati le podatkov, ki podpirajo vaše ključne točke. To se imenuje selektivno izbiranje podatkov, kar pomeni, da komunikator posreduje le podatke, ki podpirajo njegovo stališče, in ignorira vse ostale podatke. + +Če vsi zbrani podatki jasno podpirajo vaše ključne točke, odlično. Če pa obstajajo podatki, ki ne podpirajo vaših ključnih točk ali celo podpirajo nasprotni argument, bi morali te podatke prav tako komunicirati. Če se to zgodi, bodite iskreni s svojim občinstvom in jim povejte, zakaj se kljub temu odločate držati svoje zgodbe, čeprav vsi podatki ne podpirajo vaših ključnih točk. + +### 3. Pristopiti kot k pravi zgodbi +Tradicionalna zgodba poteka v 5 fazah. Morda ste te faze že slišali kot Uvod, Naraščajoče dogajanje, Vrhunec, Padajoče dogajanje in Razplet. Ali pa kot lažje zapomnljive faze: Kontekst, Konflikt, Vrhunec, Razrešitev, Zaključek. Pri komunikaciji svojih podatkov in zgodbe lahko uporabite podoben pristop. + +Začnete lahko s kontekstom, postavite prizorišče in poskrbite, da je vaše občinstvo na isti strani. Nato predstavite konflikt. Zakaj ste morali zbrati te podatke? Katere težave ste želeli rešiti? Nato pride vrhunec. Kaj so podatki? Kaj pomenijo? Katere rešitve nam podatki predlagajo? Nato pridete do razrešitve, kjer lahko ponovite težavo in predlagane rešitve. Na koncu pridete do zaključka, kjer lahko povzamete ključne točke in priporočite naslednje korake, ki jih mora ekipa sprejeti. + +### 4. Uporabljati smiselne besede in fraze +Če bi delala skupaj na projektu in bi vam rekla: "Naši uporabniki potrebujejo dolgo časa, da se prijavijo na našo platformo," koliko časa bi ocenili, da je "dolgo časa"? Uro? Teden? Težko je vedeti. Kaj pa, če bi to rekla celotnemu občinstvu? Vsak v občinstvu bi si lahko predstavljal drugačen čas, ki ga uporabniki potrebujejo za prijavo. + +Namesto tega, kaj če bi rekla: "Naši uporabniki v povprečju potrebujejo 3 minute, da se prijavijo in začnejo uporabljati našo platformo." + +To sporočilo je bolj jasno. Pri komunikaciji podatkov je lahko enostavno misliti, da vsi v vašem občinstvu razmišljajo enako kot vi. Toda to ni vedno res. Jasnost pri podatkih in njihovem pomenu je ena vaših odgovornosti kot komunikatorja. Če podatki ali vaša zgodba niso jasni, bo vaše občinstvo težko sledilo in manj verjetno je, da bodo razumeli vaše ključne točke. + +Podatke lahko komunicirate bolj jasno, če uporabljate smiselne besede in fraze namesto nejasnih. Spodaj je nekaj primerov. + + - Imeli smo *impresivno* leto! + - Ena oseba bi lahko mislila, da impresivno pomeni 2% - 3% povečanje prihodkov, druga pa 50% - 60%. + - Uspešnost naših uporabnikov se je *drastično* povečala. + - Kako veliko povečanje je drastično povečanje? + - Ta projekt bo zahteval *znatne* napore. + - Koliko napora je znatno? + +Uporaba nejasnih besed je lahko koristna kot uvod v več podatkov, ki prihajajo, ali kot povzetek zgodbe, ki ste jo pravkar povedali. Vendar razmislite o tem, da bi zagotovili, da je vsak del vaše predstavitve jasen za vaše občinstvo. + +### 5. Uporabljati čustva +Čustva so ključna pri pripovedovanju zgodb. Še bolj pomembna so, ko pripovedujete zgodbo s podatki. Ko komunicirate podatke, je vse osredotočeno na ključne točke, ki jih želite, da si vaše občinstvo zapomni. Ko pri občinstvu vzbudite čustva, jim pomagate, da se poistovetijo, in povečate verjetnost, da bodo ukrepali. Čustva prav tako povečajo verjetnost, da si bo občinstvo zapomnilo vaše sporočilo. + +To ste morda že doživeli pri televizijskih oglasih. Nekateri oglasi so zelo žalostni in uporabljajo žalostna čustva, da se povežejo s svojim občinstvom in poudarijo podatke, ki jih predstavljajo. Drugi oglasi so zelo veseli in optimistični ter vas morda povežejo s podatki na pozitiven način. + +Kako uporabiti čustva pri komunikaciji podatkov? Spodaj je nekaj načinov. + + - Uporabljajte pričevanja in osebne zgodbe + - Pri zbiranju podatkov poskusite zbrati tako kvantitativne kot kvalitativne podatke in vključite obe vrsti podatkov pri komunikaciji. Če so vaši podatki večinoma kvantitativni, poiščite zgodbe posameznikov, da izveste več o njihovih izkušnjah z vašimi podatki. + - Uporabljajte slike + - Slike pomagajo občinstvu, da se vidi v določeni situaciji. Ko uporabljate slike, lahko občinstvo usmerite k čustvu, za katerega menite, da bi ga morali imeti glede vaših podatkov. + - Uporabljajte barve + - Različne barve vzbujajo različna čustva. Priljubljene barve in čustva, ki jih vzbujajo, so spodaj. Bodite pozorni, da imajo barve lahko različne pomene v različnih kulturah. + - Modra običajno vzbuja občutke miru in zaupanja + - Zelena je običajno povezana z naravo in okoljem + - Rdeča običajno pomeni strast in navdušenje + - Rumena običajno pomeni optimizem in srečo + +# Študija primera komunikacije +Emerson je produktni vodja za mobilno aplikacijo. Emerson je opazil, da stranke ob koncih tedna oddajo 42% več pritožb in poročil o napakah. Prav tako je opazil, da so stranke, ki oddajo pritožbo, na katero ni odgovorjeno v 48 urah, 32% bolj verjetno, da bodo aplikaciji dale oceno 1 ali 2 v trgovini z aplikacijami. + +Po raziskavi ima Emerson nekaj rešitev, ki bodo naslovile težavo. Emerson organizira 30-minutni sestanek s tremi vodji podjetja, da predstavi podatke in predlagane rešitve. + +Cilj tega sestanka je, da vodje podjetja razumejo, da lahko spodnji dve rešitvi izboljšata oceno aplikacije, kar bo verjetno prineslo večji prihodek. + +**Rešitev 1.** Zaposliti predstavnike za podporo strankam, ki bodo delali ob koncih tedna + +**Rešitev 2.** Kupiti nov sistem za obravnavo zahtevkov za podporo strankam, kjer bodo predstavniki za podporo strankam lahko enostavno prepoznali, katere pritožbe so najdlje v čakalni vrsti – da bodo vedeli, katere obravnavati najprej. +Na sestanku Emerson porabi 5 minut za razlago, zakaj je nizka ocena v trgovini z aplikacijami slaba, 10 minut za razlago raziskovalnega procesa in kako so bile ugotovljene trende, 10 minut za pregled nekaterih nedavnih pritožb strank, zadnjih 5 minut pa na hitro predstavi 2 možni rešitvi. + +Je bil to učinkovit način, da je Emerson komuniciral na tem sestanku? + +Med sestankom se je eden od vodij podjetja osredotočil na 10 minut pritožb strank, ki jih je Emerson predstavil. Po sestanku so bile te pritožbe edina stvar, ki si jo je ta vodja zapomnil. Drugi vodja podjetja se je predvsem osredotočil na Emersonovo razlago raziskovalnega procesa. Tretji vodja podjetja se je sicer spomnil predlaganih rešitev, vendar ni bil prepričan, kako bi te rešitve lahko implementirali. + +V zgornji situaciji lahko vidimo, da je prišlo do velikega razkoraka med tem, kar je Emerson želel, da si vodje zapomnijo, in tem, kar so si dejansko zapomnili. Spodaj je predstavljen drug pristop, ki bi ga Emerson lahko upošteval. + +Kako bi lahko Emerson izboljšal ta pristop? +Kontekst, Konflikt, Vrhunec, Zaključek, Sklep +**Kontekst** – Emerson bi lahko prvih 5 minut porabil za uvod v celotno situacijo in poskrbel, da vodje razumejo, kako težave vplivajo na ključne metrike podjetja, kot je prihodek. + +To bi lahko predstavil takole: "Trenutno je ocena naše aplikacije v trgovini z aplikacijami 2,5. Ocene v trgovini z aplikacijami so ključne za optimizacijo aplikacij v trgovini, kar vpliva na to, koliko uporabnikov vidi našo aplikacijo v iskanju in kako potencialni uporabniki dojemajo našo aplikacijo. In seveda, število uporabnikov je neposredno povezano s prihodki." + +**Konflikt** Emerson bi nato lahko naslednjih 5 minut govoril o konfliktu. + +To bi lahko povedal takole: "Uporabniki oddajo 42 % več pritožb in poročil o napakah ob koncih tedna. Stranke, ki oddajo pritožbo, ki ostane neodgovorjena več kot 48 ur, imajo 32 % manj možnosti, da naši aplikaciji dajo oceno višjo od 2 v trgovini z aplikacijami. Izboljšanje ocene naše aplikacije v trgovini na 4 bi izboljšalo našo vidnost za 20–30 %, kar bi po mojih projekcijah povečalo prihodke za 10 %." Seveda bi moral Emerson biti pripravljen utemeljiti te številke. + +**Vrhunec** Po postavitvi temeljev bi Emerson lahko prešel na vrhunec za približno 5 minut. + +Emerson bi lahko predstavil predlagane rešitve, pojasnil, kako bodo te rešitve naslovile opisane težave, kako bi jih lahko vključili v obstoječe delovne procese, koliko bi te rešitve stale, kakšen bi bil njihov donos na investicijo (ROI), in morda celo pokazal nekaj posnetkov zaslona ali osnutkov, kako bi te rešitve izgledale, če bi bile implementirane. Emerson bi lahko delil tudi izjave uporabnikov, katerih pritožbe so bile rešene po več kot 48 urah, in celo izjavo trenutnega predstavnika službe za stranke v podjetju, ki bi komentiral trenutni sistem za obravnavo zahtevkov. + +**Zaključek** Zdaj bi Emerson lahko porabil 5 minut za ponovitev težav, s katerimi se podjetje sooča, ponovno predstavil predlagane rešitve in pregledal, zakaj so te rešitve prave. + +**Sklep** Ker gre za sestanek z nekaj ključnimi deležniki, kjer bo uporabljena dvosmerna komunikacija, bi Emerson lahko načrtoval, da pusti 10 minut za vprašanja, da se prepriča, da je vse, kar je bilo nejasno, pojasnjeno, preden se sestanek zaključi. + +Če bi Emerson uporabil pristop #2, bi bilo veliko bolj verjetno, da bi si vodje s sestanka odnesli točno tisto, kar je Emerson želel – da bi se način obravnave pritožb in napak lahko izboljšal in da obstajata 2 rešitvi, ki bi lahko omogočili to izboljšavo. Ta pristop bi bil veliko bolj učinkovit način za komunikacijo podatkov in zgodbe, ki jo želi Emerson predstaviti. + +# Sklep +### Povzetek glavnih točk +- Komunicirati pomeni posredovati ali izmenjevati informacije. +- Pri komuniciranju podatkov vaš cilj ne bi smel biti zgolj posredovanje številk občinstvu. Vaš cilj bi moral biti predstaviti zgodbo, ki jo podatki podpirajo. +- Obstajata 2 vrsti komunikacije: Enosmerna komunikacija (informacije se posredujejo brez namena odgovora) in Dvosmerna komunikacija (informacije se izmenjujejo v obe smeri). +- Obstaja veliko strategij za pripovedovanje zgodbe s podatki, 5 strategij, ki smo jih obravnavali, so: + - Razumeti svoje občinstvo, medij in način komunikacije + - Začeti z mislijo na cilj + - Pristopiti k temu kot k dejanski zgodbi + - Uporabiti smiselne besede in fraze + - Uporabiti čustva + +### Priporočeni viri za samostojno učenje +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31) + +Preverite, kaj ste se naučili, s kvizom po predavanju zgoraj! + +## Naloga + +[Tržne raziskave](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/sl/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..a8b54785 --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,26 @@ + +# Povej zgodbo + +## Navodila + +Podatkovna znanost temelji na pripovedovanju zgodb. Izberite katerikoli nabor podatkov in napišite kratko razpravo o zgodbi, ki bi jo lahko povedali z njim. Kaj upate, da bo vaš nabor podatkov razkril? Kaj boste storili, če se izkaže, da so njegova razkritja problematična? Kaj, če vaši podatki ne razkrijejo svojih skrivnosti zlahka? Razmislite o scenarijih, ki jih lahko predstavi vaš nabor podatkov, in jih zapišite. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebno izboljšanje +--- | --- | -- | + +Esej na eni strani je predstavljen v .doc formatu, nabor podatkov je pojasnjen, dokumentiran, naveden in predstavljena je koherentna zgodba z natančnimi primeri iz podatkov.| Kratkejši esej je predstavljen v manj podrobni obliki | Esej ne vsebuje enega ali več zgoraj navedenih elementov. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/4-Data-Science-Lifecycle/README.md b/translations/sl/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..feb4fb35 --- /dev/null +++ b/translations/sl/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,30 @@ + +# Življenjski cikel podatkovne znanosti + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sl.jpg) +> Fotografija avtorja Headway na Unsplash + +V teh lekcijah boste raziskali nekatere vidike življenjskega cikla podatkovne znanosti, vključno z analizo in komunikacijo podatkov. + +### Teme + +1. [Uvod](14-Introduction/README.md) +2. [Analiza](15-analyzing/README.md) +3. [Komunikacija](16-communication/README.md) + +### Zasluge + +Te lekcije so bile napisane z ❤️ avtorjev [Jalen McGee](https://twitter.com/JalenMCG) in [Jasmine Greenaway](https://twitter.com/paladique) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne odgovarjamo za morebitne nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/sl/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..542a2e5d --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,114 @@ + +# Uvod v podatkovno znanost v oblaku + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| Podatkovna znanost v oblaku: Uvod - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +V tej lekciji boste spoznali osnovna načela oblaka, nato pa boste videli, zakaj je lahko zanimivo uporabljati storitve v oblaku za izvajanje projektov podatkovne znanosti. Ogledali si bomo tudi nekaj primerov projektov podatkovne znanosti, ki se izvajajo v oblaku. + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32) + +## Kaj je oblak? + +Oblak oziroma računalništvo v oblaku je dostava širokega nabora storitev računalništva, ki se plačujejo po porabi in so gostovane na infrastrukturi prek interneta. Storitve vključujejo rešitve, kot so shranjevanje, baze podatkov, omrežja, programska oprema, analitika in inteligentne storitve. + +Običajno ločimo javni, zasebni in hibridni oblak, kot sledi: + +* Javni oblak: javni oblak je v lasti in upravljanju tretjega ponudnika storitev v oblaku, ki svoje računalniške vire prek interneta dostavlja javnosti. +* Zasebni oblak: nanaša se na računalniške vire v oblaku, ki jih uporablja izključno eno podjetje ali organizacija, pri čemer so storitve in infrastruktura vzdrževane na zasebnem omrežju. +* Hibridni oblak: hibridni oblak je sistem, ki združuje javne in zasebne oblake. Uporabniki se odločijo za lokalni podatkovni center, hkrati pa omogočajo, da se podatki in aplikacije izvajajo na enem ali več javnih oblakih. + +Večina storitev računalništva v oblaku spada v tri kategorije: infrastruktura kot storitev (IaaS), platforma kot storitev (PaaS) in programska oprema kot storitev (SaaS). + +* Infrastruktura kot storitev (IaaS): uporabniki najamejo IT infrastrukturo, kot so strežniki in virtualni stroji (VM), shranjevanje, omrežja, operacijski sistemi. +* Platforma kot storitev (PaaS): uporabniki najamejo okolje za razvoj, testiranje, dostavo in upravljanje programske opreme. Uporabnikom ni treba skrbeti za nastavitev ali upravljanje osnovne infrastrukture strežnikov, shranjevanja, omrežja in baz podatkov, potrebnih za razvoj. +* Programska oprema kot storitev (SaaS): uporabniki dobijo dostop do programske opreme prek interneta, na zahtevo in običajno na podlagi naročnine. Uporabnikom ni treba skrbeti za gostovanje in upravljanje programske opreme, osnovne infrastrukture ali vzdrževanje, kot so posodobitve programske opreme in varnostni popravki. + +Nekateri največji ponudniki storitev v oblaku so Amazon Web Services, Google Cloud Platform in Microsoft Azure. + +## Zakaj izbrati oblak za podatkovno znanost? + +Razvijalci in IT strokovnjaki se odločajo za delo z oblakom iz več razlogov, med drugim: + +* Inovacije: svoje aplikacije lahko poganjate z vključevanjem inovativnih storitev, ki jih ustvarijo ponudniki oblaka, neposredno v svoje aplikacije. +* Prilagodljivost: plačate samo za storitve, ki jih potrebujete, in lahko izbirate med širokim naborom storitev. Običajno plačujete sproti in prilagajate storitve glede na svoje spreminjajoče se potrebe. +* Proračun: ni vam treba vlagati v nakup strojne in programske opreme, vzpostavitev in upravljanje lokalnih podatkovnih centrov; preprosto plačate za tisto, kar uporabljate. +* Skalabilnost: vaši viri se lahko prilagajajo potrebam vašega projekta, kar pomeni, da lahko vaše aplikacije uporabljajo več ali manj računalniške moči, shranjevanja in pasovne širine, odvisno od zunanjih dejavnikov v danem trenutku. +* Produktivnost: osredotočite se lahko na svoje poslovanje, namesto da bi izgubljali čas z nalogami, ki jih lahko upravlja nekdo drug, kot je upravljanje podatkovnih centrov. +* Zanesljivost: računalništvo v oblaku ponuja več načinov za neprekinjeno varnostno kopiranje vaših podatkov, poleg tega pa lahko vzpostavite načrte za obnovo po katastrofi, da ohranite svoje poslovanje in storitve tudi v kriznih časih. +* Varnost: izkoristite lahko politike, tehnologije in nadzore, ki krepijo varnost vašega projekta. + +To so nekateri najpogostejši razlogi, zakaj se ljudje odločajo za uporabo storitev v oblaku. Zdaj, ko bolje razumemo, kaj je oblak in kakšne so njegove glavne prednosti, si poglejmo bolj specifično delo podatkovnih znanstvenikov in razvijalcev, ki delajo s podatki, ter kako jim oblak lahko pomaga pri različnih izzivih: + +* Shranjevanje velikih količin podatkov: namesto da bi kupovali, upravljali in varovali velike strežnike, lahko podatke shranjujete neposredno v oblaku, z rešitvami, kot so Azure Cosmos DB, Azure SQL Database in Azure Data Lake Storage. +* Izvajanje integracije podatkov: integracija podatkov je bistveni del podatkovne znanosti, ki omogoča prehod od zbiranja podatkov do ukrepanja. S storitvami za integracijo podatkov, ki jih ponuja oblak, lahko zbirate, preoblikujete in integrirate podatke iz različnih virov v eno podatkovno skladišče, z Data Factory. +* Obdelava podatkov: obdelava velikih količin podatkov zahteva veliko računalniške moči, do katere nimajo vsi dostopa, zato se mnogi odločijo za neposredno uporabo ogromne računalniške moči oblaka za izvajanje in uvajanje svojih rešitev. +* Uporaba storitev analitike podatkov: storitve v oblaku, kot so Azure Synapse Analytics, Azure Stream Analytics in Azure Databricks, vam pomagajo pretvoriti podatke v uporabne vpoglede. +* Uporaba storitev strojnega učenja in podatkovne inteligence: namesto da začnete od začetka, lahko uporabite algoritme strojnega učenja, ki jih ponuja ponudnik oblaka, s storitvami, kot je AzureML. Uporabite lahko tudi kognitivne storitve, kot so pretvorba govora v besedilo, besedila v govor, računalniški vid in več. + +## Primeri podatkovne znanosti v oblaku + +Poglejmo si nekaj scenarijev, da bo to bolj konkretno. + +### Analiza sentimenta na družbenih omrežjih v realnem času +Začeli bomo s scenarijem, ki ga pogosto preučujejo ljudje, ki se začenjajo ukvarjati s strojnim učenjem: analiza sentimenta na družbenih omrežjih v realnem času. + +Recimo, da upravljate spletno stran z novicami in želite izkoristiti podatke v živo, da bi razumeli, kakšna vsebina bi lahko zanimala vaše bralce. Da bi izvedeli več o tem, lahko ustvarite program, ki izvaja analizo sentimenta v realnem času na podatkih iz objav na Twitterju, o temah, ki so relevantne za vaše bralce. + +Ključni kazalniki, ki jih boste preučevali, so obseg tvitov o določenih temah (hashtagih) in sentiment, ki se določi z analitičnimi orodji za analizo sentimenta okoli določenih tem. + +Koraki, potrebni za ustvarjanje tega projekta, so naslednji: + +* Ustvarite vozlišče dogodkov za pretok vhodnih podatkov, ki bo zbiralo podatke s Twitterja. +* Konfigurirajte in zaženite aplikacijo za Twitter odjemalca, ki bo klicala Twitter Streaming API-je. +* Ustvarite Stream Analytics nalogo. +* Določite vhod in poizvedbo za nalogo. +* Ustvarite izhodno destinacijo in določite izhod za nalogo. +* Zaženite nalogo. + +Celoten postopek si lahko ogledate v [dokumentaciji](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099). + +### Analiza znanstvenih člankov +Poglejmo si še en primer projekta, ki ga je ustvaril [Dmitry Soshnikov](http://soshnikov.com), eden od avtorjev tega učnega načrta. + +Dmitry je ustvaril orodje za analizo člankov o COVID-u. S pregledom tega projekta boste videli, kako lahko ustvarite orodje, ki iz znanstvenih člankov pridobiva znanje, pridobiva vpoglede in pomaga raziskovalcem učinkovito navigirati skozi velike zbirke člankov. + +Poglejmo si različne korake, uporabljene za to: + +* Pridobivanje in predobdelava informacij z [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Uporaba [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) za paralelizacijo obdelave. +* Shranjevanje in poizvedovanje informacij z [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Ustvarjanje interaktivne nadzorne plošče za raziskovanje in vizualizacijo podatkov z uporabo Power BI. + +Celoten postopek si lahko ogledate na [Dmitryjevem blogu](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). + +Kot vidite, lahko storitve v oblaku na različne načine izkoristimo za izvajanje podatkovne znanosti. + +## Opomba + +Viri: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## Kviz po predavanju + +[Kviz po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33) + +## Naloga + +[Tržna raziskava](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/sl/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..b36303d0 --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,25 @@ + +# Raziskava trga + +## Navodila + +V tej lekciji ste se naučili, da obstaja več pomembnih ponudnikov oblačnih storitev. Opravite raziskavo trga, da odkrijete, kaj lahko vsak od njih ponudi podatkovnemu znanstveniku. Ali so ponudbe primerljive? Napišite prispevek, v katerem opišete ponudbe treh ali več teh ponudnikov oblačnih storitev. + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebne izboljšave +--- | --- | --- | +Enostranski prispevek opisuje ponudbe treh ponudnikov oblačnih storitev za podatkovno znanost in jih med seboj razlikuje. | Predstavljen je krajši prispevek. | Prispevek je predstavljen brez dokončane analize. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/sl/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..545fc89a --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,347 @@ + +# Podatkovna znanost v oblaku: Način "Low code/No code" + +|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| Podatkovna znanost v oblaku: Low Code - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +Kazalo: + +- [Podatkovna znanost v oblaku: Način "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Predhodni kviz](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. Uvod](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 Kaj je Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 Projekt napovedovanja srčnega popuščanja:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 Podatkovni niz srčnega popuščanja:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. Usposabljanje modela z nizko kodo/brez kode v Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 Ustvarjanje delovnega prostora Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 Računalniški viri](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 Izbira pravih možnosti za računalniške vire](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 Ustvarjanje računalniškega grozda](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 Nalaganje podatkovnega niza](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 Usposabljanje z nizko kodo/brez kode z AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. Namestitev modela z nizko kodo/brez kode in uporaba končne točke](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 Namestitev modela](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 Uporaba končne točke](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 Izziv](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Kvizi po predavanju](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Pregled in samostojno učenje](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Naloga](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34) +## 1. Uvod +### 1.1 Kaj je Azure Machine Learning? + +Azure je oblačna platforma z več kot 200 izdelki in storitvami, zasnovanimi za pomoč pri ustvarjanju novih rešitev. Podatkovni znanstveniki porabijo veliko časa za raziskovanje in predobdelavo podatkov ter preizkušanje različnih algoritmov za usposabljanje modelov, da bi ustvarili natančne modele. Te naloge so časovno zahtevne in pogosto neučinkovito izkoriščajo drago računalniško strojno opremo. + +[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) je oblačna platforma za gradnjo in upravljanje rešitev strojnega učenja v Azure. Ponuja širok nabor funkcij in zmogljivosti, ki pomagajo podatkovnim znanstvenikom pri pripravi podatkov, usposabljanju modelov, objavi napovednih storitev in spremljanju njihove uporabe. Najpomembneje je, da povečuje njihovo učinkovitost z avtomatizacijo številnih časovno zahtevnih nalog, povezanih z usposabljanjem modelov, ter omogoča uporabo oblačnih računalniških virov, ki se učinkovito prilagajajo za obdelavo velikih količin podatkov, pri čemer nastanejo stroški le ob dejanski uporabi. + +Azure ML ponuja vsa orodja, ki jih razvijalci in podatkovni znanstveniki potrebujejo za svoje delovne procese strojnega učenja. Ta vključujejo: + +- **Azure Machine Learning Studio**: spletni portal v Azure Machine Learning za možnosti z nizko kodo in brez kode za usposabljanje modelov, namestitev, avtomatizacijo, sledenje in upravljanje sredstev. Studio se integrira z Azure Machine Learning SDK za brezhibno izkušnjo. +- **Jupyter Notebooks**: hitro prototipiranje in testiranje modelov strojnega učenja. +- **Azure Machine Learning Designer**: omogoča povleci-in-spusti module za gradnjo eksperimentov in nato namestitev cevovodov v okolju z nizko kodo. +- **Avtomatiziran uporabniški vmesnik strojnega učenja (AutoML)**: avtomatizira iterativne naloge razvoja modelov strojnega učenja, kar omogoča gradnjo modelov z visoko učinkovitostjo in produktivnostjo, hkrati pa ohranja kakovost modelov. +- **Označevanje podatkov**: orodje za pomoč pri strojnem učenju za samodejno označevanje podatkov. +- **Razširitev strojnega učenja za Visual Studio Code**: ponuja popolnoma opremljeno razvojno okolje za gradnjo in upravljanje projektov strojnega učenja. +- **CLI za strojno učenje**: ponuja ukaze za upravljanje virov Azure ML iz ukazne vrstice. +- **Integracija z odprtokodnimi ogrodji**, kot so PyTorch, TensorFlow, Scikit-learn in mnogi drugi, za usposabljanje, namestitev in upravljanje celotnega procesa strojnega učenja. +- **MLflow**: odprtokodna knjižnica za upravljanje življenjskega cikla eksperimentov strojnega učenja. **MLFlow Tracking** je komponenta MLflow, ki beleži in spremlja metrike usposabljanja ter artefakte modelov, ne glede na okolje eksperimenta. + +### 1.2 Projekt napovedovanja srčnega popuščanja: + +Ni dvoma, da je izdelava projektov najboljši način za preizkus vaših veščin in znanja. V tej lekciji bomo raziskali dva različna načina gradnje projekta podatkovne znanosti za napovedovanje srčnih napadov v Azure ML Studio, in sicer z nizko kodo/brez kode ter z uporabo Azure ML SDK, kot je prikazano v naslednji shemi: + +![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sl.png) + +Vsak način ima svoje prednosti in slabosti. Način z nizko kodo/brez kode je lažji za začetek, saj vključuje interakcijo z grafičnim uporabniškim vmesnikom (GUI) in ne zahteva predhodnega znanja o kodiranju. Ta metoda omogoča hitro testiranje izvedljivosti projekta in ustvarjanje POC (Proof Of Concept). Vendar pa, ko projekt raste in je treba stvari pripraviti za produkcijo, ni izvedljivo ustvarjati virov prek GUI. Takrat je ključnega pomena znanje uporabe Azure ML SDK. + +| | Nizka koda/Brez kode | Azure ML SDK | +|-------------------|----------------------|---------------------------| +| Znanje kodiranja | Ni potrebno | Potrebno | +| Čas razvoja | Hiter in enostaven | Odvisno od znanja kodiranja | +| Pripravljenost za produkcijo | Ne | Da | + +### 1.3 Podatkovni niz srčnega popuščanja: + +Kardiovaskularne bolezni (CVD) so glavni vzrok smrti po vsem svetu, saj predstavljajo 31 % vseh smrti. Okoljski in vedenjski dejavniki tveganja, kot so uporaba tobaka, nezdrava prehrana in debelost, telesna neaktivnost ter škodljiva uporaba alkohola, bi lahko služili kot značilnosti za ocenjevalne modele. Sposobnost ocenjevanja verjetnosti razvoja CVD bi bila zelo koristna za preprečevanje napadov pri ljudeh z visokim tveganjem. + +Kaggle je objavil [podatkovni niz srčnega popuščanja](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), ki ga bomo uporabili za ta projekt. Podatkovni niz lahko prenesete zdaj. Gre za tabelarni podatkovni niz s 13 stolpci (12 značilnosti in 1 ciljno spremenljivko) ter 299 vrsticami. + +| | Ime spremenljivke | Tip | Opis | Primer | +|----|---------------------------|----------------|-------------------------------------------------------|-------------------| +| 1 | age | numerični | starost pacienta | 25 | +| 2 | anaemia | logični | Zmanjšanje rdečih krvnih celic ali hemoglobina | 0 ali 1 | +| 3 | creatinine_phosphokinase | numerični | Raven encima CPK v krvi | 542 | +| 4 | diabetes | logični | Ali ima pacient sladkorno bolezen | 0 ali 1 | +| 5 | ejection_fraction | numerični | Odstotek krvi, ki zapusti srce ob vsakem krčenju | 45 | +| 6 | high_blood_pressure | logični | Ali ima pacient hipertenzijo | 0 ali 1 | +| 7 | platelets | numerični | Trombociti v krvi | 149000 | +| 8 | serum_creatinine | numerični | Raven serumske kreatinina v krvi | 0.5 | +| 9 | serum_sodium | numerični | Raven serumske natrija v krvi | jun | +| 10 | sex | logični | ženska ali moški | 0 ali 1 | +| 11 | smoking | logični | Ali pacient kadi | 0 ali 1 | +| 12 | time | numerični | obdobje spremljanja (dni) | 4 | +|----|---------------------------|----------------|-------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [Cilj] | logični | Ali pacient umre med obdobjem spremljanja | 0 ali 1 | + +Ko imate podatkovni niz, lahko začnemo projekt v Azure. + +## 2. Usposabljanje modela z nizko kodo/brez kode v Azure ML Studio +### 2.1 Ustvarjanje delovnega prostora Azure ML +Za usposabljanje modela v Azure ML morate najprej ustvariti delovni prostor Azure ML. Delovni prostor je najvišji vir za Azure Machine Learning, ki zagotavlja centralizirano mesto za delo z vsemi artefakti, ki jih ustvarite pri uporabi Azure Machine Learning. Delovni prostor vodi zgodovino vseh usposabljanj, vključno z dnevniki, metrikami, rezultati in posnetki vaših skriptov. Te informacije uporabite za določitev, katero usposabljanje ustvari najboljši model. [Več o tem](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +Priporočljivo je, da uporabljate najbolj posodobljen brskalnik, ki je združljiv z vašim operacijskim sistemom. Podprti so naslednji brskalniki: + +- Microsoft Edge (novi Microsoft Edge, najnovejša različica. Ne Microsoft Edge legacy) +- Safari (najnovejša različica, samo Mac) +- Chrome (najnovejša različica) +- Firefox (najnovejša različica) + +Za uporabo Azure Machine Learning ustvarite delovni prostor v svoji naročnini Azure. Nato lahko ta delovni prostor uporabite za upravljanje podatkov, računalniških virov, kode, modelov in drugih artefaktov, povezanih z vašimi delovnimi obremenitvami strojnega učenja. + +> **_OPOMBA:_** Vaša naročnina Azure bo zaračunana majhen znesek za shranjevanje podatkov, dokler delovni prostor Azure Machine Learning obstaja v vaši naročnini, zato priporočamo, da izbrišete delovni prostor Azure Machine Learning, ko ga ne uporabljate več. + +1. Prijavite se v [portal Azure](https://ms.portal.azure.com/) z Microsoftovimi poverilnicami, povezanimi z vašo naročnino Azure. +2. Izberite **＋Ustvari vir** + + ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sl.png) + + Poiščite Machine Learning in izberite ploščico Machine Learning + + ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sl.png) + + Kliknite gumb za ustvarjanje + + ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sl.png) + + Izpolnite nastavitve, kot sledi: + - Naročnina: Vaša naročnina Azure + - Skupina virov: Ustvarite ali izberite skupino virov + - Ime delovnega prostora: Vnesite edinstveno ime za vaš delovni prostor + - Regija: Izberite geografsko regijo, ki je najbližja vam + - Račun za shranjevanje: Upoštevajte privzeti nov račun za shranjevanje, ki bo ustvarjen za vaš delovni prostor + - Ključni trezor: Upoštevajte privzeti nov ključni trezor, ki bo ustvarjen za vaš delovni prostor + - Aplikacijski vpogledi: Upoštevajte privzeti nov vir aplikacijskih vpogledov, ki bo ustvarjen za vaš delovni prostor + - Register vsebnikov: Noben (eden bo samodejno ustvarjen ob prvi namestitvi modela v vsebnik) + + ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sl.png) + + - Kliknite gumb za pregled in ustvarjanje ter nato gumb za ustvarjanje +3. Počakajte, da se vaš delovni prostor ustvari (to lahko traja nekaj minut). Nato pojdite nanj v portalu. Najdete ga lahko prek storitve Machine Learning Azure. +4. Na strani Pregled za vaš delovni prostor zaženite Azure Machine Learning studio (ali odprite nov zavihek brskalnika in pojdite na https://ml.azure.com), ter se prijavite v Azure Machine Learning studio z Microsoftovim računom. Če ste pozvani, izberite svoj imenik in naročnino Azure ter svoj delovni prostor Azure Machine Learning. + +![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sl.png) + +5. V Azure Machine Learning studio preklopite ikono ☰ na vrhu levo, da si ogledate različne strani vmesnika. Te strani lahko uporabite za upravljanje virov v vašem delovnem prostoru. + +![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sl.png) + +Delovni prostor lahko upravljate z uporabo portala Azure, vendar za podatkovne znanstvenike in inženirje operacij strojnega učenja Azure Machine Learning Studio ponuja bolj osredotočen uporabniški vmesnik za upravljanje virov delovnega prostora. + +### 2.2 Računalniški viri + +Računalniški viri so oblačni viri, na katerih lahko izvajate procese usposabljanja modelov in raziskovanja podatkov. Obstajajo štiri vrste računalniških virov, ki jih lahko ustvarite: + +- **Računalniški primerki**: Razvojne delovne postaje, ki jih podatkovni znanstveniki lahko uporabljajo za delo s podatki in modeli. To vključuje ustvarjanje virtualnega stroja (VM) in zagon primerka beležke. Nato lahko usposabljate model z uporabo računalniškega grozda iz beležke. +- **Računalniški grozdi**: Prilagodljivi grozdi VM za procesiranje eksperimentne kode na zahtevo. Potrebovali jih boste pri usposabljanju modela. Računalniški grozdi lahko uporabljajo tudi specializirane GPU ali CPU vire. +- **Inferenčni grozdi**: Cilji za namestitev napovednih storitev, ki uporabljajo vaše usposobljene modele. +- **Priključeni izračun**: Povezave do obstoječih Azure računalniških virov, kot so virtualni stroji ali Azure Databricks grozdi. + +#### 2.2.1 Izbira pravih možnosti za vaše računalniške vire + +Pri ustvarjanju računalniškega vira je treba upoštevati nekaj ključnih dejavnikov, saj so te odločitve lahko ključnega pomena. + +**Ali potrebujete CPU ali GPU?** + +CPU (Centralna procesna enota) je elektronsko vezje, ki izvaja ukaze računalniškega programa. GPU (Grafična procesna enota) je specializirano elektronsko vezje, ki lahko izvaja grafično povezano kodo z zelo visoko hitrostjo. + +Glavna razlika med arhitekturo CPU in GPU je, da je CPU zasnovan za hitro obdelavo širokega spektra nalog (merjeno s hitrostjo procesorja), vendar je omejen v sočasnosti nalog, ki jih lahko izvaja. GPU-ji so zasnovani za vzporedno računalništvo in so zato veliko boljši za naloge globokega učenja. + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| Manj drago | Dražje | +| Nižja stopnja sočasnosti | Višja stopnja sočasnosti | +| Počasnejši pri treniranju modelov globokega učenja | Optimalen za globoko učenje | + +**Velikost grozda** + +Večji grozdi so dražji, vendar zagotavljajo boljšo odzivnost. Če imate čas, vendar omejen proračun, začnite z manjšim grozdom. Če pa imate denar, vendar malo časa, začnite z večjim grozdom. + +**Velikost VM** + +Glede na vaše časovne in proračunske omejitve lahko prilagodite velikost RAM-a, diska, število jeder in hitrost procesorja. Povečanje vseh teh parametrov bo dražje, vendar bo prineslo boljšo zmogljivost. + +**Namenske ali nizkoprednostne instance?** + +Nizkoprednostna instanca pomeni, da je prekinljiva: Microsoft Azure lahko te vire dodeli drugi nalogi, kar lahko prekine vašo nalogo. Namenska instanca, ali neprekinljiva, pomeni, da naloga ne bo nikoli prekinjena brez vašega dovoljenja. To je še ena odločitev med časom in denarjem, saj so prekinljive instance cenejše od namenskih. + +#### 2.2.2 Ustvarjanje računalniškega grozda + +V [Azure ML delovnem prostoru](https://ml.azure.com/), ki smo ga ustvarili prej, pojdite na zavihek "Compute" in si oglejte različne računalniške vire, o katerih smo govorili (npr. računalniške instance, računalniški grozdi, inferenčni grozdi in priključeni izračuni). Za ta projekt bomo potrebovali računalniški grozd za treniranje modela. V Studiu kliknite meni "Compute", nato zavihek "Compute cluster" in kliknite gumb "+ New" za ustvarjanje računalniškega grozda. + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sl.png) + +1. Izberite svoje možnosti: Namensko ali nizkoprednostno, CPU ali GPU, velikost VM in število jeder (za ta projekt lahko obdržite privzete nastavitve). +2. Kliknite gumb "Next". + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sl.png) + +3. Dajte grozdu ime. +4. Izberite svoje možnosti: Minimalno/maksimalno število vozlišč, število sekund nedejavnosti pred zmanjšanjem obsega, SSH dostop. Upoštevajte, da če je minimalno število vozlišč 0, boste prihranili denar, ko bo grozd nedejaven. Upoštevajte, da večje število maksimalnih vozlišč pomeni krajši čas treniranja. Priporočeno maksimalno število vozlišč je 3. +5. Kliknite gumb "Create". Ta korak lahko traja nekaj minut. + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sl.png) + +Odlično! Zdaj, ko imamo računalniški grozd, moramo naložiti podatke v Azure ML Studio. + +### 2.3 Nalaganje podatkovnega nabora + +1. V [Azure ML delovnem prostoru](https://ml.azure.com/), ki smo ga ustvarili prej, kliknite "Datasets" v levem meniju in nato gumb "+ Create dataset" za ustvarjanje podatkovnega nabora. Izberite možnost "From local files" in izberite Kaggle podatkovni niz, ki smo ga prenesli prej. + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sl.png) + +2. Dajte podatkovnemu naboru ime, vrsto in opis. Kliknite "Next". Naložite podatke iz datotek. Kliknite "Next". + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sl.png) + +3. V shemi spremenite vrsto podatkov v Boolean za naslednje značilnosti: anemija, diabetes, visok krvni tlak, spol, kajenje in DEATH_EVENT. Kliknite "Next" in nato "Create". + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sl.png) + +Odlično! Zdaj, ko je podatkovni niz pripravljen in je računalniški grozd ustvarjen, lahko začnemo s treniranjem modela! + +### 2.4 Treniranje z malo ali brez kode z AutoML + +Tradicionalni razvoj modelov strojnega učenja je zahteven, potrebuje veliko domenskega znanja in časa za izdelavo ter primerjavo več modelov. Avtomatizirano strojno učenje (AutoML) je proces avtomatizacije zamudnih, ponavljajočih se nalog razvoja modelov strojnega učenja. Omogoča podatkovnim znanstvenikom, analitikom in razvijalcem, da gradijo modele strojnega učenja z visoko učinkovitostjo in produktivnostjo, hkrati pa ohranjajo kakovost modela. Zmanjšuje čas, potreben za pripravo modelov za produkcijo, z veliko lahkoto in učinkovitostjo. [Več o tem](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. V [Azure ML delovnem prostoru](https://ml.azure.com/), ki smo ga ustvarili prej, kliknite "Automated ML" v levem meniju in izberite podatkovni niz, ki ste ga pravkar naložili. Kliknite "Next". + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sl.png) + +2. Vnesite novo ime eksperimenta, ciljni stolpec (DEATH_EVENT) in računalniški grozd, ki smo ga ustvarili. Kliknite "Next". + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sl.png) + +3. Izberite "Classification" in kliknite "Finish". Ta korak lahko traja med 30 minutami in 1 uro, odvisno od velikosti vašega računalniškega grozda. + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sl.png) + +4. Ko je postopek zaključen, kliknite na zavihek "Automated ML", izberite svoj zagon in kliknite na algoritem v kartici "Best model summary". + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sl.png) + +Tukaj si lahko ogledate podroben opis najboljšega modela, ki ga je ustvaril AutoML. Prav tako lahko raziščete druge modele v zavihku "Models". Vzemite si nekaj minut za raziskovanje modelov v razdelku "Explanations (preview)". Ko izberete model, ki ga želite uporabiti (v tem primeru bomo izbrali najboljši model, ki ga je izbral AutoML), bomo videli, kako ga lahko implementiramo. + +## 3. Implementacija modela z malo ali brez kode in uporaba končne točke +### 3.1 Implementacija modela + +Vmesnik za avtomatizirano strojno učenje omogoča implementacijo najboljšega modela kot spletne storitve v nekaj korakih. Implementacija je integracija modela, da lahko na podlagi novih podatkov napoveduje in prepozna potencialna področja priložnosti. Za ta projekt implementacija kot spletna storitev pomeni, da bodo medicinske aplikacije lahko uporabljale model za napovedovanje tveganja srčnega napada pri svojih pacientih. + +V opisu najboljšega modela kliknite gumb "Deploy". + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sl.png) + +15. Dajte mu ime, opis, vrsto računalništva (Azure Container Instance), omogočite avtentikacijo in kliknite "Deploy". Ta korak lahko traja približno 20 minut. Postopek implementacije vključuje več korakov, vključno z registracijo modela, ustvarjanjem virov in njihovo konfiguracijo za spletno storitev. Pod statusom implementacije se prikaže sporočilo o stanju. Občasno kliknite "Refresh", da preverite stanje implementacije. Ko je status "Healthy", je implementacija zaključena in storitev deluje. + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sl.png) + +16. Ko je implementacija zaključena, kliknite na zavihek "Endpoint" in izberite končno točko, ki ste jo pravkar implementirali. Tukaj lahko najdete vse podrobnosti o končni točki. + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sl.png) + +Neverjetno! Zdaj, ko imamo model implementiran, lahko začnemo z uporabo končne točke. + +### 3.2 Uporaba končne točke + +Kliknite na zavihek "Consume". Tukaj lahko najdete REST končno točko in Python skripto v razdelku za uporabo. Vzemite si čas za pregled Python kode. + +Ta skripta se lahko zažene neposredno iz vašega lokalnega računalnika in bo uporabljala vašo končno točko. + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sl.png) + +Vzemite si trenutek za pregled teh dveh vrstic kode: + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # Replace this with the API key for the web service +``` +Spremenljivka `url` je REST končna točka, ki jo najdete v zavihku za uporabo, in spremenljivka `api_key` je primarni ključ, ki ga prav tako najdete v zavihku za uporabo (samo v primeru, da ste omogočili avtentikacijo). Tako skripta uporablja končno točko. + +18. Ko zaženete skripto, bi morali videti naslednji izhod: + ```python + b'"{\\"result\\": [true]}"' + ``` +To pomeni, da je napoved srčnega popuščanja za dane podatke resnična. To je smiselno, saj so vsi podatki, ki jih skripta samodejno generira, privzeto nastavljeni na 0 in napačno. Podatke lahko spremenite z naslednjim vzorcem vnosa: + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +Skripta bi morala vrniti: + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +Čestitke! Pravkar ste uporabili implementiran model in ga trenirali na Azure ML! + +> **_OPOMBA:_** Ko končate s projektom, ne pozabite izbrisati vseh virov. +## 🚀 Izziv + +Podrobno preglejte razlage modelov in podrobnosti, ki jih je AutoML ustvaril za najboljše modele. Poskusite razumeti, zakaj je najboljši model boljši od drugih. Kateri algoritmi so bili primerjani? Kakšne so razlike med njimi? Zakaj je najboljši model v tem primeru boljši? + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35) + +## Pregled in samostojno učenje + +V tej lekciji ste se naučili, kako trenirati, implementirati in uporabljati model za napovedovanje tveganja srčnega popuščanja z malo ali brez kode v oblaku. Če tega še niste storili, se poglobite v razlage modelov, ki jih je AutoML ustvaril za najboljše modele, in poskusite razumeti, zakaj je najboljši model boljši od drugih. + +Lahko se poglobite v AutoML z malo ali brez kode z branjem te [dokumentacije](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Naloga + +[Projekt podatkovne znanosti z malo ali brez kode na Azure ML](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/sl/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..3c8c65ad --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,25 @@ + +# Projekt podatkovne znanosti z malo ali brez kode na Azure ML + +## Navodila + +Videli smo, kako uporabiti platformo Azure ML za treniranje, uvajanje in uporabo modela na način z malo ali brez kode. Zdaj poiščite nekaj podatkov, ki jih lahko uporabite za treniranje drugega modela, ga uvedete in uporabite. Datasets lahko poiščete na [Kaggle](https://kaggle.com) in [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Merila ocenjevanja + +| Odlično | Zadostno | Potrebno izboljšanje | +|---------|----------|----------------------| +|Pri nalaganju podatkov ste poskrbeli za spremembo tipa značilnosti, če je bilo potrebno. Prav tako ste očistili podatke, če je bilo potrebno. Izvedli ste treniranje na naboru podatkov z uporabo AutoML in preverili razlage modela. Uvedli ste najboljši model in ga uspeli uporabiti. | Pri nalaganju podatkov ste poskrbeli za spremembo tipa značilnosti, če je bilo potrebno. Izvedli ste treniranje na naboru podatkov z uporabo AutoML, uvedli najboljši model in ga uspeli uporabiti. | Uvedli ste najboljši model, ki ga je treniral AutoML, in ga uspeli uporabiti. | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/sl/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..de87a1cf --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,313 @@ + +# Podatkovna znanost v oblaku: Način "Azure ML SDK" + +|![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| Podatkovna znanost v oblaku: Azure ML SDK - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Kazalo: + +- [Podatkovna znanost v oblaku: Način "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Predhodni kviz](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. Uvod](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 Kaj je Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 Predstavitev projekta in podatkovne zbirke za napovedovanje srčnega popuščanja](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. Učenje modela z Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 Ustvarjanje delovnega prostora Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 Ustvarjanje računalniškega primerka](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 Nalaganje podatkovne zbirke](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 Ustvarjanje beležk](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 Učenje modela](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 Nastavitev delovnega prostora, eksperimenta, računalniškega grozda in podatkovne zbirke](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 Konfiguracija AutoML in učenje](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. Implementacija modela in uporaba končne točke z Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 Shranjevanje najboljšega modela](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 Implementacija modela](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 Uporaba končne točke](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 Izziv](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Zaključni kviz](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Pregled in samostojno učenje](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Naloga](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36) + +## 1. Uvod + +### 1.1 Kaj je Azure ML SDK? + +Podatkovni znanstveniki in razvijalci umetne inteligence uporabljajo Azure Machine Learning SDK za gradnjo in izvajanje delovnih tokov strojnega učenja z uporabo storitve Azure Machine Learning. S storitvijo lahko komunicirate v katerem koli okolju Python, vključno z Jupyter Notebooks, Visual Studio Code ali vašim najljubšim IDE za Python. + +Ključna področja SDK vključujejo: + +- Raziskovanje, pripravo in upravljanje življenjskega cikla podatkovnih zbirk, uporabljenih v eksperimentih strojnega učenja. +- Upravljanje oblačnih virov za spremljanje, beleženje in organizacijo eksperimentov strojnega učenja. +- Učenje modelov lokalno ali z uporabo oblačnih virov, vključno z GPU-pospešenim učenjem modelov. +- Uporabo avtomatiziranega strojnega učenja, ki sprejema konfiguracijske parametre in podatke za učenje. Samodejno preizkuša algoritme in nastavitve hiperparametrov, da najde najboljši model za napovedovanje. +- Implementacijo spletnih storitev za pretvorbo naučenih modelov v RESTful storitve, ki jih je mogoče uporabiti v katerikoli aplikaciji. + +[Več o Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +V [prejšnji lekciji](../18-Low-Code/README.md) smo videli, kako naučiti, implementirati in uporabiti model na način z malo ali brez kode. Uporabili smo podatkovno zbirko o srčnem popuščanju za ustvarjanje modela za napovedovanje srčnega popuščanja. V tej lekciji bomo naredili enako, vendar z uporabo Azure Machine Learning SDK. + +![shema-projekta](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sl.png) + +### 1.2 Predstavitev projekta in podatkovne zbirke za napovedovanje srčnega popuščanja + +Oglejte si [tukaj](../18-Low-Code/README.md) predstavitev projekta in podatkovne zbirke za napovedovanje srčnega popuščanja. + +## 2. Učenje modela z Azure ML SDK +### 2.1 Ustvarjanje delovnega prostora Azure ML + +Za enostavnost bomo delali v Jupyter Notebooku. To pomeni, da že imate delovni prostor in računalniški primerek. Če že imate delovni prostor, lahko neposredno preskočite na razdelek 2.3 Ustvarjanje beležk. + +Če ne, sledite navodilom v razdelku **2.1 Ustvarjanje delovnega prostora Azure ML** v [prejšnji lekciji](../18-Low-Code/README.md) za ustvarjanje delovnega prostora. + +### 2.2 Ustvarjanje računalniškega primerka + +V [delovnem prostoru Azure ML](https://ml.azure.com/), ki smo ga ustvarili prej, pojdite v meni za računalniške vire, kjer boste videli različne razpoložljive računalniške vire. + +![računalniški-primer-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sl.png) + +Ustvarimo računalniški primerek za zagotavljanje Jupyter Notebooka. +1. Kliknite na gumb + New. +2. Dajte ime svojemu računalniškemu primerku. +3. Izberite možnosti: CPU ali GPU, velikost VM in število jeder. +4. Kliknite na gumb Create. + +Čestitamo, pravkar ste ustvarili računalniški primerek! Ta primerek bomo uporabili za ustvarjanje beležke v razdelku [Ustvarjanje beležk](../../../../5-Data-Science-In-Cloud/19-Azure). + +### 2.3 Nalaganje podatkovne zbirke +Če še niste naložili podatkovne zbirke, si oglejte razdelek **2.3 Nalaganje podatkovne zbirke** v [prejšnji lekciji](../18-Low-Code/README.md). + +### 2.4 Ustvarjanje beležk + +> **_OPOMBA:_** Za naslednji korak lahko ustvarite novo beležko iz nič ali pa naložite [beležko, ki smo jo ustvarili](notebook.ipynb) v Azure ML Studio. Za nalaganje preprosto kliknite na meni "Notebook" in naložite beležko. + +Beležke so zelo pomemben del procesa podatkovne znanosti. Uporabljajo se lahko za izvedbo raziskovalne analize podatkov (EDA), klicanje računalniškega grozda za učenje modela ali klicanje grozda za sklepanje za implementacijo končne točke. + +Za ustvarjanje beležke potrebujemo računalniško vozlišče, ki zagotavlja instanco Jupyter Notebooka. Vrnite se v [delovni prostor Azure ML](https://ml.azure.com/) in kliknite na Računalniški primerki. Na seznamu računalniških primerkov bi morali videti [računalniški primerek, ki smo ga ustvarili prej](../../../../5-Data-Science-In-Cloud/19-Azure). + +1. V razdelku Aplikacije kliknite na možnost Jupyter. +2. Označite polje "Yes, I understand" in kliknite na gumb Continue. +![beležka-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sl.png) +3. To bi moralo odpreti nov zavihek brskalnika z vašo instanco Jupyter Notebooka, kot je prikazano spodaj. Kliknite na gumb "New" za ustvarjanje beležke. + +![beležka-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sl.png) + +Zdaj, ko imamo beležko, lahko začnemo z učenjem modela z Azure ML SDK. + +### 2.5 Učenje modela + +Najprej, če imate kakršen koli dvom, si oglejte [dokumentacijo Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Vsebuje vse potrebne informacije za razumevanje modulov, ki jih bomo obravnavali v tej lekciji. + +#### 2.5.1 Nastavitev delovnega prostora, eksperimenta, računalniškega grozda in podatkovne zbirke + +Delovni prostor naložite iz konfiguracijske datoteke z naslednjo kodo: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +To vrne objekt tipa `Workspace`, ki predstavlja delovni prostor. Nato morate ustvariti `eksperiment` z naslednjo kodo: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` +Za pridobitev ali ustvarjanje eksperimenta iz delovnega prostora zahtevate eksperiment z imenom eksperimenta. Ime eksperimenta mora imeti od 3 do 36 znakov, se začeti s črko ali številko in lahko vsebuje le črke, številke, podčrtaje in vezaje. Če eksperiment ni najden v delovnem prostoru, se ustvari nov eksperiment. + +Zdaj morate ustvariti računalniški grozd za učenje z naslednjo kodo. Upoštevajte, da lahko ta korak traja nekaj minut. + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +Podatkovno zbirko lahko pridobite iz delovnega prostora z uporabo imena podatkovne zbirke na naslednji način: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` +#### 2.5.2 Konfiguracija AutoML in učenje + +Za nastavitev konfiguracije AutoML uporabite [razred AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +Kot je opisano v dokumentaciji, je na voljo veliko parametrov, s katerimi se lahko igrate. Za ta projekt bomo uporabili naslednje parametre: + +- `experiment_timeout_minutes`: Najdaljši čas (v minutah), ki je dovoljen za izvajanje eksperimenta, preden se samodejno ustavi in rezultati postanejo na voljo. +- `max_concurrent_iterations`: Največje število hkratnih iteracij učenja, dovoljenih za eksperiment. +- `primary_metric`: Primarna metrika, ki se uporablja za določanje statusa eksperimenta. +- `compute_target`: Ciljni računalniški vir Azure Machine Learning za izvajanje eksperimenta avtomatiziranega strojnega učenja. +- `task`: Vrsta naloge, ki jo je treba izvesti. Vrednosti so lahko 'classification', 'regression' ali 'forecasting', odvisno od vrste problema avtomatiziranega strojnega učenja. +- `training_data`: Podatki za učenje, ki se uporabljajo v eksperimentu. Vsebujejo tako značilnosti za učenje kot stolpec z oznakami (po želji tudi stolpec z utežmi vzorcev). +- `label_column_name`: Ime stolpca z oznakami. +- `path`: Celotna pot do mape projekta Azure Machine Learning. +- `enable_early_stopping`: Ali omogočiti zgodnjo zaustavitev, če se rezultat kratkoročno ne izboljšuje. +- `featurization`: Indikator, ali naj se korak featurizacije izvede samodejno ali ne, ali naj se uporabi prilagojena featurizacija. +- `debug_log`: Dnevniška datoteka za zapisovanje informacij za odpravljanje napak. + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` +Zdaj, ko imate konfiguracijo nastavljeno, lahko model naučite z naslednjo kodo. Ta korak lahko traja do ene ure, odvisno od velikosti vašega grozda. + +```python +remote_run = experiment.submit(automl_config) +``` +Za prikaz različnih eksperimentov lahko zaženete pripomoček RunDetails. +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` +## 3. Implementacija modela in uporaba končne točke z Azure ML SDK + +### 3.1 Shranjevanje najboljšega modela + +`remote_run` je objekt tipa [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Ta objekt vsebuje metodo `get_output()`, ki vrne najboljši zagon in ustrezni naučeni model. + +```python +best_run, fitted_model = remote_run.get_output() +``` +Parametre, uporabljene za najboljši model, si lahko ogledate tako, da preprosto natisnete `fitted_model`, lastnosti najboljšega modela pa z metodo [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +best_run.get_properties() +``` + +Zdaj registrirajte model z metodo [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +```python +model_name = best_run.properties['model_name'] +script_file_name = 'inference/score.py' +best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') +description = "aml heart failure project sdk" +model = best_run.register_model(model_name = model_name, + model_path = './outputs/', + description = description, + tags = None) +``` +### 3.2 Implementacija modela + +Ko je najboljši model shranjen, ga lahko implementiramo z razredom [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig predstavlja nastavitve konfiguracije za prilagojeno okolje, uporabljeno za implementacijo. Razred [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) predstavlja model strojnega učenja, implementiran kot spletna storitev na kontejnerskih primerkih Azure. Implementirana storitev je uravnotežena HTTP-končna točka z REST API-jem. Temu API-ju lahko pošljete podatke in prejmete napoved, ki jo vrne model. + +Model je implementiran z metodo [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +from azureml.core.model import InferenceConfig, Model +from azureml.core.webservice import AciWebservice + +inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment()) + +aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1, + memory_gb = 1, + tags = {'type': "automl-heart-failure-prediction"}, + description = 'Sample service for AutoML Heart Failure Prediction') + +aci_service_name = 'automl-hf-sdk' +aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig) +aci_service.wait_for_deployment(True) +print(aci_service.state) +``` +Ta korak lahko traja nekaj minut. + +### 3.3 Uporaba končne točke + +Končno točko uporabite tako, da ustvarite vzorčni vhod: + +```python +data = { + "data": + [ + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} + +test_sample = str.encode(json.dumps(data)) +``` +Nato lahko ta vhod pošljete svojemu modelu za napovedovanje: +```python +response = aci_service.run(input_data=test_sample) +response +``` +To bi moralo vrniti `'{"result": [false]}'`. To pomeni, da je vnos pacienta, ki smo ga poslali na končno točko, ustvaril napoved `false`, kar pomeni, da ta oseba verjetno ne bo doživela srčnega napada. + +Čestitke! Pravkar ste uporabili model, ki je bil razporejen in treniran na Azure ML z uporabo Azure ML SDK! + + +> **_NOTE:_** Ko zaključite projekt, ne pozabite izbrisati vseh virov. + +## 🚀 Izziv + +Obstaja veliko drugih stvari, ki jih lahko naredite prek SDK-ja, žal pa jih v tej lekciji ne moremo obravnavati vseh. Ampak dobra novica je, da vas lahko sposobnost hitrega pregledovanja dokumentacije SDK popelje daleč. Oglejte si dokumentacijo Azure ML SDK in poiščite razred `Pipeline`, ki vam omogoča ustvarjanje cevovodov. Cevovod je zbirka korakov, ki jih je mogoče izvesti kot delovni tok. + +**NAMIG:** Obiščite [SDK dokumentacijo](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) in v iskalno vrstico vnesite ključne besede, kot je "Pipeline". Med rezultati iskanja bi morali najti razred `azureml.pipeline.core.Pipeline`. + +## [Kvizi po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37) + +## Pregled in samostojno učenje + +V tej lekciji ste se naučili, kako trenirati, razporediti in uporabiti model za napovedovanje tveganja srčnega popuščanja z uporabo Azure ML SDK v oblaku. Oglejte si to [dokumentacijo](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) za dodatne informacije o Azure ML SDK. Poskusite ustvariti svoj model z uporabo Azure ML SDK. + +## Naloga + +[Projekt podatkovne znanosti z uporabo Azure ML SDK](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/sl/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..ed678a73 --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,25 @@ + +# Projekt podatkovne znanosti z uporabo Azure ML SDK + +## Navodila + +Videli smo, kako uporabiti platformo Azure ML za treniranje, uvajanje in uporabo modela z Azure ML SDK. Zdaj poiščite nekaj podatkov, ki jih lahko uporabite za treniranje drugega modela, ga uvedete in uporabite. Lahko poiščete podatkovne nabore na [Kaggle](https://kaggle.com) in [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Merila ocenjevanja + +| Odlično | Zadostno | Potrebna izboljšava | +|---------|----------|---------------------| +|Pri konfiguraciji AutoML ste pregledali dokumentacijo SDK, da bi videli, katere parametre lahko uporabite. Izvedli ste treniranje na podatkovnem naboru z uporabo AutoML prek Azure ML SDK in preverili razlage modela. Uvedli ste najboljši model in ga uspešno uporabili prek Azure ML SDK. | Izvedli ste treniranje na podatkovnem naboru z uporabo AutoML prek Azure ML SDK in preverili razlage modela. Uvedli ste najboljši model in ga uspešno uporabili prek Azure ML SDK. | Izvedli ste treniranje na podatkovnem naboru z uporabo AutoML prek Azure ML SDK. Uvedli ste najboljši model in ga uspešno uporabili prek Azure ML SDK. | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/5-Data-Science-In-Cloud/README.md b/translations/sl/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..c6d76238 --- /dev/null +++ b/translations/sl/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,35 @@ + +# Podatkovna znanost v oblaku + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sl.jpg) + +> Fotografija avtorja [Jelleke Vanooteghem](https://unsplash.com/@ilumire) na [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) + +Ko gre za izvajanje podatkovne znanosti z velikimi podatki, je oblak lahko prava sprememba igre. V naslednjih treh lekcijah bomo raziskali, kaj oblak je in zakaj je lahko zelo koristen. Prav tako bomo preučili podatkovni niz o srčnem popuščanju in zgradili model, ki pomaga oceniti verjetnost, da ima nekdo srčno popuščanje. Uporabili bomo moč oblaka za treniranje, uvajanje in uporabo modela na dva različna načina. En način bo uporaba samo uporabniškega vmesnika v načinu "Low code/No code", drugi način pa bo uporaba Azure Machine Learning Software Developer Kit (Azure ML SDK). + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sl.png) + +### Teme + +1. [Zakaj uporabljati oblak za podatkovno znanost?](17-Introduction/README.md) +2. [Podatkovna znanost v oblaku: Način "Low code/No code"](18-Low-Code/README.md) +3. [Podatkovna znanost v oblaku: Način "Azure ML SDK"](19-Azure/README.md) + +### Zasluge +Te lekcije so bile napisane z ☁️ in 💕 avtoricama [Maud Levy](https://twitter.com/maudstweets) in [Tiffany Souterre](https://twitter.com/TiffanySouterre). + +Podatki za projekt napovedi srčnega popuščanja so pridobljeni od [ +Larxel](https://www.kaggle.com/andrewmvd) na [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Licenca je [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/sl/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..041cd11e --- /dev/null +++ b/translations/sl/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,155 @@ + +# Podatkovna znanost v resničnem svetu + +| ![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| Podatkovna znanost v resničnem svetu - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Smo skoraj na koncu te učne poti! + +Začeli smo z definicijami podatkovne znanosti in etike, raziskali različna orodja in tehnike za analizo in vizualizacijo podatkov, pregledali življenjski cikel podatkovne znanosti ter preučili, kako razširiti in avtomatizirati delovne tokove podatkovne znanosti s storitvami v oblaku. Verjetno se zdaj sprašujete: _"Kako lahko vse to znanje uporabim v resničnih situacijah?"_ + +V tej lekciji bomo raziskali resnične primere uporabe podatkovne znanosti v industriji ter se poglobili v specifične primere na področju raziskav, digitalne humanistike in trajnosti. Pogledali bomo tudi priložnosti za študentske projekte in zaključili z uporabnimi viri, ki vam bodo pomagali nadaljevati vašo učno pot! + +## Predhodni kviz + +[Predhodni kviz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) + +## Podatkovna znanost + industrija + +Zaradi demokratizacije umetne inteligence je razvijalcem zdaj lažje oblikovati in vključevati odločitve, ki temeljijo na umetni inteligenci, ter vpoglede, ki temeljijo na podatkih, v uporabniške izkušnje in razvojne delovne tokove. Tukaj je nekaj primerov, kako se podatkovna znanost "uporablja" v resničnih aplikacijah v industriji: + + * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) je uporabil podatkovno znanost za povezovanje iskalnih izrazov s trendi gripe. Čeprav je imel pristop pomanjkljivosti, je opozoril na možnosti (in izzive) napovedovanja zdravja na podlagi podatkov. + + * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - pojasnjuje, kako UPS uporablja podatkovno znanost in strojno učenje za napovedovanje optimalnih poti za dostavo, pri čemer upošteva vremenske razmere, prometne vzorce, roke dostave in drugo. + + * [Vizualizacija poti taksijev v NYC](http://chriswhong.github.io/nyctaxi/) - podatki, zbrani z uporabo [zakonov o svobodi informacij](https://chriswhong.com/open-data/foil_nyc_taxi/), so pomagali vizualizirati en dan v življenju taksijev v NYC, kar nam omogoča razumevanje, kako se premikajo po mestu, koliko zaslužijo in kako dolge so njihove vožnje v 24-urnem obdobju. + + * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - uporablja podatke (o lokacijah prevzema in odlaganja, trajanju voženj, priljubljenih poteh itd.), zbrane iz milijonov Uber voženj *dnevno*, za izdelavo orodja za analizo podatkov, ki pomaga pri določanju cen, varnosti, odkrivanju prevar in navigacijskih odločitvah. + + * [Športna analitika](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - osredotoča se na _napovedno analitiko_ (analiza ekip in igralcev - pomislite na [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - in upravljanje navijačev) ter _vizualizacijo podatkov_ (nadzorne plošče ekip in navijačev, igre itd.) z aplikacijami, kot so iskanje talentov, športne stave in upravljanje zalog/objektov. + + * [Podatkovna znanost v bančništvu](https://data-flair.training/blogs/data-science-in-banking/) - poudarja vrednost podatkovne znanosti v finančni industriji z aplikacijami, ki segajo od modeliranja tveganj in odkrivanja prevar do segmentacije strank, napovedovanja v realnem času in priporočilnih sistemov. Napovedna analitika prav tako poganja ključne ukrepe, kot so [kreditne ocene](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit). + + * [Podatkovna znanost v zdravstvu](https://data-flair.training/blogs/data-science-in-healthcare/) - poudarja aplikacije, kot so medicinsko slikanje (npr. MRI, rentgen, CT-skeniranje), genomika (sekvenciranje DNK), razvoj zdravil (ocena tveganja, napoved uspeha), napovedna analitika (oskrba pacientov in logistika oskrbe), sledenje boleznim in preprečevanje itd. + +![Aplikacije podatkovne znanosti v resničnem svetu](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sl.png) Vir slike: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) + +Slika prikazuje druge domene in primere uporabe tehnik podatkovne znanosti. Želite raziskati druge aplikacije? Oglejte si razdelek [Pregled in samostojno učenje](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) spodaj. + +## Podatkovna znanost + raziskave + +| ![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Podatkovna znanost in raziskave - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Medtem ko se resnične aplikacije pogosto osredotočajo na industrijske primere uporabe v velikem obsegu, so _raziskovalne_ aplikacije in projekti koristni z dveh vidikov: + +* _priložnosti za inovacije_ - raziskovanje hitrega prototipiranja naprednih konceptov in testiranje uporabniških izkušenj za aplikacije naslednje generacije. +* _izzivi pri implementaciji_ - preučevanje morebitnih škod ali nenamernih posledic tehnologij podatkovne znanosti v resničnih kontekstih. + +Za študente lahko ti raziskovalni projekti nudijo priložnosti za učenje in sodelovanje, ki izboljšajo razumevanje teme ter razširijo zavedanje in angažiranost z ustreznimi ljudmi ali ekipami, ki delajo na področjih zanimanja. Kako torej izgledajo raziskovalni projekti in kakšen vpliv lahko imajo? + +Poglejmo en primer - [MIT Gender Shades Study](http://gendershades.org/overview.html) avtorice Joy Buolamwini (MIT Media Labs) s [pomembnim raziskovalnim člankom](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf), ki ga je soavtorila Timnit Gebru (takrat pri Microsoft Research). Študija se je osredotočila na: + + * **Kaj:** Cilj raziskovalnega projekta je bil _oceniti pristranskost v algoritmih in podatkovnih zbirkah za avtomatizirano analizo obrazov_ glede na spol in barvo kože. + * **Zakaj:** Analiza obrazov se uporablja na področjih, kot so kazenski pregon, varnost na letališčih, sistemi zaposlovanja in drugo - konteksti, kjer lahko netočne klasifikacije (npr. zaradi pristranskosti) povzročijo ekonomsko in socialno škodo prizadetim posameznikom ali skupinam. Razumevanje (in odpravljanje ali zmanjševanje) pristranskosti je ključno za pravičnost pri uporabi. + * **Kako:** Raziskovalci so ugotovili, da so obstoječi referenčni standardi uporabljali pretežno svetlopolte subjekte, zato so ustvarili novo podatkovno zbirko (1000+ slik), ki je bila _bolj uravnotežena_ glede na spol in barvo kože. Podatkovna zbirka je bila uporabljena za oceno natančnosti treh izdelkov za klasifikacijo spola (Microsoft, IBM in Face++). + +Rezultati so pokazali, da je bila, čeprav je bila splošna natančnost klasifikacije dobra, opazna razlika v stopnjah napak med različnimi podskupinami - z **napačno določitvijo spola**, ki je bila pogostejša pri ženskah ali osebah s temnejšo barvo kože, kar kaže na pristranskost. + +**Ključni rezultati:** Povečano zavedanje, da podatkovna znanost potrebuje bolj _reprezentativne podatkovne zbirke_ (uravnotežene podskupine) in bolj _vključujoče ekipe_ (raznolika ozadja), da bi lahko pristranskosti prepoznali in odpravili ali zmanjšali že v zgodnjih fazah rešitev umetne inteligence. Takšni raziskovalni napori so prav tako ključni za številne organizacije pri oblikovanju načel in praks za _odgovorno umetno inteligenco_, da bi izboljšali pravičnost svojih AI izdelkov in procesov. + +**Želite izvedeti več o ustreznih raziskovalnih prizadevanjih pri Microsoftu?** + +* Oglejte si [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) na področju umetne inteligence. +* Raziščite študentske projekte iz [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/). +* Oglejte si projekt [Fairlearn](https://fairlearn.org/) in pobude za [odgovorno umetno inteligenco](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6). + +## Podatkovna znanost + humanistika + +| ![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Podatkovna znanost in digitalna humanistika - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +Digitalna humanistika [je opredeljena](https://digitalhumanities.stanford.edu/about-dh-stanford) kot "zbirka praks in pristopov, ki združujejo računalniške metode s humanističnim raziskovanjem". [Stanfordovi projekti](https://digitalhumanities.stanford.edu/projects), kot sta _"rebooting history"_ in _"poetic thinking"_, ponazarjajo povezavo med [digitalno humanistiko in podatkovno znanostjo](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - poudarjajo tehnike, kot so analiza omrežij, vizualizacija informacij, prostorska in besedilna analiza, ki nam lahko pomagajo ponovno preučiti zgodovinske in literarne podatkovne zbirke ter pridobiti nove vpoglede in perspektive. + +*Želite raziskati in razširiti projekt na tem področju?* + +Oglejte si ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - odličen primer avtorice [Jen Looper](https://twitter.com/jenlooper), ki se sprašuje, kako lahko uporabimo podatkovno znanost za ponovno preučitev znane poezije in ponovno ovrednotenje njenega pomena ter prispevkov avtorice v novih kontekstih. Na primer, _ali lahko napovemo letni čas, v katerem je bila pesem napisana, z analizo njenega tona ali razpoloženja_ - in kaj nam to pove o avtorjevem duševnem stanju v relevantnem obdobju? + +Za odgovor na to vprašanje sledimo korakom življenjskega cikla podatkovne znanosti: + * [`Pridobivanje podatkov`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - za zbiranje ustreznega nabora podatkov za analizo. Možnosti vključujejo uporabo API-jev (npr. [Poetry DB API](https://poetrydb.org/index.html)) ali strganje spletnih strani (npr. [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) z orodji, kot je [Scrapy](https://scrapy.org/). + * [`Čiščenje podatkov`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - pojasnjuje, kako lahko besedilo formatiramo, očistimo in poenostavimo z osnovnimi orodji, kot sta Visual Studio Code in Microsoft Excel. + * [`Analiza podatkov`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - pojasnjuje, kako lahko zdaj uvozimo nabor podatkov v "zvezke" za analizo z uporabo Pythonovih knjižnic (kot so pandas, numpy in matplotlib) za organizacijo in vizualizacijo podatkov. + * [`Analiza razpoloženja`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - pojasnjuje, kako lahko vključimo storitve v oblaku, kot je Text Analytics, z uporabo orodij z malo kode, kot je [Power Automate](https://flow.microsoft.com/en-us/) za avtomatizirane delovne tokove obdelave podatkov. + +Z uporabo tega delovnega toka lahko raziskujemo sezonske vplive na razpoloženje pesmi in si oblikujemo lastne poglede na avtorico. Preizkusite sami - nato razširite zvezek, da postavite druga vprašanja ali vizualizirate podatke na nove načine! + +> Nekatera orodja iz [Digital Humanities Toolkit](https://github.com/Digital-Humanities-Toolkit) lahko uporabite za raziskovanje teh vprašanj. + +## Podatkovna znanost + trajnost + +| ![ Sketchnote avtorja [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Podatkovna znanost in trajnost - _Sketchnote avtorja [@nitya](https://twitter.com/nitya)_ | + +[Agenda 2030 za trajnostni razvoj](https://sdgs.un.org/2030agenda) - ki so jo leta 2015 sprejele vse članice Združenih narodov - določa 17 ciljev, vključno s tistimi, ki se osredotočajo na **zaščito planeta** pred degradacijo in vplivi podnebnih sprememb. Pobuda [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) podpira te cilje z raziskovanjem načinov, kako lahko tehnološke rešitve podpirajo in gradijo bolj trajnostno prihodnost, s [fokusom na 4 cilje](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - postati ogljično negativni, vodno pozitivni, brez odpadkov in biotsko raznovrstni do leta 2030. + +Reševanje teh izzivov na obsežen in pravočasen način zahteva razmišljanje na ravni oblaka - in velike količine podatkov. Pobuda [Planetary Computer](https://planetarycomputer.microsoft.com/) ponuja 4 komponente, ki pomagajo podatkovnim znanstvenikom in razvijalcem pri tem prizadevanju: + + * [Katalog podatkov](https://planetarycomputer.microsoft.com/catalog) - s petabajti podatkov o zemeljskih sistemih (brezplačno in gostovano na Azure). + * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - za pomoč uporabnikom pri iskanju ustreznih podatkov po prostoru in času. + * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - upravljano okolje za znanstvenike za obdelavo masivnih geosprostorskih podatkovnih zbirk. + * [Aplikacije](https://planetarycomputer.microsoft.com/applications) - prikaz primerov uporabe in orodij za vpoglede v trajnost. +**Projekt Planetary Computer je trenutno v predogledu (od septembra 2021)** - tukaj je, kako lahko začnete prispevati k rešitvam za trajnost z uporabo podatkovne znanosti. + +* [Zahtevajte dostop](https://planetarycomputer.microsoft.com/account/request) za začetek raziskovanja in povezovanje s kolegi. +* [Raziščite dokumentacijo](https://planetarycomputer.microsoft.com/docs/overview/about), da razumete podprte nabore podatkov in API-je. +* Raziščite aplikacije, kot je [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/), za navdih pri idejah za aplikacije. + +Razmislite, kako lahko uporabite vizualizacijo podatkov za razkrivanje ali poudarjanje pomembnih vpogledov na področjih, kot sta podnebne spremembe in krčenje gozdov. Ali pa razmislite, kako je mogoče vpoglede uporabiti za ustvarjanje novih uporabniških izkušenj, ki spodbujajo vedenjske spremembe za bolj trajnostno življenje. + +## Podatkovna znanost + Študenti + +Govorili smo o aplikacijah iz resničnega sveta v industriji in raziskavah ter raziskovali primere uporabe podatkovne znanosti v digitalnih humanističnih vedah in trajnosti. Kako torej lahko kot začetniki v podatkovni znanosti gradite svoje veščine in delite svoje znanje? + +Tukaj je nekaj primerov študentskih projektov iz podatkovne znanosti za navdih. + +* [Poletna šola podatkovne znanosti MSR](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) z GitHub [projekti](https://github.com/msr-ds3), ki raziskujejo teme, kot so: + - [Rasna pristranskost pri uporabi sile s strani policije](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) + - [Zanesljivost podzemne železnice v New Yorku](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) +* [Digitalizacija materialne kulture: Raziskovanje socio-ekonomskih razporeditev v Sirkapu](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - od [Ornella Altunyan](https://twitter.com/ornelladotcom) in ekipe na Claremontu, z uporabo [ArcGIS StoryMaps](https://storymaps.arcgis.com/). + +## 🚀 Izziv + +Poiščite članke, ki priporočajo projekte iz podatkovne znanosti, primerni za začetnike - na primer [teh 50 tematskih področij](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) ali [teh 21 idej za projekte](https://www.intellspot.com/data-science-project-ideas) ali [teh 16 projektov s kodo](https://data-flair.training/blogs/data-science-project-ideas/), ki jih lahko razstavite in predelate. Ne pozabite tudi pisati blogov o svojih učnih poteh in deliti svoje vpoglede z nami. + +## Kviz po predavanju + +[Kviz po predavanju](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) + +## Pregled in samostojno učenje + +Želite raziskati več primerov uporabe? Tukaj je nekaj ustreznih člankov: +* [17 aplikacij in primerov uporabe podatkovne znanosti](https://builtin.com/data-science/data-science-applications-examples) - julij 2021 +* [11 osupljivih aplikacij podatkovne znanosti v resničnem svetu](https://myblindbird.com/data-science-applications-real-world/) - maj 2021 +* [Podatkovna znanost v resničnem svetu](https://towardsdatascience.com/data-science-in-the-real-world/home) - zbirka člankov +* Podatkovna znanost v: [Izobraževanju](https://data-flair.training/blogs/data-science-in-education/), [Kmetijstvu](https://data-flair.training/blogs/data-science-in-agriculture/), [Financah](https://data-flair.training/blogs/data-science-in-finance/), [Filmih](https://data-flair.training/blogs/data-science-at-movies/) in več. + +## Naloga + +[Raziščite nabor podatkov Planetary Computer](assignment.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/sl/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..a9906843 --- /dev/null +++ b/translations/sl/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,50 @@ + +# Raziskovanje podatkovne zbirke Planetary Computer + +## Navodila + +V tej lekciji smo govorili o različnih področjih uporabe podatkovne znanosti – s poglobljenimi primeri, povezanimi z raziskovanjem, trajnostjo in digitalnimi humanističnimi vedami. V tej nalogi boste podrobneje raziskali enega od teh primerov in uporabili svoje znanje o vizualizaciji in analizi podatkov, da pridobite vpoglede v podatke o trajnosti. + +Projekt [Planetary Computer](https://planetarycomputer.microsoft.com/) vsebuje podatkovne zbirke in API-je, do katerih lahko dostopate z računom – če želite preizkusiti dodatni korak naloge, zaprosite za dostop. Spletno mesto ponuja tudi funkcijo [Explorer](https://planetarycomputer.microsoft.com/explore), ki jo lahko uporabljate brez ustvarjanja računa. + +`Koraki:` +Vmesnik Explorer (prikazan na spodnjem posnetku zaslona) vam omogoča izbiro podatkovne zbirke (iz ponujenih možnosti), prednastavljene poizvedbe (za filtriranje podatkov) in možnosti upodabljanja (za ustvarjanje ustrezne vizualizacije). Vaša naloga v tej nalogi je: + + 1. Preberite [dokumentacijo Explorerja](https://planetarycomputer.microsoft.com/docs/overview/explorer/) – razumite možnosti. + 2. Raziščite [katalog podatkovnih zbirk](https://planetarycomputer.microsoft.com/catalog) – spoznajte namen vsake zbirke. + 3. Uporabite Explorer – izberite podatkovno zbirko, ki vas zanima, izberite ustrezno poizvedbo in možnost upodabljanja. + +![Explorer Planetary Computer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sl.png) + +`Vaša naloga:` +Zdaj preučite vizualizacijo, ki je prikazana v brskalniku, in odgovorite na naslednje: + * Katere _lastnosti_ ima podatkovna zbirka? + * Katere _vpoglede_ ali rezultate ponuja vizualizacija? + * Kakšne so _posledice_ teh vpogledov za cilje trajnostnega projekta? + * Katere so _omejitve_ vizualizacije (tj. kateri vpogledov niste dobili)? + * Če bi imeli dostop do surovih podatkov, katere _alternativne vizualizacije_ bi ustvarili in zakaj? + +`Dodatne točke:` +Zaprosite za račun – in se prijavite, ko je odobren. + * Uporabite možnost _Launch Hub_ za odpiranje surovih podatkov v beležnici (Notebook). + * Interaktivno raziskujte podatke in izvedite alternativne vizualizacije, ki ste jih predlagali. + * Zdaj analizirajte svoje prilagojene vizualizacije – ali ste lahko pridobili vpoglede, ki jih prej niste? + +## Merila ocenjevanja + +Odlično | Zadostno | Potrebna izboljšava +--- | --- | -- | +Na vseh pet osnovnih vprašanj je bilo odgovorjeno. Študent je jasno opredelil, kako lahko trenutne in alternativne vizualizacije prispevajo k vpogledom v cilje ali rezultate trajnosti. | Študent je podrobno odgovoril na vsaj prva tri vprašanja, kar kaže, da ima praktične izkušnje z Explorerjem. | Študent ni odgovoril na več vprašanj ali je podal premalo podrobnosti – kar kaže, da ni bil narejen smiseln poskus izvedbe projekta. | + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/6-Data-Science-In-Wild/README.md b/translations/sl/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..90e48e1c --- /dev/null +++ b/translations/sl/6-Data-Science-In-Wild/README.md @@ -0,0 +1,25 @@ + +# Podatkovna znanost v praksi + +Resnične uporabe podatkovne znanosti v različnih panogah. + +### Teme + +1. [Podatkovna znanost v resničnem svetu](20-Real-World-Examples/README.md) + +### Zasluge + +Napisano z ❤️ avtorica [Nitya Narasimhan](https://twitter.com/nitya) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da se zavedate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/CODE_OF_CONDUCT.md b/translations/sl/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..272526f6 --- /dev/null +++ b/translations/sl/CODE_OF_CONDUCT.md @@ -0,0 +1,23 @@ + +# Microsoftov kodeks ravnanja za odprtokodno programsko opremo + +Ta projekt je sprejel [Microsoftov kodeks ravnanja za odprtokodno programsko opremo](https://opensource.microsoft.com/codeofconduct/). + +Viri: + +- [Microsoftov kodeks ravnanja za odprtokodno programsko opremo](https://opensource.microsoft.com/codeofconduct/) +- [Pogosta vprašanja o kodeksu ravnanja](https://opensource.microsoft.com/codeofconduct/faq/) +- Za vprašanja ali pomisleke se obrnite na [opencode@microsoft.com](mailto:opencode@microsoft.com) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/CONTRIBUTING.md b/translations/sl/CONTRIBUTING.md new file mode 100644 index 00000000..c0acbc0e --- /dev/null +++ b/translations/sl/CONTRIBUTING.md @@ -0,0 +1,21 @@ + +# Prispevanje + +Ta projekt pozdravlja prispevke in predloge. Večina prispevkov zahteva, da se strinjate s Sporazumom o licenci za prispevke (CLA), s katerim potrjujete, da imate pravico in dejansko podeljujete pravice za uporabo vašega prispevka. Za podrobnosti obiščite https://cla.microsoft.com. + +Ko oddate zahtevo za združitev (pull request), bo CLA-bot samodejno preveril, ali morate predložiti CLA, in ustrezno označil zahtevo (npr. z oznako ali komentarjem). Preprosto sledite navodilom, ki jih zagotovi bot. To boste morali storiti le enkrat za vse repozitorije, ki uporabljajo naš CLA. + +Ta projekt je sprejel [Microsoftov kodeks ravnanja za odprto kodo](https://opensource.microsoft.com/codeofconduct/). Za več informacij si oglejte [Pogosta vprašanja o kodeksu ravnanja](https://opensource.microsoft.com/codeofconduct/faq/) ali se obrnite na [opencode@microsoft.com](mailto:opencode@microsoft.com) za dodatna vprašanja ali komentarje. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/README.md b/translations/sl/README.md new file mode 100644 index 00000000..e5ed9182 --- /dev/null +++ b/translations/sl/README.md @@ -0,0 +1,155 @@ + +# Podatkovna znanost za začetnike - Kurikulum + +Azure Cloud Advocates pri Microsoftu z veseljem ponujajo 10-tedenski, 20-lekcijski kurikulum o podatkovni znanosti. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev in nalogo. Naš projektno usmerjen pristop omogoča učenje skozi ustvarjanje, kar je dokazano učinkovit način za trajno pridobivanje novih veščin. + +**Iskrena zahvala našim avtorjem:** [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). + +**🙏 Posebna zahvala 🙏 našim [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) avtorjem, recenzentom in prispevalcem vsebine,** med njimi 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/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sl.png)| +|:---:| +| Podatkovna znanost za začetnike - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +### 🌐 Večjezična podpora + +#### Podprto prek GitHub Action (Avtomatizirano in vedno posodobljeno) + +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](./README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) + +**Če želite dodati dodatne prevode, so podprti jeziki navedeni [tukaj](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** + +#### Pridružite se naši skupnosti +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) + +# Ste študent? + +Začnite z naslednjimi viri: + +- [Stran Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Na tej strani boste našli začetniške vire, študentske pakete in celo načine za pridobitev brezplačnega certifikata. To je stran, ki jo želite shraniti med zaznamke in občasno preveriti, saj vsebino menjamo vsaj enkrat mesečno. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Pridružite se globalni skupnosti študentskih ambasadorjev, to bi lahko bil vaš vstop v Microsoft. + +# Začetek + +> **Učitelji**: [vključili smo nekaj predlogov](for-teachers.md) o tem, kako uporabiti ta kurikulum. Veseli bomo vaših povratnih informacij [v našem forumu za razprave](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! + +> **[Študenti](https://aka.ms/student-page)**: za samostojno uporabo tega kurikuluma, razvejajte celoten repozitorij in samostojno dokončajte vaje, začenši s kvizom pred predavanjem. Nato preberite predavanje in dokončajte preostale aktivnosti. Poskusite ustvariti projekte z razumevanjem lekcij, namesto da kopirate kodo rešitve; vendar je ta koda na voljo v mapah /solutions v vsaki projektno usmerjeni lekciji. Druga ideja bi bila, da oblikujete študijsko skupino s prijatelji in skupaj preučite vsebino. Za nadaljnje študije priporočamo [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). + +## Spoznajte ekipo + +[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") + +**Gif avtorja** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) + +> 🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili! + +## Pedagogika + +Pri oblikovanju tega kurikuluma smo se odločili za dva pedagoška načela: zagotoviti, da je projektno usmerjen in da vključuje pogoste kvize. Do konca te serije bodo študenti osvojili osnovna načela podatkovne znanosti, vključno z etičnimi koncepti, pripravo podatkov, različnimi načini dela s podatki, vizualizacijo podatkov, analizo podatkov, resničnimi primeri uporabe podatkovne znanosti in še več. + +Poleg tega kviz z nizkim tveganjem pred predavanjem usmeri pozornost študenta na učenje določene teme, medtem ko drugi kviz po predavanju zagotavlja dodatno zadrževanje znanja. Ta kurikulum je bil zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče jemati v celoti ali delno. Projekti se začnejo majhni in postajajo vse bolj kompleksni do konca 10-tedenskega cikla. +> Poiščite naš [Kodeks ravnanja](CODE_OF_CONDUCT.md), [Prispevanje](CONTRIBUTING.md), [Smernice za prevajanje](TRANSLATIONS.md). Veseli bomo vaših konstruktivnih povratnih informacij! +## Vsaka lekcija vključuje: + +- Izbirna skica +- Izbirni dodatni video +- Uvodni kviz pred lekcijo +- Pisna lekcija +- Pri projektno usmerjenih lekcijah, korak za korakom vodiči za izdelavo projekta +- Preverjanje znanja +- Izziv +- Dodatno branje +- Naloga +- [Kviz po lekciji](https://ff-quizzes.netlify.app/en/) + +> **Opomba o kvizih**: Vsi kvizi so shranjeni v mapi Quiz-App, skupaj 40 kvizov, vsak s tremi vprašanji. Povezave do kvizov so vključene v lekcije, aplikacijo za kvize pa lahko zaženete lokalno ali jo namestite na Azure; sledite navodilom v mapi `quiz-app`. Postopoma se prevajajo v različne jezike. + +## Lekcije + +|![ Skica avtorja @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sl.png)| +|:---:| +| Podatkovna znanost za začetnike: Načrt - _Skica avtorja [@nitya](https://twitter.com/nitya)_ | + +| Številka lekcije | Tema | Skupina lekcij | Učni cilji | Povezana lekcija | Avtor | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | Definicija podatkovne znanosti | [Uvod](1-Introduction/README.md) | Spoznajte osnovne koncepte podatkovne znanosti in njeno povezavo z umetno inteligenco, strojim učenjem in velikimi podatki. | [lekcija](1-Introduction/01-defining-data-science/README.md) [video](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | +| 02 | Etika podatkovne znanosti | [Uvod](1-Introduction/README.md) | Koncepti etike podatkov, izzivi in okviri. | [lekcija](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 03 | Definicija podatkov | [Uvod](1-Introduction/README.md) | Kako so podatki razvrščeni in njihovi pogosti viri. | [lekcija](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 04 | Uvod v statistiko in verjetnost | [Uvod](1-Introduction/README.md) | Matematične tehnike verjetnosti in statistike za razumevanje podatkov. | [lekcija](1-Introduction/04-stats-and-probability/README.md) [video](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | +| 05 | Delo z relacijskimi podatki | [Delo s podatki](2-Working-With-Data/README.md) | Uvod v relacijske podatke in osnove raziskovanja ter analize relacijskih podatkov z jezikom SQL (izgovorjava "si-kvel"). | [lekcija](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | +| 06 | Delo z NoSQL podatki | [Delo s podatki](2-Working-With-Data/README.md) | Uvod v nerelacijske podatke, njihove različne vrste in osnove raziskovanja ter analize dokumentnih baz. | [lekcija](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| +| 07 | Delo s Pythonom | [Delo s podatki](2-Working-With-Data/README.md) | Osnove uporabe Pythona za raziskovanje podatkov z uporabo knjižnic, kot je Pandas. Priporočljivo je osnovno razumevanje programiranja v Pythonu. | [lekcija](2-Working-With-Data/07-python/README.md) [video](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | +| 08 | Priprava podatkov | [Delo s podatki](2-Working-With-Data/README.md) | Teme o tehnikah čiščenja in preoblikovanja podatkov za reševanje izzivov, kot so manjkajoči, netočni ali nepopolni podatki. | [lekcija](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 09 | Vizualizacija količin | [Vizualizacija podatkov](3-Data-Visualization/README.md) | Naučite se uporabljati Matplotlib za vizualizacijo podatkov o pticah 🦆 | [lekcija](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | +| 10 | Vizualizacija porazdelitev podatkov | [Vizualizacija podatkov](3-Data-Visualization/README.md) | Vizualizacija opažanj in trendov znotraj intervala. | [lekcija](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 11 | Vizualizacija deležev | [Vizualizacija podatkov](3-Data-Visualization/README.md) | Vizualizacija diskretnih in združenih odstotkov. | [lekcija](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 12 | Vizualizacija odnosov | [Vizualizacija podatkov](3-Data-Visualization/README.md) | Vizualizacija povezav in korelacij med nabori podatkov in njihovimi spremenljivkami. | [lekcija](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | +| 13 | Smiselne vizualizacije | [Vizualizacija podatkov](3-Data-Visualization/README.md) | Tehnike in smernice za ustvarjanje vizualizacij, ki so koristne za učinkovito reševanje problemov in pridobivanje vpogledov. | [lekcija](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | +| 14 | Uvod v življenjski cikel podatkovne znanosti | [Življenjski cikel](4-Data-Science-Lifecycle/README.md) | Uvod v življenjski cikel podatkovne znanosti in njegov prvi korak - pridobivanje in ekstrakcija podatkov. | [lekcija](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | Analiza | [Življenjski cikel](4-Data-Science-Lifecycle/README.md) | Ta faza življenjskega cikla podatkovne znanosti se osredotoča na tehnike analize podatkov. | [lekcija](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | Komunikacija | [Življenjski cikel](4-Data-Science-Lifecycle/README.md) | Ta faza življenjskega cikla podatkovne znanosti se osredotoča na predstavitev vpogledov iz podatkov na način, ki je razumljiv odločevalcem. | [lekcija](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 17 | Podatkovna znanost v oblaku | [Podatki v oblaku](5-Data-Science-In-Cloud/README.md) | Ta serija lekcij uvaja podatkovno znanost v oblaku in njene prednosti. | [lekcija](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) in [Maud](https://twitter.com/maudstweets) | +| 18 | Podatkovna znanost v oblaku | [Podatki v oblaku](5-Data-Science-In-Cloud/README.md) | Učenje modelov z uporabo orodij za nizko kodiranje. |[lekcija](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) in [Maud](https://twitter.com/maudstweets) | +| 19 | Podatkovna znanost v oblaku | [Podatki v oblaku](5-Data-Science-In-Cloud/README.md) | Nameščanje modelov z Azure Machine Learning Studio. | [lekcija](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) in [Maud](https://twitter.com/maudstweets) | +| 20 | Podatkovna znanost v praksi | [V praksi](6-Data-Science-In-Wild/README.md) | Projekti, ki temeljijo na podatkovni znanosti, v resničnem svetu. | [lekcija](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | + +## GitHub Codespaces + +Sledite tem korakom za odpiranje tega vzorca v Codespace: +1. Kliknite spustni meni Code in izberite možnost Open with Codespaces. +2. Na dnu podokna izberite + New codespace. +Za več informacij si oglejte [dokumentacijo GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). + +## VSCode Remote - Containers +Sledite tem korakom za odpiranje tega repozitorija v vsebniku z uporabo vašega lokalnega računalnika in VSCode z razširitvijo VS Code Remote - Containers: + +1. Če prvič uporabljate razvojni vsebnik, se prepričajte, da vaš sistem izpolnjuje predpogoje (npr. nameščen Docker) v [dokumentaciji za začetek](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). + +Za uporabo tega repozitorija ga lahko odprete v izoliranem Dockerjevem volumnu: + +**Opomba**: V ozadju bo uporabljen ukaz Remote-Containers: **Clone Repository in Container Volume...**, da se izvorna koda klonira v Dockerjev volumen namesto v lokalni datotečni sistem. [Volumni](https://docs.docker.com/storage/volumes/) so priporočljiv mehanizem za shranjevanje podatkov vsebnika. + +Ali pa odprite lokalno klonirano ali preneseno različico repozitorija: + +- Klonirajte ta repozitorij na vaš lokalni datotečni sistem. +- Pritisnite F1 in izberite ukaz **Remote-Containers: Open Folder in Container...**. +- Izberite klonirano kopijo te mape, počakajte, da se vsebnik zažene, in preizkusite stvari. + +## Dostop brez povezave + +To dokumentacijo lahko zaženete brez povezave z uporabo [Docsify](https://docsify.js.org/#/). Forkajte ta repozitorij, [namestite Docsify](https://docsify.js.org/#/quickstart) na vaš lokalni računalnik, nato v korenski mapi tega repozitorija vnesite `docsify serve`. Spletna stran bo na voljo na vratih 3000 na vašem localhostu: `localhost:3000`. + +> Opomba, zvezki ne bodo prikazani prek Docsify, zato jih po potrebi zaženite ločeno v VS Code z uporabo Pythonovega jedra. + +## Drugi učni načrti + +Naša ekipa pripravlja tudi druge učne načrte! Oglejte si: + +- [Generativna umetna inteligenca za začetnike](https://aka.ms/genai-beginners) +- [Generativna umetna inteligenca za začetnike .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Generativna umetna inteligenca z JavaScriptom](https://github.com/microsoft/generative-ai-with-javascript) +- [Generativna umetna inteligenca z Javo](https://aka.ms/genaijava) +- [Umetna inteligenca za začetnike](https://aka.ms/ai-beginners) +- [Podatkovna znanost za začetnike](https://aka.ms/datascience-beginners) +- [Strojno učenje za začetnike](https://aka.ms/ml-beginners) +- [Kibernetska varnost za začetnike](https://github.com/microsoft/Security-101) +- [Spletni razvoj za začetnike](https://aka.ms/webdev-beginners) +- [IoT za začetnike](https://aka.ms/iot-beginners) +- [XR razvoj za začetnike](https://github.com/microsoft/xr-development-for-beginners) +- [Obvladovanje GitHub Copilot za parno programiranje](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Obvladovanje GitHub Copilot za razvijalce C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Izberite svojo Copilot pustolovščino](https://github.com/microsoft/CopilotAdventures) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/SECURITY.md b/translations/sl/SECURITY.md new file mode 100644 index 00000000..2da29103 --- /dev/null +++ b/translations/sl/SECURITY.md @@ -0,0 +1,51 @@ + +## Varnost + +Microsoft jemlje varnost svojih programske opreme in storitev resno, kar vključuje vse repozitorije izvorne kode, ki jih upravljajo naše GitHub organizacije, med katerimi so [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) in [naše GitHub organizacije](https://opensource.microsoft.com/). + +Če menite, da ste odkrili varnostno ranljivost v katerem koli repozitoriju, ki je v lasti Microsofta in ustreza [Microsoftovi definiciji varnostne ranljivosti](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), nam to prosimo sporočite, kot je opisano spodaj. + +## Poročanje o varnostnih težavah + +**Prosimo, ne poročajte o varnostnih ranljivostih prek javnih GitHub težav.** + +Namesto tega jih prijavite Microsoftovemu centru za odzivanje na varnost (MSRC) na [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report). + +Če raje pošljete prijavo brez prijave, pošljite e-pošto na [secure@microsoft.com](mailto:secure@microsoft.com). Če je mogoče, šifrirajte svoje sporočilo z našim PGP ključem; prenesite ga s strani [Microsoft Security Response Center PGP Key](https://www.microsoft.com/en-us/msrc/pgp-key-msrc). + +Odgovor bi morali prejeti v 24 urah. Če ga iz kakršnega koli razloga ne prejmete, nas prosimo kontaktirajte prek e-pošte, da zagotovite, da smo prejeli vaše prvotno sporočilo. Dodatne informacije najdete na [microsoft.com/msrc](https://www.microsoft.com/msrc). + +Prosimo, vključite spodaj navedene zahtevane informacije (kolikor jih lahko zagotovite), da nam pomagate bolje razumeti naravo in obseg možne težave: + + * Vrsta težave (npr. prelivanje medpomnilnika, SQL vbrizgavanje, skriptanje na strani odjemalca itd.) + * Polne poti izvornih datotek, povezanih z manifestacijo težave + * Lokacija prizadete izvorne kode (oznaka/veja/commit ali neposredni URL) + * Kakršna koli posebna konfiguracija, potrebna za reprodukcijo težave + * Navodila po korakih za reprodukcijo težave + * Dokaz koncepta ali izkoriščevalna koda (če je mogoče) + * Vpliv težave, vključno s tem, kako bi napadalec lahko izkoristil težavo + +Te informacije nam bodo pomagale hitreje obravnavati vaše poročilo. + +Če poročate v okviru programa za nagrade za napake, lahko bolj popolna poročila prispevajo k višji nagradi. Prosimo, obiščite našo stran [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) za več podrobnosti o naših aktivnih programih. + +## Prednostni jeziki + +Zaželeno je, da so vsa sporočila v angleščini. + +## Politika + +Microsoft sledi načelom [usklajenega razkritja ranljivosti](https://www.microsoft.com/en-us/msrc/cvd). + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni prevod s strani človeka. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/SUPPORT.md b/translations/sl/SUPPORT.md new file mode 100644 index 00000000..278a1b48 --- /dev/null +++ b/translations/sl/SUPPORT.md @@ -0,0 +1,24 @@ + +# Podpora +## Kako prijaviti težave in dobiti pomoč + +Ta projekt uporablja GitHub Issues za sledenje napakam in zahtevam za nove funkcije. Preden prijavite novo težavo, preverite obstoječe težave, da se izognete podvajanju. Za nove težave prijavite svojo napako ali zahtevo za funkcijo kot novo težavo. + +Za pomoč in vprašanja o uporabi tega projekta prijavite težavo. + +## Microsoftova politika podpore + +Podpora za to repozitorij je omejena na zgoraj navedene vire. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve AI za prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna napačna razumevanja ali napačne interpretacije, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/docs/_sidebar.md b/translations/sl/docs/_sidebar.md new file mode 100644 index 00000000..e148b4b4 --- /dev/null +++ b/translations/sl/docs/_sidebar.md @@ -0,0 +1,40 @@ + +- Uvod + - [Definiranje podatkovne znanosti](../1-Introduction/01-defining-data-science/README.md) + - [Etika podatkovne znanosti](../1-Introduction/02-ethics/README.md) + - [Definiranje podatkov](../1-Introduction/03-defining-data/README.md) + - [Verjetnost in statistika](../1-Introduction/04-stats-and-probability/README.md) +- Delo s podatki + - [Relacijske baze podatkov](../2-Working-With-Data/05-relational-databases/README.md) + - [Nerelacijske baze podatkov](../2-Working-With-Data/06-non-relational/README.md) + - [Python](../2-Working-With-Data/07-python/README.md) + - [Priprava podatkov](../2-Working-With-Data/08-data-preparation/README.md) +- Vizualizacija podatkov + - [Vizualizacija količin](../3-Data-Visualization/09-visualization-quantities/README.md) + - [Vizualizacija porazdelitev](../3-Data-Visualization/10-visualization-distributions/README.md) + - [Vizualizacija deležev](../3-Data-Visualization/11-visualization-proportions/README.md) + - [Vizualizacija odnosov](../3-Data-Visualization/12-visualization-relationships/README.md) + - [Smiselne vizualizacije](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- Življenjski cikel podatkovne znanosti + - [Uvod](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [Analiza](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [Komunikacija](../4-Data-Science-Lifecycle/16-communication/README.md) +- Podatkovna znanost v oblaku + - [Uvod](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [Nizka koda](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md) +- Podatkovna znanost v naravi + - [Podatkovna znanost v naravi](../6-Data-Science-In-Wild/README.md) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/for-teachers.md b/translations/sl/for-teachers.md new file mode 100644 index 00000000..1c72534a --- /dev/null +++ b/translations/sl/for-teachers.md @@ -0,0 +1,78 @@ + +## Za učitelje + +Bi radi uporabili ta učni načrt v svoji učilnici? Kar izvolite! + +Pravzaprav ga lahko uporabite kar na GitHubu z uporabo GitHub Classroom. + +Za to naredite fork tega repozitorija. Za vsako lekcijo boste morali ustvariti svoj repozitorij, zato boste morali vsako mapo izvleči v ločen repozitorij. Na ta način lahko [GitHub Classroom](https://classroom.github.com/classrooms) obravnava vsako lekcijo posebej. + +Te [podrobna navodila](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vam bodo dala idejo, kako nastaviti svojo učilnico. + +## Uporaba repozitorija v trenutni obliki + +Če želite uporabiti ta repozitorij v trenutni obliki, brez uporabe GitHub Classroom, je to prav tako mogoče. S študenti boste morali komunicirati, katero lekcijo naj skupaj predelajo. + +V spletnem formatu (Zoom, Teams ali drugo) lahko ustvarite ločene sobe za kvize in mentorirate študente, da se pripravijo na učenje. Nato povabite študente, da rešijo kvize in oddajo svoje odgovore kot 'issues' ob določenem času. Podobno lahko storite z nalogami, če želite, da študenti sodelujejo javno. + +Če imate raje bolj zaseben format, prosite študente, naj naredijo fork učnega načrta, lekcijo za lekcijo, v svoje zasebne GitHub repozitorije in vam omogočijo dostop. Tako lahko kvize in naloge opravijo zasebno ter jih oddajo prek issues v vašem učnem repozitoriju. + +Obstaja veliko načinov, kako to prilagoditi spletnemu učnemu okolju. Sporočite nam, kaj vam najbolj ustreza! + +## Vključeno v ta učni načrt: + +20 lekcij, 40 kvizov in 20 nalog. Lekcije spremljajo sketchnotes za vizualne učence. Veliko lekcij je na voljo tako v Pythonu kot v R-ju in jih je mogoče dokončati z uporabo Jupyter zvezkov v VS Code. Več o tem, kako nastaviti svojo učilnico za uporabo te tehnološke opreme, si lahko preberete tukaj: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +Vse sketchnotes, vključno z velikim plakatom, so v [tej mapi](../../sketchnotes). + +Celoten učni načrt je na voljo [kot PDF](../../pdf/readme.pdf). + +Ta učni načrt lahko zaženete tudi kot samostojno, brez povezave prijazno spletno stran z uporabo [Docsify](https://docsify.js.org/#/). [Namestite Docsify](https://docsify.js.org/#/quickstart) na svojo lokalno napravo, nato v korenski mapi svoje lokalne kopije tega repozitorija vnesite `docsify serve`. Spletna stran bo na voljo na portu 3000 na vašem localhost: `localhost:3000`. + +Različica učnega načrta, prijazna za uporabo brez povezave, se bo odprla kot samostojna spletna stran: https://localhost:3000 + +Lekcije so razdeljene v 6 delov: + +- 1: Uvod + - 1: Definicija podatkovne znanosti + - 2: Etika + - 3: Definicija podatkov + - 4: Pregled verjetnosti in statistike +- 2: Delo s podatki + - 5: Relacijske baze podatkov + - 6: Nerelacijske baze podatkov + - 7: Python + - 8: Priprava podatkov +- 3: Vizualizacija podatkov + - 9: Vizualizacija količin + - 10: Vizualizacija porazdelitev + - 11: Vizualizacija deležev + - 12: Vizualizacija odnosov + - 13: Smiselne vizualizacije +- 4: Življenjski cikel podatkovne znanosti + - 14: Uvod + - 15: Analiza + - 16: Komunikacija +- 5: Podatkovna znanost v oblaku + - 17: Uvod + - 18: Možnosti z malo kode + - 19: Azure +- 6: Podatkovna znanost v praksi + - 20: Pregled + +## Prosimo, delite svoje misli! + +Želimo, da ta učni načrt deluje za vas in vaše študente. Prosimo, da nam posredujete povratne informacije na forumih za razpravo! Ustvarite lahko tudi razdelek za svojo učilnico na forumih za razpravo za svoje študente. + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitna nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/quiz-app/README.md b/translations/sl/quiz-app/README.md new file mode 100644 index 00000000..402735af --- /dev/null +++ b/translations/sl/quiz-app/README.md @@ -0,0 +1,138 @@ + +# Kvizi + +Ti kvizi so predhodni in zaključni kvizi za učni načrt podatkovne znanosti na https://aka.ms/datascience-beginners + +## Dodajanje prevedenega nabora kvizov + +Prevod kviza dodate tako, da ustvarite ustrezne strukture kvizov v mapah `assets/translations`. Izvirni kvizi so v `assets/translations/en`. Kvizi so razdeljeni v več skupin. Poskrbite, da bo številčenje usklajeno s pravilnim razdelkom kvizov. V tem učnem načrtu je skupaj 40 kvizov, številčenje pa se začne pri 0. + +Po urejanju prevodov uredite datoteko index.js v mapi za prevode, da uvozite vse datoteke v skladu s konvencijami v `en`. + +Uredite datoteko `index.js` v `assets/translations`, da uvozite nove prevedene datoteke. + +Nato uredite spustni meni v `App.vue` v tej aplikaciji, da dodate svoj jezik. Lokalizirano okrajšavo uskladite z imenom mape za vaš jezik. + +Na koncu uredite vse povezave do kvizov v prevedenih lekcijah, če obstajajo, tako da vključite to lokalizacijo kot parameter poizvedbe: `?loc=fr`, na primer. + +## Nastavitev projekta + +``` +npm install +``` + +### Prevajanje in samodejno osveževanje za razvoj + +``` +npm run serve +``` + +### Prevajanje in minimiziranje za produkcijo + +``` +npm run build +``` + +### Preverjanje kode in odpravljanje napak + +``` +npm run lint +``` + +### Prilagoditev konfiguracije + +Glejte [Referenca konfiguracije](https://cli.vuejs.org/config/). + +Zasluge: Zahvala za izvirno različico te aplikacije za kvize: https://github.com/arpan45/simple-quiz-vue + +## Uvajanje na Azure + +Tukaj je korak za korakom vodnik, ki vam bo pomagal začeti: + +1. Fork GitHub repozitorija +Prepričajte se, da je koda vaše statične spletne aplikacije v vašem GitHub repozitoriju. Forkajte ta repozitorij. + +2. Ustvarite Azure Static Web App +- Ustvarite [Azure račun](http://azure.microsoft.com) +- Pojdite na [Azure portal](https://portal.azure.com) +- Kliknite “Create a resource” in poiščite “Static Web App”. +- Kliknite “Create”. + +3. Konfigurirajte Static Web App +- Osnovno: Naročnina: Izberite svojo Azure naročnino. +- Skupina virov: Ustvarite novo skupino virov ali uporabite obstoječo. +- Ime: Določite ime za svojo statično spletno aplikacijo. +- Regija: Izberite regijo, ki je najbližja vašim uporabnikom. + +- #### Podrobnosti uvajanja: +- Vir: Izberite “GitHub”. +- GitHub račun: Pooblastite Azure za dostop do vašega GitHub računa. +- Organizacija: Izberite svojo GitHub organizacijo. +- Repozitorij: Izberite repozitorij, ki vsebuje vašo statično spletno aplikacijo. +- Branch: Izberite vejo, iz katere želite uvajati. + +- #### Podrobnosti gradnje: +- Prednastavitve gradnje: Izberite ogrodje, s katerim je vaša aplikacija zgrajena (npr. React, Angular, Vue itd.). +- Lokacija aplikacije: Določite mapo, ki vsebuje kodo vaše aplikacije (npr. /, če je v korenu). +- Lokacija API-ja: Če imate API, določite njegovo lokacijo (neobvezno). +- Lokacija izhoda: Določite mapo, kjer je ustvarjen izhod gradnje (npr. build ali dist). + +4. Pregled in ustvarjanje +Preglejte svoje nastavitve in kliknite “Create”. Azure bo nastavil potrebne vire in ustvaril GitHub Actions delovni tok v vašem repozitoriju. + +5. GitHub Actions delovni tok +Azure bo samodejno ustvaril GitHub Actions delovni tok v vašem repozitoriju (.github/workflows/azure-static-web-apps-.yml). Ta delovni tok bo upravljal proces gradnje in uvajanja. + +6. Spremljanje uvajanja +Pojdite na zavihek “Actions” v vašem GitHub repozitoriju. +Videti bi morali, da delovni tok teče. Ta delovni tok bo zgradil in uvedel vašo statično spletno aplikacijo na Azure. +Ko se delovni tok zaključi, bo vaša aplikacija na voljo na dodeljenem Azure URL-ju. + +### Primer datoteke delovnega toka + +Tukaj je primer, kako bi lahko izgledala datoteka GitHub Actions delovnega toka: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### Dodatni viri +- [Dokumentacija za Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [Dokumentacija za GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sl/sketchnotes/README.md b/translations/sl/sketchnotes/README.md new file mode 100644 index 00000000..a5a1b835 --- /dev/null +++ b/translations/sl/sketchnotes/README.md @@ -0,0 +1,21 @@ + +Poiščite vse skicopise tukaj! + +## Zasluge + +Nitya Narasimhan, umetnica + +![skicopis načrta](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sl.png) + +--- + +**Omejitev odgovornosti**: +Ta dokument je bil preveden z uporabo storitve za strojno prevajanje [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda. \ No newline at end of file diff --git a/translations/sr/1-Introduction/01-defining-data-science/README.md b/translations/sr/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..5c4f8dde --- /dev/null +++ b/translations/sr/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,80 @@ + +## Типови података + +Као што смо већ поменули, подаци су свуда око нас. Само их треба правилно ухватити! Корисно је разликовати **структуриране** и **неструктуриране** податке. Први су обично представљени у добро организованом облику, често као табела или више табела, док су други само збирка датотека. Понекад можемо говорити и о **полуструктурираним** подацима, који имају неку врсту структуре која може значајно варирати. + +| Структурирани | Полуструктурирани | Неструктурирани | +| ---------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------- | --------------------------------------- | +| Листа људи са њиховим телефонским бројевима | Википедијине странице са линковима | Текст Енциклопедије Британика | +| Температура у свим просторијама зграде сваког минута у последњих 20 година | Збирка научних радова у JSON формату са ауторима, датумом објављивања и апстрактом | Датотеке са корпоративним документима | +| Подаци о старости и полу свих људи који улазе у зграду | Интернет странице | Сирови видео снимак са надзорне камере | + +## Где пронаћи податке + +Постоји много могућих извора података, и немогуће је набројати све! Међутим, хајде да поменемо неке од типичних места где можете пронаћи податке: + +* **Структурирани** + - **Интернет ствари** (IoT), укључујући податке са различитих сензора, као што су сензори температуре или притиска, пружају много корисних података. На пример, ако је пословна зграда опремљена IoT сензорима, можемо аутоматски контролисати грејање и осветљење како бисмо минимизирали трошкове. + - **Анкете** које тражимо од корисника да попуне након куповине или посете веб сајту. + - **Анализа понашања** може, на пример, помоћи да разумемо колико дубоко корисник истражује сајт и који је типичан разлог за напуштање сајта. +* **Неструктурирани** + - **Текстови** могу бити богат извор увида, као што је укупна **оценa сентимента**, или извлачење кључних речи и семантичког значења. + - **Слике** или **видео записи**. Видео снимак са надзорне камере може се користити за процену саобраћаја на путу и информисање људи о потенцијалним гужвама. + - **Логови веб сервера** могу се користити за разумевање које странице нашег сајта се најчешће посећују и колико дуго. +* **Полуструктурирани** + - **Графови друштвених мрежа** могу бити одличан извор података о личностима корисника и потенцијалној ефикасности у ширењу информација. + - Када имамо гомилу фотографија са забаве, можемо покушати да извучемо податке о **групној динамици** тако што ћемо направити граф људи који се фотографишу једни с другима. + +Познавањем различитих могућих извора података, можете размишљати о различитим сценаријима где се технике науке о подацима могу применити за боље разумевање ситуације и побољшање пословних процеса. + +## Шта можете радити са подацима + +У науци о подацима, фокусирамо се на следеће кораке у раду са подацима: + +Наравно, у зависности од стварних података, неки кораци могу недостајати (нпр. када већ имамо податке у бази или када нам није потребно тренирање модела), или се неки кораци могу поновити више пута (као што је обрада података). + +## Дигитализација и дигитална трансформација + +У последњој деценији, многе компаније су почеле да схватају важност података при доношењу пословних одлука. Да би се применили принципи науке о подацима у пословању, прво је потребно прикупити неке податке, односно превести пословне процесе у дигитални облик. Ово је познато као **дигитализација**. Примена техника науке о подацима на ове податке ради доношења одлука може довести до значајног повећања продуктивности (или чак пословног преокрета), што се назива **дигитална трансформација**. + +Хајде да размотримо пример. Претпоставимо да имамо курс науке о подацима (као овај) који онлајн предајемо студентима и желимо да користимо науку о подацима за његово побољшање. Како то можемо урадити? + +Можемо почети питањем "Шта се може дигитализовати?" Најједноставнији начин би био да измеримо време које је сваком студенту потребно да заврши сваки модул и да измеримо стечено знање давањем теста са вишеструким избором на крају сваког модула. Просечним временом завршетка за све студенте можемо открити који модули представљају највеће потешкоће за студенте и радити на њиховом поједностављењу. +Можете тврдити да овај приступ није идеалан, јер модули могу бити различитих дужина. Вероватно је праведније поделити време са дужином модула (у броју карактера) и упоредити те вредности уместо тога. +Када почнемо да анализирамо резултате тестова са вишеструким избором, можемо покушати да утврдимо које концепте ученици имају потешкоћа да разумеју, и користимо те информације за побољшање садржаја. Да бисмо то урадили, потребно је да дизајнирамо тестове на такав начин да свако питање одговара одређеном концепту или делу знања. + +Ако желимо да идемо још сложеније, можемо приказати време потребно за сваки модул у односу на старосну категорију ученика. Можда ћемо открити да за неке старосне категорије треба непримерено дуго да се заврши модул, или да ученици одустану пре него што га заврше. Ово нам може помоћи да дамо препоруке за старосну групу за модул и минимизирамо незадовољство људи због погрешних очекивања. + +## 🚀 Изазов + +У овом изазову, покушаћемо да пронађемо концепте релевантне за област Науке о подацима анализирајући текстове. Узет ћемо Википедијски чланак о Науци о подацима, преузети и обрадити текст, а затим направити облак речи попут овог: + +![Облак речи за Науку о подацима](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.sr.png) + +Посетите [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') да прочитате код. Такође можете покренути код и видети како у реалном времену врши све трансформације података. + +> Ако не знате како да покренете код у Jupyter Notebook-у, погледајте [овај чланак](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1) + +## Задаци + +* **Задатак 1**: Измените горњи код да бисте пронашли повезане концепте за области **Big Data** и **Machine Learning** +* **Задатак 2**: [Размислите о сценаријима Науке о подацима](assignment.md) + +## Захвалнице + +Ова лекција је написана са ♥️ од стране [Дмитрија Сошњикова](http://soshnikov.com) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/01-defining-data-science/assignment.md b/translations/sr/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..bcab955d --- /dev/null +++ b/translations/sr/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,46 @@ + +# Задатак: Сценарији из области науке о подацима + +У овом првом задатку, од вас се тражи да размислите о неком стварном процесу или проблему у различитим доменима проблема и како можете да га побољшате користећи процес науке о подацима. Размислите о следећем: + +1. Које податке можете прикупити? +1. Како бисте их прикупили? +1. Како бисте чували податке? Колико велики ти подаци могу бити? +1. Које увиде можете добити из тих података? Које одлуке бисмо могли донети на основу тих података? + +Покушајте да размислите о 3 различита проблема/процеса и опишите сваку од горе наведених тачака за сваки домен проблема. + +Ево неких домена проблема и питања која вам могу помоћи да почнете да размишљате: + +1. Како можете користити податке за побољшање образовног процеса за децу у школама? +1. Како можете користити податке за контролу вакцинације током пандемије? +1. Како можете користити податке да бисте били сигурни да сте продуктивни на послу? + +## Упутства + +Попуните следећу табелу (замените предложене домене проблема својим ако је потребно): + +| Домен проблема | Проблем | Које податке прикупити | Како чувати податке | Које увиде/одлуке можемо донети | +|----------------|---------|-----------------------|---------------------|----------------------------------| +| Образовање | | | | | +| Вакцинација | | | | | +| Продуктивност | | | | | + +## Рубрика + +Примерено | Задовољавајуће | Потребна побољшања +--- | --- | -- | +Идентификовани су разумни извори података, начини чувања података и могући увиди/одлуке за све домене проблема | Неки аспекти решења нису детаљно описани, чување података није разматрано, описана су најмање 2 домена проблема | Описани су само делови решења за податке, разматран је само један домен проблема. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/sr/1-Introduction/01-defining-data-science/solution/assignment.md new file mode 100644 index 00000000..1b4c0200 --- /dev/null +++ b/translations/sr/1-Introduction/01-defining-data-science/solution/assignment.md @@ -0,0 +1,48 @@ + +# Задатак: Сценарији из области науке о подацима + +У овом првом задатку, од вас се тражи да размислите о неком стварном процесу или проблему у различитим доменима и како можете да га побољшате користећи процес науке о подацима. Размислите о следећем: + +1. Које податке можете прикупити? +1. Како бисте их прикупили? +1. Како бисте чували податке? Колико велики ти подаци могу бити? +1. Које увиде можете добити из тих података? Које одлуке бисмо могли донети на основу тих података? + +Покушајте да размислите о 3 различита проблема/процеса и опишите сваку од горе наведених тачака за сваки домен проблема. + +Ево неких домена проблема и питања која вам могу помоћи да почнете да размишљате: + +1. Како можете користити податке за побољшање образовног процеса за децу у школама? +1. Како можете користити податке за контролу вакцинације током пандемије? +1. Како можете користити податке да бисте били сигурни да сте продуктивни на послу? + +## Упутства + +Попуните следећу табелу (замените предложене домене проблема својим ако је потребно): + +| Домен проблема | Проблем | Које податке прикупити | Како чувати податке | Које увиде/одлуке можемо донети | +|----------------|---------|-----------------------|---------------------|----------------------------------| +| Образовање | На универзитету обично имамо слабу посећеност предавањима, а имамо хипотезу да студенти који редовно похађају предавања у просеку боље пролазе на испитима. Желимо да подстакнемо посећеност и тестирамо хипотезу. | Можемо пратити присуство кроз фотографије које снима сигурносна камера у учионици, или праћењем bluetooth/wifi адреса мобилних телефона студената у учионици. Подаци о испитима су већ доступни у универзитетској бази података. | У случају да пратимо слике са сигурносних камера - потребно је чувати неколико (5-10) фотографија током часа (неструктурирани подаци), а затим користити AI за идентификацију лица студената (претварање података у структурирану форму). | Можемо израчунати просечне податке о присуству за сваког студента и видети да ли постоји корелација са оценама на испитима. Више ћемо говорити о корелацији у одељку [вероватноћа и статистика](../../04-stats-and-probability/README.md). Да бисмо подстакли присуство студената, можемо објављивати недељни рејтинг присуства на школском порталу и организовати наградне игре за оне са највишим присуством. | +| Вакцинација | | | | | +| Продуктивност | | | | | + +> *Дат је само један одговор као пример, како бисте стекли идеју шта се очекује у овом задатку.* + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | -- | +Успешно су идентификовани разумни извори података, начини чувања података и могуће одлуке/увиди за све домене проблема | Неки аспекти решења нису детаљно обрађени, чување података није разматрано, описана су најмање 2 домена проблема | Описани су само делови решења за податке, разматран је само један домен проблема. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква неспоразумевања или погрешна тумачења која могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/02-ethics/README.md b/translations/sr/1-Introduction/02-ethics/README.md new file mode 100644 index 00000000..7817ff77 --- /dev/null +++ b/translations/sr/1-Introduction/02-ethics/README.md @@ -0,0 +1,230 @@ + +# Увод у етику података + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| +|:---:| +| Етика у науци о подацима - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +--- + +Сви смо ми грађани података који живе у свету заснованом на подацима. + +Трендови на тржишту показују да ће до 2022. године једна од три велике организације куповати и продавати своје податке преко онлајн [тржишта и берзи](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Као **развијачи апликација**, лакше и јефтиније ћемо интегрисати увиде засноване на подацима и аутоматизацију засновану на алгоритмима у свакодневна корисничка искуства. Али како вештачка интелигенција постаје све присутнија, мораћемо да разумемо потенцијалне штете које могу настати [употребом алгоритама као оружја](https://www.youtube.com/watch?v=TQHs8SA1qpk) у великом обиму. + +Трендови такође указују да ћемо до 2025. године креирати и конзумирати преко [180 зетабајта](https://www.statista.com/statistics/871513/worldwide-data-created/) података. Као **научници о подацима**, имаћемо невиђен ниво приступа личним подацима. То значи да можемо градити профиле понашања корисника и утицати на доношење одлука на начине који стварају [илузију слободног избора](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), док потенцијално усмеравамо кориснике ка исходима који нам одговарају. Ово такође поставља шира питања о приватности података и заштити корисника. + +Етика података сада представља _неопходне заштитне мере_ за науку о подацима и инжењеринг, помажући нам да минимизирамо потенцијалне штете и нежељене последице наших акција заснованих на подацима. [Гартнеров циклус хипа за вештачку интелигенцију](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) идентификује релевантне трендове у дигиталној етици, одговорној вештачкој интелигенцији и управљању вештачком интелигенцијом као кључне покретаче већих мегатрендова око _демократизације_ и _индустријализације_ вештачке интелигенције. + +![Гартнеров циклус хипа за вештачку интелигенцију - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) + +У овом часу, истражићемо фасцинантну област етике података - од основних концепата и изазова, до студија случаја и примењених концепата вештачке интелигенције као што је управљање - који помажу у успостављању културе етике у тимовима и организацијама које раде са подацима и вештачком интелигенцијом. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 + +## Основне дефиниције + +Почнимо са разумевањем основне терминологије. + +Реч "етика" потиче од [грчке речи "ethikos"](https://en.wikipedia.org/wiki/Ethics) (и њеног корена "ethos") која значи _карактер или морална природа_. + +**Етика** се односи на заједничке вредности и моралне принципе који управљају нашим понашањем у друштву. Етика се не заснива на законима, већ на широко прихваћеним нормама о томе шта је "исправно наспрам погрешног". Међутим, етичка разматрања могу утицати на иницијативе корпоративног управљања и владине регулативе које стварају више подстицаја за усаглашеност. + +**Етика података** је [нови огранак етике](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) који "проучава и процењује моралне проблеме повезане са _подацима, алгоритмима и одговарајућим праксама_". Овде, **"подаци"** се фокусирају на акције везане за генерисање, снимање, курирање, обраду, ширење, дељење и употребу, **"алгоритми"** се фокусирају на вештачку интелигенцију, агенте, машинско учење и роботе, а **"праксе"** се фокусирају на теме као што су одговорна иновација, програмирање, хаковање и кодекси етике. + +**Примењена етика** је [практична примена моралних разматрања](https://en.wikipedia.org/wiki/Applied_ethics). То је процес активног истраживања етичких питања у контексту _акција, производа и процеса у стварном свету_, и предузимање корективних мера како би се осигурало да они остану усклађени са нашим дефинисаним етичким вредностима. + +**Култура етике** се односи на [_операционализацију_ примењене етике](https://hbr.org/2019/05/how-to-design-an-ethical-organization) како би се осигурало да наши етички принципи и праксе буду усвојени на доследан и скалабилан начин широм целе организације. Успешне културе етике дефинишу етичке принципе на нивоу организације, пружају значајне подстицаје за усаглашеност и ојачавају норме етике подстичући и појачавајући жељена понашања на свим нивоима организације. + +## Концепти етике + +У овом делу, разговараћемо о концептима као што су **заједничке вредности** (принципи) и **етички изазови** (проблеми) за етику података - и истражити **студије случаја** које вам помажу да разумете ове концепте у контекстима стварног света. + +### 1. Принципи етике + +Свака стратегија етике података почиње дефинисањем _етичких принципа_ - "заједничких вредности" које описују прихватљива понашања и воде усаглашене акције у нашим пројектима заснованим на подацима и вештачкој интелигенцији. Можете их дефинисати на индивидуалном или тимском нивоу. Међутим, већина великих организација их наводи у _мисији етичке вештачке интелигенције_ или оквиру који је дефинисан на корпоративном нивоу и доследно спроведен у свим тимовима. + +**Пример:** Мисија [Одговорне вештачке интелигенције](https://www.microsoft.com/en-us/ai/responsible-ai) компаније Microsoft гласи: _"Посвећени смо напретку вештачке интелигенције вођене етичким принципима који стављају људе на прво место"_ - идентификујући 6 етичких принципа у оквиру испод: + +![Одговорна вештачка интелигенција у Microsoft-у](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) + +Хајде да укратко истражимо ове принципе. _Транспарентност_ и _одговорност_ су основне вредности на којима се граде остали принципи - па почнимо од њих: + +* [**Одговорност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) чини практичаре _одговорним_ за њихове операције са подацима и вештачком интелигенцијом, као и за усаглашеност са овим етичким принципима. +* [**Транспарентност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) осигурава да акције засноване на подацима и вештачкој интелигенцији буду _разумљиве_ (интерпретабилне) корисницима, објашњавајући шта и зашто стоји иза одлука. +* [**Праведност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - фокусира се на осигурање да вештачка интелигенција третира _све људе_ праведно, решавајући било какве системске или имплицитне социо-техничке пристрасности у подацима и системима. +* [**Поузданост и безбедност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - осигурава да вештачка интелигенција делује _доследно_ са дефинисаним вредностима, минимизирајући потенцијалне штете или нежељене последице. +* [**Приватност и безбедност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - односи се на разумевање порекла података и пружање _заштите приватности података_ корисницима. +* [**Инклузивност**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - односи се на дизајнирање решења заснованих на вештачкој интелигенцији са намером, прилагођавајући их да задовоље _широк спектар људских потреба_ и способности. + +> 🚨 Размислите о томе шта би могла бити ваша мисија етике података. Истражите оквире етичке вештачке интелигенције других организација - овде су примери из [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), и [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Које заједничке вредности имају? Како се ови принципи односе на производе засноване на вештачкој интелигенцији или индустрију у којој раде? + +### 2. Етички изазови + +Када дефинишемо етичке принципе, следећи корак је процена наших акција заснованих на подацима и вештачкој интелигенцији како бисмо видели да ли су у складу са тим заједничким вредностима. Размислите о својим акцијама у две категорије: _прикупљање података_ и _дизајн алгоритама_. + +Код прикупљања података, акције ће вероватно укључивати **личне податке** или информације које могу идентификовати живе појединце. Ово укључује [разноврсне ставке неперсоналних података](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) које _заједно_ идентификују појединца. Етички изазови могу се односити на _приватност података_, _власништво над подацима_ и сродне теме као што су _информисани пристанак_ и _права интелектуалне својине_ корисника. + +Код дизајна алгоритама, акције ће укључивати прикупљање и курирање **скупова података**, а затим њихово коришћење за обуку и примену **модела података** који предвиђају исходе или аутоматизују одлуке у стварним контекстима. Етички изазови могу настати из _пристраности у скупу података_, проблема са _квалитетом података_, _неправедности_ и _погрешног представљања_ у алгоритмима - укључујући неке проблеме који су системске природе. + +У оба случаја, етички изазови истичу области где наше акције могу бити у сукобу са нашим заједничким вредностима. Да бисмо открили, ублажили, минимизирали или елиминисали ове проблеме, морамо постављати морална "да/не" питања у вези са нашим акцијама, а затим предузимати корективне мере по потреби. Хајде да погледамо неке етичке изазове и морална питања која они постављају: + +#### 2.1 Власништво над подацима + +Прикупљање података често укључује личне податке који могу идентификовати субјекте података. [Власништво над подацима](https://permission.io/blog/data-ownership) се односи на _контролу_ и [_права корисника_](https://permission.io/blog/data-ownership) у вези са креирањем, обрадом и ширењем података. + +Морална питања која треба поставити су: +* Ко поседује податке? (корисник или организација) +* Која права имају субјекти података? (нпр. приступ, брисање, преносивост) +* Која права имају организације? (нпр. исправљање злонамерних корисничких рецензија) + +#### 2.2 Информисани пристанак + +[Информисани пристанак](https://legaldictionary.net/informed-consent/) дефинише чин корисника који пристају на акцију (као што је прикупљање података) уз _потпуно разумевање_ релевантних чињеница, укључујући сврху, потенцијалне ризике и алтернативе. + +Питања за истраживање овде су: +* Да ли је корисник (субјект података) дао дозволу за прикупљање и коришћење података? +* Да ли је корисник разумео сврху за коју су ти подаци прикупљени? +* Да ли је корисник разумео потенцијалне ризике од свог учешћа? + +#### 2.3 Интелектуална својина + +[Интелектуална својина](https://en.wikipedia.org/wiki/Intellectual_property) се односи на нематеријалне творевине настале људском иницијативом, које могу _имати економску вредност_ за појединце или предузећа. + +Питања за истраживање овде су: +* Да ли прикупљени подаци имају економску вредност за корисника или предузеће? +* Да ли корисник има интелектуалну својину овде? +* Да ли организација има интелектуалну својину овде? +* Ако ова права постоје, како их штитимо? + +#### 2.4 Приватност података + +[Приватност података](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) или информациона приватност односи се на очување приватности корисника и заштиту идентитета корисника у вези са лично идентификујућим информацијама. + +Питања за истраживање овде су: +* Да ли су лични подаци корисника заштићени од хаковања и цурења? +* Да ли су подаци корисника доступни само овлашћеним корисницима и контекстима? +* Да ли је анонимност корисника очувана када се подаци деле или шире? +* Може ли корисник бити деидентификован из анонимизованих скупова података? + +#### 2 +[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) проверава да ли је дизајн алгоритма систематски дискриминаторски према одређеним подгрупама субјеката података, што доводи до [потенцијалних штета](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) у _расподели_ (где се ресурси ускраћују или одбијају тој групи) и _квалитету услуге_ (где вештачка интелигенција није толико прецизна за неке подгрупе као за друге). + +Питања за истраживање овде су: + * Да ли смо проценили тачност модела за различите подгрупе и услове? + * Да ли смо детаљно анализирали систем за потенцијалне штете (нпр. стереотипизацију)? + * Можемо ли ревидирати податке или поново обучити моделе како бисмо ублажили идентификоване штете? + +Истражите ресурсе као што су [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) да бисте сазнали више. + +#### 2.9 Погрешно представљање + +[Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation) се односи на питање да ли комуницирамо увиде из искрено пријављених података на обмањујући начин како бисмо подржали жељени наратив. + +Питања за истраживање овде су: + * Да ли пријављујемо непотпуне или нетачне податке? + * Да ли визуализујемо податке на начин који води до погрешних закључака? + * Да ли користимо селективне статистичке технике за манипулацију резултатима? + * Да ли постоје алтернативна објашњења која могу понудити другачији закључак? + +#### 2.10 Слободан избор +[Илузија слободног избора](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) се јавља када системске "архитектуре избора" користе алгоритме за доношење одлука како би усмериле људе ка жељеном исходу, док им истовремено дају привид опција и контроле. Ови [dark patterns](https://www.darkpatterns.org/) могу изазвати социјалну и економску штету корисницима. Пошто одлуке корисника утичу на профиле понашања, ове акције потенцијално покрећу будуће изборе који могу појачати или продужити утицај ових штета. + +Питања за истраживање овде су: + * Да ли је корисник разумео импликације доношења тог избора? + * Да ли је корисник био свестан (алтернативних) избора и предности и недостатака сваког? + * Може ли корисник касније поништити аутоматизован или утицајем изазван избор? + +### 3. Студије случаја + +Да бисмо поставили ове етичке изазове у контекст стварног света, корисно је погледати студије случаја које истичу потенцијалне штете и последице за појединце и друштво када се занемарују кршења етике. + +Ево неколико примера: + +| Етички изазов | Студија случаја | +|--- |--- | +| **Информисани пристанак** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Афроамериканци који су учествовали у студији обећана је бесплатна медицинска нега _али су обманути_ од стране истраживача који нису обавестили субјекте о њиховој дијагнози или доступности лечења. Многи субјекти су умрли, а партнери или деца су били погођени; студија је трајала 40 година. | +| **Приватност података** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) је истраживачима пружио _10 милиона анонимизованих оцена филмова од 50 хиљада корисника_ како би побољшали алгоритме препорука. Међутим, истраживачи су успели да повежу анонимизоване податке са лично идентификованим подацима у _спољним скуповима података_ (нпр. IMDb коментари) - ефективно "деанонимизујући" неке Netflix претплатнике.| +| **Прикупљање пристрасних података** | 2013 - Град Бостон [развио Street Bump](https://www.boston.gov/transportation/street-bump), апликацију која је омогућила грађанима да пријаве рупе на путу, пружајући граду боље податке о путевима за проналажење и поправку проблема. Међутим, [људи из група са нижим приходима имали су мањи приступ аутомобилима и телефонима](https://hbr.org/2013/04/the-hidden-biases-in-big-data), чинећи њихове проблеме на путевима невидљивим у овој апликацији. Програмери су сарађивали са академицима на решавању _питања праведног приступа и дигиталних подела_. | +| **Праведност алгоритма** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) је проценио тачност AI производа за класификацију пола, откривајући недостатке у тачности за жене и особе боје коже. [Apple Card из 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) је изгледа нудио мање кредита женама него мушкарцима. Оба случаја илуструју проблеме пристрасности алгоритма који доводе до социо-економских штета.| +| **Погрешно представљање података** | 2020 - [Georgia Department of Public Health released COVID-19 charts](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) који су изгледали као да обмањују грађане о трендовима у потврђеним случајевима са нехронолошким редоследом на x-оси. Ово илуструје погрешно представљање кроз трикове визуализације. | +| **Илузија слободног избора** | 2020 - Апликација за учење [ABCmouse платила $10M да реши жалбу FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) где су родитељи били приморани да плаћају претплате које нису могли да откажу. Ово илуструје dark patterns у архитектури избора, где су корисници били усмерени ка потенцијално штетним изборима. | +| **Приватност података и права корисника** | 2021 - Facebook [Data Breach](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) је открио податке 530 милиона корисника, што је резултирало нагодбом од $5 милијарди са FTC. Међутим, компанија је одбила да обавести кориснике о кршењу, кршећи права корисника у вези са транспарентношћу и приступом подацима. | + +Желите да истражите више студија случаја? Погледајте ове ресурсе: +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - етичке дилеме у различитим индустријама. +* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - истражене значајне студије случаја. +* [Where things have gone wrong](https://deon.drivendata.org/examples/) - Deon чеклиста са примерима. + +> 🚨 Размислите о студијама случаја које сте видели - да ли сте доживели или били погођени сличним етичким изазовом у свом животу? Можете ли се сетити барем једне друге студије случаја која илуструје један од етичких изазова које смо овде разматрали? + +## Примењена етика + +Говорили смо о концептима етике, изазовима и студијама случаја у контексту стварног света. Али како започети _примену_ етичких принципа и пракси у нашим пројектима? И како _операционализовати_ ове праксе за боље управљање? Хајде да истражимо нека решења из стварног света: + +### 1. Професионални кодекси + +Професионални кодекси нуде једну опцију за организације да "подстакну" чланове да подрже своје етичке принципе и мисију. Кодекси су _моралне смернице_ за професионално понашање, помажући запосленима или члановима да доносе одлуке које су у складу са принципима њихове организације. Они су добри онолико колико је добра добровољна усаглашеност чланова; међутим, многе организације нуде додатне награде и казне како би мотивисале чланове да се придржавају кодекса. + +Примери укључују: + + * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Кодекс етике + * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Кодекс понашања (креиран 2013) + * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (од 1993) + +> 🚨 Да ли припадате професионалној организацији за инжењеринг или науку о подацима? Истражите њихов сајт да видите да ли дефинишу професионални кодекс етике. Шта то говори о њиховим етичким принципима? Како "подстичу" чланове да следе кодекс? + +### 2. Етичке чеклисте + +Док професионални кодекси дефинишу потребно _етичко понашање_ од практичара, они [имају позната ограничења](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) у спровођењу, посебно у пројектима великог обима. Уместо тога, многи стручњаци за науку о подацима [залажу се за чеклисте](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), које могу **повезати принципе са праксом** на детерминистички и применљив начин. + +Чеклисте претварају питања у "да/не" задатке који се могу операционализовати, омогућавајући њихово праћење као део стандардних радних токова за пуштање производа. + +Примери укључују: + * [Deon](https://deon.drivendata.org/) - општа чеклиста за етику података креирана из [препорука индустрије](https://deon.drivendata.org/#checklist-citations) са алатом командне линије за лаку интеграцију. + * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - пружа опште смернице за праксе руковања информацијама из правних и социјалних перспектива. + * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - креирана од стране AI практичара за подршку усвајању и интеграцији провера праведности у циклусе развоја AI. + * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - отворенији оквир, структуриран за почетно истраживање етичких питања у дизајну, имплементацији и организационим контекстима. + +### 3. Етички прописи + +Етика се односи на дефинисање заједничких вредности и добровољно чинињење исправних ствари. **Усклађеност** се односи на _поштовање закона_ ако и где је дефинисан. **Управљање** у ширем смислу обухвата све начине на које организације делују како би спровеле етичке принципе и поштовале утврђене законе. + +Данас управљање има два облика унутар организација. Прво, ради се о дефинисању **етичких AI** принципа и успостављању пракси за операционализацију усвајања у свим AI пројектима у организацији. Друго, ради се о усклађивању са свим владиним прописима о **заштити података** за регионе у којима послује. + +Примери прописа о заштити података и приватности: + + * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - регулише _федералну владу_ у прикупљању, коришћењу и откривању личних информација. + * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - штити личне здравствене податке. + * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - штити приватност података деце млађе од 13 година. + * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - пружа права корисника, заштиту података и приватност. + * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) даје потрошачима више _права_ над њиховим (личним) подацима. + * `2021`, Кина [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) је управо усвојила, стварајући један од најјачих прописа о приватности података на мрежи у свету. + +> 🚨 Европска унија је дефинисала GDPR (General Data Protection Regulation), који остаје један од најзначајнијих прописа о приватности података данас. Да ли сте знали да он такође дефинише [8 права корисника](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) за заштиту дигиталне приватности и личних података грађана? Сазнајте која су то права и зашто су важна. + +### 4. Култура етике + +Имајте на уму да постоји нематеријални јаз између _усклађености_ (чинињења довољно да се испуни "слово закона") и решавања [системских проблема](https://www.coursera.org/learn/data-science-ethics/home/week/4) (као што су осификација, асиметрија информација и неправедна расподела) који могу убрзати злоупотребу AI. + +Ово друго захтева [колаборативне приступе дефинисању култура етике](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) који граде емоционалне везе и доследне заједничке вредности _широм организација_ у индустрији. Ово позива на више [формализованих култура етике података](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) у организацијама - омогућавајући _било коме_ да [повуче Андон конопац](https:// +* [Принципи одговорне вештачке интелигенције](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - бесплатан курс на Microsoft Learn. +* [Етика и наука о подацима](https://resources.oreilly.com/examples/0636920203964) - O'Reilly Е-књига (М. Лукидес, Х. Мејсон и др.) +* [Етика у науци о подацима](https://www.coursera.org/learn/data-science-ethics#syllabus) - онлајн курс са Универзитета у Мичигену. +* [Етика без маске](https://ethicsunwrapped.utexas.edu/case-studies) - студије случаја са Универзитета у Тексасу. + +# Задатак + +[Напишите студију случаја о етици података](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/02-ethics/assignment.md b/translations/sr/1-Introduction/02-ethics/assignment.md new file mode 100644 index 00000000..dc1ceb27 --- /dev/null +++ b/translations/sr/1-Introduction/02-ethics/assignment.md @@ -0,0 +1,35 @@ + +## Напишите студију случаја о етици података + +## Упутства + +Научили сте о различитим [изазовима етике података](README.md#2-ethics-challenges) и видели примере [студија случаја](README.md#3-case-studies) који одражавају изазове етике података у стварним контекстима. + +У овом задатку, написаћете сопствену студију случаја која одражава изазов етике података из вашег искуства или из релевантног стварног контекста који вам је познат. Само пратите ове кораке: + +1. `Одаберите изазов етике података`. Погледајте [примере из лекције](README.md#2-ethics-challenges) или истражите примере на мрежи као што је [Deon Checklist](https://deon.drivendata.org/examples/) за инспирацију. + +2. `Описати пример из стварног света`. Размислите о ситуацији за коју сте чули (наслови, истраживачка студија итд.) или коју сте доживели (локална заједница), где се овај специфичан изазов догодио. Размислите о питањима етике података која су повезана са изазовом - и дискутујте о потенцијалним штетама или нежељеним последицама које настају због овог проблема. Бонус поени: размислите о потенцијалним решењима или процесима који би се овде могли применити како би се елиминисао или ублажио негативан утицај овог изазова. + +3. `Обезбедите листу повезаних ресурса`. Поделите један или више ресурса (линкове ка чланку, личном блогу или слици, онлајн истраживачком раду итд.) како бисте доказали да се ово заиста догодило. Бонус поени: поделите ресурсе који такође приказују потенцијалне штете и последице из инцидента, или истакните позитивне кораке предузете да се спречи његово понављање. + + + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | -- | +Један или више изазова етике података је идентификован.

Студија случаја јасно описује инцидент из стварног света који одражава тај изазов и истиче нежељене последице или штете које је изазвао.

Постоји најмање један повезан ресурс који доказује да се то догодило. | Један изазов етике података је идентификован.

Најмање једна релевантна штета или последица је укратко дискутована.

Међутим, дискусија је ограничена или недостаје доказ о стварном догађају. | Идентификован је изазов етике података.

Међутим, опис или ресурси не одражавају адекватно изазов или не доказују да је то стварно догодило. | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/03-defining-data/README.md b/translations/sr/1-Introduction/03-defining-data/README.md new file mode 100644 index 00000000..627df04d --- /dev/null +++ b/translations/sr/1-Introduction/03-defining-data/README.md @@ -0,0 +1,85 @@ + +# Дефинисање података + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)| +|:---:| +|Дефинисање података - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Подаци су чињенице, информације, запажања и мерења која се користе за открића и подршку информисаним одлукама. Једна тачка података представља јединицу података унутар скупа података, који је збирка тачака података. Скупови података могу бити у различитим форматима и структурама, и обично ће зависити од извора, односно одакле подаци потичу. На пример, месечна зарада компаније може бити у табели, док подаци о пулсу на сат из паметног сата могу бити у [JSON](https://stackoverflow.com/a/383699) формату. Уобичајено је да научници који се баве подацима раде са различитим типовима података унутар једног скупа података. + +Ова лекција се фокусира на идентификовање и класификацију података према њиховим карактеристикама и изворима. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4) + +## Како се подаци описују + +### Сирови подаци +Сирови подаци су подаци који долазе из извора у свом почетном стању и нису анализирани или организовани. Да би се разумело шта се дешава са скупом података, потребно је организовати их у формат који је разумљив људима, као и технологији која ће их даље анализирати. Структура скупа података описује како је организован и може се класификовати као структурисан, неструктурисан и полу-структурисан. Ове врсте структура ће варирати у зависности од извора, али ће се на крају уклопити у ове три категорије. + +### Квантитативни подаци +Квантитативни подаци су нумеричка запажања унутар скупа података и обично се могу анализирати, мерити и користити математички. Неки примери квантитативних података су: популација једне земље, висина особе или квартални приходи компаније. Уз додатну анализу, квантитативни подаци могу се користити за откривање сезонских трендова Индекса квалитета ваздуха (AQI) или процену вероватноће саобраћајних гужви у шпицу радног дана. + +### Квалитативни подаци +Квалитативни подаци, познати и као категоријски подаци, су подаци који се не могу објективно мерити као квантитативни подаци. Генерално, то су различити формати субјективних података који бележе квалитет нечега, као што је производ или процес. Понекад су квалитативни подаци нумерички, али се обично не користе математички, попут бројева телефона или временских ознака. Неки примери квалитативних података су: коментари на видео снимке, марка и модел аутомобила или омиљена боја ваших најближих пријатеља. Квалитативни подаци могу се користити за разумевање који производи се највише свиђају потрошачима или за идентификовање популарних кључних речи у биографијама за посао. + +### Структурисани подаци +Структурисани подаци су подаци организовани у редове и колоне, где сваки ред има исти скуп колона. Колоне представљају вредност одређеног типа и идентификоване су именом које описује шта та вредност представља, док редови садрже стварне вредности. Колоне често имају одређен скуп правила или ограничења за вредности, како би се осигурало да вредности тачно представљају колону. На пример, замислите табелу са подацима о клијентима где сваки ред мора имати број телефона, а бројеви телефона никада не садрже алфабетске карактере. Могуће је применити правила на колону са бројевима телефона како би се осигурало да никада није празна и да садржи само бројеве. + +Предност структурисаних података је у томе што се могу организовати на начин који омогућава повезивање са другим структурисаним подацима. Међутим, пошто су подаци дизајнирани да буду организовани на одређени начин, промене у њиховој укупној структури могу захтевати много труда. На пример, додавање колоне за е-пошту у табелу клијената која не може бити празна значи да ћете морати да смислите како да додате те вредности постојећим редовима клијената у скупу података. + +Примери структурисаних података: табеле, релационе базе података, бројеви телефона, банковни извештаји. + +### Неструктурисани подаци +Неструктурисани подаци обично не могу бити категорисани у редове или колоне и не садрже формат или скуп правила која треба пратити. Пошто неструктурисани подаци имају мање ограничења у погледу структуре, лакше је додати нове информације у поређењу са структурисаним скупом података. Ако сензор који бележи податке о барометарском притиску свака 2 минута добије ажурирање које му омогућава да мери и бележи температуру, неће бити потребно мењати постојеће податке ако су неструктурисани. Међутим, ово може учинити анализу или истраживање оваквих података дужим процесом. На пример, научник који жели да пронађе просечну температуру претходног месеца из података сензора, али открије да је сензор забележио "е" у неким подацима како би означио да је био покварен уместо типичног броја, што значи да су подаци непотпуни. + +Примери неструктурисаних података: текстуалне датотеке, текстуалне поруке, видео датотеке. + +### Полу-структурисани подаци +Полу-структурисани подаци имају карактеристике које их чине комбинацијом структурисаних и неструктурисаних података. Обично не прате формат редова и колона, али су организовани на начин који се сматра структурисаним и могу пратити фиксни формат или скуп правила. Структура ће варирати између извора, од добро дефинисане хијерархије до нечега флексибилнијег што омогућава лаку интеграцију нових информација. Метаподаци су индикатори који помажу у одлучивању како су подаци организовани и складиштени и имају различита имена у зависности од типа података. Неки уобичајени називи за метаподатке су ознаке, елементи, ентитети и атрибути. На пример, типична е-порука ће имати наслов, тело и скуп прималаца и може се организовати према томе ко је и када је послата. + +Примери полу-структурисаних података: HTML, CSV датотеке, JavaScript Object Notation (JSON). + +## Извори података + +Извор података је почетна локација где су подаци генерисани или где "живе" и варираће у зависности од тога како и када су прикупљени. Подаци генерисани од стране корисника познати су као примарни подаци, док секундарни подаци долазе из извора који је прикупио податке за општу употребу. На пример, група научника која прикупља запажања у прашуми сматра се примарним извором, а ако одлуче да их поделе са другим научницима, то би се сматрало секундарним за оне који их користе. + +Базе података су уобичајени извор и ослањају се на систем за управљање базама података за хостовање и одржавање података, где корисници користе команде зване упити за истраживање података. Датотеке као извори података могу бити аудио, сликовне и видео датотеке, као и табеле попут Excel-а. Интернет извори су уобичајена локација за хостовање података, где се могу наћи базе података као и датотеке. Интерфејси за програмирање апликација, познати и као API-ји, омогућавају програмерима да креирају начине за дељење података са спољним корисницима преко интернета, док процес веб скрапинга извлачи податке са веб странице. [Лекције у раду са подацима](../../../../../../../../../2-Working-With-Data) фокусирају се на то како користити различите изворе података. + +## Закључак + +У овој лекцији смо научили: + +- Шта су подаци +- Како се подаци описују +- Како се подаци класификују и категоришу +- Где се подаци могу пронаћи + +## 🚀 Изазов + +Kaggle је одличан извор отворених скупова података. Користите [алат за претрагу скупова података](https://www.kaggle.com/datasets) да пронађете неке занимљиве скупове података и класификујте 3-5 скупова података према овим критеријумима: + +- Да ли су подаци квантитативни или квалитативни? +- Да ли су подаци структурисани, неструктурисани или полу-структурисани? + +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5) + +## Преглед и самостално учење + +- Ова јединица на Microsoft Learn-у, под називом [Класификујте своје податке](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), има детаљан преглед структурисаних, полу-структурисаних и неструктурисаних података. + +## Задатак + +[Класификација скупова података](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/03-defining-data/assignment.md b/translations/sr/1-Introduction/03-defining-data/assignment.md new file mode 100644 index 00000000..ef1d977c --- /dev/null +++ b/translations/sr/1-Introduction/03-defining-data/assignment.md @@ -0,0 +1,79 @@ + +# Класификација скупова података + +## Упутства + +Пратите упутства у овом задатку како бисте идентификовали и класификовали податке у једну од следећих категорија: + +**Типови структуре**: Структурирани, Полуструктурирани или Неструктурирани + +**Типови вредности**: Квалитативни или Квантитативни + +**Типови извора**: Примарни или Секундарни + +1. Компанија је преузета и сада има матичну компанију. Научници за податке су добили табелу са бројевима телефона клијената од матичне компаније. + +Тип структуре: + +Тип вредности: + +Тип извора: + +--- + +2. Паметни сат прикупља податке о пулсу свог корисника, а сирови подаци су у JSON формату. + +Тип структуре: + +Тип вредности: + +Тип извора: + +--- + +3. Анкета о моралу запослених на радном месту која је сачувана у CSV фајлу. + +Тип структуре: + +Тип вредности: + +Тип извора: + +--- + +4. Астрофизичари приступају бази података о галаксијама коју је прикупила свемирска сонда. Подаци садрже број планета у свакој галаксији. + +Тип структуре: + +Тип вредности: + +Тип извора: + +--- + +5. Апликација за личне финансије користи API-је за повезивање са финансијским рачунима корисника како би израчунала њихову нето вредност. Корисници могу видети све своје трансакције у формату редова и колона, који изгледа слично табели. + +Тип структуре: + +Тип вредности: + +Тип извора: + +## Рубрика + +Изузетно | Задовољавајуће | Потребно побољшање +--- | --- | -- | +Тачно идентификује све типове структуре, вредности и извора | Тачно идентификује 3 типа структуре, вредности и извора | Тачно идентификује 2 или мање типова структуре, вредности и извора | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/04-stats-and-probability/README.md b/translations/sr/1-Introduction/04-stats-and-probability/README.md new file mode 100644 index 00000000..f6b3f155 --- /dev/null +++ b/translations/sr/1-Introduction/04-stats-and-probability/README.md @@ -0,0 +1,276 @@ + +# Кратак увод у статистику и вероватноћу + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)| +|:---:| +| Статистика и вероватноћа - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Теорија статистике и вероватноће су две веома повезане области математике које су изузетно релевантне за науку о подацима. Могуће је радити са подацима без дубоког познавања математике, али је ипак боље знати бар неке основне концепте. Овде ћемо представити кратак увод који ће вам помоћи да започнете. + +[![Уводни видео](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.sr.png)](https://youtu.be/Z5Zy85g4Yjw) + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) + +## Вероватноћа и случајне променљиве + +**Вероватноћа** је број између 0 и 1 који изражава колико је неки **догађај** вероватан. Дефинише се као број позитивних исхода (који воде до догађаја), подељен укупним бројем исхода, под условом да су сви исходи једнако вероватни. На пример, када бацимо коцку, вероватноћа да добијемо паран број је 3/6 = 0.5. + +Када говоримо о догађајима, користимо **случајне променљиве**. На пример, случајна променљива која представља број добијен бацањем коцке би узимала вредности од 1 до 6. Скуп бројева од 1 до 6 назива се **простор узорака**. Можемо говорити о вероватноћи да случајна променљива узме одређену вредност, на пример P(X=3)=1/6. + +Случајна променљива у претходном примеру назива се **дискретна**, јер има пребројив простор узорака, односно постоје одвојене вредности које се могу набројати. Постоје случајеви када је простор узорака опсег реалних бројева или цео скуп реалних бројева. Такве променљиве називају се **континуалне**. Добар пример је време доласка аутобуса. + +## Расподела вероватноће + +У случају дискретних случајних променљивих, лако је описати вероватноћу сваког догађаја функцијом P(X). За сваку вредност *s* из простора узорака *S* она ће дати број између 0 и 1, тако да збир свих вредности P(X=s) за све догађаје буде 1. + +Најпознатија дискретна расподела је **равномерна расподела**, у којој постоји простор узорака од N елемената, са једнаком вероватноћом од 1/N за сваки од њих. + +Теже је описати расподелу вероватноће континуалне променљиве, са вредностима из неког интервала [a,b], или целог скупа реалних бројева ℝ. Размотрите случај времена доласка аутобуса. У ствари, за свако тачно време доласка *t*, вероватноћа да аутобус стигне тачно у то време је 0! + +> Сада знате да се догађаји са вероватноћом 0 дешавају, и то веома често! Барем сваки пут када аутобус стигне! + +Можемо говорити само о вероватноћи да променљива падне у дати интервал вредности, нпр. P(t1≤X2). У овом случају, расподела вероватноће се описује **функцијом густине вероватноће** p(x), тако да + +![P(t_1\le X1, x2, ..., xn. Можемо дефинисати **средњу вредност** (или **аритметичку средину**) низа на традиционалан начин као (x1+x2+xn)/n. Како повећавамо величину узорка (тј. узимамо границу са n→∞), добијамо средњу вредност (која се назива и **очекивање**) расподеле. Очекивање ћемо означити са **E**(x). + +> Може се показати да за било коју дискретну расподелу са вредностима {x1, x2, ..., xN} и одговарајућим вероватноћама p1, p2, ..., pN, очекивање ће бити E(X)=x1p1+x2p2+...+xNpN. + +Да бисмо идентификовали колико су вредности распршене, можемо израчунати варијансу σ2 = ∑(xi - μ)2/n, где је μ средња вредност низа. Вредност σ назива се **стандардна девијација**, а σ2 назива се **варијанса**. + +## Мода, медијана и квартили + +Понекад средња вредност не представља адекватно "типичну" вредност за податке. На пример, када постоји неколико екстремних вредности које су потпуно ван опсега, оне могу утицати на средњу вредност. Још један добар показатељ је **медијана**, вредност таква да је половина података мања од ње, а друга половина - већа. + +Да бисмо боље разумели расподелу података, корисно је говорити о **квартилима**: + +* Први квартил, или Q1, је вредност таква да 25% података пада испод ње +* Трећи квартил, или Q3, је вредност таква да 75% података пада испод ње + +Графички можемо представити однос између медијане и квартила у дијаграму који се назива **бокс плот**: + + + +Овде такође израчунавамо **интерквартилни опсег** IQR=Q3-Q1, и такозване **изузетке** - вредности које леже ван граница [Q1-1.5*IQR,Q3+1.5*IQR]. + +За коначну расподелу која садржи мали број могућих вредности, добра "типична" вредност је она која се најчешће појављује, што се назива **мода**. Често се примењује на категоријске податке, као што су боје. Размотрите ситуацију када имамо две групе људи - једни који снажно преферирају црвену боју, а други плаву. Ако боје кодирамо бројевима, средња вредност за омиљену боју би била негде у спектру наранџасто-зелено, што не указује на стварну преференцију ниједне групе. Међутим, мода би била или једна од боја, или обе боје, ако је број људи који гласају за њих једнак (у том случају узорак називамо **мултимодалан**). + +## Подаци из стварног света + +Када анализирамо податке из стварног живота, они често нису случајне променљиве у правом смислу, у смислу да не изводимо експерименте са непознатим резултатом. На пример, размотрите тим бејзбол играча и њихове телесне податке, као што су висина, тежина и старост. Ти бројеви нису баш случајни, али можемо применити исте математичке концепте. На пример, низ тежина људи може се сматрати низом вредности извучених из неке случајне променљиве. Испод је низ тежина стварних бејзбол играча из [Мејџор лиге бејзбола](http://mlb.mlb.com/index.jsp), узет из [овог скупа података](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (ради ваше удобности, приказане су само прве 20 вредности): + +``` +[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] +``` + +> **Напомена**: Да бисте видели пример рада са овим скупом података, погледајте [пратећу свеску](notebook.ipynb). Такође постоји низ изазова кроз ову лекцију, и можете их завршити додавањем неког кода у ту свеску. Ако нисте сигурни како да радите са подацима, не брините - вратићемо се раду са подацима користећи Python касније. Ако не знате како да покренете код у Jupyter Notebook-у, погледајте [овај чланак](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +Ево бокс плота који приказује средњу вредност, медијану и квартиле за наше податке: + +![Бокс плот тежине](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.sr.png) + +Пошто наши подаци садрже информације о различитим **улогама** играча, можемо направити бокс плот по улогама - то ће нам омогућити да добијемо идеју о томе како се вредности параметара разликују у зависности од улога. Овог пута ћемо размотрити висину: + +![Бокс плот по улогама](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.sr.png) + +Овај дијаграм сугерише да је, у просеку, висина играча на првој бази већа од висине играча на другој бази. Касније у овој лекцији научићемо како можемо формалније тестирати ову хипотезу и како да покажемо да су наши подаци статистички значајни за то. + +> Када радимо са подацима из стварног света, претпостављамо да су сви подаци узорци извучени из неке расподеле вероватноће. Ова претпоставка нам омогућава да применимо технике машинског учења и изградимо функционалне предиктивне моделе. + +Да бисмо видели каква је расподела наших података, можемо нацртати график који се назива **хистограм**. Оса X би садржала број различитих интервала тежине (такозваних **бинова**), а вертикална оса би показивала број пута када је узорак наше случајне променљиве био у датом интервалу. + +![Хистограм података из стварног света](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.sr.png) + +Из овог хистограма можете видети да су све вредности концентрисане око одређене средње тежине, и што се више удаљавамо од те тежине - мање тежина те вредности се сусреће. Односно, веома је мало вероватно да ће тежина бејзбол играча бити веома различита од средње тежине. Варијанса тежина показује степен до којег тежине могу да се разликују од средње вредности. + +> Ако узмемо тежине других људи, који нису из бејзбол лиге, расподела ће вероватно бити другачија. Међутим, облик расподеле ће бити исти, али средња вредност и варијанса ће се променити. Дакле, ако обучимо наш модел на бејзбол играчима, вероватно ће давати погрешне резултате када се примени на студенте универзитета, јер је основна расподела другачија. + +## Нормална расподела + +Расподела тежина коју смо видели изнад је веома типична, и многе мере из стварног света следе исти тип расподеле, али са различитом средњом вредношћу и варијансом. Ова расподела се назива **нормална расподела**, и она игра веома важну улогу у статистици. + +Коришћење нормалне расподеле је исправан начин за генерисање случајних тежина потенцијалних бејзбол играча. Када знамо средњу тежину `mean` и стандардну девијацију `std`, можемо генерисати 1000 узорака тежине на следећи начин: +```python +samples = np.random.normal(mean,std,1000) +``` + +Ако нацртамо хистограм генерисаних узорака, видећемо слику веома сличну оној приказаној изнад. А ако повећамо број узорака и број бинова, можемо генерисати слику нормалне расподеле која је ближа идеалу: + +![Нормална расподела са mean=0 и std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.sr.png) + +*Нормална расподела са mean=0 и std.dev=1* + +## Интервали поверења + +Када говоримо о тежинама бејзбол играча, претпостављамо да постоји одређена **случајна променљива W** која одговара идеалној расподели вероватноће тежина свих бејзбол играча (такозвана **популација**). Наш низ тежина одговара подскупу свих бејзбол играча који називамо **узорак**. Занимљиво питање је, можемо ли знати параметре расподеле W, односно средњу вредност и варијансу популације? + +Најлакши одговор би био да израчунамо средњу вредност и варијансу нашег узорка. Међутим, могло би се десити да наш случајни узорак не представља тачно целу популацију. Због тога има смисла говорити о **интервалу поверења**. +> **Интервал поверења** је процена стварног просека популације на основу нашег узорка, која је тачна са одређеном вероватноћом (или **нивоом поверења**). +Претпоставимо да имамо узорак X1, ..., Xn из наше дистрибуције. Сваки пут када извучемо узорак из дистрибуције, добијамо различиту вредност средине μ. Стога се μ може сматрати случајном променљивом. **Интервал поверења** са поверењем p је пар вредности (Lp,Rp), такав да је **P**(Lp≤μ≤Rp) = p, односно вероватноћа да измерена средња вредност падне у интервал једнака је p. + +Детаљна дискусија о томе како се израчунавају ти интервали поверења превазилази оквир нашег кратког увода. Више детаља можете пронаћи [на Википедији](https://en.wikipedia.org/wiki/Confidence_interval). Укратко, дефинишемо дистрибуцију израчунате средње вредности узорка у односу на праву средину популације, што се назива **Стјудентова дистрибуција**. + +> **Занимљива чињеница**: Стјудентова дистрибуција је добила име по математичару Вилијаму Силију Госету, који је свој рад објавио под псеудонимом "Студент". Радио је у пивари Гинис, а према једној од верзија, његов послодавац није желео да јавност зна да користе статистичке тестове за одређивање квалитета сировина. + +Ако желимо да проценимо средину μ наше популације са поверењем p, потребно је да узмемо *(1-p)/2-ти перцентил* Стјудентове дистрибуције A, који се може узети из табела или израчунати помоћу уграђених функција статистичког софтвера (нпр. Python, R итд.). Тада ће интервал за μ бити дат са X±A*D/√n, где је X добијена средња вредност узорка, а D стандардна девијација. + +> **Напомена**: Такође изостављамо дискусију о важном концепту [степени слободе](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), који је важан у вези са Стјудентовом дистрибуцијом. Можете се обратити комплетнијим књигама о статистици да бисте дубље разумели овај концепт. + +Пример израчунавања интервала поверења за тежине и висине дат је у [пратећим бележницама](notebook.ipynb). + +| p | Средња тежина | +|-----|-----------| +| 0.85 | 201.73±0.94 | +| 0.90 | 201.73±1.08 | +| 0.95 | 201.73±1.28 | + +Приметите да што је већа вероватноћа поверења, то је шири интервал поверења. + +## Тестирање хипотеза + +У нашем скупу података о бејзбол играчима постоје различите улоге играча, које се могу сумирати у следећој табели (погледајте [пратећу бележницу](notebook.ipynb) да видите како је ова табела израчуната): + +| Улога | Висина | Тежина | Број | +|------|--------|--------|-------| +| Хватач | 72.723684 | 204.328947 | 76 | +| Дизајнирани ударач | 74.222222 | 220.888889 | 18 | +| Први базни играч | 74.000000 | 213.109091 | 55 | +| Вањски играч | 73.010309 | 199.113402 | 194 | +| Резервни бацач | 74.374603 | 203.517460 | 315 | +| Други базни играч | 71.362069 | 184.344828 | 58 | +| Кратка станица | 71.903846 | 182.923077 | 52 | +| Почетни бацач | 74.719457 | 205.163636 | 221 | +| Трећи базни играч | 73.044444 | 200.955556 | 45 | + +Можемо приметити да је просечна висина првих базних играча већа од висине других базних играча. Стога бисмо могли закључити да су **први базни играчи виши од других базних играча**. + +> Ова изјава се назива **хипотеза**, јер не знамо да ли је чињеница заиста тачна или не. + +Међутим, није увек очигледно да ли можемо донети овај закључак. Из претходне дискусије знамо да свака средња вредност има повезан интервал поверења, па ова разлика може бити само статистичка грешка. Потребан нам је формалнији начин за тестирање хипотезе. + +Израчунајмо интервале поверења посебно за висине првих и других базних играча: + +| Поверење | Први базни играчи | Други базни играчи | +|------------|---------------|----------------| +| 0.85 | 73.62..74.38 | 71.04..71.69 | +| 0.90 | 73.56..74.44 | 70.99..71.73 | +| 0.95 | 73.47..74.53 | 70.92..71.81 | + +Видимо да се ни под једним нивоом поверења интервали не преклапају. То доказује нашу хипотезу да су први базни играчи виши од других базних играча. + +Формалније, проблем који решавамо је да видимо да ли су **две дистрибуције вероватноће исте**, или барем имају исте параметре. У зависности од дистрибуције, потребно је користити различите тестове. Ако знамо да су наше дистрибуције нормалне, можемо применити **[Стјудентов t-тест](https://en.wikipedia.org/wiki/Student%27s_t-test)**. + +У Стјудентовом t-тесту израчунавамо такозвану **t-вредност**, која указује на разлику између средњих вредности, узимајући у обзир варијансу. Показано је да t-вредност прати **Стјудентову дистрибуцију**, што нам омогућава да добијемо граничну вредност за дати ниво поверења **p** (ово се може израчунати или пронаћи у нумеричким табелама). Затим упоређујемо t-вредност са овом граничном вредношћу како бисмо прихватили или одбацили хипотезу. + +У Python-у можемо користити пакет **SciPy**, који укључује функцију `ttest_ind` (поред многих других корисних статистичких функција!). Она израчунава t-вредност за нас и такође ради обрнуто претраживање p-вредности поверења, тако да можемо само погледати поверење да бисмо донели закључак. + +На пример, наше поређење висина првих и других базних играча даје следеће резултате: +```python +from scipy.stats import ttest_ind + +tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) +print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") +``` +``` +T-value = 7.65 +P-value: 9.137321189738925e-12 +``` +У нашем случају, p-вредност је веома ниска, што значи да постоје јаки докази који подржавају да су први базни играчи виши. + +Постоје и друге врсте хипотеза које бисмо могли тестирати, на пример: +* Да докажемо да дати узорак прати неку дистрибуцију. У нашем случају претпоставили смо да су висине нормално распоређене, али то захтева формалну статистичку верификацију. +* Да докажемо да средња вредност узорка одговара некој унапред дефинисаној вредности. +* Да упоредимо средње вредности више узорака (нпр. која је разлика у нивоу среће међу различитим старосним групама). + +## Закон великих бројева и централна гранична теорема + +Један од разлога зашто је нормална дистрибуција толико важна је такозвана **централна гранична теорема**. Претпоставимо да имамо велики узорак независних N вредности X1, ..., XN, узоркованих из било које дистрибуције са средином μ и варијансом σ2. Тада, за довољно велико N (другим речима, када N→∞), средња вредност ΣiXi биће нормално распоређена, са средином μ и варијансом σ2/N. + +> Други начин да се интерпретира централна гранична теорема је да се каже да без обзира на дистрибуцију, када израчунате средину збира било којих вредности случајних променљивих, добијате нормалну дистрибуцију. + +Из централне граничне теореме такође следи да, када N→∞, вероватноћа да средња вредност узорка буде једнака μ постаје 1. Ово је познато као **закон великих бројева**. + +## Коваријанса и корелација + +Једна од ствари којима се наука о подацима бави је проналажење односа између података. Кажемо да се две секвенце **корелирају** када показују слично понашање у исто време, односно или расту/опадају истовремено, или једна секвенца расте када друга опада и обрнуто. Другим речима, чини се да постоји нека веза између две секвенце. + +> Корелација не мора нужно указивати на узрочно-последичну везу између две секвенце; понекад обе променљиве могу зависити од неког спољашњег узрока, или може бити чиста случајност да се две секвенце корелирају. Међутим, јака математичка корелација је добар показатељ да су две променљиве некако повезане. + +Математички, главни концепт који показује однос између две случајне променљиве је **коваријанса**, која се израчунава овако: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Израчунавамо одступање обе променљиве од њихових средњих вредности, а затим производ тих одступања. Ако обе променљиве одступају заједно, производ ће увек бити позитивна вредност, што ће довести до позитивне коваријансе. Ако обе променљиве одступају неусклађено (тј. једна пада испод просека када друга расте изнад просека), увек ћемо добити негативне бројеве, што ће довести до негативне коваријансе. Ако одступања нису зависна, сабраће се на приближно нулу. + +Апсолутна вредност коваријансе нам не говори много о томе колика је корелација, јер зависи од величине стварних вредности. Да бисмо је нормализовали, можемо поделити коваријансу са стандардном девијацијом обе променљиве, како бисмо добили **корелацију**. Добра ствар је што је корелација увек у опсегу [-1,1], где 1 означава јаку позитивну корелацију између вредности, -1 - јаку негативну корелацију, а 0 - одсуство корелације (променљиве су независне). + +**Пример**: Можемо израчунати корелацију између тежина и висина бејзбол играча из горе поменутог скупа података: +```python +print(np.corrcoef(weights,heights)) +``` +Као резултат добијамо **матрицу корелације** попут ове: +``` +array([[1. , 0.52959196], + [0.52959196, 1. ]]) +``` + +> Матрица корелације C може се израчунати за било који број улазних секвенци S1, ..., Sn. Вредност Cij је корелација између Si и Sj, а дијагонални елементи су увек 1 (што је такође самокорелација Si). + +У нашем случају, вредност 0.53 указује да постоји одређена корелација између тежине и висине особе. Такође можемо направити графикон расејања једне вредности у односу на другу како бисмо визуелно видели однос: + +![Однос између тежине и висине](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.sr.png) + +> Више примера корелације и коваријансе можете пронаћи у [пратећој бележници](notebook.ipynb). + +## Закључак + +У овом одељку смо научили: + +* основна статистичка својства података, као што су средина, варијанса, мода и квартиле +* различите дистрибуције случајних променљивих, укључујући нормалну дистрибуцију +* како пронаћи корелацију између различитих својстава +* како користити математички и статистички апарат за доказивање хипотеза +* како израчунати интервале поверења за случајну променљиву на основу узорка података + +Иако ово дефинитивно није исцрпна листа тема које постоје у оквиру вероватноће и статистике, требало би да буде довољно за добар почетак овог курса. + +## 🚀 Изазов + +Користите пример кода у бележници да тестирате друге хипотезе: +1. Први базни играчи су старији од других базних играча +2. Први базни играчи су виши од трећих базних играча +3. Кратке станице су више од других базних играча + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7) + +## Преглед и самостално учење + +Вероватноћа и статистика су толико широка тема да заслужују свој курс. Ако сте заинтересовани да дубље уђете у теорију, можда ћете желети да наставите читање неких од следећих књига: + +1. [Карлос Фернандез-Гранда](https://cims.nyu.edu/~cfgranda/) са Универзитета у Њујорку има одличне белешке са предавања [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (доступно онлајн) +1. [Питер и Ендру Брус. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[пример кода у R-у](https://github.com/andrewgbruce/statistics-for-data-scientists)]. +1. [Џејмс Д. Милер. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[пример кода у R-у](https://github.com/PacktPublishing/Statistics-for-Data-Science)] + +## Задатак + +[Мала студија о дијабетесу](assignment.md) + +## Захвалнице + +Ова лекција је написана са ♥️ од стране [Дмитрија Сошњикова](http://soshnikov.com) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/04-stats-and-probability/assignment.md b/translations/sr/1-Introduction/04-stats-and-probability/assignment.md new file mode 100644 index 00000000..54ab6afa --- /dev/null +++ b/translations/sr/1-Introduction/04-stats-and-probability/assignment.md @@ -0,0 +1,40 @@ + +# Мала студија о дијабетесу + +У овом задатку, радићемо са малим скупом података о пацијентима са дијабетесом преузетим са [овог линка](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html). + +| | ГОДИНЕ | ПОЛ | BMI | BP | S1 | S2 | S3 | S4 | S5 | S6 | Y | +|---|--------|-----|-----|----|----|----|----|----|----|----|----| +| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 | +| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 | +| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 | +| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | + +## Упутства + +* Отворите [радну свеску](assignment.ipynb) у окружењу за jupyter notebook +* Завршите све задатке наведене у свесци, и то: + * [ ] Израчунајте средње вредности и варијансу за све вредности + * [ ] Направите boxplot графиконе за BMI, BP и Y у зависности од пола + * [ ] Каква је расподела за променљиве Године, Пол, BMI и Y? + * [ ] Тестирајте корелацију између различитих променљивих и прогресије болести (Y) + * [ ] Тестирајте хипотезу да је степен прогресије дијабетеса различит код мушкараца и жена + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | -- | +Сви потребни задаци су завршени, графички приказани и објашњени | Већина задатака је завршена, недостају објашњења или закључци из графикона и/или добијених вредности | Само основни задаци као што су израчунавање средње вредности/варијансе и основни графикони су завршени, без закључака из података + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/1-Introduction/README.md b/translations/sr/1-Introduction/README.md new file mode 100644 index 00000000..e583c06d --- /dev/null +++ b/translations/sr/1-Introduction/README.md @@ -0,0 +1,31 @@ + +# Увод у науку о подацима + +![подаци у акцији](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.sr.jpg) +> Фотографија од Стивена Досона на Unsplash + +У овим лекцијама открићете како се наука о подацима дефинише и научићете о етичким аспектима које сваки научник о подацима мора узети у обзир. Такође ћете научити како се подаци дефинишу и добити основно знање о статистици и вероватноћи, кључним академским областима науке о подацима. + +### Теме + +1. [Дефинисање науке о подацима](01-defining-data-science/README.md) +2. [Етика у науци о подацима](02-ethics/README.md) +3. [Дефинисање података](03-defining-data/README.md) +4. [Увод у статистику и вероватноћу](04-stats-and-probability/README.md) + +### Аутори + +Ове лекције су написане са ❤️ од стране [Нитије Нарасимхан](https://twitter.com/nitya) и [Дмитрија Сошњикова](https://twitter.com/shwars). + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/05-relational-databases/README.md b/translations/sr/2-Working-With-Data/05-relational-databases/README.md new file mode 100644 index 00000000..895051ed --- /dev/null +++ b/translations/sr/2-Working-With-Data/05-relational-databases/README.md @@ -0,0 +1,195 @@ + +# Рад са подацима: Релационе базе података + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)| +|:---:| +| Рад са подацима: Релационе базе података - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Вероватно сте раније користили табелу за чување информација. Имали сте сет редова и колона, где су редови садржали информације (или податке), а колоне описивале те информације (понекад назване метаподаци). Релациона база података је изграђена на овом основном принципу колона и редова у табелама, омогућавајући вам да имате информације распоређене у више табела. Ово вам омогућава да радите са сложенијим подацима, избегнете дуплирање и имате флексибилност у начину истраживања података. Хајде да истражимо концепте релационе базе података. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8) + +## Све почиње са табелама + +Релациона база података у својој основи има табеле. Као и код табеле, табела је збирка колона и редова. Ред садржи податке или информације са којима желимо да радимо, као што је име града или количина падавина. Колоне описују податке које чувају. + +Хајде да започнемо истраживање тако што ћемо направити табелу за чување информација о градовима. Могли бисмо почети са њиховим именом и државом. Ово можете сачувати у табели као што је приказано: + +| Град | Држава | +| --------- | -------------- | +| Токио | Јапан | +| Атланта | Сједињене Државе | +| Окланд | Нови Зеланд | + +Приметите да називи колона **град**, **држава** и **популација** описују податке који се чувају, а сваки ред има информације о једном граду. + +## Недостаци приступа са једном табелом + +Вероватно вам горња табела изгледа прилично познато. Хајде да додамо неке додатне податке у нашу растућу базу података - годишње падавине (у милиметрима). Фокусираћемо се на године 2018, 2019 и 2020. Ако бисмо додали податке за Токио, то би изгледало овако: + +| Град | Држава | Година | Количина | +| ----- | ------ | ------ | -------- | +| Токио | Јапан | 2020 | 1690 | +| Токио | Јапан | 2019 | 1874 | +| Токио | Јапан | 2018 | 1445 | + +Шта примећујете у нашој табели? Можда примећујете да дуплирамо име и државу града изнова и изнова. То би могло заузети прилично простора за складиштење, а углавном је непотребно имати више копија. На крају крајева, Токио има само једно име које нас занима. + +У реду, хајде да пробамо нешто друго. Додаћемо нове колоне за сваку годину: + +| Град | Држава | 2018 | 2019 | 2020 | +| --------- | -------------- | ---- | ---- | ---- | +| Токио | Јапан | 1445 | 1874 | 1690 | +| Атланта | Сједињене Државе | 1779 | 1111 | 1683 | +| Окланд | Нови Зеланд | 1386 | 942 | 1176 | + +Иако ово избегава дуплирање редова, додаје неке друге изазове. Морали бисмо да мењамо структуру наше табеле сваки пут када се дода нова година. Поред тога, како наши подаци расту, имање година као колона отежаће извлачење и израчунавање вредности. + +Због тога нам треба више табела и релације. Раздвајањем података можемо избећи дуплирање и имати више флексибилности у начину рада са подацима. + +## Концепти релација + +Хајде да се вратимо на наше податке и одредимо како желимо да их поделимо. Знамо да желимо да чувамо име и државу за наше градове, па ће ово вероватно најбоље функционисати у једној табели. + +| Град | Држава | +| --------- | -------------- | +| Токио | Јапан | +| Атланта | Сједињене Државе | +| Окланд | Нови Зеланд | + +Али пре него што направимо следећу табелу, морамо да смислимо како да референцирамо сваки град. Потребан нам је неки облик идентификатора, ID или (у техничким терминима базе података) примарни кључ. Примарни кључ је вредност која се користи за идентификацију једног специфичног реда у табели. Иако би ово могло бити засновано на самој вредности (могли бисмо користити име града, на пример), скоро увек би требало да буде број или други идентификатор. Не желимо да се ID икада промени јер би то прекинуло релацију. У већини случајева примарни кључ или ID ће бити аутоматски генерисан број. + +> ✅ Примарни кључ се често скраћује као PK + +### градови + +| city_id | Град | Држава | +| ------- | --------- | -------------- | +| 1 | Токио | Јапан | +| 2 | Атланта | Сједињене Државе | +| 3 | Окланд | Нови Зеланд | + +> ✅ Приметићете да током овог предавања користимо термине "ID" и "примарни кључ" наизменично. Концепти овде се примењују на DataFrames, које ћете касније истражити. DataFrames не користе терминологију "примарни кључ", али ћете приметити да се понашају на сличан начин. + +Са нашом табелом градова креираном, хајде да чувамо податке о падавинама. Уместо да дуплирамо пуне информације о граду, можемо користити ID. Такође треба да осигурамо да новокреирана табела има *ID* колону, јер све табеле треба да имају ID или примарни кључ. + +### падавине + +| rainfall_id | city_id | Година | Количина | +| ----------- | ------- | ------ | -------- | +| 1 | 1 | 2018 | 1445 | +| 2 | 1 | 2019 | 1874 | +| 3 | 1 | 2020 | 1690 | +| 4 | 2 | 2018 | 1779 | +| 5 | 2 | 2019 | 1111 | +| 6 | 2 | 2020 | 1683 | +| 7 | 3 | 2018 | 1386 | +| 8 | 3 | 2019 | 942 | +| 9 | 3 | 2020 | 1176 | + +Приметите колону **city_id** унутар новокреиране табеле **падавине**. Ова колона садржи вредности које реферишу ID-ове у табели **градови**. У техничким терминима релационих података, ово се назива **страни кључ**; то је примарни кључ из друге табеле. Можете га једноставно замислити као референцу или показивач. **city_id** 1 реферише Токио. + +> [!NOTE] Страни кључ се често скраћује као FK + +## Извлачење података + +Са нашим подацима раздвојеним у две табеле, можда се питате како их извлачимо. Ако користимо релациону базу података као што су MySQL, SQL Server или Oracle, можемо користити језик назван Structured Query Language или SQL. SQL (понекад изговорено као "сиквел") је стандардни језик који се користи за извлачење и модификацију података у релационој бази података. + +Да бисте извукли податке, користите команду `SELECT`. У својој основи, **изаберете** колоне које желите да видите **из** табеле у којој се налазе. Ако желите да прикажете само имена градова, могли бисте користити следеће: + +```sql +SELECT city +FROM cities; + +-- Output: +-- Tokyo +-- Atlanta +-- Auckland +``` + +`SELECT` је место где наводите колоне, а `FROM` је место где наводите табеле. + +> [NOTE] SQL синтакса није осетљива на велика и мала слова, што значи да `select` и `SELECT` значе исто. Међутим, у зависности од типа базе података коју користите, колоне и табеле могу бити осетљиве на велика и мала слова. Као резултат, најбоља пракса је увек третирати све у програмирању као да је осетљиво на велика и мала слова. Када пишете SQL упите, уобичајена конвенција је да се кључне речи пишу великим словима. + +Горњи упит ће приказати све градове. Замислимо да желимо да прикажемо само градове у Новом Зеланду. Потребан нам је неки облик филтера. SQL кључна реч за ово је `WHERE`, или "где је нешто тачно". + +```sql +SELECT city +FROM cities +WHERE country = 'New Zealand'; + +-- Output: +-- Auckland +``` + +## Спајање података + +До сада смо извлачили податке из једне табеле. Сада желимо да спојимо податке из табела **градови** и **падавине**. Ово се ради *спајањем* табела. Ефективно ћете направити везу између две табеле и ускладити вредности из колоне из сваке табеле. + +У нашем примеру, ускладићемо колону **city_id** у табели **падавине** са колоном **city_id** у табели **градови**. Ово ће ускладити вредност падавина са одговарајућим градом. Тип спајања који ћемо извршити назива се *унутрашње* спајање, што значи да ако неки редови не одговарају ничему из друге табеле, неће бити приказани. У нашем случају, сваки град има податке о падавинама, па ће све бити приказано. + +Хајде да извучемо податке о падавинама за 2019. годину за све наше градове. + +Урадићемо ово у корацима. Први корак је да спојимо податке тако што ћемо назначити колоне за везу - **city_id**, као што је раније истакнуто. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +``` + +Истакли смо две колоне које желимо, и чињеницу да желимо да спојимо табеле преко **city_id**. Сада можемо додати `WHERE` изјаву да филтрирамо само годину 2019. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +WHERE rainfall.year = 2019 + +-- Output + +-- city | amount +-- -------- | ------ +-- Tokyo | 1874 +-- Atlanta | 1111 +-- Auckland | 942 +``` + +## Резиме + +Релационе базе података су усредсређене на поделу информација између више табела које се затим спајају ради приказа и анализе. Ово пружа висок степен флексибилности за израчунавање и манипулацију подацима. Видели сте основне концепте релационе базе података и како да извршите спајање између две табеле. + +## 🚀 Изазов + +Постоји много релационих база података доступних на интернету. Можете истражити податке користећи вештине које сте научили. + +## Квиз после предавања + +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9) + +## Преглед и самостално учење + +Постоји неколико ресурса доступних на [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) за наставак истраживања SQL-а и концепата релационих база података + +- [Опис концепата релационих података](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum) +- [Почетак рада са Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL је верзија SQL-а) +- [SQL садржај на Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum) + +## Задатак + +[Наслов задатка](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/05-relational-databases/assignment.md b/translations/sr/2-Working-With-Data/05-relational-databases/assignment.md new file mode 100644 index 00000000..71d9745e --- /dev/null +++ b/translations/sr/2-Working-With-Data/05-relational-databases/assignment.md @@ -0,0 +1,73 @@ + +# Приказивање података о аеродромима + +Добијена вам је [база података](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) изграђена на [SQLite](https://sqlite.org/index.html) која садржи информације о аеродромима. Шема базе је приказана испод. Користићете [SQLite екстензију](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) у [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) за приказивање информација о аеродромима у различитим градовима. + +## Упутства + +Да бисте започели задатак, потребно је да извршите неколико корака. Биће неопходно да инсталирате одређене алате и преузмете пример базе података. + +### Подешавање система + +Можете користити Visual Studio Code и SQLite екстензију за интеракцију са базом података. + +1. Идите на [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) и пратите упутства за инсталацију Visual Studio Code-а +1. Инсталирајте [SQLite екстензију](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) како је наведено на страници Marketplace-а + +### Преузимање и отварање базе података + +Следећи корак је преузимање и отварање базе података. + +1. Преузмите [датотеку базе података са GitHub-а](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) и сачувајте је у одређени директоријум +1. Отворите Visual Studio Code +1. Отворите базу података у SQLite екстензији тако што ћете изабрати **Ctl-Shift-P** (или **Cmd-Shift-P** на Mac-у) и укуцати `SQLite: Open database` +1. Изаберите **Choose database from file** и отворите датотеку **airports.db** коју сте претходно преузели +1. Након отварања базе података (нећете видети промену на екрану), креирајте нови прозор за упите тако што ћете изабрати **Ctl-Shift-P** (или **Cmd-Shift-P** на Mac-у) и укуцати `SQLite: New query` + +Када се отвори нови прозор за упите, можете га користити за извршавање SQL наредби над базом података. Команду **Ctl-Shift-Q** (или **Cmd-Shift-Q** на Mac-у) можете користити за покретање упита над базом података. + +> [!NOTE] За више информација о SQLite екстензији, можете консултовати [документацију](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) + +## Шема базе података + +Шема базе података представља дизајн и структуру њених табела. База података **airports** садржи две табеле: `cities`, која садржи листу градова у Уједињеном Краљевству и Ирској, и `airports`, која садржи листу свих аеродрома. Пошто неки градови могу имати више аеродрома, креиране су две табеле за чување информација. У овом задатку користићете спајања (joins) за приказивање информација о различитим градовима. + +| Градови (Cities) | +| ---------------- | +| id (PK, integer) | +| city (text) | +| country (text) | + +| Аеродроми (Airports) | +| -------------------------------- | +| id (PK, integer) | +| name (text) | +| code (text) | +| city_id (FK to id in **Cities**) | + +## Задатак + +Креирајте упите који враћају следеће информације: + +1. сва имена градова у табели `Cities` +1. све градове у Ирској у табели `Cities` +1. сва имена аеродрома са њиховим градом и државом +1. све аеродроме у Лондону, Уједињено Краљевство + +## Рубрика + +| Изузетно | Задовољавајуће | Потребна побољшања | +| -------- | ------------- | ------------------ | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/06-non-relational/README.md b/translations/sr/2-Working-With-Data/06-non-relational/README.md new file mode 100644 index 00000000..94ae7964 --- /dev/null +++ b/translations/sr/2-Working-With-Data/06-non-relational/README.md @@ -0,0 +1,158 @@ + +# Рад са подацима: Нерелациони подаци + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)| +|:---:| +|Рад са NoSQL подацима - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10) + +Подаци нису ограничени само на релационе базе података. Ова лекција се фокусира на нерелационе податке и обухватиће основе табела и NoSQL-а. + +## Табеле + +Табеле су популаран начин за чување и истраживање података јер захтевају мање рада за подешавање и почетак рада. У овој лекцији ћете научити основне компоненте табеле, као и формуле и функције. Примери ће бити илустровани помоћу Microsoft Excel-а, али већина делова и тема имаће слична имена и кораке у поређењу са другим софтверима за табеле. + +![Празан Microsoft Excel радни лист са два радна листа](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.sr.png) + +Табела је датотека и биће доступна у фајл систему рачунара, уређаја или у облаку. Сам софтвер може бити заснован на претраживачу или апликација која мора бити инсталирана на рачунару или преузета као апликација. У Excel-у, ове датотеке се такође дефинишу као **радне свеске**, и ова терминологија ће се користити у остатку ове лекције. + +Радна свеска садржи један или више **радних листова**, где су сваки радни листови означени картицама. Унутар радног листа налазе се правоугаоници који се називају **ћелије**, које садрже стварне податке. Ћелија је пресек реда и колоне, где су колоне означене алфабетским карактерима, а редови нумерички. Неке табеле ће садржати заглавља у првим редовима како би описале податке у ћелији. + +Са овим основним елементима Excel радне свеске, користићемо пример из [Microsoft Templates](https://templates.office.com/) који се фокусира на инвентар како бисмо прошли кроз додатне делове табеле. + +### Управљање инвентаром + +Датотека табеле под називом "InventoryExample" је форматирана табела ставки у инвентару која садржи три радна листа, где су картице означене као "Inventory List", "Inventory Pick List" и "Bin Lookup". Ред 4 радног листа Inventory List је заглавље које описује вредност сваке ћелије у колони заглавља. + +![Истакнута формула из примера листе инвентара у Microsoft Excel-у](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.sr.png) + +Постоје случајеви када је вредност ћелије зависна од вредности других ћелија. Табела Inventory List прати трошкове сваке ставке у инвентару, али шта ако треба да знамо укупну вредност свих ставки у инвентару? [**Формуле**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) извршавају радње на подацима у ћелијама и користе се за израчунавање вредности инвентара у овом примеру. Ова табела користи формулу у колони Inventory Value за израчунавање вредности сваке ставке множењем количине под QTY заглављем и трошкова под COST заглављем. Дупли клик или истицање ћелије ће приказати формулу. Приметићете да формуле почињу знаком једнакости, након чега следи израчун или операција. + +![Истакнута функција из примера листе инвентара у Microsoft Excel-у](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.sr.png) + +Можемо користити другу формулу да саберемо све вредности у колони Inventory Value како бисмо добили њену укупну вредност. Ово би могло бити израчунато додавањем сваке ћелије, али то може бити заморан задатак. Excel има [**функције**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), или унапред дефинисане формуле за извршавање израчунавања на вредностима ћелија. Функције захтевају аргументе, који су потребне вредности за извршавање ових израчунавања. Када функције захтевају више од једног аргумента, они морају бити наведени у одређеном редоследу или функција можда неће израчунати исправну вредност. У овом примеру користи се функција SUM, која користи вредности у колони Inventory Value као аргумент за сабирање и генерисање укупне вредности наведене у реду 3, колони B (такође познатој као B3). + +## NoSQL + +NoSQL је општи термин за различите начине чувања нерелационих података и може се тумачити као "не-SQL", "нерелационо" или "не само SQL". Ове врсте система база података могу се категоризовати у 4 типа. + +![Графички приказ key-value базе података са 4 јединствена нумеричка кључа који су повезани са 4 различите вредности](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.sr.png) +> Извор: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) + +[Key-value](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) базе података повезују јединствене кључеве, који су јединствени идентификатори повезани са вредностима. Ови парови се чувају помоћу [хеш табеле](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) са одговарајућом хеш функцијом. + +![Графички приказ граф базе података који приказује односе између људи, њихових интересовања и локација](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.sr.png) +> Извор: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) + +[Graph](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) базе података описују односе у подацима и представљене су као колекција чворова и ивица. Чвор представља ентитет, нешто што постоји у стварном свету, као што је студент или банковни извод. Ивице представљају однос између два ентитета. Сваки чвор и ивица имају својства која пружају додатне информације о њима. + +![Графички приказ колумнарне базе података са базом података о клијентима која има две групе колона: Identity и Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.sr.png) + +[Columnar](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) базе података организују податке у колоне и редове слично релационој структури података, али је свака колона подељена у групе које се називају породице колона, где су сви подаци унутар једне колоне повезани и могу се преузети и мењати као једна целина. + +### Чување докумената у Azure Cosmos DB + +[Document](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) базе података граде се на концепту key-value база података и састоје се од серије поља и објеката. Овај део ће истражити базе података докумената помоћу Cosmos DB емулатора. + +Cosmos DB база података одговара дефиницији "Не само SQL", где се Cosmos DB база докумената ослања на SQL за упите података. [Претходна лекција](../05-relational-databases/README.md) о SQL-у покрива основе језика, и моћи ћемо да применимо неке од истих упита на базу докумената овде. Користићемо Cosmos DB емулатор, који нам омогућава да креирамо и истражујемо базу докумената локално на рачунару. Прочитајте више о емулатору [овде](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21). + +Документ је колекција поља и вредности објеката, где поља описују шта вредност објекта представља. Испод је пример документа. + +```json +{ + "firstname": "Eva", + "age": 44, + "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5", + "_rid": "bHwDAPQz8s0BAAAAAAAAAA==", + "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"", + "_attachments": "attachments/", + "_ts": 1630544034 +} +``` + +Поља од интереса у овом документу су: `firstname`, `id` и `age`. Остала поља са подвученим линијама генерисана су од стране Cosmos DB-а. + +#### Истраживање података помоћу Cosmos DB емулатора + +Можете преузети и инсталирати емулатор [за Windows овде](https://aka.ms/cosmosdb-emulator). Погледајте ову [документацију](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) за опције како да покренете емулатор на macOS-у и Linux-у. + +Емулатор покреће прозор у претраживачу, где Explorer приказ омогућава истраживање докумената. + +![Explorer приказ Cosmos DB емулатора](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.sr.png) + +Ако пратите кораке, кликните на "Start with Sample" да бисте генерисали пример базе података под називом SampleDB. Ако проширите SampleDB кликом на стрелицу, пронаћи ћете контејнер под називом `Persons`. Контејнер садржи колекцију ставки, које су документи унутар контејнера. Можете истражити четири појединачна документа под `Items`. + +![Истраживање пример података у Cosmos DB емулатору](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.sr.png) + +#### Упити докумената помоћу Cosmos DB емулатора + +Такође можемо извршавати упите на пример подацима кликом на дугме "New SQL Query" (друго дугме с лева). + +`SELECT * FROM c` враћа све документе у контејнеру. Додајмо where клаузу и пронађимо све који су млађи од 40 година. + +`SELECT * FROM c where c.age < 40` + +![Извршавање SELECT упита на пример подацима у Cosmos DB емулатору како би се пронашли документи са вредношћу поља age мањом од 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.sr.png) + +Упит враћа два документа, приметите да је вредност поља age за сваки документ мања од 40. + +#### JSON и документи + +Ако сте упознати са JavaScript Object Notation (JSON), приметићете да документи изгледају слично JSON-у. У овом директоријуму постоји датотека `PersonsData.json` са више података коју можете отпремити у контејнер Persons у емулатору помоћу дугмета `Upload Item`. + +У већини случајева, API-ји који враћају JSON податке могу се директно пренети и чувати у базама докумената. Испод је још један документ, који представља твитове са Microsoft Twitter налога, преузете помоћу Twitter API-ја, а затим уметнуте у Cosmos DB. + +```json +{ + "created_at": "2021-08-31T19:03:01.000Z", + "id": "1432780985872142341", + "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK", + "_rid": "dhAmAIUsA4oHAAAAAAAAAA==", + "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"", + "_attachments": "attachments/", + "_ts": 1630537000 +``` + +Поља од интереса у овом документу су: `created_at`, `id` и `text`. + +## 🚀 Изазов + +Постоји датотека `TwitterData.json` коју можете отпремити у базу података SampleDB. Препоручује се да је додате у посебан контејнер. Ово се може урадити на следећи начин: + +1. Кликните на дугме "New Container" у горњем десном углу +1. Изаберите постојећу базу података (SampleDB), креирајте ID за контејнер +1. Поставите partition key на `/id` +1. Кликните OK (можете игнорисати остале информације у овом приказу јер је ово мали скуп података који ради локално на вашем рачунару) +1. Отворите нови контејнер и отпремите датотеку Twitter Data помоћу дугмета `Upload Item` + +Покушајте да извршите неколико SELECT упита како бисте пронашли документе који у пољу text садрже реч "Microsoft". Савет: покушајте да користите [LIKE кључну реч](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character). + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11) + +## Преглед и самостално учење + +- Постоје додатна форматирања и функције додате у ову табелу које ова лекција не покрива. Microsoft има [велику библиотеку документације и видео снимака](https://support.microsoft.com/excel) о Excel-у ако сте заинтересовани за више информација. + +- Ова архитектонска документација детаљно описује карактеристике различитих типова нерелационих података: [Нерелациони подаци и NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data) + +- Cosmos DB је база података у облаку која такође може чувати различите типове NoSQL података поменуте у овој лекцији. Сазнајте више о овим типовима у овом [Cosmos DB Microsoft Learn модулу](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/). + +## Задатак + +[Soda Profits](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/06-non-relational/assignment.md b/translations/sr/2-Working-With-Data/06-non-relational/assignment.md new file mode 100644 index 00000000..54ce5dc8 --- /dev/null +++ b/translations/sr/2-Working-With-Data/06-non-relational/assignment.md @@ -0,0 +1,33 @@ + +# Профит од Соде + +## Упутства + +[Табела Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) недостаје неке прорачуне. Ваш задатак је да: + +1. Израчунате бруто профит за фискалне године '15, '16, '17 и '18 + - Бруто профит = Нето оперативни приходи - Трошкови продате робе +1. Израчунате просек свих бруто профита. Покушајте да ово урадите помоћу функције. + - Просек = Збир бруто профита подељен са бројем фискалних година (10) + - Документација о [AVERAGE функцији](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) +1. Ово је Excel датотека, али би требало да буде уређива у било којој платформи за табеле + +[Извор података: Јији Ванг](https://www.kaggle.com/yiyiwang0826/cocacola-excel) + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | --- + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/07-python/README.md b/translations/sr/2-Working-With-Data/07-python/README.md new file mode 100644 index 00000000..dd38a5cb --- /dev/null +++ b/translations/sr/2-Working-With-Data/07-python/README.md @@ -0,0 +1,290 @@ + +# Рад са подацима: Python и библиотека Pandas + +| ![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) | +| :-------------------------------------------------------------------------------------------------------: | +| Рад са Python-ом - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +[![Уводни видео](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.sr.png)](https://youtu.be/dZjWOGbsN4Y) + +Иако базе података нуде веома ефикасне начине за складиштење података и њихово претраживање помоћу језика за упите, најфлексибилнији начин обраде података је писање сопственог програма за манипулацију подацима. У многим случајевима, коришћење упита у бази података би било ефикасније. Међутим, у неким случајевима када је потребна сложенија обрада података, то се не може лако урадити помоћу SQL-а. +Обрада података може се програмирати у било ком програмском језику, али постоје одређени језици који су на вишем нивоу када је у питању рад са подацима. Научници који се баве подацима обично преферирају један од следећих језика: + +* **[Python](https://www.python.org/)**, опште-наменски програмски језик, који се често сматра једним од најбољих избора за почетнике због своје једноставности. Python има много додатних библиотека које вам могу помоћи да решите многе практичне проблеме, као што су издвајање података из ZIP архиве или претварање слике у сиве тонове. Поред науке о подацима, Python се често користи и за развој веба. +* **[R](https://www.r-project.org/)** је традиционални алат развијен са циљем статистичке обраде података. Такође садржи велики репозиторијум библиотека (CRAN), што га чини добрим избором за обраду података. Међутим, R није опште-наменски програмски језик и ретко се користи ван домена науке о подацима. +* **[Julia](https://julialang.org/)** је још један језик развијен специјално за науку о подацима. Намера му је да пружи боље перформансе од Python-а, што га чини одличним алатом за научне експерименте. + +У овом лекцији, фокусираћемо се на коришћење Python-а за једноставну обраду података. Претпоставићемо основно познавање језика. Ако желите дубљи увод у Python, можете се обратити једном од следећих ресурса: + +* [Научите Python на забаван начин уз Turtle Graphics и фрактале](https://github.com/shwars/pycourse) - брзи уводни курс у Python програмирање на GitHub-у +* [Направите прве кораке са Python-ом](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Пут учења на [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +Подаци могу бити у различитим облицима. У овој лекцији, разматраћемо три облика података - **табеларни подаци**, **текст** и **слике**. + +Фокусираћемо се на неколико примера обраде података, уместо да вам дамо потпуни преглед свих повезаних библиотека. Ово ће вам омогућити да добијете основну идеју о томе шта је могуће, и оставити вас са разумевањем где да пронађете решења за своје проблеме када вам затребају. + +> **Најкориснији савет**. Када треба да извршите одређену операцију на подацима коју не знате како да урадите, покушајте да је потражите на интернету. [Stackoverflow](https://stackoverflow.com/) обично садржи много корисних примера кода у Python-у за многе типичне задатке. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12) + +## Табеларни подаци и DataFrame-ови + +Већ сте се сусрели са табеларним подацима када смо говорили о релационим базама података. Када имате много података, и они су садржани у многим различитим повезаним табелама, дефинитивно има смисла користити SQL за рад са њима. Међутим, постоје многи случајеви када имамо табелу података и треба да стекнемо неко **разумевање** или **увиде** о тим подацима, као што су расподела, корелација између вредности, итд. У науци о подацима, постоји много случајева када треба да извршимо неке трансформације оригиналних података, праћене визуализацијом. Оба ова корака могу се лако урадити помоћу Python-а. + +Постоје две најкорисније библиотеке у Python-у које вам могу помоћи да радите са табеларним подацима: +* **[Pandas](https://pandas.pydata.org/)** вам омогућава да манипулишете такозваним **DataFrame-овима**, који су аналогни релационим табелама. Можете имати именоване колоне и извршавати различите операције на редовима, колонама и DataFrame-овима уопште. +* **[Numpy](https://numpy.org/)** је библиотека за рад са **тензорима**, тј. вишедимензионалним **низовима**. Низ има вредности истог основног типа и једноставнији је од DataFrame-а, али нуди више математичких операција и ствара мање оптерећења. + +Постоје и неколико других библиотека које би требало да знате: +* **[Matplotlib](https://matplotlib.org/)** је библиотека која се користи за визуализацију података и цртање графикона +* **[SciPy](https://www.scipy.org/)** је библиотека са неким додатним научним функцијама. Већ смо наишли на ову библиотеку када смо говорили о вероватноћи и статистици + +Ево дела кода који бисте обично користили за увоз ових библиотека на почетку вашег Python програма: +```python +import numpy as np +import pandas as pd +import matplotlib.pyplot as plt +from scipy import ... # you need to specify exact sub-packages that you need +``` + +Pandas је усредсређен на неколико основних концепата. + +### Series + +**Series** је низ вредности, сличан листи или numpy низу. Главна разлика је у томе што Series такође има **индекс**, и када радимо са Series (нпр. додајемо их), индекс се узима у обзир. Индекс може бити једноставан као број реда (то је индекс који се користи подразумевано када се креира Series из листе или низа), или може имати сложену структуру, као што је временски интервал. + +> **Напомена**: У пратећем нотебуку [`notebook.ipynb`](notebook.ipynb) налази се уводни код за Pandas. Овде ћемо само навести неке примере, а свакако сте добродошли да проверите комплетан нотебук. + +Размотримо пример: желимо да анализирамо продају у нашој продавници сладоледа. Генерисаћемо низ бројева продаје (број продатих артикала сваког дана) за одређени временски период: + +```python +start_date = "Jan 1, 2020" +end_date = "Mar 31, 2020" +idx = pd.date_range(start_date,end_date) +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() +``` +![График временског низа](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.sr.png) + +Сада претпоставимо да сваке недеље организујемо журку за пријатеље и узимамо додатних 10 пакета сладоледа за журку. Можемо креирати други низ, индексиран по недељама, да то покажемо: +```python +additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W")) +``` +Када саберемо два низа, добијамо укупан број: +```python +total_items = items_sold.add(additional_items,fill_value=0) +total_items.plot() +``` +![График временског низа](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.sr.png) + +> **Напомена** да не користимо једноставну синтаксу `total_items+additional_items`. Да јесмо, добили бисмо много `NaN` (*Not a Number*) вредности у резултујућем низу. То је зато што недостају вредности за неке тачке индекса у низу `additional_items`, а додавање `NaN` било чему резултира у `NaN`. Због тога морамо да наведемо параметар `fill_value` током сабирања. + +Са временским низовима, можемо такође **ресемпловати** низове са различитим временским интервалима. На пример, ако желимо да израчунамо просечну количину продаје месечно, можемо користити следећи код: +```python +monthly = total_items.resample("1M").mean() +ax = monthly.plot(kind='bar') +``` +![Месечни просеци временског низа](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.sr.png) + +### DataFrame + +DataFrame је у суштини колекција Series-а са истим индексом. Можемо комбиновати неколико Series-а у DataFrame: +```python +a = pd.Series(range(1,10)) +b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9)) +df = pd.DataFrame([a,b]) +``` +Ово ће креирати хоризонталну табелу попут ове: +| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | +| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- | +| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | +| 1 | I | like | to | use | Python | and | Pandas | very | much | + +Можемо такође користити Series као колоне и одредити имена колона користећи речник: +```python +df = pd.DataFrame({ 'A' : a, 'B' : b }) +``` +Ово ће нам дати табелу попут ове: + +| | A | B | +| --- | --- | ------ | +| 0 | 1 | I | +| 1 | 2 | like | +| 2 | 3 | to | +| 3 | 4 | use | +| 4 | 5 | Python | +| 5 | 6 | and | +| 6 | 7 | Pandas | +| 7 | 8 | very | +| 8 | 9 | much | + +**Напомена** да ову табелу можемо добити и транспоновањем претходне табеле, нпр. писањем +```python +df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' }) +``` +Овде `.T` означава операцију транспоновања DataFrame-а, тј. промену редова и колона, а операција `rename` нам омогућава да преименујемо колоне како би одговарале претходном примеру. + +Ево неколико најважнијих операција које можемо извршити на DataFrame-овима: + +**Избор колона**. Можемо изабрати појединачне колоне писањем `df['A']` - ова операција враћа Series. Такође можемо изабрати подскуп колона у други DataFrame писањем `df[['B','A']]` - ово враћа други DataFrame. + +**Филтрирање** само одређених редова по критеријуму. На пример, да оставимо само редове где је колона `A` већа од 5, можемо написати `df[df['A']>5]`. + +> **Напомена**: Начин на који филтрирање функционише је следећи. Израз `df['A']<5` враћа буловски низ, који указује да ли је израз `True` или `False` за сваки елемент оригиналног низа `df['A']`. Када се буловски низ користи као индекс, он враћа подскуп редова у DataFrame-у. Због тога није могуће користити произвољни Python буловски израз, на пример, писање `df[df['A']>5 and df['A']<7]` било би погрешно. Уместо тога, треба користити посебну операцију `&` на буловским низовима, писањем `df[(df['A']>5) & (df['A']<7)]` (*заграде су овде важне*). + +**Креирање нових рачунских колона**. Можемо лако креирати нове рачунске колоне за наш DataFrame користећи интуитивне изразе попут овог: +```python +df['DivA'] = df['A']-df['A'].mean() +``` +Овај пример израчунава одступање A од његове просечне вредности. Оно што се овде заправо дешава је да рачунамо Series, а затим додељујемо овај Series левој страни, креирајући нову колону. Због тога не можемо користити операције које нису компатибилне са Series-ом, на пример, следећи код је погрешан: +```python +# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi" +df['LenB'] = len(df['B']) # <- Wrong result +``` +Последњи пример, иако је синтаксно исправан, даје нам погрешан резултат, јер додељује дужину Series-а `B` свим вредностима у колони, а не дужину појединачних елемената како смо намеравали. + +Ако треба да израчунамо сложене изразе попут овог, можемо користити функцију `apply`. Последњи пример може се написати на следећи начин: +```python +df['LenB'] = df['B'].apply(lambda x : len(x)) +# or +df['LenB'] = df['B'].apply(len) +``` + +Након горе наведених операција, добићемо следећи DataFrame: + +| | A | B | DivA | LenB | +| --- | --- | ------ | ---- | ---- | +| 0 | 1 | I | -4.0 | 1 | +| 1 | 2 | like | -3.0 | 4 | +| 2 | 3 | to | -2.0 | 2 | +| 3 | 4 | use | -1.0 | 3 | +| 4 | 5 | Python | 0.0 | 6 | +| 5 | 6 | and | 1.0 | 3 | +| 6 | 7 | Pandas | 2.0 | 6 | +| 7 | 8 | very | 3.0 | 4 | +| 8 | 9 | much | 4.0 | 4 | + +**Избор редова на основу бројева** може се урадити коришћењем конструкта `iloc`. На пример, да изаберемо првих 5 редова из DataFrame-а: +```python +df.iloc[:5] +``` + +**Груписање** се често користи за добијање резултата сличних *пивот табелама* у Excel-у. Претпоставимо да желимо да израчунамо просечну вредност колоне `A` за сваки дати број `LenB`. Тада можемо груписати наш DataFrame по `LenB` и позвати `mean`: +```python +df.groupby(by='LenB').mean() +``` +Ако треба да израчунамо просек и број елемената у групи, онда можемо користити сложенију функцију `aggregate`: +```python +df.groupby(by='LenB') \ + .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \ + .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'}) +``` +Ово нам даје следећу табелу: + +| LenB | Count | Mean | +| ---- | ----- | -------- | +| 1 | 1 | 1.000000 | +| 2 | 1 | 3.000000 | +| 3 | 2 | 5.000000 | +| 4 | 3 | 6.333333 | +| 6 | 2 | 6.000000 | + +### Добијање података +Видели смо колико је лако конструисати Series и DataFrame објекте из Python објеката. Међутим, подаци обично долазе у облику текстуалних фајлова или Excel табела. Срећом, Pandas нам нуди једноставан начин за учитавање података са диска. На пример, читање CSV фајла је једноставно као ово: +```python +df = pd.read_csv('file.csv') +``` +Видећемо више примера учитавања података, укључујући и преузимање са спољних веб сајтова, у одељку "Изазов". + +### Штампање и графички приказ + +Data Scientist често мора да истражује податке, па је важно да их може визуализовати. Када је DataFrame велики, често желимо само да проверимо да ли све радимо исправно тако што ћемо одштампати првих неколико редова. Ово се може урадити позивом `df.head()`. Ако га покрећете из Jupyter Notebook-а, он ће приказати DataFrame у лепом табеларном облику. + +Такође смо видели употребу функције `plot` за визуализацију неких колона. Иако је `plot` веома користан за многе задатке и подржава различите типове графикона преко параметра `kind=`, увек можете користити библиотеку `matplotlib` за сложеније графиконе. Детаљно ћемо обрадити визуализацију података у посебним лекцијама курса. + +Овај преглед покрива најважније концепте Pandas-а, али библиотека је веома богата и нема ограничења у томе шта можете да урадите са њом! Хајде сада да применимо ово знање за решавање конкретног проблема. + +## 🚀 Изазов 1: Анализа ширења COVID-а + +Први проблем на који ћемо се фокусирати је моделирање ширења епидемије COVID-19. Да бисмо то урадили, користићемо податке о броју заражених особа у различитим земљама, које пружа [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) на [Johns Hopkins University](https://jhu.edu/). Скуп података је доступан у [овом GitHub репозиторијуму](https://github.com/CSSEGISandData/COVID-19). + +Пошто желимо да демонстрирамо како се ради са подацима, позивамо вас да отворите [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) и прочитате га од почетка до краја. Такође можете извршавати ћелије и решавати неке изазове које смо оставили за вас на крају. + +![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.sr.png) + +> Ако не знате како да покренете код у Jupyter Notebook-у, погледајте [овај чланак](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## Рад са неструктурираним подацима + +Иако подаци често долазе у табеларном облику, у неким случајевима морамо радити са мање структурираном врстом података, на пример, текстом или сликама. У том случају, да бисмо применили технике обраде података које смо видели, морамо некако **извући** структуиране податке. Ево неколико примера: + +* Извлачење кључних речи из текста и праћење њихове учесталости +* Коришћење неуронских мрежа за извлачење информација о објектима на слици +* Добијање информација о емоцијама људи са видео камере + +## 🚀 Изазов 2: Анализа COVID научних радова + +У овом изазову настављамо тему COVID пандемије и фокусирамо се на обраду научних радова на ту тему. Постоји [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) са више од 7000 (у време писања) радова о COVID-у, доступан са метаподацима и апстрактима (а за око половину њих доступан је и цео текст). + +Потпун пример анализе овог скупа података коришћењем когнитивне услуге [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) описан је [у овом блогу](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Размотрићемо поједностављену верзију ове анализе. + +> **NOTE**: Не пружамо копију скупа података као део овог репозиторијума. Можда ћете прво морати да преузмете фајл [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) из [овог скупа података на Kaggle-у](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Регистрација на Kaggle може бити потребна. Такође можете преузети скуп података без регистрације [овде](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), али ће укључивати све пуне текстове поред метаподатака. + +Отворите [`notebook-papers.ipynb`](notebook-papers.ipynb) и прочитајте га од почетка до краја. Такође можете извршавати ћелије и решавати неке изазове које смо оставили за вас на крају. + +![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.sr.png) + +## Обрада података са слика + +У последње време развијени су веома моћни AI модели који нам омогућавају да разумемо слике. Постоји много задатака који се могу решити коришћењем претходно обучених неуронских мрежа или cloud услуга. Неки примери укључују: + +* **Класификација слика**, која вам може помоћи да категоризујете слику у једну од унапред дефинисаних класа. Лако можете обучити сопствене класификаторе слика користећи услуге као што је [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) +* **Детекција објеката** за откривање различитих објеката на слици. Услуге као што је [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) могу детектовати бројне уобичајене објекте, а можете обучити [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) модел за детекцију специфичних објеката од интереса. +* **Детекција лица**, укључујући процену старости, пола и емоција. Ово се може урадити преко [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum). + +Све те cloud услуге могу се позивати коришћењем [Python SDK-ова](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), и тако се лако могу укључити у ваш ток истраживања података. + +Ево неколико примера истраживања података из извора слика: +* У блогу [Како учити Data Science без кодирања](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) истражујемо Instagram фотографије, покушавајући да разумемо шта људе мотивише да дају више лајкова на фотографију. Прво извлачимо што више информација из слика користећи [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), а затим користимо [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) за изградњу интерпретабилног модела. +* У [Радионици о студијама лица](https://github.com/CloudAdvocacy/FaceStudies) користимо [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) за извлачење емоција људи на фотографијама са догађаја, како бисмо покушали да разумемо шта људе чини срећним. + +## Закључак + +Без обзира да ли већ имате структуиране или неструктуиране податке, коришћењем Python-а можете извршити све кораке везане за обраду и разумевање података. Python је вероватно најфлексибилнији начин за обраду података, и то је разлог зашто већина Data Scientist-а користи Python као свој примарни алат. Учити Python детаљно је вероватно добра идеја ако сте озбиљни у својој Data Science авантури! + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13) + +## Преглед и самостално учење + +**Књиге** +* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662) + +**Онлајн ресурси** +* Званични [10 минута до Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) туторијал +* [Документација о Pandas визуализацији](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) + +**Учење Python-а** +* [Научите Python на забаван начин са Turtle Graphics и фракталима](https://github.com/shwars/pycourse) +* [Направите своје прве кораке са Python-ом](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Learning Path на [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +## Задатак + +[Извршите детаљнију студију података за горе наведене изазове](assignment.md) + +## Кредити + +Ова лекција је написана са ♥️ од стране [Dmitry Soshnikov](http://soshnikov.com) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/07-python/assignment.md b/translations/sr/2-Working-With-Data/07-python/assignment.md new file mode 100644 index 00000000..802e9b88 --- /dev/null +++ b/translations/sr/2-Working-With-Data/07-python/assignment.md @@ -0,0 +1,37 @@ + +# Задатак за обраду података у Пајтону + +У овом задатку, од вас се тражи да разрадите код који смо започели у нашим изазовима. Задатак се састоји из два дела: + +## Моделовање ширења COVID-19 + + - [ ] Прикажите графиконе *R* за 5-6 различитих земаља на једном графикону ради поређења, или користећи више графикона један поред другог. + - [ ] Испитајте како број смртних случајева и опоравка корелира са бројем заражених случајева. + - [ ] Сазнајте колико типична болест траје визуелним поређењем стопе инфекције и стопе смртности, и тражењем неких аномалија. Можда ће бити потребно да погледате различите земље како бисте то утврдили. + - [ ] Израчунајте стопу смртности и како се она мења током времена. *Можда ћете желети да узмете у обзир трајање болести у данима како бисте померили једну временску серију пре него што извршите прорачуне.* + +## Анализа радова о COVID-19 + +- [ ] Направите матрицу ко-јављања различитих лекова и видите који лекови се често јављају заједно (тј. помињу се у једном апстракту). Можете модификовати код за прављење матрице ко-јављања лекова и дијагноза. +- [ ] Визуализујте ову матрицу користећи топлотну мапу. +- [ ] Као додатни циљ, визуализујте ко-јављање лекова користећи [хорд дијаграм](https://en.wikipedia.org/wiki/Chord_diagram). [Ова библиотека](https://pypi.org/project/chord/) може вам помоћи да нацртате хорд дијаграм. +- [ ] Као још један додатни циљ, извуците дозе различитих лекова (као што је **400mg** у *узмите 400mg хлорокина дневно*) користећи регуларне изразе, и направите датафрејм који приказује различите дозе за различите лекове. **Напомена**: узмите у обзир нумеричке вредности које су у блиском текстуалном окружењу назива лека. + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | -- | +Сви задаци су завршени, графички приказани и објашњени, укључујући бар један од два додатна циља | Више од 5 задатака је завршено, додатни циљеви нису покушани, или резултати нису јасни | Мање од 5 (али више од 3) задатака је завршено, визуализације не помажу у демонстрацији поенте + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/08-data-preparation/README.md b/translations/sr/2-Working-With-Data/08-data-preparation/README.md new file mode 100644 index 00000000..fa12ee61 --- /dev/null +++ b/translations/sr/2-Working-With-Data/08-data-preparation/README.md @@ -0,0 +1,345 @@ + +# Рад са подацима: Припрема података + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)| +|:---:| +|Припрема података - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14) + +У зависности од извора, сирови подаци могу садржати неке недоследности које ће изазвати проблеме у анализи и моделирању. Другим речима, ови подаци могу бити категорисани као „прљави“ и потребно их је очистити. Ова лекција се фокусира на технике чишћења и трансформације података како би се решили изазови попут недостајућих, нетачних или непотпуних података. Теме обухваћене у овој лекцији користе Python и библиотеку Pandas и биће [демонстриране у бележници](notebook.ipynb) у овом директоријуму. + +## Значај чишћења података + +- **Једноставност коришћења и поновне употребе**: Када су подаци правилно организовани и нормализовани, лакше их је претраживати, користити и делити са другима. + +- **Конзистентност**: Наука о подацима често захтева рад са више скупова података, где скупови из различитих извора треба да се споје. Осигуравање да сваки појединачни скуп података има заједничку стандардизацију обезбедиће да подаци остану корисни када се сви споје у један скуп. + +- **Прецизност модела**: Очишћени подаци побољшавају тачност модела који се на њих ослањају. + +## Уобичајени циљеви и стратегије чишћења + +- **Истраживање скупа података**: Истраживање података, које је обухваћено у [каснијој лекцији](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), може вам помоћи да откријете податке које треба очистити. Визуелно посматрање вредности унутар скупа података може поставити очекивања о томе како остатак изгледа или пружити идеју о проблемима који се могу решити. Истраживање може укључивати основно упитивање, визуализације и узорковање. + +- **Форматирање**: У зависности од извора, подаци могу имати недоследности у начину на који су представљени. Ово може изазвати проблеме у претраживању и представљању вредности, где се вредност види унутар скупа података, али није правилно представљена у визуализацијама или резултатима упита. Уобичајени проблеми са форматирањем укључују решавање размака, датума и типова података. Решавање проблема са форматирањем обично је одговорност људи који користе податке. На пример, стандарди о томе како се датуми и бројеви представљају могу се разликовати од земље до земље. + +- **Дупликације**: Подаци који се појављују више пута могу произвести нетачне резултате и обично их треба уклонити. Ово је честа појава када се спајају два или више скупова података. Међутим, постоје случајеви када дупликације у спојеним скуповима садрже делове који могу пружити додатне информације и можда их треба сачувати. + +- **Недостајући подаци**: Недостајући подаци могу изазвати нетачности као и слабе или пристрасне резултате. Понекад се ово може решити „поновним учитавањем“ података, попуњавањем недостајућих вредности рачунањем и кодом као што је Python, или једноставно уклањањем вредности и одговарајућих података. Постоји много разлога зашто подаци могу недостајати, а акције које се предузимају за решавање ових недостајућих вредности могу зависити од тога како и зашто су нестали. + +## Истраживање информација у DataFrame-у +> **Циљ учења:** До краја овог пододељка, требало би да будете удобни у проналажењу општих информација о подацима који се чувају у pandas DataFrame-овима. + +Када учитате своје податке у pandas, највероватније ће бити у DataFrame-у (погледајте претходну [лекцију](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) за детаљан преглед). Међутим, ако скуп података у вашем DataFrame-у има 60.000 редова и 400 колона, како уопште почети да схватате са чим радите? Срећом, [pandas](https://pandas.pydata.org/) пружа неке згодне алате за брз преглед општих информација о DataFrame-у, као и првих и последњих неколико редова. + +Да бисмо истражили ову функционалност, увешћемо Python библиотеку scikit-learn и користити иконичан скуп података: **Iris скуп података**. + +```python +import pandas as pd +from sklearn.datasets import load_iris + +iris = load_iris() +iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names']) +``` +| |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)| +|----------------------------------------|-----------------|----------------|-----------------|----------------| +|0 |5.1 |3.5 |1.4 |0.2 | +|1 |4.9 |3.0 |1.4 |0.2 | +|2 |4.7 |3.2 |1.3 |0.2 | +|3 |4.6 |3.1 |1.5 |0.2 | +|4 |5.0 |3.6 |1.4 |0.2 | + +- **DataFrame.info**: За почетак, метода `info()` се користи за испис резимеа садржаја присутног у `DataFrame`. Погледајмо овај скуп података да видимо шта имамо: +```python +iris_df.info() +``` +``` +RangeIndex: 150 entries, 0 to 149 +Data columns (total 4 columns): + # Column Non-Null Count Dtype +--- ------ -------------- ----- + 0 sepal length (cm) 150 non-null float64 + 1 sepal width (cm) 150 non-null float64 + 2 petal length (cm) 150 non-null float64 + 3 petal width (cm) 150 non-null float64 +dtypes: float64(4) +memory usage: 4.8 KB +``` +Из овога знамо да *Iris* скуп података има 150 уноса у четири колоне без празних уноса. Сви подаци су сачувани као 64-битни бројеви са покретним зарезом. + +- **DataFrame.head()**: Затим, да бисмо проверили стварни садржај `DataFrame`, користимо методу `head()`. Погледајмо како изгледају први редови нашег `iris_df`: +```python +iris_df.head() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +0 5.1 3.5 1.4 0.2 +1 4.9 3.0 1.4 0.2 +2 4.7 3.2 1.3 0.2 +3 4.6 3.1 1.5 0.2 +4 5.0 3.6 1.4 0.2 +``` +- **DataFrame.tail()**: Супротно томе, да бисмо проверили последње редове `DataFrame`, користимо методу `tail()`: +```python +iris_df.tail() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +145 6.7 3.0 5.2 2.3 +146 6.3 2.5 5.0 1.9 +147 6.5 3.0 5.2 2.0 +148 6.2 3.4 5.4 2.3 +149 5.9 3.0 5.1 1.8 +``` +> **Закључак:** Чак и само гледањем метаподатака о информацијама у DataFrame-у или првих и последњих неколико вредности у њему, можете одмах добити идеју о величини, облику и садржају података са којима радите. + +## Рад са недостајућим подацима +> **Циљ учења:** До краја овог пододељка, требало би да знате како да замените или уклоните празне вредности из DataFrame-ова. + +Већину времена скупови података које желите да користите (или морате да користите) имају недостајуће вредности. Начин на који се недостајући подаци обрађују носи са собом суптилне компромисе који могу утицати на вашу коначну анализу и резултате у стварном свету. + +Pandas обрађује недостајуће вредности на два начина. Први сте већ видели у претходним одељцима: `NaN`, или Not a Number. Ово је заправо посебна вредност која је део IEEE спецификације за бројеве са покретним зарезом и користи се само за означавање недостајућих вредности са покретним зарезом. + +За недостајуће вредности које нису бројеви са покретним зарезом, pandas користи Python објекат `None`. Иако може изгледати збуњујуће што ћете наићи на две различите врсте вредности које суштински значе исто, постоје добри програмски разлози за овај дизајн, а у пракси, овај приступ омогућава pandas-у да пружи добар компромис за већину случајева. Ипак, и `None` и `NaN` носе ограничења која треба имати на уму у погледу начина на који се могу користити. + +Погледајте више о `NaN` и `None` у [бележници](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)! + +- **Детекција празних вредности**: У `pandas`, методе `isnull()` и `notnull()` су ваши примарни алати за детекцију празних података. Обе враћају Булове маске преко ваших података. Користићемо `numpy` за `NaN` вредности: +```python +import numpy as np + +example1 = pd.Series([0, np.nan, '', None]) +example1.isnull() +``` +``` +0 False +1 True +2 False +3 True +dtype: bool +``` +Пажљиво погледајте излаз. Да ли вас нешто изненађује? Док је `0` аритметички нулт, он је ипак савршено добар цео број и pandas га тако третира. `''` је мало суптилнији. Иако смо га користили у Одељку 1 да представимо празну стринг вредност, он је ипак стринг објекат и није представљање празне вредности у смислу pandas-а. + +Сада, окренимо ово и користимо ове методе на начин на који ћете их најчешће користити у пракси. Можете користити Булове маске директно као ``Series`` или ``DataFrame`` индекс, што може бити корисно када покушавате да радите са изолованим недостајућим (или присутним) вредностима. + +> **Закључак**: И методе `isnull()` и `notnull()` производе сличне резултате када их користите у `DataFrame`-овима: показују резултате и индекс тих резултата, што ће вам у великој мери помоћи док се борите са својим подацима. + +- **Уклањање празних вредности**: Поред идентификовања недостајућих вредности, pandas пружа згодан начин за уклањање празних вредности из `Series` и `DataFrame`-ова. (Посебно код великих скупова података, често је препоручљивије једноставно уклонити недостајуће [NA] вредности из ваше анализе него се бавити њима на друге начине.) Да бисмо ово видели на делу, вратимо се на `example1`: +```python +example1 = example1.dropna() +example1 +``` +``` +0 0 +2 +dtype: object +``` +Приметите да ово треба да изгледа као ваш излаз из `example3[example3.notnull()]`. Разлика је у томе што је, уместо само индексирања на маскиране вредности, `dropna` уклонио те недостајуће вредности из `Series` `example1`. + +Пошто `DataFrame`-ови имају две димензије, они пружају више опција за уклањање података. + +```python +example2 = pd.DataFrame([[1, np.nan, 7], + [2, 5, 8], + [np.nan, 6, 9]]) +example2 +``` +| | 0 | 1 | 2 | +|------|---|---|---| +|0 |1.0|NaN|7 | +|1 |2.0|5.0|8 | +|2 |NaN|6.0|9 | + +(Да ли сте приметили да је pandas претворио две колоне у бројеве са покретним зарезом како би прилагодио `NaN`?) + +Не можете уклонити једну вредност из `DataFrame`, тако да морате уклонити целе редове или колоне. У зависности од тога шта радите, можда ћете желети да урадите једно или друго, па pandas пружа опције за оба. Пошто у науци о подацима колоне генерално представљају променљиве, а редови представљају запажања, вероватније је да ћете уклонити редове података; подразумевана поставка за `dropna()` је да уклони све редове који садрже било какве празне вредности: + +```python +example2.dropna() +``` +``` + 0 1 2 +1 2.0 5.0 8 +``` +Ако је потребно, можете уклонити NA вредности из колона. Користите `axis=1` да то урадите: +```python +example2.dropna(axis='columns') +``` +``` + 2 +0 7 +1 8 +2 9 +``` +Приметите да ово може уклонити много података које можда желите да задржите, посебно у мањим скуповима података. Шта ако желите да уклоните само редове или колоне који садрже неколико или чак све празне вредности? Ове поставке можете одредити у `dropna` са параметрима `how` и `thresh`. + +Подразумевано, `how='any'` (ако желите да проверите сами или видите које друге параметре метода има, покрените `example4.dropna?` у ћелији кода). Можете алтернативно одредити `how='all'` како бисте уклонили само редове или колоне који садрже све празне вредности. Проширимо наш пример `DataFrame` да видимо ово на делу. + +```python +example2[3] = np.nan +example2 +``` +| |0 |1 |2 |3 | +|------|---|---|---|---| +|0 |1.0|NaN|7 |NaN| +|1 |2.0|5.0|8 |NaN| +|2 |NaN|6.0|9 |NaN| + +Параметар `thresh` вам даје прецизнију контролу: постављате број *непразних* вредности које ред или колона морају имати да би били задржани: +```python +example2.dropna(axis='rows', thresh=3) +``` +``` + 0 1 2 3 +1 2.0 5.0 8 NaN +``` +Овде су први и последњи ред уклоњени, јер садрже само две непразне вредности. + +- **Попуњавање празних вредности**: У зависности од вашег скупа података, понекад може имати више смисла попунити празне вредности важећим него их уклонити. Могли бисте користити `isnull` да то урадите на лицу места, али то може бити заморно, посебно ако имате много вредности за попуњавање. Пошто је ово тако чест задатак у науци о подацима, pandas пружа `fillna`, који враћа копију `Series` или `DataFrame` са недостајућим вредностима замењеним оним које изаберете. Направимо још један пример `Series` да видимо како ово функционише у пракси. +```python +example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde')) +example3 +``` +``` +a 1.0 +b NaN +c 2.0 +d NaN +e 3.0 +dtype: float64 +``` +Можете попунити све празне уносе једном вредношћу, као што је `0`: +```python +example3.fillna(0) +``` +``` +a 1.0 +b 0.0 +c 2.0 +d 0.0 +e 3.0 +dtype: float64 +``` +Можете **унапред попунити** празне вредности, што значи користити последњу важећу вредност за попуњавање празне: +```python +example3.fillna(method='ffill') +``` +``` +a 1.0 +b 1.0 +c 2.0 +d 2.0 +e 3.0 +dtype: float64 +``` +Такође можете **уназад попунити** како бисте проширили следећу важећу вредност уназад за попуњавање празне: +```python +example3.fillna(method='bfill') +``` +``` +a 1.0 +b 2.0 +c 2.0 +d 3.0 +e 3.0 +dtype: float64 +``` +Као што можете претпоставити, ово функционише исто са `DataFrame`-овима, али такође можете одредити `axis` дуж које ће се попуњавати празне вредности. Узимајући поново претходно коришћени `example2`: +```python +example2.fillna(method='ffill', axis=1) +``` +``` + 0 1 2 3 +0 1.0 1.0 7.0 7.0 +1 2.0 5.0 8.0 8.0 +2 NaN 6.0 9.0 9.0 +``` +> **Закључак:** Постоји више начина за решавање проблема са недостајућим вредностима у вашим скуповима података. Конкретна стратегија коју користите (уклањање, замена или начин на који их замењујете) треба да буде диктирана специфичностима тих података. Што више радите са скуповима података, боље ћете разумети како да се носите са недостајућим вредностима. + +## Уклањање дуплираних података + +> **Циљ учења:** До краја овог пододељка, требало би да будете сигурни у идентификовање и уклањање дуплираних вредности из DataFrame-ова. + +Поред недостајућих података, често ћете наилазити на дуплиране податке у скуповима података из стварног света. Срећом, `pandas` пружа једноставан начин за откривање и уклањање дуплираних уноса. + +- **Идентификовање дупликата: `duplicated`**: Лако можете уочити дуплиране вредности користећи метод `duplicated` у pandas-у, који враћа Булову маску која показује да ли је унос у `DataFrame`-у дупликат неког претходног. Хајде да направимо још један пример `DataFrame`-а да бисмо видели како то функционише. +```python +example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'], + 'numbers': [1, 2, 1, 3, 3]}) +example4 +``` +| |letters|numbers| +|------|-------|-------| +|0 |A |1 | +|1 |B |2 | +|2 |A |1 | +|3 |B |3 | +|4 |B |3 | + +```python +example4.duplicated() +``` +``` +0 False +1 False +2 True +3 False +4 True +dtype: bool +``` +- **Уклањање дупликата: `drop_duplicates`:** једноставно враћа копију података за које су све `duplicated` вредности `False`: +```python +example4.drop_duplicates() +``` +``` + letters numbers +0 A 1 +1 B 2 +3 B 3 +``` +И `duplicated` и `drop_duplicates` подразумевано разматрају све колоне, али можете навести да испитују само подскуп колона у вашем `DataFrame`-у: +```python +example4.drop_duplicates(['letters']) +``` +``` +letters numbers +0 A 1 +1 B 2 +``` + +> **Закључак:** Уклањање дуплираних података је суштински део готово сваког пројекта у области науке о подацима. Дуплирани подаци могу променити резултате ваших анализа и дати вам нетачне резултате! + + +## 🚀 Изазов + +Сав материјал који је обрађен доступан је као [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Поред тога, након сваког одељка постоје вежбе, испробајте их! + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15) + + + +## Преглед и самостално учење + +Постоји много начина да откријете и приступите припреми ваших података за анализу и моделирање, а чишћење података је важан корак који захтева "практично" искуство. Испробајте ове изазове са Kaggle-а како бисте истражили технике које ова лекција није покрила. + +- [Изазов чишћења података: Парсирање датума](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/) + +- [Изазов чишћења података: Скалирање и нормализација података](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data) + + +## Задатак + +[Процена података из обрасца](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/08-data-preparation/assignment.md b/translations/sr/2-Working-With-Data/08-data-preparation/assignment.md new file mode 100644 index 00000000..c491ecb1 --- /dev/null +++ b/translations/sr/2-Working-With-Data/08-data-preparation/assignment.md @@ -0,0 +1,28 @@ + +# Процена података из формулара + +Клијент је тестирао [мали формулар](../../../../2-Working-With-Data/08-data-preparation/index.html) за прикупљање основних података о својој бази клијената. Донели су своје налазе како би потврдили податке које су прикупили. Можете отворити страницу `index.html` у прегледачу да бисте погледали формулар. + +Достављен вам је [скуп података у csv формату](../../../../data/form.csv) који садржи уносе из формулара, као и неке основне визуализације. Клијент је указао да неке од визуализација изгледају нетачно, али није сигуран како да их исправи. Можете их истражити у [радној свесци задатка](assignment.ipynb). + +## Упутства + +Користите технике из овог часа да бисте дали препоруке о формулару како би прикупљао тачне и конзистентне информације. + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | --- + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/2-Working-With-Data/README.md b/translations/sr/2-Working-With-Data/README.md new file mode 100644 index 00000000..422452c3 --- /dev/null +++ b/translations/sr/2-Working-With-Data/README.md @@ -0,0 +1,31 @@ + +# Рад са подацима + +![љубав према подацима](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.sr.jpg) +> Фотографија од Александра Сина на Unsplash + +У овим лекцијама ћете научити неке од начина на које се подаци могу управљати, манипулисати и користити у апликацијама. Научићете о релационим и нерелационим базама података и како се подаци могу чувати у њима. Упознаћете основе рада са Python-ом за управљање подацима и открићете неке од многих начина на које можете користити Python за управљање и анализу података. + +### Теме + +1. [Релационе базе података](05-relational-databases/README.md) +2. [Нерелационе базе података](06-non-relational/README.md) +3. [Рад са Python-ом](07-python/README.md) +4. [Припрема података](08-data-preparation/README.md) + +### Аутори + +Ове лекције су написане са ❤️ од стране [Кристофера Харисона](https://twitter.com/geektrainer), [Дмитрија Сошњикова](https://twitter.com/shwars) и [Жасмин Гринавеј](https://twitter.com/paladique) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/09-visualization-quantities/README.md b/translations/sr/3-Data-Visualization/09-visualization-quantities/README.md new file mode 100644 index 00000000..46a56c61 --- /dev/null +++ b/translations/sr/3-Data-Visualization/09-visualization-quantities/README.md @@ -0,0 +1,217 @@ + +# Визуелизација количина + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Визуелизација количина - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У овој лекцији ћете истражити како да користите једну од многих доступних Python библиотека како бисте научили да креирате занимљиве визуелизације засноване на концепту количине. Користећи очишћену базу података о птицама из Минесоте, можете научити многе занимљиве чињенице о локалној дивљини. +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Посматрање распона крила уз Matplotlib + +Одлична библиотека за креирање како једноставних тако и сложених графикона и дијаграма различитих врста је [Matplotlib](https://matplotlib.org/stable/index.html). Уопштено, процес креирања графикона уз помоћ ових библиотека укључује идентификовање делова вашег dataframe-а које желите да циљате, извршавање потребних трансформација над тим подацима, додељивање вредности за x и y осе, одлучивање о врсти графикона који желите да прикажете, и затим приказивање графикона. Matplotlib нуди велики избор визуелизација, али за ову лекцију, фокусираћемо се на оне које су најприкладније за визуелизацију количине: линијске графиконе, расејане графиконе и стубне дијаграме. + +> ✅ Користите најбољи графикон који одговара структури ваших података и причи коју желите да испричате. +> - За анализу трендова током времена: линијски графикон +> - За поређење вредности: стубни, колумнарни, пите, расејани графикон +> - За приказ односа делова према целини: пите +> - За приказ дистрибуције података: расејани графикон, стубни +> - За приказ трендова: линијски, колумнарни +> - За приказ односа између вредности: линијски, расејани, балон графикон + +Ако имате базу података и треба да откријете колико одређеног предмета је укључено, један од првих задатака који имате је да испитате његове вредности. + +✅ Постоје веома добри 'cheat sheets' за Matplotlib [овде](https://matplotlib.org/cheatsheets/cheatsheets.pdf). + +## Креирање линијског графикона за вредности распона крила птица + +Отворите датотеку `notebook.ipynb` у корену ове лекције и додајте ћелију. + +> Напомена: подаци се налазе у корену овог репозиторијума у фолдеру `/data`. + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` +Ови подаци су мешавина текста и бројева: + +| | Име | Научно име | Категорија | Ред | Породица | Род | Статус очувања | МинДужина | МаксДужина | МинТежина | МаксТежина | МинРаспонКрила | МаксРаспонКрила | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Црнотрбушна патка | Dendrocygna autumnalis | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Жућкаста патка | Dendrocygna bicolor | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Снежна гуска | Anser caerulescens | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Росова гуска | Anser rossii | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика бела гуска | Anser albifrons | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Хајде да почнемо са приказивањем неких нумеричких података користећи основни линијски графикон. Претпоставимо да желите да видите максимални распон крила ових занимљивих птица. + +```python +wingspan = birds['MaxWingspan'] +wingspan.plot() +``` +![Макс распон крила](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.sr.png) + +Шта одмах примећујете? Чини се да постоји бар један изузетак - то је прилично велики распон крила! Распон крила од 2300 центиметара износи 23 метра - да ли у Минесоти лете птеродактили? Хајде да истражимо. + +Иако бисте могли брзо сортирати податке у Excel-у да бисте пронашли те изузетке, који су вероватно грешке у куцању, наставите процес визуелизације радећи из самог графикона. + +Додајте ознаке на x-осу да бисте приказали о којим птицама је реч: + +``` +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.xticks(rotation=45) +x = birds['Name'] +y = birds['MaxWingspan'] + +plt.plot(x, y) + +plt.show() +``` +![Распон крила са ознакама](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.sr.png) + +Чак и са ротацијом ознака постављеном на 45 степени, има их превише да би се читале. Хајде да пробамо другачију стратегију: означите само те изузетке и поставите ознаке унутар графикона. Можете користити расејани графикон да бисте направили више простора за означавање: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) + +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + plt.plot(x, y, 'bo') + if birds['MaxWingspan'][i] > 500: + plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12) + +plt.show() +``` +Шта се овде дешава? Користили сте `tick_params` да сакријете доње ознаке и затим креирали петљу преко ваше базе података о птицама. Приказујући графикон са малим округлим плавим тачкама користећи `bo`, проверили сте да ли постоји птица са максималним распоном крила већим од 500 и приказали њену ознаку поред тачке ако је тако. Померили сте ознаке мало на y оси (`y * (1 - 0.05)`) и користили име птице као ознаку. + +Шта сте открили? + +![Изузеци](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.sr.png) +## Филтрирање података + +И Белоглави орао и Преријски соко, иако вероватно веома велике птице, изгледа да су погрешно означени, са додатним `0` у максималном распону крила. Мало је вероватно да ћете срести Белоглавог орла са распоном крила од 25 метара, али ако се то догоди, молимо вас да нас обавестите! Хајде да креирамо нови dataframe без та два изузетка: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']: + plt.plot(x, y, 'bo') +plt.show() +``` + +Филтрирањем изузетака, ваши подаци су сада кохезивнији и разумљивији. + +![Расејани графикон распона крила](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.sr.png) + +Сада када имамо чистију базу података барем у смислу распона крила, хајде да откријемо више о овим птицама. + +Иако линијски и расејани графикони могу приказати информације о вредностима података и њиховим дистрибуцијама, желимо да размишљамо о вредностима које су инхерентне у овој бази података. Можете креирати визуелизације да бисте одговорили на следећа питања о количини: + +> Колико категорија птица постоји и који су њихови бројеви? +> Колико птица је изумрло, угрожено, ретко или уобичајено? +> Колико их има у различитим родовима и редовима у Линеовој терминологији? +## Истраживање стубних дијаграма + +Стубни дијаграми су практични када треба да прикажете груписање података. Хајде да истражимо категорије птица које постоје у овој бази података да видимо која је најчешћа по броју. + +У датотеци notebook креирајте основни стубни дијаграм. + +✅ Напомена, можете или филтрирати две птице изузетке које смо идентификовали у претходном одељку, уредити грешку у њиховом распону крила, или их оставити за ове вежбе које не зависе од вредности распона крила. + +Ако желите да креирате стубни дијаграм, можете изабрати податке на које желите да се фокусирате. Стубни дијаграми могу бити креирани од необрађених података: + +```python +birds.plot(x='Category', + kind='bar', + stacked=True, + title='Birds of Minnesota') + +``` +![Целокупни подаци као стубни дијаграм](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.sr.png) + +Овај стубни дијаграм, међутим, није читљив јер има превише неповезаних података. Потребно је да изаберете само податке које желите да прикажете, па хајде да погледамо дужину птица на основу њихове категорије. + +Филтрирајте своје податке да укључите само категорију птица. + +✅ Приметите да користите Pandas за управљање подацима, а затим препуштате Matplotlib-у да креира графикон. + +Пошто има много категорија, можете приказати овај графикон вертикално и прилагодити његову висину да обухвати све податке: + +```python +category_count = birds.value_counts(birds['Category'].values, sort=True) +plt.rcParams['figure.figsize'] = [6, 12] +category_count.plot.barh() +``` +![Категорија и дужина](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.sr.png) + +Овај стубни дијаграм пружа добар преглед броја птица у свакој категорији. На први поглед видите да је највећи број птица у овом региону у категорији Патке/Гуске/Водене птице. Минесота је 'земља 10,000 језера', па ово није изненађујуће! + +✅ Испробајте неке друге бројеве у овој бази података. Да ли вас нешто изненађује? + +## Поређење података + +Можете пробати различита поређења груписаних података креирањем нових оса. Пробајте поређење максималне дужине птице, на основу њене категорије: + +```python +maxlength = birds['MaxLength'] +plt.barh(y=birds['Category'], width=maxlength) +plt.rcParams['figure.figsize'] = [6, 12] +plt.show() +``` +![Поређење података](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.sr.png) + +Ништа није изненађујуће овде: колибри имају најмању максималну дужину у поређењу са пеликанима или гускама. Добро је када подаци имају логичан смисао! + +Можете креирати занимљивије визуелизације стубних дијаграма суперимпонујући податке. Хајде да суперимпонујемо минималну и максималну дужину на одређену категорију птица: + +```python +minLength = birds['MinLength'] +maxLength = birds['MaxLength'] +category = birds['Category'] + +plt.barh(category, maxLength) +plt.barh(category, minLength) + +plt.show() +``` +На овом графикону можете видети опсег по категорији птица минималне и максималне дужине. Можете са сигурношћу рећи да, на основу ових података, што је птица већа, већи је њен опсег дужине. Фасцинантно! + +![Суперимпонујане вредности](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.sr.png) + +## 🚀 Изазов + +Ова база података о птицама нуди богатство информација о различитим врстама птица у одређеном екосистему. Претражите интернет и видите да ли можете пронаћи друге базе података о птицама. Вежбајте креирање графикона и дијаграма о овим птицама како бисте открили чињенице које нисте знали. +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Преглед и самостално учење + +Ова прва лекција вам је дала неке информације о томе како да користите Matplotlib за визуелизацију количина. Истражите друге начине рада са базама података за визуелизацију. [Plotly](https://github.com/plotly/plotly.py) је један који нећемо покривати у овим лекцијама, па погледајте шта он може да понуди. +## Задатак + +[Линије, Расејани графикони и Стубови](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/sr/3-Data-Visualization/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..4650f8eb --- /dev/null +++ b/translations/sr/3-Data-Visualization/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Линије, Расејања и Стубови + +## Упутства + +У овој лекцији сте радили са линијским графиконима, расејаним графиконима и стубним графиконима како бисте приказали занимљиве чињенице о овом скупу података. У овом задатку, детаљније истражите скуп података како бисте открили чињеницу о одређеној врсти птице. На пример, направите бележницу која визуализује све занимљиве податке које можете пронаћи о снежним гускама. Користите три горе поменута графикона како бисте испричали причу у својој бележници. + +## Рубрика + +Примерно | Задовољавајуће | Потребна побољшања +--- | --- | --- | +Бележница је представљена са добрим коментарима, чврстом нарацијом и привлачним графиконима | Бележници недостаје један од ових елемената | Бележници недостају два од ових елемената + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/10-visualization-distributions/README.md b/translations/sr/3-Data-Visualization/10-visualization-distributions/README.md new file mode 100644 index 00000000..f42a3b75 --- /dev/null +++ b/translations/sr/3-Data-Visualization/10-visualization-distributions/README.md @@ -0,0 +1,216 @@ + +# Визуализација дистрибуција + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Визуализација дистрибуција - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У претходној лекцији, научили сте неке занимљиве чињенице о скупу података о птицама из Минесоте. Пронашли сте погрешне податке визуализујући одступања и погледали разлике између категорија птица према њиховој максималној дужини. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Истражите скуп података о птицама + +Још један начин да се дубље истражи скуп података је гледањем његове дистрибуције, односно како су подаци организовани дуж осе. На пример, можда желите да сазнате општу дистрибуцију максималног распона крила или максималне телесне масе птица из Минесоте. + +Хајде да откријемо неке чињенице о дистрибуцијама података у овом скупу података. У датотеци _notebook.ipynb_ која се налази у корену фасцикле ове лекције, увезите Pandas, Matplotlib и ваше податке: + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` + +| | Име | Научно име | Категорија | Ред | Породица | Род | Статус заштите | МинДужина | МаксДужина | МинТелеснаМаса | МаксТелеснаМаса | МинРаспонКрила | МаксРаспонКрила | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Црнобрки патак | Dendrocygna autumnalis | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Жућкасти патак | Dendrocygna bicolor | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Снежна гуска | Anser caerulescens | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Росова гуска | Anser rossii | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика бела гуска | Anser albifrons | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Уопштено, можете брзо погледати начин на који су подаци распоређени користећи расејани графикон као што смо то урадили у претходној лекцији: + +```python +birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8)) + +plt.title('Max Length per Order') +plt.ylabel('Order') +plt.xlabel('Max Length') + +plt.show() +``` +![максимална дужина по реду](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.sr.png) + +Ово даје преглед опште дистрибуције дужине тела по реду птица, али није оптималан начин за приказивање правих дистрибуција. Тај задатак се обично обавља креирањем хистограма. +## Рад са хистограмима + +Matplotlib нуди веома добре начине за визуализацију дистрибуције података користећи хистограме. Овај тип графикона је сличан стубичастом графикону где се дистрибуција може видети кроз раст и пад стубова. Да бисте направили хистограм, потребни су вам нумерички подаци. Да бисте направили хистограм, можете нацртати графикон дефинишући врсту као 'hist' за хистограм. Овај графикон приказује дистрибуцију MaxBodyMass за цео опсег нумеричких података скупа података. Дељењем низа података на мање групе, може приказати дистрибуцију вредности података: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12)) +plt.show() +``` +![дистрибуција за цео скуп података](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.sr.png) + +Као што видите, већина од 400+ птица у овом скупу података спада у опсег испод 2000 за њихову максималну телесну масу. Стеците више увида у податке променом параметра `bins` на већи број, нешто попут 30: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12)) +plt.show() +``` +![дистрибуција за цео скуп података са већим параметром bins](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.sr.png) + +Овај графикон приказује дистрибуцију на мало детаљнији начин. Графикон мање нагнут улево могао би се направити тако што бисте осигурали да изаберете само податке унутар датог опсега: + +Филтрирајте своје податке да добијете само оне птице чија је телесна маса испод 60 и прикажите 40 `bins`: + +```python +filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] +filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12)) +plt.show() +``` +![филтрирани хистограм](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.sr.png) + +✅ Испробајте неке друге филтере и тачке података. Да бисте видели пуну дистрибуцију података, уклоните филтер `['MaxBodyMass']` да бисте приказали означене дистрибуције. + +Хистограм нуди неке лепе боје и побољшања означавања које можете испробати: + +Направите 2D хистограм да упоредите однос између две дистрибуције. Хајде да упоредимо `MaxBodyMass` и `MaxLength`. Matplotlib нуди уграђен начин да покаже конвергенцију користећи светлије боје: + +```python +x = filteredBirds['MaxBodyMass'] +y = filteredBirds['MaxLength'] + +fig, ax = plt.subplots(tight_layout=True) +hist = ax.hist2d(x, y) +``` +Чини се да постоји очекивана корелација између ова два елемента дуж очекиване осе, са једном посебно снажном тачком конвергенције: + +![2D графикон](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.sr.png) + +Хистограми добро функционишу по подразумеваним подешавањима за нумеричке податке. Шта ако треба да видите дистрибуције према текстуалним подацима? +## Истражите скуп података за дистрибуције користећи текстуалне податке + +Овај скуп података такође укључује добре информације о категорији птица и њеном роду, врсти и породици, као и њеном статусу заштите. Хајде да истражимо ове информације о статусу заштите. Каква је дистрибуција птица према њиховом статусу заштите? + +> ✅ У скупу података, користи се неколико акронима за описивање статуса заштите. Ови акроними потичу из [IUCN Red List Categories](https://www.iucnredlist.org/), организације која каталогизује статус врста. +> +> - CR: Критично угрожене +> - EN: Угрожене +> - EX: Изумрле +> - LC: Најмање забрињавајуће +> - NT: Близу угрожености +> - VU: Ранљиве + +Ово су текстуалне вредности, па ћете морати да урадите трансформацију да бисте направили хистограм. Користећи dataframe filteredBirds, прикажите његов статус заштите уз његов минимални распон крила. Шта видите? + +```python +x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] +x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] +x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] +x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] +x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] +x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] + +kwargs = dict(alpha=0.5, bins=20) + +plt.hist(x1, **kwargs, color='red', label='Extinct') +plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') +plt.hist(x3, **kwargs, color='yellow', label='Endangered') +plt.hist(x4, **kwargs, color='green', label='Near Threatened') +plt.hist(x5, **kwargs, color='blue', label='Vulnerable') +plt.hist(x6, **kwargs, color='gray', label='Least Concern') + +plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') +plt.legend(); +``` + +![распон крила и статус заштите](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.sr.png) + +Не чини се да постоји добра корелација између минималног распона крила и статуса заштите. Тестирајте друге елементе скупа података користећи овај метод. Можете испробати различите филтере. Да ли налазите неку корелацију? + +## Графикони густине + +Можда сте приметили да хистограми које смо до сада гледали имају 'кораке' и не теку глатко у луку. Да бисте приказали глаткији графикон густине, можете пробати графикон густине. + +Да бисте радили са графиконима густине, упознајте се са новом библиотеком за графиконе, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). + +Учитавањем Seaborn-а, пробајте основни графикон густине: + +```python +import seaborn as sns +import matplotlib.pyplot as plt +sns.kdeplot(filteredBirds['MinWingspan']) +plt.show() +``` +![Графикон густине](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.sr.png) + +Можете видети како графикон одражава претходни за податке о минималном распону крила; само је мало глаткији. Према документацији Seaborn-а, "У односу на хистограм, KDE може произвести графикон који је мање претрпан и лакши за интерпретацију, посебно када се цртају више дистрибуција. Али има потенцијал да уведе изобличења ако је основна дистрибуција ограничена или није глатка. Као и хистограм, квалитет репрезентације такође зависи од избора добрих параметара за глаткоћу." [извор](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Другим речима, одступања ће, као и увек, учинити да ваши графикони лоше функционишу. + +Ако желите да поново погледате ту назубљену линију MaxBodyMass у другом графикону који сте направили, могли бисте је веома добро изгладити поновним креирањем користећи овај метод: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass']) +plt.show() +``` +![глатка линија телесне масе](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.sr.png) + +Ако желите глатку, али не превише глатку линију, измените параметар `bw_adjust`: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) +plt.show() +``` +![мање глатка линија телесне масе](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.sr.png) + +✅ Прочитајте о доступним параметрима за овај тип графикона и експериментишите! + +Овај тип графикона нуди лепе визуализације које објашњавају податке. Са неколико линија кода, на пример, можете приказати густину максималне телесне масе по реду птица: + +```python +sns.kdeplot( + data=filteredBirds, x="MaxBodyMass", hue="Order", + fill=True, common_norm=False, palette="crest", + alpha=.5, linewidth=0, +) +``` + +![телесна маса по реду](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.sr.png) + +Такође можете мапирати густину неколико варијабли на једном графикону. Тестирајте максималну и минималну дужину птице у поређењу са њеним статусом заштите: + +```python +sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus") +``` + +![више густина, преклопљене](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.sr.png) + +Можда је вредно истражити да ли је кластер 'ранљивих' птица према њиховим дужинама значајан или не. + +## 🚀 Изазов + +Хистограми су софистициранији тип графикона од основних расејаних графикона, стубичастих графикона или линијских графикона. Потражите на интернету добре примере употребе хистограма. Како се користе, шта показују и у којим областима или областима истраживања се обично користе? + +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Преглед и самостално учење + +У овој лекцији, користили сте Matplotlib и почели да радите са Seaborn-ом да бисте приказали софистицираније графиконе. Истражите `kdeplot` у Seaborn-у, "континуирана крива густине вероватноће у једној или више димензија". Прочитајте [документацију](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) да бисте разумели како функционише. + +## Задатак + +[Примените своје вештине](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/sr/3-Data-Visualization/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..31c2c1bd --- /dev/null +++ b/translations/sr/3-Data-Visualization/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Примените своје вештине + +## Упутства + +До сада сте радили са скупом података о птицама из Минесоте како бисте открили информације о количинама птица и густини популације. Вежбајте примену ових техника тако што ћете испробати други скуп података, можда преузет са [Kaggle](https://www.kaggle.com/). Направите бележницу која ће испричати причу о овом скупу података и обавезно користите хистограме када га будете анализирали. + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | --- | +Бележница је представљена са коментарима о овом скупу података, укључујући његов извор, и користи најмање 5 хистограма за откривање чињеница о подацима. | Бележница је представљена са непотпуним коментарима или грешкама. | Бележница је представљена без коментара и садржи грешке. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/11-visualization-proportions/README.md b/translations/sr/3-Data-Visualization/11-visualization-proportions/README.md new file mode 100644 index 00000000..1bcd1e0a --- /dev/null +++ b/translations/sr/3-Data-Visualization/11-visualization-proportions/README.md @@ -0,0 +1,204 @@ + +# Визуелизација пропорција + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Визуелизација пропорција - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У овој лекцији, користићете скуп података са природном тематиком како бисте визуелизовали пропорције, као што је број различитих врста гљива у датом скупу података о печуркама. Истражићемо ове фасцинантне гљиве користећи скуп података преузет од Audubon-а, који садржи детаље о 23 врсте ламеларних гљива из породица Agaricus и Lepiota. Испробаћете занимљиве визуализације као што су: + +- Пита графикони 🥧 +- Крофна графикони 🍩 +- Вафл графикони 🧇 + +> 💡 Веома занимљив пројекат под називом [Charticulator](https://charticulator.com) од Microsoft Research-а нуди бесплатан интерфејс за визуелизацију података методом "превуци и пусти". У једном од њихових туторијала такође користе овај скуп података о печуркама! Тако можете истражити податке и истовремено научити како да користите библиотеку: [Charticulator туторијал](https://charticulator.com/tutorials/tutorial4.html). + +## [Квиз пре лекције](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Упознајте своје печурке 🍄 + +Печурке су веома занимљиве. Увезимо скуп података како бисмо их проучили: + +```python +import pandas as pd +import matplotlib.pyplot as plt +mushrooms = pd.read_csv('../../data/mushrooms.csv') +mushrooms.head() +``` +Табела се исписује са одличним подацима за анализу: + + +| класа | облик-шешира | површина-шешира | боја-шешира | модрице | мирис | причвршћивање-ламела | размак-ламела | величина-ламела | боја-ламела | облик-стабљике | корен-стабљике | површина-изнад-прстена | површина-испод-прстена | боја-изнад-прстена | боја-испод-прстена | тип-веоа | боја-веоа | број-прстенова | тип-прстена | боја-спора | популација | станиште | +| --------- | ------------ | --------------- | ----------- | ------- | -------- | -------------------- | ------------- | --------------- | ----------- | -------------- | --------------- | --------------------- | --------------------- | ----------------- | ----------------- | -------- | --------- | ------------- | ----------- | ---------- | ---------- | -------- | +| Отровна | Конвексна | Глатка | Браон | Модрице | Јак мирис | Слободно | Густо | Уско | Црна | Широка | Једнака | Глатка | Глатка | Бела | Бела | Делимичан | Бела | Један | Висећи | Црна | Расута | Урбана | +| Јестива | Конвексна | Глатка | Жута | Модрице | Бадем | Слободно | Густо | Широко | Црна | Широка | Клупка | Глатка | Глатка | Бела | Бела | Делимичан | Бела | Један | Висећи | Браон | Бројна | Травњаци | +| Јестива | Звонаста | Глатка | Бела | Модрице | Анис | Слободно | Густо | Широко | Браон | Широка | Клупка | Глатка | Глатка | Бела | Бела | Делимичан | Бела | Један | Висећи | Браон | Бројна | Ливаде | +| Отровна | Конвексна | Љускава | Бела | Модрице | Јак мирис | Слободно | Густо | Уско | Браон | Широка | Једнака | Глатка | Глатка | Бела | Бела | Делимичан | Бела | Један | Висећи | Црна | Расута | Урбана | + +Одмах примећујете да су сви подаци текстуални. Мораћете да конвертујете ове податке како бисте их могли користити у графикону. Већина података је, у ствари, представљена као објекат: + +```python +print(mushrooms.select_dtypes(["object"]).columns) +``` + +Резултат је: + +```output +Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', + 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', + 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', + 'stalk-surface-below-ring', 'stalk-color-above-ring', + 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', + 'ring-type', 'spore-print-color', 'population', 'habitat'], + dtype='object') +``` +Претворите податке из колоне 'класа' у категорије: + +```python +cols = mushrooms.select_dtypes(["object"]).columns +mushrooms[cols] = mushrooms[cols].astype('category') +``` + +```python +edibleclass=mushrooms.groupby(['class']).count() +edibleclass +``` + +Сада, ако испишете податке о печуркама, видећете да су груписани у категорије према класи (отровна/јестива): + + +| | облик-шешира | површина-шешира | боја-шешира | модрице | мирис | причвршћивање-ламела | размак-ламела | величина-ламела | боја-ламела | облик-стабљике | ... | површина-испод-прстена | боја-изнад-прстена | боја-испод-прстена | тип-веоа | боја-веоа | број-прстенова | тип-прстена | боја-спора | популација | станиште | +| --------- | ------------ | --------------- | ----------- | ------- | ----- | -------------------- | ------------- | --------------- | ----------- | -------------- | --- | --------------------- | ----------------- | ----------------- | -------- | --------- | ------------- | ----------- | ---------- | ---------- | -------- | +| класа | | | | | | | | | | | | | | | | | | | | | | +| Јестива | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | +| Отровна | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | + +Ако пратите редослед приказан у овој табели за креирање етикета категорија класе, можете направити пита графикон: + +## Пита! + +```python +labels=['Edible','Poisonous'] +plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') +plt.title('Edible?') +plt.show() +``` +Ево га, пита графикон који приказује пропорције ових података према две класе печурака. Веома је важно правилно одредити редослед етикета, посебно овде, па обавезно проверите редослед приликом креирања низа етикета! + +![пита графикон](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.sr.png) + +## Крофне! + +Мало визуелно занимљивији пита графикон је крофна графикон, који је пита графикон са рупом у средини. Погледајмо наше податке користећи овај метод. + +Погледајте различита станишта у којима печурке расту: + +```python +habitat=mushrooms.groupby(['habitat']).count() +habitat +``` +Овде групишете податке према станишту. Постоји 7 наведених станишта, па их користите као етикете за ваш крофна графикон: + +```python +labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] + +plt.pie(habitat['class'], labels=labels, + autopct='%1.1f%%', pctdistance=0.85) + +center_circle = plt.Circle((0, 0), 0.40, fc='white') +fig = plt.gcf() + +fig.gca().add_artist(center_circle) + +plt.title('Mushroom Habitats') + +plt.show() +``` + +![крофна графикон](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.sr.png) + +Овај код црта графикон и централни круг, а затим додаје тај централни круг у графикон. Промените ширину централног круга мењањем `0.40` у неку другу вредност. + +Крофна графикони могу се прилагодити на више начина како би се промениле етикете. Етикете се посебно могу истакнути ради боље читљивости. Сазнајте више у [документацији](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut). + +Сада када знате како да групишете податке и прикажете их као пита или крофна графикон, можете истражити друге типове графикона. Испробајте вафл графикон, који је само другачији начин истраживања количина. +## Вафли! + +'Вафл' тип графикона је другачији начин визуелизације количина као 2Д низ квадрата. Испробајте визуелизацију различитих количина боја шешира печурака у овом скупу података. Да бисте то урадили, потребно је да инсталирате помоћну библиотеку под називом [PyWaffle](https://pypi.org/project/pywaffle/) и користите Matplotlib: + +```python +pip install pywaffle +``` + +Изаберите сегмент ваших података за груписање: + +```python +capcolor=mushrooms.groupby(['cap-color']).count() +capcolor +``` + +Направите вафл графикон креирањем етикета, а затим груписањем ваших података: + +```python +import pandas as pd +import matplotlib.pyplot as plt +from pywaffle import Waffle + +data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], + 'amount': capcolor['class'] + } + +df = pd.DataFrame(data) + +fig = plt.figure( + FigureClass = Waffle, + rows = 100, + values = df.amount, + labels = list(df.color), + figsize = (30,30), + colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], +) +``` + +Користећи вафл графикон, јасно можете видети пропорције боја шешира у овом скупу података о печуркама. Интересантно је да постоји много печурака са зеленим шеширима! + +![вафл графикон](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.sr.png) + +✅ Pywaffle подржава иконе унутар графикона које користе било коју икону доступну у [Font Awesome](https://fontawesome.com/). Експериментишите како бисте направили још занимљивији вафл графикон користећи иконе уместо квадрата. + +У овој лекцији, научили сте три начина за визуелизацију пропорција. Прво, потребно је да групишете податке у категорије, а затим одлучите који је најбољи начин за приказивање података - пита, крофна или вафл. Сви су "укусни" и пружају кориснику тренутан увид у скуп података. + +## 🚀 Изазов + +Покушајте да поново направите ове "укусне" графиконе у [Charticulator](https://charticulator.com). +## [Квиз након лекције](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Преглед и самостално учење + +Понекад није очигледно када користити пита, крофна или вафл графикон. Ево неколико чланака које можете прочитати на ову тему: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Истражите више како бисте пронашли додатне информације о овој "лепљивој" одлуци. +## Задатак + +[Испробајте у Excel-у](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/sr/3-Data-Visualization/11-visualization-proportions/assignment.md new file mode 100644 index 00000000..20daa6fb --- /dev/null +++ b/translations/sr/3-Data-Visualization/11-visualization-proportions/assignment.md @@ -0,0 +1,25 @@ + +# Пробајте у Excel-у + +## Упутства + +Да ли сте знали да можете направити графиконе у облику крофне, пите и вафла у Excel-у? Користећи скуп података по вашем избору, направите ова три графикона директно у Excel табели. + +## Рубрика + +| Изузетно | Задовољавајуће | Потребно побољшање | +| ------------------------------------------------------- | ------------------------------------------------ | ---------------------------------------------------- | +| Excel табела је представљена са сва три графикона | Excel табела је представљена са два графикона | Excel табела је представљена са само једним графиконом | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/12-visualization-relationships/README.md b/translations/sr/3-Data-Visualization/12-visualization-relationships/README.md new file mode 100644 index 00000000..24d5bcf1 --- /dev/null +++ b/translations/sr/3-Data-Visualization/12-visualization-relationships/README.md @@ -0,0 +1,186 @@ + +# Визуализација односа: Све о меду 🍯 + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Визуализација односа - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Настављајући са природним фокусом нашег истраживања, хајде да откријемо занимљиве визуализације које приказују односе између различитих врста меда, према подацима добијеним од [Министарства пољопривреде Сједињених Америчких Држава](https://www.nass.usda.gov/About_NASS/index.php). + +Овај скуп података, који садржи око 600 ставки, приказује производњу меда у многим америчким државама. На пример, можете погледати број колонија, принос по колонији, укупну производњу, залихе, цену по фунти и вредност произведеног меда у одређеној држави од 1998-2012, са једним редом по години за сваку државу. + +Биће занимљиво визуализовати однос између производње меда у одређеној држави по години и, на пример, цене меда у тој држави. Алтернативно, можете визуализовати однос између приноса меда по колонији у различитим државама. Овај временски период обухвата разорни 'CCD' или 'Колапс колонија' који је први пут примећен 2006. године (http://npic.orst.edu/envir/ccd.html), па је то значајан скуп података за проучавање. 🐝 + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +У овом лекцији, можете користити Seaborn, који сте већ користили, као добру библиотеку за визуализацију односа између променљивих. Посебно је занимљива употреба функције `relplot` у Seaborn-у која омогућава креирање расејаних графикона и линијских графикона за брзу визуализацију '[статистичких односа](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', што омогућава научнику података да боље разуме како се променљиве међусобно односе. + +## Расејани графикони + +Користите расејани графикон да покажете како се цена меда развијала из године у годину, по државама. Seaborn, користећи `relplot`, практично групише податке по државама и приказује тачке за категоријске и нумеричке податке. + +Хајде да почнемо са увозом података и Seaborn-а: + +```python +import pandas as pd +import matplotlib.pyplot as plt +import seaborn as sns +honey = pd.read_csv('../../data/honey.csv') +honey.head() +``` +Приметићете да подаци о меду имају неколико занимљивих колона, укључујући годину и цену по фунти. Хајде да истражимо ове податке, груписане по америчким државама: + +| држава | бројкол | приноспокол | укупнапроизв | залихе | ценапофунти | вредностпр | година | +| ------ | ------- | ----------- | ------------ | -------- | ----------- | ---------- | ------ | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | + +Креирајте основни расејани графикон да покажете однос између цене по фунти меда и његовог порекла из америчких држава. Направите `y` осу довољно високом да прикаже све државе: + +```python +sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); +``` +![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.sr.png) + +Сада, прикажите исте податке са шемом боја меда како бисте показали како се цена развија током година. То можете урадити додавањем параметра 'hue' да покажете промену из године у годину: + +> ✅ Сазнајте више о [палетама боја које можете користити у Seaborn-у](https://seaborn.pydata.org/tutorial/color_palettes.html) - пробајте прелепу шему боја дуге! + +```python +sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); +``` +![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.sr.png) + +Са овом променом шеме боја, можете видети да постоји очигледан снажан напредак током година у погледу цене меда по фунти. Заиста, ако погледате узорак података да бисте проверили (изаберите одређену државу, на пример Аризону), можете видети образац повећања цена из године у годину, са неколико изузетака: + +| држава | бројкол | приноспокол | укупнапроизв | залихе | ценапофунти | вредностпр | година | +| ------ | ------- | ----------- | ------------ | ------- | ----------- | ---------- | ------ | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Други начин да визуализујете овај напредак је да користите величину, уместо боје. За кориснике који су далтонисти, ово би могла бити боља опција. Уредите своју визуализацију да покажете повећање цене кроз повећање обима тачке: + +```python +sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); +``` +Можете видети да се величина тачака постепено повећава. + +![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.sr.png) + +Да ли је ово једноставан случај понуде и потражње? Због фактора као што су климатске промене и колапс колонија, да ли је мање меда доступно за куповину из године у годину, па самим тим цена расте? + +Да бисте открили корелацију између неких променљивих у овом скупу података, хајде да истражимо неке линијске графиконе. + +## Линијски графикони + +Питање: Да ли постоји јасан раст цене меда по фунти из године у годину? Најлакше можете то открити креирањем једног линијског графикона: + +```python +sns.relplot(x="year", y="priceperlb", kind="line", data=honey); +``` +Одговор: Да, са неким изузецима око 2003. године: + +![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.sr.png) + +✅ Пошто Seaborn агрегира податке око једне линије, он приказује "више мерења за сваку x вредност тако што црта просек и 95% интервал поверења око просека". [Извор](https://seaborn.pydata.org/tutorial/relational.html). Ово временски захтевно понашање може се онемогућити додавањем `ci=None`. + +Питање: Па, у 2003. години, да ли можемо видети и скок у залихама меда? Шта ако погледате укупну производњу из године у годину? + +```python +sns.relplot(x="year", y="totalprod", kind="line", data=honey); +``` + +![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.sr.png) + +Одговор: Не баш. Ако погледате укупну производњу, чини се да је она заправо повећана у тој конкретној години, иако генерално гледано количина произведеног меда опада током ових година. + +Питање: У том случају, шта је могло узроковати тај скок у цени меда око 2003. године? + +Да бисте то открили, можете истражити мрежу фасета. + +## Мреже фасета + +Мреже фасета узимају један аспект вашег скупа података (у нашем случају, можете изабрати 'годину' да избегнете превише фасета). Seaborn затим може направити графикон за сваку од тих фасета ваших изабраних x и y координата ради лакшег визуелног поређења. Да ли се 2003. година истиче у оваквом поређењу? + +Креирајте мрежу фасета настављајући да користите `relplot` како препоручује [документација Seaborn-а](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). + +```python +sns.relplot( + data=honey, + x="yieldpercol", y="numcol", + col="year", + col_wrap=3, + kind="line" +``` +У овој визуализацији, можете упоредити принос по колонији и број колонија из године у годину, један поред другог, са подешавањем wrap-а на 3 за колоне: + +![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.sr.png) + +За овај скуп података, ништа посебно се не истиче у погледу броја колонија и њиховог приноса, из године у годину и из државе у државу. Да ли постоји другачији начин да се пронађе корелација између ове две променљиве? + +## Двоструки линијски графикони + +Пробајте графикон са више линија тако што ћете преклопити два линијска графикона један преко другог, користећи Seaborn-ов 'despine' да уклоните њихове горње и десне кичме, и користећи `ax.twinx` [изведено из Matplotlib-а](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx омогућава графикону да дели x осу и приказује две y осе. Дакле, прикажите принос по колонији и број колонија, преклопљено: + +```python +fig, ax = plt.subplots(figsize=(12,6)) +lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, + label = 'Number of bee colonies', legend=False) +sns.despine() +plt.ylabel('# colonies') +plt.title('Honey Production Year over Year'); + +ax2 = ax.twinx() +lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", + label ='Yield per colony', legend=False) +sns.despine(right=False) +plt.ylabel('colony yield') +ax.figure.legend(); +``` +![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.sr.png) + +Иако ништа не упада у очи око 2003. године, ово нам омогућава да завршимо ову лекцију на мало срећнијој ноти: иако укупно број колонија опада, број колонија се стабилизује чак и ако њихов принос по колонији опада. + +Напред, пчеле, напред! + +🐝❤️ +## 🚀 Изазов + +У овој лекцији, научили сте мало више о другим употребама расејаних графикона и мрежа линија, укључујући мреже фасета. Изазовите себе да креирате мрежу фасета користећи други скуп података, можда онај који сте користили пре ових лекција. Приметите колико времена је потребно за креирање и како морате бити пажљиви у погледу броја мрежа које треба да нацртате користећи ове технике. +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Преглед и самостално учење + +Линијски графикони могу бити једноставни или прилично сложени. Урадите мало читања у [документацији Seaborn-а](https://seaborn.pydata.org/generated/seaborn.lineplot.html) о различитим начинима на које их можете изградити. Покушајте да побољшате линијске графиконе које сте направили у овој лекцији другим методама наведеним у документацији. +## Задатак + +[Зароните у кошницу](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/sr/3-Data-Visualization/12-visualization-relationships/assignment.md new file mode 100644 index 00000000..f1f9053e --- /dev/null +++ b/translations/sr/3-Data-Visualization/12-visualization-relationships/assignment.md @@ -0,0 +1,25 @@ + +# Уроните у кошницу + +## Упутства + +У овој лекцији почели сте да истражујете скуп података о пчелама и њиховој производњи меда током периода који је обележен губицима у популацији пчелињих колонија. Детаљније истражите овај скуп података и направите бележницу која може испричати причу о здрављу популације пчела, држава по држава и година по година. Да ли откривате нешто занимљиво у овом скупу података? + +## Рубрика + +| Изузетно | Прихватљиво | Потребно побољшање | +| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- | +| Бележница је представљена са причом која садржи најмање три различита графикона који приказују аспекте скупа података, држава по држава и година по година | Бележница недостаје један од ових елемената | Бележница недостаје два од ових елемената | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/README.md new file mode 100644 index 00000000..858d397c --- /dev/null +++ b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/README.md @@ -0,0 +1,182 @@ + +# Прављење смислених визуализација + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Смислене визуализације - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +> "Ако довољно дуго мучите податке, признаће било шта" -- [Роналд Коуз](https://en.wikiquote.org/wiki/Ronald_Coase) + +Једна од основних вештина дата научника је способност да креира смислену визуализацију података која помаже у одговарању на питања која имате. Пре него што визуализујете своје податке, потребно је да их очистите и припремите, као што сте то радили у претходним лекцијама. Након тога, можете почети да одлучујете како најбоље да представите податке. + +У овој лекцији, прегледаћете: + +1. Како изабрати прави тип графикона +2. Како избегавати обмањујуће графиконе +3. Како радити са бојама +4. Како стилизовати графиконе ради читљивости +5. Како направити анимиране или 3Д графиконе +6. Како направити креативну визуализацију + +## [Квиз пре лекције](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Изаберите прави тип графикона + +У претходним лекцијама, експериментисали сте са прављењем разних занимљивих визуализација података користећи Matplotlib и Seaborn за графиконе. Генерално, можете изабрати [прави тип графикона](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) за питање које постављате користећи ову табелу: + +| Потребно је: | Треба користити: | +| -------------------------- | ------------------------------- | +| Приказати трендове током времена | Линијски графикон | +| Упоредити категорије | Стубни, Пита | +| Упоредити укупне вредности | Пита, Сложени стубни графикон | +| Приказати односе | Расејани, Линијски, Фасет, Двојни линијски | +| Приказати дистрибуције | Расејани, Хистограм, Бокс | +| Приказати пропорције | Пита, Крофна, Вафл графикон | + +> ✅ У зависности од састава ваших података, можда ћете морати да их конвертујете из текста у бројеве како би графикон подржао приказ. + +## Избегавајте обману + +Чак и ако дата научник пажљиво изабере прави графикон за праве податке, постоји много начина на које подаци могу бити приказани тако да докажу одређену тачку, често на штету самих података. Постоји много примера обмањујућих графикона и инфографика! + +[![Како графикони лажу од Алберта Каира](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.sr.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Како графикони лажу") + +> 🎥 Кликните на слику изнад за конференцијски говор о обмањујућим графиконима + +Овај графикон обрће X осу како би приказао супротно од истине, на основу датума: + +![лош графикон 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.sr.png) + +[Овај графикон](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) је још обмањујући, јер око прати десну страну и закључује да су током времена случајеви COVID-а опали у различитим окрузима. У ствари, ако пажљиво погледате датуме, открићете да су они преуређени како би дали обмањујући тренд опадања. + +![лош графикон 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.sr.jpg) + +Овај озлоглашени пример користи боју И обрнуту Y осу за обману: уместо да закључи да су смртни случајеви од оружја нагло порасли након усвајања закона који подржава оружје, око је преварено да мисли супротно: + +![лош графикон 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.sr.jpg) + +Овај необичан графикон показује како се пропорција може манипулисати, на комичан начин: + +![лош графикон 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.sr.jpg) + +Упоређивање неупоредивог је још један сумњив трик. Постоји [диван веб сајт](https://tylervigen.com/spurious-correlations) посвећен 'лошим корелацијама' који приказује 'чињенице' које корелирају ствари попут стопе развода у Мејну и потрошње маргарина. Реддит група такође сакупља [ружне употребе](https://www.reddit.com/r/dataisugly/top/?t=all) података. + +Важно је разумети колико лако око може бити преварено обмањујућим графиконима. Чак и ако је намера дата научника добра, избор лошег типа графикона, као што је пита графикон са превише категорија, може бити обмањујући. + +## Боја + +Видели сте у графикону 'насиље оружјем на Флориди' како боја може пружити додатни слој значења графиконима, посебно онима који нису дизајнирани коришћењем библиотека као што су Matplotlib и Seaborn које долазе са разним провереним библиотекама боја и палетама. Ако правите графикон ручно, мало проучите [теорију боја](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Будите свесни, приликом дизајнирања графикона, да је приступачност важан аспект визуализације. Неки од ваших корисника могу бити далтонисти - да ли ваш графикон добро изгледа за кориснике са оштећењима вида? + +Будите пажљиви приликом избора боја за ваш графикон, јер боја може пренети значење које можда нисте намеравали. 'Розе даме' у графикону 'висина' изнад преносе изразито 'женствено' приписано значење које додаје бизарности самог графикона. + +Иако [значење боја](https://colormatters.com/color-symbolism/the-meanings-of-colors) може бити различито у различитим деловима света и има тенденцију да се мења у зависности од нијансе, генерално значења боја укључују: + +| Боја | Значење | +| ------ | ------------------- | +| црвена | моћ | +| плава | поверење, лојалност | +| жута | срећа, опрез | +| зелена | екологија, срећа, завист | +| љубичаста | срећа | +| наранџаста | живост | + +Ако вам је задатак да направите графикон са прилагођеним бојама, уверите се да су ваши графикони и приступачни и да боја коју изаберете одговара значењу које желите да пренесете. + +## Стилизовање графикона ради читљивости + +Графикони нису смислени ако нису читљиви! Одвојите тренутак да размислите о стилизовању ширине и висине вашег графикона како би се добро уклопио са вашим подацима. Ако је потребно приказати једну променљиву (као што су свих 50 држава), прикажите их вертикално на Y оси ако је могуће, како бисте избегли графикон који се хоризонтално скролује. + +Означите своје осе, обезбедите легенду ако је потребно, и понудите алатке за боље разумевање података. + +Ако су ваши подаци текстуални и опширни на X оси, можете их нагнути ради боље читљивости. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) нуди 3Д графиконе, ако ваши подаци то подржавају. Софистициране визуализације података могу се произвести коришћењем `mpl_toolkits.mplot3d`. + +![3д графикони](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.sr.png) + +## Анимација и приказ 3Д графикона + +Неки од најбољих визуализација података данас су анимирани. Ширли Ву има невероватне примере урађене са D3, као што је '[цветови филмова](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', где је сваки цвет визуализација филма. Још један пример за Guardian је 'бусед оут', интерактивно искуство које комбинује визуализације са Greensock и D3 плус формат чланка са скроловањем како би приказао како Њујорк решава проблем бескућника тако што их шаље ван града. + +![бусинг](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.sr.png) + +> "Бусед Оут: Како Америка премешта своје бескућнике" из [Guardian-а](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Визуализације од Надие Бремер и Ширли Ву + +Иако ова лекција није довољна да детаљно научи ове моћне библиотеке за визуализацију, пробајте D3 у Vue.js апликацији користећи библиотеку за приказ визуализације књиге "Опасне везе" као анимиране друштвене мреже. + +> "Опасне везе" је епистоларни роман, или роман представљен као серија писама. Написан 1782. године од стране Шодерлоа де Лаклоа, прича о злобним, морално банкротираним друштвеним маневрима двају супарничких протагониста француске аристократије крајем 18. века, Виконта де Валмона и Маркизе де Мертје. Оба доживљавају свој крај, али не без наношења велике друштвене штете. Роман се одвија као серија писама написаних разним људима у њиховим круговима, планирајући освету или једноставно правећи проблеме. Направите визуализацију ових писама како бисте открили главне фигуре нарације, визуелно. + +Завршићете веб апликацију која ће приказати анимирани приказ ове друштвене мреже. Користи библиотеку која је направљена за креирање [визуализације мреже](https://github.com/emiliorizzo/vue-d3-network) користећи Vue.js и D3. Када апликација ради, можете померати чворове по екрану како бисте прераспоредили податке. + +![везе](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.sr.png) + +## Пројекат: Направите графикон за приказ мреже користећи D3.js + +> Овај фолдер лекције укључује фолдер `solution` где можете пронаћи завршени пројекат, за вашу референцу. + +1. Пратите упутства у README.md фајлу у корену стартног фолдера. Уверите се да имате NPM и Node.js инсталиране на вашем рачунару пре него што инсталирате зависности пројекта. + +2. Отворите фолдер `starter/src`. Открићете фолдер `assets` где можете пронаћи .json фајл са свим писмима из романа, нумерисаним, са 'to' и 'from' анотацијама. + +3. Завршите код у `components/Nodes.vue` како бисте омогућили визуализацију. Потражите метод назван `createLinks()` и додајте следећу угњеждену петљу. + +Прођите кроз .json објекат како бисте ухватили 'to' и 'from' податке за писма и изградили `links` објекат тако да библиотека за визуализацију може да га конзумира: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Покрените своју апликацију из терминала (npm run serve) и уживајте у визуализацији! + +## 🚀 Изазов + +Прошетајте интернетом како бисте открили обмањујуће визуализације. Како аутор обмањује корисника, и да ли је то намерно? Покушајте да исправите визуализације како би изгледале онако како би требало. + +## [Квиз после лекције](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Преглед и самостално учење + +Ево неких чланака за читање о обмањујућим визуализацијама података: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Погледајте ове занимљиве визуализације историјских ресурса и артефаката: + +https://handbook.pubpub.org/ + +Прочитајте овај чланак о томе како анимација може побољшати ваше визуализације: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Задатак + +[Направите своју прилагођену визуализацију](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/assignment.md new file mode 100644 index 00000000..59e1a4bd --- /dev/null +++ b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/assignment.md @@ -0,0 +1,25 @@ + +# Направите своју прилагођену визуализацију + +## Упутства + +Користећи пример кода у овом пројекту за креирање друштвене мреже, направите сопствене податке о вашим друштвеним интеракцијама. Можете мапирати своје коришћење друштвених мрежа или направити дијаграм чланова ваше породице. Направите занимљиву веб апликацију која приказује јединствену визуализацију друштвене мреже. + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | --- | +GitHub репозиторијум је представљен са кодом који исправно ради (покушајте да га објавите као статичну веб апликацију) и има коментарисан README који објашњава пројекат | Репозиторијум не ради исправно или није добро документован | Репозиторијум не ради исправно и није добро документован + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md new file mode 100644 index 00000000..61068202 --- /dev/null +++ b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md @@ -0,0 +1,40 @@ + +# Пројекат визуализације података Dangerous Liaisons + +Да бисте започели, потребно је да се уверите да су NPM и Node инсталирани и покренути на вашем рачунару. Инсталирајте зависности (npm install) и затим покрените пројекат локално (npm run serve): + +## Подешавање пројекта +``` +npm install +``` + +### Компилација и аутоматско освежавање за развој +``` +npm run serve +``` + +### Компилација и минимизација за продукцију +``` +npm run build +``` + +### Провера и исправљање датотека +``` +npm run lint +``` + +### Прилагођавање конфигурације +Погледајте [Референцу за конфигурацију](https://cli.vuejs.org/config/). + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md new file mode 100644 index 00000000..407308f9 --- /dev/null +++ b/translations/sr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md @@ -0,0 +1,40 @@ + +# Пројекат визуализације података Dangerous Liaisons + +Да бисте започели, потребно је да се уверите да имате инсталиране NPM и Node на вашем рачунару. Инсталирајте зависности (npm install) и затим покрените пројекат локално (npm run serve): + +## Постављање пројекта +``` +npm install +``` + +### Компилација и аутоматско учитавање за развој +``` +npm run serve +``` + +### Компилација и минимизација за продукцију +``` +npm run build +``` + +### Провера и исправке датотека +``` +npm run lint +``` + +### Прилагођавање конфигурације +Погледајте [Configuration Reference](https://cli.vuejs.org/config/). + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/sr/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..14788c0d --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,231 @@ + +# Визуелизација количина +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Визуелизација количина - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У овој лекцији ћете истражити како да користите неке од многих доступних библиотека R пакета како бисте научили да креирате занимљиве визуелизације засноване на концепту количине. Користећи очишћену базу података о птицама из Минесоте, можете научити многе занимљиве чињенице о локалној дивљини. +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Посматрање распона крила са ggplot2 +Одлична библиотека за креирање и једноставних и сложених графикона и дијаграма различитих врста је [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Уопштено, процес креирања графикона користећи ове библиотеке укључује идентификовање делова вашег датафрејма које желите да циљате, извршавање потребних трансформација на тим подацима, додељивање вредности за x и y осе, одлучивање о врсти графикона који желите да прикажете, и затим приказивање графикона. + +`ggplot2` је систем за декларативно креирање графике, заснован на Граматици графике. [Граматика графике](https://en.wikipedia.org/wiki/Ggplot2) је општа шема за визуелизацију података која дели графиконе на семантичке компоненте као што су скале и слојеви. Другим речима, лакоћа креирања графикона за униваријантне или мултиваријантне податке уз мало кода чини `ggplot2` најпопуларнијим пакетом за визуелизацију у R-у. Корисник каже `ggplot2` како да мапира променљиве на естетику, графичке примитиве које треба користити, а `ggplot2` се брине о осталом. + +> ✅ Графикон = Подаци + Естетика + Геометрија +> - Подаци се односе на базу података +> - Естетика указује на променљиве које се проучавају (x и y променљиве) +> - Геометрија се односи на врсту графикона (линијски графикон, стубни графикон, итд.) + +Изаберите најбољу геометрију (врсту графикона) у складу са вашим подацима и причом коју желите да испричате кроз графикон. + +> - За анализу трендова: линијски, стубни +> - За поређење вредности: стубни, бар, пите, расејани графикон +> - За приказ односа делова према целини: пите +> - За приказ дистрибуције података: расејани графикон, бар +> - За приказ односа између вредности: линијски, расејани графикон, мехурићи + +✅ Можете такође погледати овај описни [чит-шит](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) за ggplot2. + +## Креирање линијског графикона о вредностима распона крила птица + +Отворите R конзолу и увезите базу података. +> Напомена: База података се налази у корену овог репозиторијума у `/data` фасцикли. + +Увезимо базу података и посматрајмо првих 5 редова података. + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +Првих неколико редова података садржи мешавину текста и бројева: + +| | Име | Научно име | Категорија | Ред | Породица | Род | Статус очувања | МинДужина | МаксДужина | МинТежина | МаксТежина | МинРаспонКрила | МаксРаспонКрила | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Црнотрбушаста патка | Dendrocygna autumnalis | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Жућкаста патка | Dendrocygna bicolor | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Снежна гуска | Anser caerulescens | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Росова гуска | Anser rossii | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика бела гуска | Anser albifrons | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Почнимо са графиконом неких нумеричких података користећи основни линијски графикон. Претпоставимо да желите приказ максималног распона крила ових занимљивих птица. + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +Овде инсталирате `ggplot2` пакет и затим га увозите у радни простор користећи команду `library("ggplot2")`. За креирање било ког графикона у ggplot-у користи се функција `ggplot()` и ви одређујете базу података, x и y променљиве као атрибуте. У овом случају, користимо функцију `geom_line()` јер желимо да креирамо линијски графикон. + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.sr.png) + +Шта одмах примећујете? Чини се да постоји бар један изузетак - то је прилично велики распон крила! Распон крила од преко 2000 центиметара је више од 20 метара - да ли Птеродактили лете изнад Минесоте? Хајде да истражимо. + +Иако бисте могли брзо сортирати податке у Excel-у да бисте пронашли те изузетке, који су вероватно грешке у куцању, наставите процес визуелизације радећи изнутра графикона. + +Додајте ознаке на x-осу да бисте приказали о којим птицама је реч: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +Одређујемо угао у `theme` и одређујемо ознаке за x и y осе у `xlab()` и `ylab()` респективно. `ggtitle()` даје назив графикону. + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.sr.png) + +Чак и са ротацијом ознака постављеном на 45 степени, има их превише за читање. Хајде да пробамо другачију стратегију: означимо само те изузетке и поставимо ознаке унутар графикона. Можете користити расејани графикон да бисте направили више простора за означавање: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +Шта се овде дешава? Користили сте функцију `geom_point()` за креирање расејаних тачака. Уз то, додали сте ознаке за птице које имају `MaxWingspan > 500` и такође сакрили ознаке на x оси да бисте смањили неред на графикону. + +Шта откривате? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.sr.png) + +## Филтрирање података + +И Белоглави орао и Преријски соко, иако вероватно веома велике птице, изгледа да су погрешно означени, са додатном нулом у максималном распону крила. Мало је вероватно да ћете срести Белоглавог орла са распоном крила од 25 метара, али ако се то догоди, молимо вас да нас обавестите! Хајде да креирамо нови датафрејм без та два изузетка: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +Креирали смо нови датафрејм `birds_filtered` и затим креирали расејани графикон. Филтрирањем изузетака, ваши подаци су сада кохезивнији и разумљивији. + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.sr.png) + +Сада када имамо чистију базу података барем у смислу распона крила, хајде да откријемо више о овим птицама. + +Док линијски и расејани графикони могу приказати информације о вредностима података и њиховим дистрибуцијама, желимо да размотримо вредности које су инхерентне у овој бази података. Могли бисте креирати визуелизације да одговорите на следећа питања о количини: + +> Колико категорија птица постоји и који су њихови бројеви? +> Колико птица је изумрло, угрожено, ретко или уобичајено? +> Колико их има у различитим родовима и редовима у Линеовој терминологији? +## Истраживање стубних графикона + +Стубни графикони су практични када треба да прикажете груписање података. Хајде да истражимо категорије птица које постоје у овој бази података да видимо која је најчешћа по броју. +Хајде да креирамо стубни графикон на филтрираним подацима. + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +У следећем исечку, инсталирамо [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) и [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) пакете како бисмо помогли у манипулацији и груписању података ради креирања сложеног стубног графикона. Прво групишете податке по `Category` птица и затим сумирате колоне `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Затим креирате стубни графикон користећи `ggplot2` пакет и одређујете боје за различите категорије и ознаке. + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.sr.png) + +Овај стубни графикон, међутим, није читљив јер има превише неконсолидованих података. Потребно је да изаберете само податке које желите да прикажете, па хајде да погледамо дужину птица на основу њихове категорије. + +Филтрирајте своје податке да укључите само категорију птица. + +Пошто има много категорија, можете приказати овај графикон вертикално и прилагодити његову висину да обухвати све податке: + +```r +birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE) +birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) +ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip() +``` +Прво бројите јединствене вредности у колони `Category` и затим их сортирате у нови датафрејм `birds_count`. Ови сортирани подаци се затим факторизују на истом нивоу како би били приказани у сортираном редоследу. Користећи `ggplot2` затим креирате графикон у облику стубног графикона. `coord_flip()` приказује хоризонталне стубове. + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.sr.png) + +Овај стубни графикон пружа добар приказ броја птица у свакој категорији. На први поглед видите да је највећи број птица у овом региону у категорији Патке/Гуске/Водене птице. Минесота је 'земља 10,000 језера', па то није изненађујуће! + +✅ Пробајте нека друга бројања на овој бази података. Да ли вас нешто изненађује? + +## Поређење података + +Можете пробати различита поређења груписаних података креирањем нових оса. Пробајте поређење максималне дужине птице, на основу њене категорије: + +```r +birds_grouped <- birds_filtered %>% + group_by(Category) %>% + summarise( + MaxLength = max(MaxLength, na.rm = T), + MinLength = max(MinLength, na.rm = T) + ) %>% + arrange(Category) + +ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip() +``` +Групишемо `birds_filtered` податке по `Category` и затим креирамо стубни графикон. + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.sr.png) + +Ништа није изненађујуће овде: колибри имају најмању максималну дужину у поређењу са пеликанима или гускама. Добро је када подаци имају логичан смисао! + +Можете креирати занимљивије визуелизације стубних графикона суперимпонујући податке. Хајде да суперимпонујемо минималну и максималну дужину на одређену категорију птица: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.sr.png) + +## 🚀 Изазов + +Ова база података о птицама нуди богатство информација о различитим врстама птица унутар одређеног екосистема. Претражите интернет и видите да ли можете пронаћи друге базе података о птицама. Вежбајте креирање графикона и дијаграма о овим птицама како бисте открили чињенице које нисте знали. + +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Преглед и самостално учење + +Ова прва лекција вам је дала неке информације о томе како да користите `ggplot2` за визуелизацију количина. Истражите друге начине рада са базама података за визуелизацију. Истражите и потражите базе података које бисте могли визуелизовати користећи друге пакете као што су [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) и [Plotly](https://github.com/plotly/plotly.R#readme). + +## Задатак +[Линије, Расејани графикони и Стубови](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/sr/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..14d14d28 --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Линије, Расејања и Стубови + +## Упутства + +У овој лекцији, радили сте са графицима линија, расејаним дијаграмима и стубним графицима како бисте приказали занимљиве чињенице о овом скупу података. У овом задатку, дубље истражите скуп података како бисте открили чињеницу о одређеној врсти птице. На пример, направите скрипту која визуализује све занимљиве податке које можете пронаћи о снежним гускама. Користите три горе поменута графика да испричате причу у свом нотесу. + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | -- | +Скрипта је представљена са добрим коментарима, солидним приповедањем и атрактивним графицима | Скрипта недостаје један од ових елемената | Скрипта недостаје два од ових елемената + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/sr/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..64904591 --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,183 @@ + +# Визуализација дистрибуција + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Визуализација дистрибуција - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У претходној лекцији, научили сте неке занимљиве чињенице о скупу података о птицама из Минесоте. Пронашли сте погрешне податке визуализујући екстремне вредности и погледали разлике између категорија птица на основу њихове максималне дужине. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Истражите скуп података о птицама + +Још један начин да се дубље истражи скуп података је гледањем његове дистрибуције, односно како су подаци организовани дуж осе. Можда, на пример, желите да сазнате о општој дистрибуцији максималног распона крила или максималне телесне масе птица из Минесоте у овом скупу података. + +Хајде да откријемо неке чињенице о дистрибуцијама података у овом скупу. У вашем R конзоли, увезите `ggplot2` и базу података. Уклоните екстремне вредности из базе података као што сте то урадили у претходној теми. + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | Име | Научно име | Категорија | Ред | Породица | Род | Статус очувања | МинДужина | МаксДужина | МинТелеснаМаса | МаксТелеснаМаса | МинРаспонКрила | МаксРаспонКрила | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Црнобрки патак | Dendrocygna autumnalis | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Жућкасти патак | Dendrocygna bicolor | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Снежна гуска | Anser caerulescens | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Росова гуска | Anser rossii | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика бела гуска | Anser albifrons | Патке/Гуске/Водене птице | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Уопштено, можете брзо погледати начин на који су подаци распоређени користећи расејани графикон као што смо то урадили у претходној лекцији: + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![макс дужина по реду](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.sr.png) + +Ово даје преглед опште дистрибуције дужине тела по реду птица, али није оптималан начин за приказивање правих дистрибуција. Тај задатак се обично обавља креирањем хистограма. +## Рад са хистограмима + +`ggplot2` нуди веома добре начине за визуализацију дистрибуције података користећи хистограме. Овај тип графикона је сличан стубичастом графикону где се дистрибуција може видети кроз раст и пад стубова. Да бисте направили хистограм, потребни су вам нумерички подаци. Да бисте направили хистограм, можете нацртати графикон дефинишући тип као 'hist' за хистограм. Овај графикон приказује дистрибуцију MaxBodyMass за цео опсег нумеричких података скупа. Дељењем низа података на мање сегменте, може приказати дистрибуцију вредности података: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![дистрибуција преко целог скупа података](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.sr.png) + +Као што видите, већина од 400+ птица у овом скупу података спада у опсег испод 2000 за њихову максималну телесну масу. Стеците више увида у податке променом параметра `bins` на већи број, нешто попут 30: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![дистрибуција-30 сегмената](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.sr.png) + +Овај графикон приказује дистрибуцију на мало детаљнији начин. Мање искривљен графикон могао би се направити тако што бисте осигурали да одаберете само податке унутар датог опсега: + +Филтрирајте своје податке да добијете само оне птице чија је телесна маса испод 60, и прикажите 30 `bins`: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![филтрирани хистограм](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.sr.png) + +✅ Испробајте неке друге филтере и тачке података. Да бисте видели пуну дистрибуцију података, уклоните филтер `['MaxBodyMass']` да бисте приказали означене дистрибуције. + +Хистограм нуди лепе боје и побољшања означавања које можете испробати: + +Направите 2D хистограм да упоредите однос између две дистрибуције. Упоредимо `MaxBodyMass` и `MaxLength`. `ggplot2` нуди уграђен начин да покаже конвергенцију користећи светлије боје: + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +Чини се да постоји очекивана корелација између ова два елемента дуж очекиване осе, са једном посебно снажном тачком конвергенције: + +![2d графикон](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.sr.png) + +Хистограми добро функционишу по подразумеваним подешавањима за нумеричке податке. Шта ако треба да видите дистрибуције према текстуалним подацима? +## Истражите скуп података за дистрибуције користећи текстуалне податке + +Овај скуп података такође укључује добре информације о категорији птица и њиховом роду, врсти и породици, као и о њиховом статусу очувања. Хајде да истражимо ове информације о очувању. Каква је дистрибуција птица према њиховом статусу очувања? + +> ✅ У скупу података, користи се неколико акронима за описивање статуса очувања. Ови акроними потичу из [IUCN Red List Categories](https://www.iucnredlist.org/), организације која каталогизује статус врста. +> +> - CR: Критично угрожене +> - EN: Угрожене +> - EX: Изумрле +> - LC: Најмање забрињавајуће +> - NT: Близу угрожености +> - VU: Ранљиве + +Ово су текстуалне вредности, па ћете морати да урадите трансформацију да бисте направили хистограм. Користећи filteredBirds dataframe, прикажите њихов статус очувања уз њихов минимални распон крила. Шта видите? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![распон крила и статус очувања](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.sr.png) + +Чини се да не постоји добра корелација између минималног распона крила и статуса очувања. Тестирајте друге елементе скупа података користећи овај метод. Можете испробати различите филтере. Да ли налазите неку корелацију? + +## Густински графикони + +Можда сте приметили да хистограми које смо до сада гледали имају 'степенаст' изглед и не теку глатко у облику лука. Да бисте приказали глаткији графикон густине, можете пробати густински графикон. + +Хајде сада да радимо са густинским графиконима! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![густински графикон](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.sr.png) + +Можете видети како графикон одражава претходни за податке о минималном распону крила; само је мало глаткији. Ако желите да поново погледате ту назубљену линију MaxBodyMass у другом графикону који сте направили, могли бисте је веома добро изгладити поновним креирањем користећи овај метод: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![густина телесне масе](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.sr.png) + +Ако желите глатку, али не превише глатку линију, измените параметар `adjust`: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![мање глатка телесна маса](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.sr.png) + +✅ Прочитајте о доступним параметрима за овај тип графикона и експериментишите! + +Овај тип графикона нуди лепе визуализације које објашњавају податке. Са неколико линија кода, на пример, можете приказати густину максималне телесне масе по реду птица: + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![телесна маса по реду](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.sr.png) + +## 🚀 Изазов + +Хистограми су софистициранији тип графикона од основних расејаних графикона, стубичастих графикона или линијских графикона. Потражите на интернету добре примере употребе хистограма. Како се користе, шта показују и у којим областима или областима истраживања се обично користе? + +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Преглед и самостално учење + +У овој лекцији, користили сте `ggplot2` и почели да радите на приказивању софистициранијих графикона. Истражите `geom_density_2d()` - "континуиска крива густине вероватноће у једној или више димензија". Прочитајте [документацију](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) да бисте разумели како функционише. + +## Задатак + +[Примените своје вештине](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/sr/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..08c2a570 --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Примените своје вештине + +## Упутства + +До сада сте радили са скупом података о птицама из Минесоте како бисте открили информације о количинама птица и густини популације. Вежбајте примену ових техника тако што ћете испробати други скуп података, можда преузет са [Kaggle](https://www.kaggle.com/). Направите R скрипту која ће испричати причу о овом скупу података и обавезно користите хистограме приликом анализе. + +## Рубрика + +Изузетно | Задовољавајуће | Потребно побољшање +--- | --- | --- | +Скрипта је представљена са коментарима о овом скупу података, укључујући његов извор, и користи најмање 5 хистограма за откривање чињеница о подацима. | Скрипта је представљена са непотпуним коментарима или грешкама. | Скрипта је представљена без коментара и садржи грешке. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/sr/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..2cdad1d5 --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,197 @@ + +# Визуализација Пропорција + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Визуализација Пропорција - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У овој лекцији, користићете другачији сет података са природном тематиком како бисте визуализовали пропорције, као што је број различитих врста гљива у датом скупу података о печуркама. Истражимо ове фасцинантне гљиве користећи сет података из Audubon-а који садржи детаље о 23 врсте гљива са ламелама из породица Agaricus и Lepiota. Експериментисаћете са укусним визуализацијама као што су: + +- Пита графикони 🥧 +- Крофна графикони 🍩 +- Вафл графикони 🧇 + +> 💡 Веома занимљив пројекат под називом [Charticulator](https://charticulator.com) од Microsoft Research-а нуди бесплатан интерфејс за визуализацију података методом превлачења и испуштања. У једном од њихових туторијала такође користе овај сет података о печуркама! Тако да можете истражити податке и истовремено научити библиотеку: [Charticulator туторијал](https://charticulator.com/tutorials/tutorial4.html). + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Упознајте своје печурке 🍄 + +Печурке су веома занимљиве. Увезимо сет података да их проучимо: + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +Табела се приказује са одличним подацима за анализу: + +| класа | облик-шешира | површина-шешира | боја-шешира | модрице | мирис | везаност-ламела | размак-ламела | величина-ламела | боја-ламела | облик-стабљике | корен-стабљике | површина-стабљике-изнад-прстена | површина-стабљике-испод-прстена | боја-стабљике-изнад-прстена | боја-стабљике-испод-прстена | тип-вела | боја-вела | број-прстена | тип-прстена | боја-спора | популација | станиште | +| --------- | ------------ | --------------- | ----------- | ------- | -------- | --------------- | ------------- | --------------- | ----------- | -------------- | ------------ | ---------------------------- | ---------------------------- | -------------------------- | -------------------------- | -------- | --------- | ------------ | ----------- | ---------- | ---------- | -------- | +| Отровна | Конвексна | Глатка | Браон | Модрице | Јак | Слободна | Густа | Уска | Црна | Широка | Једнака | Глатка | Глатка | Бела | Бела | Делимична | Бела | Један | Висећи | Црна | Расута | Урбана | +| Јестива | Конвексна | Глатка | Жута | Модрице | Бадем | Слободна | Густа | Широка | Црна | Широка | Клупка | Глатка | Глатка | Бела | Бела | Делимична | Бела | Један | Висећи | Браон | Бројна | Травњаци | +| Јестива | Звонаста | Глатка | Бела | Модрице | Анис | Слободна | Густа | Широка | Браон | Широка | Клупка | Глатка | Глатка | Бела | Бела | Делимична | Бела | Један | Висећи | Браон | Бројна | Ливаде | +| Отровна | Конвексна | Љускава | Бела | Модрице | Јак | Слободна | Густа | Уска | Браон | Широка | Једнака | Глатка | Глатка | Бела | Бела | Делимична | Бела | Један | Висећи | Црна | Расута | Урбана | +| Јестива | Конвексна | Глатка | Зелена | Без модрица | Нема | Слободна | Густа | Широка | Црна | Сужена | Једнака | Глатка | Глатка | Бела | Бела | Делимична | Бела | Један | Пролазна | Браон | Обилна | Травњаци | +| Јестива | Конвексна | Љускава | Жута | Модрице | Бадем | Слободна | Густа | Широка | Браон | Широка | Клупка | Глатка | Глатка | Бела | Бела | Делимична | Бела | Један | Висећи | Црна | Бројна | Травњаци | + +Одмах примећујете да су сви подаци текстуални. Мораћете да конвертујете ове податке како бисте их могли користити у графикону. Већина података је, заправо, представљена као објекат: + +```r +names(mushrooms) +``` + +Резултат је: + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` +Узмите ове податке и конвертујте колону 'класа' у категорију: + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + +Сада, ако одштампате податке о печуркама, видећете да су груписани у категорије према класи јестиво/отровно: +```r +View(grouped) +``` + +| класа | број | +| --------- | ---- | +| Јестива | 4208 | +| Отровна | 3916 | + +Ако пратите редослед приказан у овој табели за креирање етикета категорија класе, можете направити пита графикон. + +## Пита! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +Ево га, пита графикон који приказује пропорције ових података према ове две класе печурака. Веома је важно добити редослед етикета исправно, посебно овде, па обавезно проверите редослед којим је низ етикета направљен! + +![пита графикон](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.sr.png) + +## Крофне! + +Мало визуелно занимљивији пита графикон је крофна графикон, који је пита графикон са рупом у средини. Погледајмо наше податке користећи овај метод. + +Погледајте различита станишта где печурке расту: + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` +Резултат је: +| станиште | број | +| -------- | ---- | +| Травњаци | 2148 | +| Лишће | 832 | +| Ливаде | 292 | +| Стазе | 1144 | +| Урбана | 368 | +| Отпад | 192 | +| Шума | 3148 | + +Овде групишете своје податке по станишту. Постоји 7 наведених, па их користите као етикете за ваш крофна графикон: + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![крофна графикон](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.sr.png) + +Овај код користи две библиотеке - ggplot2 и webr. Користећи функцију PieDonut из webr библиотеке, лако можемо направити крофна графикон! + +Крофна графикони у R-у могу се направити и само помоћу ggplot2 библиотеке. Више о томе можете научити [овде](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) и испробати сами. + +Сада када знате како да групишете своје податке и затим их прикажете као пита или крофна графикон, можете истражити друге типове графикона. Испробајте вафл графикон, који је само другачији начин истраживања количина. + +## Вафли! + +'Вафл' тип графикона је другачији начин визуализације количина као 2Д мреже квадрата. Покушајте да визуализујете различите количине боја шешира печурака у овом сету података. Да бисте то урадили, потребно је да инсталирате помоћну библиотеку под називом [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) и користите је за генерисање своје визуализације: + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +Изаберите сегмент својих података за груписање: + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +Направите вафл графикон креирањем етикета и затим груписањем својих података: + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +Користећи вафл графикон, јасно можете видети пропорције боја шешира у овом сету података о печуркама. Интересантно је да постоји много печурака са зеленим шеширима! + +![вафл графикон](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.sr.png) + +У овој лекцији, научили сте три начина за визуализацију пропорција. Прво, потребно је да групишете своје податке у категорије, а затим одлучите који је најбољи начин за приказивање података - пита, крофна или вафл. Сви су укусни и пружају кориснику тренутни увид у сет података. + +## 🚀 Изазов + +Покушајте да поново направите ове укусне графиконе у [Charticulator](https://charticulator.com). +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Преглед и Самостално Учење + +Понекад није очигледно када користити пита, крофна или вафл графикон. Ево неколико чланака за читање на ову тему: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Истражите више информација о овој дилеми. + +## Задатак + +[Испробајте у Excel-у](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/sr/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..e0dea913 --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,177 @@ + +# Визуализација односа: Све о меду 🍯 + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Визуализација односа - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Настављајући са природним фокусом нашег истраживања, хајде да откријемо занимљиве визуализације које приказују односе између различитих врста меда, према подацима добијеним од [Министарства пољопривреде Сједињених Америчких Држава](https://www.nass.usda.gov/About_NASS/index.php). + +Овај скуп података, који садржи око 600 ставки, приказује производњу меда у многим америчким државама. На пример, можете погледати број колонија, принос по колонији, укупну производњу, залихе, цену по фунти и вредност произведеног меда у одређеној држави од 1998-2012, са једним редом по години за сваку државу. + +Биће занимљиво визуализовати однос између производње меда у одређеној држави по години и, на пример, цене меда у тој држави. Алтернативно, можете визуализовати однос између приноса меда по колонији у различитим државама. Овај временски период обухвата разарајући 'CCD' или 'Поремећај колапса колонија', који је први пут примећен 2006. године (http://npic.orst.edu/envir/ccd.html), па је то значајан скуп података за проучавање. 🐝 + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +У овом предавању можете користити ggplot2, који сте већ користили, као добру библиотеку за визуализацију односа између променљивих. Посебно је занимљива употреба ggplot2 функција `geom_point` и `qplot`, које омогућавају брзо креирање расејаних графикона и линијских графикона за визуализацију '[статистичких односа](https://ggplot2.tidyverse.org/)', што омогућава научнику података да боље разуме како се променљиве међусобно односе. + +## Расејани графикони + +Користите расејани графикон да покажете како се цена меда развијала из године у годину, по државама. ggplot2, користећи `ggplot` и `geom_point`, практично групише податке по државама и приказује тачке за категоријске и нумеричке податке. + +Хајде да почнемо са увозом података и библиотеке Seaborn: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +Приметићете да подаци о меду имају неколико занимљивих колона, укључујући годину и цену по фунти. Хајде да истражимо ове податке, груписане по америчким државама: + +| држава | бројкол | приноспокол | укупнапроизв | залихе | ценапофунти | вредностпр | година | +| ------ | ------- | ----------- | ------------ | -------- | ----------- | ---------- | ------ | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 | 22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +Креирајте основни расејани графикон да покажете однос између цене по фунти меда и државе порекла. Направите `y` осу довољно високом да прикаже све државе: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.sr.png) + +Сада, прикажите исте податке са шемом боја меда да покажете како се цена развија током година. То можете урадити додавањем параметра 'scale_color_gradientn' да прикажете промену из године у годину: + +> ✅ Сазнајте више о [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - испробајте прелепу шему боја дуге! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.sr.png) + +Са овом променом шеме боја, можете видети да постоји очигледан напредак током година у погледу цене меда по фунти. У ствари, ако погледате узорак података да бисте проверили (на пример, изаберите државу Аризону), можете видети образац повећања цена из године у годину, са неколико изузетака: + +| држава | бројкол | приноспокол | укупнапроизв | залихе | ценапофунти | вредностпр | година | +| ------ | ------- | ----------- | ------------ | ------- | ----------- | ---------- | ------ | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Други начин да визуализујете овај напредак је да користите величину, уместо боје. За кориснике који имају потешкоће са бојама, ово може бити боља опција. Уредите своју визуализацију да покажете повећање цене кроз повећање обима тачке: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +Можете видети да се величина тачака постепено повећава. + +![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.sr.png) + +Да ли је ово једноставан случај понуде и потражње? Због фактора као што су климатске промене и колапс колонија, да ли је мање меда доступно за куповину из године у годину, па самим тим цена расте? + +Да бисмо открили корелацију између неких променљивих у овом скупу података, хајде да истражимо неке линијске графиконе. + +## Линијски графикони + +Питање: Да ли постоји јасан раст цене меда по фунти из године у годину? Најлакше можете то открити креирањем једног линијског графикона: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +Одговор: Да, са неким изузецима око 2003. године: + +![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.sr.png) + +Питање: Па, да ли можемо видети скок у залихама меда 2003. године? Шта ако погледате укупну производњу из године у годину? + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.sr.png) + +Одговор: Не баш. Ако погледате укупну производњу, чини се да је она заправо повећана те године, иако генерално количина произведеног меда опада током ових година. + +Питање: У том случају, шта је могло изазвати скок цене меда око 2003. године? + +Да бисмо то открили, можемо истражити мрежу фасета. + +## Мреже фасета + +Мреже фасета узимају један аспект вашег скупа података (у нашем случају, можете изабрати 'годину' да избегнете превише фасета). Seaborn затим може направити графикон за сваку од тих фасета ваших изабраних x и y координата ради лакшег визуелног поређења. Да ли се 2003. година издваја у оваквом поређењу? + +Креирајте мрежу фасета користећи `facet_wrap` као што је препоручено у [документацији ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html). + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +У овој визуализацији можете упоредити принос по колонији и број колонија из године у годину, један поред другог, са подешавањем wrap на 3 за колоне: + +![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.sr.png) + +За овај скуп података, ништа посебно не одскаче у погледу броја колонија и њиховог приноса, из године у годину и из државе у државу. Да ли постоји другачији начин да се пронађе корелација између ове две променљиве? + +## Двоструки линијски графикони + +Покушајте са графиконом са више линија тако што ћете преклопити два линијска графикона један преко другог, користећи R функције `par` и `plot`. Планирамо да прикажемо годину на x оси и две y осе. Дакле, приказујемо принос по колонији и број колонија, преклопљено: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.sr.png) + +Иако ништа не упада у очи око 2003. године, ово нам омогућава да завршимо лекцију на мало срећнијој ноти: иако је укупан број колонија у опадању, број колонија се стабилизује, чак и ако њихов принос по колонији опада. + +Напред, пчеле, напред! + +🐝❤️ +## 🚀 Изазов + +У овој лекцији сте научили нешто више о другим употребама расејаних графикона и линијских мрежа, укључујући мреже фасета. Изазовите себе да креирате мрежу фасета користећи други скуп података, можда онај који сте користили пре ових лекција. Приметите колико времена је потребно за креирање и како морате бити пажљиви у погледу броја мрежа које треба да нацртате користећи ове технике. +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Преглед и самостално учење + +Линијски графикони могу бити једноставни или прилично сложени. Урадите мало читања у [документацији ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) о различитим начинима на које можете да их направите. Покушајте да побољшате линијске графиконе које сте направили у овој лекцији другим методама наведеним у документацији. +## Задатак + +[Зароните у кошницу](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/sr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..b340a5d6 --- /dev/null +++ b/translations/sr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,182 @@ + +# Прављење смислених визуализација + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Смислене визуализације - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +> "Ако довољно дуго мучите податке, признаће било шта" -- [Роналд Коуз](https://en.wikiquote.org/wiki/Ronald_Coase) + +Једна од основних вештина дата научника је способност да креира смислену визуализацију података која помаже у одговарању на питања која имате. Пре него што визуализујете своје податке, потребно је да их очистите и припремите, као што сте радили у претходним лекцијама. Након тога, можете почети да одлучујете како најбоље да представите податке. + +У овој лекцији, прегледаћете: + +1. Како одабрати прави тип графикона +2. Како избегавати обмањујуће графиконе +3. Како радити са бојама +4. Како стилизовати графиконе ради читљивости +5. Како направити анимиране или 3Д графиконе +6. Како направити креативну визуализацију + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Одабир правог типа графикона + +У претходним лекцијама, експериментисали сте са прављењем различитих визуализација података користећи Matplotlib и Seaborn за графиконе. Уопштено, можете одабрати [прави тип графикона](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) за питање које постављате користећи ову табелу: + +| Потребно је: | Треба користити: | +| -------------------------- | ------------------------------- | +| Приказати трендове током времена | Линијски графикон | +| Упоредити категорије | Стубни, Пита | +| Упоредити укупне вредности | Пита, Сложени стубни графикон | +| Приказати односе | Расејани, Линијски, Фасетни, Двоструки линијски | +| Приказати дистрибуције | Расејани, Хистограм, Бокс | +| Приказати пропорције | Пита, Крофна, Вафл | + +> ✅ У зависности од састава ваших података, можда ћете морати да их конвертујете из текста у бројеве како би графикон подржао приказ. + +## Избегавање обмане + +Чак и ако дата научник пажљиво одабере прави графикон за праве податке, постоји много начина на које подаци могу бити приказани да би се доказала одређена теза, често на штету самих података. Постоји много примера обмањујућих графикона и инфографика! + +[![Како графикони лажу од Алберта Каира](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.sr.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Како графикони лажу") + +> 🎥 Кликните на слику изнад за конференцијски говор о обмањујућим графиконима + +Овај графикон обрће X осу да би приказао супротно од истине, на основу датума: + +![лош графикон 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.sr.png) + +[Овај графикон](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) је још обмањујући, јер око прати десну страну и закључује да су током времена случајеви COVID-а опали у различитим окрузима. У ствари, ако пажљиво погледате датуме, открићете да су они преуређени да би се приказао обмањујући тренд опадања. + +![лош графикон 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.sr.jpg) + +Овај озлоглашени пример користи боју И обрнуту Y осу да би обмануо: уместо закључка да су смртни случајеви од оружја нагло порасли након усвајања закона који подржава оружје, око је преварено да мисли супротно: + +![лош графикон 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.sr.jpg) + +Овај необичан графикон показује како се пропорција може манипулисати, на комичан начин: + +![лош графикон 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.sr.jpg) + +Упоређивање неупоредивог је још један сумњив трик. Постоји [диван веб сајт](https://tylervigen.com/spurious-correlations) посвећен 'лажним корелацијама' који приказује 'чињенице' које корелирају ствари попут стопе развода у Мејну и потрошње маргарина. Реддит група такође сакупља [ружне употребе](https://www.reddit.com/r/dataisugly/top/?t=all) података. + +Важно је разумети колико лако око може бити преварено обмањујућим графиконима. Чак и ако је намера дата научника добра, избор лошег типа графикона, као што је пита графикон са превише категорија, може бити обмањујући. + +## Боја + +Видели сте у графикону 'насиље оружјем на Флориди' како боја може додати додатни слој значења графиконима, посебно онима који нису дизајнирани помоћу библиотека као што су ggplot2 и RColorBrewer које долазе са различитим провереним библиотекама боја и палетама. Ако правите графикон ручно, мало проучите [теорију боја](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Будите свесни, приликом дизајнирања графикона, да је приступачност важан аспект визуализације. Неки од ваших корисника могу бити далтонисти - да ли ваш графикон добро приказује податке за кориснике са оштећењем вида? + +Будите пажљиви приликом избора боја за ваш графикон, јер боја може пренети значење које можда нисте намеравали. 'Розе даме' у графикону 'висина' изнад преносе изразито 'женствено' значење које додаје бизарности самог графикона. + +Иако [значење боја](https://colormatters.com/color-symbolism/the-meanings-of-colors) може бити различито у различитим деловима света и има тенденцију да се мења у зависности од нијансе, генерално значења боја укључују: + +| Боја | Значење | +| ------ | ------------------- | +| црвена | моћ | +| плава | поверење, лојалност | +| жута | срећа, опрез | +| зелена | екологија, срећа, завист | +| љубичаста | срећа | +| наранџаста | живост | + +Ако вам је задатак да направите графикон са прилагођеним бојама, уверите се да су ваши графикони и приступачни и да боја коју одаберете одговара значењу које покушавате да пренесете. + +## Стилизовање графикона ради читљивости + +Графикони нису смислени ако нису читљиви! Одвојите тренутак да размислите о стилизовању ширине и висине вашег графикона како би се добро уклопили са вашим подацима. Ако једна променљива (као што је свих 50 држава) треба да буде приказана, прикажите их вертикално на Y оси ако је могуће, како бисте избегли хоризонтално скроловање графикона. + +Означите своје осе, обезбедите легенду ако је потребно, и понудите алатке за боље разумевање података. + +Ако су ваши подаци текстуални и опширни на X оси, можете нагнути текст ради боље читљивости. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) нуди 3Д графиконе, ако ваши подаци то подржавају. Софистициране визуализације података могу се произвести помоћу њега. + +![3д графикони](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.sr.png) + +## Анимација и приказ 3Д графикона + +Неки од најбољих визуализација података данас су анимирани. Ширли Ву има невероватне примере направљене са D3, као што је '[цветови филма](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', где је сваки цвет визуализација филма. Још један пример за Guardian је 'бусед оут', интерактивно искуство које комбинује визуализације са Greensock и D3 плус формат чланка са скроловањем за приказ како Њујорк решава проблем бескућника тако што их шаље ван града. + +![бусинг](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.sr.png) + +> "Бусед Оут: Како Америка премешта своје бескућнике" из [Guardian-а](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Визуализације од Надие Бремер и Ширли Ву + +Иако ова лекција није довољна да детаљно научи ове моћне библиотеке за визуализацију, пробајте D3 у Vue.js апликацији користећи библиотеку за приказ визуализације књиге "Опасне везе" као анимиране друштвене мреже. + +> "Опасне везе" је епистоларни роман, или роман представљен као серија писама. Написан 1782. године од стране Шодерлоа де Лаклоа, прича о злобним, морално банкротираним друштвеним маневрима двају главних ликова француске аристократије крајем 18. века, Виконта де Валмона и Маркизе де Мертје. Оба лика на крају доживљавају пропаст, али не без наношења велике друштвене штете. Роман се одвија као серија писама написаних различитим људима у њиховим круговима, планирајући освету или једноставно правећи проблеме. Направите визуализацију ових писама да бисте открили главне актере нарације, визуелно. + +Завршићете веб апликацију која ће приказати анимирани приказ ове друштвене мреже. Користи библиотеку која је направљена за креирање [визуализације мреже](https://github.com/emiliorizzo/vue-d3-network) користећи Vue.js и D3. Када апликација ради, можете померати чворове по екрану да бисте прераспоредили податке. + +![везе](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.sr.png) + +## Пројекат: Направите графикон за приказ мреже користећи D3.js + +> Овај фолдер лекције укључује `solution` фолдер где можете пронаћи завршени пројекат, за вашу референцу. + +1. Пратите упутства у README.md фајлу у корену стартног фолдера. Уверите се да имате NPM и Node.js инсталиране на вашем рачунару пре него што инсталирате зависности пројекта. + +2. Отворите `starter/src` фолдер. Открићете `assets` фолдер где можете пронаћи .json фајл са свим писмима из романа, нумерисаним, са 'to' и 'from' ознакама. + +3. Завршите код у `components/Nodes.vue` да омогућите визуализацију. Потражите метод назван `createLinks()` и додајте следећу угњеждену петљу. + +Прођите кроз .json објекат да бисте ухватили 'to' и 'from' податке за писма и изградили `links` објекат тако да библиотека за визуализацију може да га користи: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Покрените своју апликацију из терминала (npm run serve) и уживајте у визуализацији! + +## 🚀 Изазов + +Претражите интернет да бисте открили обмањујуће визуализације. Како аутор обмањује корисника, и да ли је то намерно? Покушајте да исправите визуализације да покажете како би требало да изгледају. + +## [Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Преглед и самостално учење + +Ево неких чланака за читање о обмањујућој визуализацији података: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Погледајте ове занимљиве визуализације историјских ресурса и артефаката: + +https://handbook.pubpub.org/ + +Прочитајте овај чланак о томе како анимација може побољшати ваше визуализације: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Задатак + +[Направите своју прилагођену визуализацију](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/3-Data-Visualization/README.md b/translations/sr/3-Data-Visualization/README.md new file mode 100644 index 00000000..fb00ea23 --- /dev/null +++ b/translations/sr/3-Data-Visualization/README.md @@ -0,0 +1,42 @@ + +# Визуализације + +![пчела на цвету лаванде](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.sr.jpg) +> Фотографија од Џене Ли на Unsplash + +Визуелизација података је један од најважнијих задатака научника за податке. Слика вреди хиљаду речи, а визуелизација вам може помоћи да уочите све врсте занимљивих аспеката ваших података, као што су врхови, одступања, груписања, тенденције и још много тога, што вам може помоћи да разумете причу коју ваши подаци покушавају да испричају. + +У ових пет лекција, истражићете податке из природе и креирати занимљиве и лепе визуелизације користећи различите технике. + +| Број теме | Тема | Повезана лекција | Аутор | +| :-----------: | :--: | :-----------: | :----: | +| 1. | Визуелизација количина |
  • [Python](09-visualization-quantities/README.md)
  • [R](../../../3-Data-Visualization/R/09-visualization-quantities)
|
  • [Џен Лупер](https://twitter.com/jenlooper)
  • [Видуши Гупта](https://github.com/Vidushi-Gupta)
  • [Џаслин Сонди](https://github.com/jasleen101010)
| +| 2. | Визуелизација дистрибуције |
  • [Python](10-visualization-distributions/README.md)
  • [R](../../../3-Data-Visualization/R/10-visualization-distributions)
|
  • [Џен Лупер](https://twitter.com/jenlooper)
  • [Видуши Гупта](https://github.com/Vidushi-Gupta)
  • [Џаслин Сонди](https://github.com/jasleen101010)
| +| 3. | Визуелизација пропорција |
  • [Python](11-visualization-proportions/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Џен Лупер](https://twitter.com/jenlooper)
  • [Видуши Гупта](https://github.com/Vidushi-Gupta)
  • [Џаслин Сонди](https://github.com/jasleen101010)
| +| 4. | Визуелизација односа |
  • [Python](12-visualization-relationships/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Џен Лупер](https://twitter.com/jenlooper)
  • [Видуши Гупта](https://github.com/Vidushi-Gupta)
  • [Џаслин Сонди](https://github.com/jasleen101010)
| +| 5. | Креирање смислених визуелизација |
  • [Python](13-meaningful-visualizations/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Џен Лупер](https://twitter.com/jenlooper)
  • [Видуши Гупта](https://github.com/Vidushi-Gupta)
  • [Џаслин Сонди](https://github.com/jasleen101010)
| + +### Захвалнице + +Ове лекције о визуелизацији написане су са 🌸 од стране [Џен Лупер](https://twitter.com/jenlooper), [Џаслин Сонди](https://github.com/jasleen101010) и [Видуши Гупта](https://github.com/Vidushi-Gupta). + +🍯 Подаци о производњи меда у САД-у преузети су из пројекта Џесике Ли на [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Подаци](https://usda.library.cornell.edu/concern/publications/rn301137d) су добијени од [Министарства пољопривреде Сједињених Држава](https://www.nass.usda.gov/About_NASS/index.php). + +🍄 Подаци о печуркама такође су преузети са [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), ревидирани од стране Хатераса Дантона. Овај скуп података укључује описе хипотетичких узорака који одговарају 23 врсте печурака са ламелама из породица Agaricus и Lepiota. Подаци су преузети из "The Audubon Society Field Guide to North American Mushrooms" (1981). Овај скуп података је дониран UCI ML 27 1987. године. + +🦆 Подаци о птицама из Минесоте преузети су са [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), а прикупљени са [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) од стране Хане Колинс. + +Сви ови скупови података лиценцирани су као [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/). + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/sr/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..7b112128 --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,123 @@ + +# Увод у животни циклус науке о подацима + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| Увод у животни циклус науке о подацима - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +## [Квиз пре предавања](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26) + +До сада сте вероватно схватили да је наука о подацима процес. Овај процес може се поделити на 5 фаза: + +- Прикупљање +- Обрада +- Анализа +- Комуникација +- Одржавање + +Ова лекција се фокусира на 3 дела животног циклуса: прикупљање, обрада и одржавање. + +![Дијаграм животног циклуса науке о подацима](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.sr.jpg) +> Фотографија од [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) + +## Прикупљање + +Прва фаза животног циклуса је веома важна јер су наредне фазе зависне од ње. Практично, ова фаза обухвата два корака: прикупљање података и дефинисање сврхе и проблема који треба да се реше. +Дефинисање циљева пројекта захтева дубљи контекст проблема или питања. Прво, потребно је идентификовати и ангажовати оне којима је потребно решење проблема. То могу бити заинтересоване стране у послу или спонзори пројекта, који могу помоћи у идентификацији ко или шта ће имати користи од овог пројекта, као и шта и зашто им је потребно. Добро дефинисан циљ треба да буде мерљив и квантитативан како би се одредио прихватљив резултат. + +Питања која научник о подацима може поставити: +- Да ли је овај проблем већ био разматран? Шта је откривено? +- Да ли сви укључени разумеју сврху и циљ? +- Да ли постоји нејасноћа и како је смањити? +- Која су ограничења? +- Како ће потенцијално изгледати крајњи резултат? +- Колико ресурса (време, људи, рачунарски капацитети) је доступно? + +Следећи корак је идентификација, прикупљање, а затим истраживање података потребних за постизање дефинисаних циљева. У овој фази прикупљања, научници о подацима морају такође проценити количину и квалитет података. Ово захтева одређено истраживање података како би се потврдило да ће оно што је прикупљено подржати постизање жељеног резултата. + +Питања која научник о подацима може поставити о подацима: +- Који подаци су ми већ доступни? +- Ко је власник ових података? +- Који су проблеми приватности? +- Да ли имам довољно података за решавање овог проблема? +- Да ли су подаци прихватљивог квалитета за овај проблем? +- Ако откријем додатне информације кроз ове податке, да ли треба да размотримо промену или редефинисање циљева? + +## Обрада + +Фаза обраде у животном циклусу фокусира се на откривање образаца у подацима као и на моделирање. Неке технике које се користе у фази обраде захтевају статистичке методе за откривање образаца. Типично, ово би био заморан задатак за човека са великим скупом података, па се ослања на рачунаре да убрзају процес. Ова фаза је такође место где се наука о подацима и машинско учење укрштају. Као што сте научили у првој лекцији, машинско учење је процес изградње модела за разумевање података. Модели представљају однос између променљивих у подацима који помажу у предвиђању исхода. + +Уобичајене технике које се користе у овој фази покривене су у наставном плану и програму за почетнике у машинском учењу. Пратите линкове да бисте сазнали више о њима: + +- [Класификација](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Организовање података у категорије ради ефикасније употребе. +- [Кластерисање](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Груписање података у сличне групе. +- [Регресија](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Одређивање односа између променљивих ради предвиђања или прогнозе вредности. + +## Одржавање + +На дијаграму животног циклуса, можда сте приметили да одржавање стоји између прикупљања и обраде. Одржавање је континуирани процес управљања, складиштења и обезбеђивања података током целог процеса пројекта и треба га узети у обзир током целог трајања пројекта. + +### Складиштење података + +Разматрања о томе како и где се подаци складиште могу утицати на трошкове складиштења као и на перформансе брзине приступа подацима. Одлуке попут ових вероватно неће доносити само научник о подацима, али он може бити укључен у изборе о томе како радити са подацима на основу начина њиховог складиштења. + +Ево неких аспеката модерних система за складиштење података који могу утицати на ове изборе: + +**Локално vs удаљено vs јавни или приватни облак** + +Локално се односи на хостовање и управљање подацима на сопственој опреми, као што је поседовање сервера са хард дисковима који складиште податке, док удаљено зависи од опреме коју не поседујете, као што је дата центар. Јавни облак је популаран избор за складиштење података који не захтева знање о томе како или где су тачно подаци складиштени, где се јавни односи на унифицирану основну инфраструктуру коју деле сви који користе облак. Неке организације имају строге безбедносне политике које захтевају да имају потпун приступ опреми на којој су подаци хостовани и ослањају се на приватни облак који пружа сопствене услуге облака. Више о подацима у облаку научићете у [каснијим лекцијама](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud). + +**Хладни vs топли подаци** + +Када тренирате своје моделе, можда ће вам бити потребно више података за обуку. Ако сте задовољни својим моделом, нови подаци ће пристизати како би модел служио својој сврси. У сваком случају, трошкови складиштења и приступа подацима ће расти како их будете акумулирали. Одвајање ретко коришћених података, познатих као хладни подаци, од често приступаних топлих података може бити јефтинија опција складиштења података кроз хардверске или софтверске услуге. Ако је потребно приступити хладним подацима, можда ће бити потребно мало више времена за њихово преузимање у поређењу са топлим подацима. + +### Управљање подацима + +Док радите са подацима, можда ћете открити да неки од података треба да се очисте користећи неке од техника покривених у лекцији фокусираној на [припрему података](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) како би се изградили тачни модели. Када нови подаци пристигну, биће потребно применити исте технике како би се одржала конзистентност у квалитету. Неки пројекти ће укључивати употребу аутоматизованог алата за чишћење, агрегирање и компресију пре него што се подаци преместе на своје коначно место. Azure Data Factory је пример једног од ових алата. + +### Обезбеђивање података + +Један од главних циљева обезбеђивања података је осигурање да они који раде са њима имају контролу над тим шта се прикупља и у ком контексту се користи. Чување података безбедним подразумева ограничавање приступа само онима којима је потребан, придржавање локалних закона и прописа, као и одржавање етичких стандарда, као што је покривено у [лекцији о етици](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics). + +Ево неких ствари које тим може урадити имајући у виду безбедност: +- Потврдити да су сви подаци шифровани +- Пружити корисницима информације о томе како се њихови подаци користе +- Уклонити приступ подацима онима који су напустили пројекат +- Омогућити само одређеним члановима пројекта да мењају податке + +## 🚀 Изазов + +Постоји много верзија животног циклуса науке о подацима, где сваки корак може имати различита имена и број фаза, али ће садржати исте процесе поменуте у овој лекцији. + +Истражите [Team Data Science Process lifecycle](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) и [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/). Наведите 3 сличности и разлике између ова два. + +|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)| +|--|--| +|![Team Data Science Lifecycle](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.sr.png) | ![Data Science Process Alliance Image](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.sr.png) | +| Слика од [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Слика од [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) | + +## [Квиз после предавања](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27) + +## Преглед и самостално учење + +Примена животног циклуса науке о подацима укључује више улога и задатака, где се неки могу фокусирати на одређене делове сваке фазе. Team Data Science Process пружа неколико ресурса који објашњавају типове улога и задатака које неко може имати у пројекту. + +* [Улоге и задаци у Team Data Science Process](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [Извршавање задатака науке о подацима: истраживање, моделирање и имплементација](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## Задатак + +[Процена скупа података](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/sr/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..16167773 --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,37 @@ + +# Процена скупа података + +Клијент се обратио вашем тиму за помоћ у истраживању сезонских навика потрошње корисника такси услуга у Њујорку. + +Желе да знају: **Да ли путници жутог таксија у Њујорку дају веће напојнице возачима зими или лети?** + +Ваш тим се налази у фази [Прикупљања](Readme.md#Capturing) у животном циклусу науке о подацима, а ви сте задужени за обраду скупа података. Добијени су вам бележница и [подаци](../../../../data/taxi.csv) за истраживање. + +У овом директоријуму налази се [бележница](notebook.ipynb) која користи Python за учитавање података о вожњама жутог таксија из [Комисије за такси и лимузине Њујорка](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). +Такође можете отворити датотеку са подацима о таксију у текстуалном уређивачу или софтверу за табеле као што је Excel. + +## Упутства + +- Процените да ли подаци у овом скупу могу помоћи у одговору на питање. +- Истражите [каталог отворених података Њујорка](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Идентификујте додатни скуп података који би потенцијално могао бити користан за одговор на питање клијента. +- Напишите 3 питања која бисте поставили клијенту ради бољег разјашњења и разумевања проблема. + +Погледајте [речник скупа података](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) и [корисничко упутство](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) за више информација о подацима. + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | --- + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/sr/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..e02be765 --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,62 @@ + +# Животни циклус науке о подацима: Анализа + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| Животни циклус науке о подацима: Анализа - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +## Квиз пре предавања + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28) + +Анализа у животном циклусу података потврђује да подаци могу одговорити на постављена питања или решити одређени проблем. Овај корак се такође може фокусирати на потврђивање да модел исправно решава ова питања и проблеме. Ова лекција је усмерена на Експлораторну анализу података (EDA), која обухвата технике за дефинисање карактеристика и односа унутар података и може се користити за припрему података за моделирање. + +Користићемо пример скупа података са [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) да покажемо како се ово може применити уз помоћ Python-а и библиотеке Pandas. Овај скуп података садржи број неких уобичајених речи пронађених у имејловима, а извори ових имејлова су анонимни. Користите [бележницу](notebook.ipynb) у овом директоријуму да пратите кораке. + +## Експлораторна анализа података + +Фаза прикупљања у животном циклусу је место где се подаци добијају, као и проблеми и питања која се разматрају, али како знамо да подаци могу подржати крајњи резултат? +Подсетимо се да научник за податке може поставити следећа питања када добије податке: +- Да ли имам довољно података да решим овај проблем? +- Да ли су подаци прихватљивог квалитета за овај проблем? +- Ако откријем додатне информације кроз ове податке, да ли треба да размотримо промену или редефинисање циљева? + +Експлораторна анализа података је процес упознавања са подацима и може се користити за одговор на ова питања, као и за идентификовање изазова у раду са скупом података. Фокусирајмо се на неке од техника које се користе за постизање овога. + +## Профилисање података, дескриптивна статистика и Pandas +Како проценити да ли имамо довољно података за решавање проблема? Профилисање података може сумирати и прикупити неке опште информације о нашем скупу података кроз технике дескриптивне статистике. Профилисање података нам помаже да разумемо шта нам је доступно, а дескриптивна статистика нам помаже да разумемо колико тога имамо. + +У неколико претходних лекција користили смо Pandas за пружање дескриптивне статистике помоћу функције [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Она пружа број, максималне и минималне вредности, средњу вредност, стандардну девијацију и квантиле за нумеричке податке. Коришћење дескриптивне статистике попут функције `describe()` може вам помоћи да процените колико података имате и да ли вам је потребно више. + +## Узорковање и упити +Истраживање свега у великом скупу података може бити веома временски захтевно и обично је задатак који се препушта рачунару. Међутим, узорковање је користан алат за разумевање података и омогућава нам боље разумевање онога што се налази у скупу података и шта он представља. Уз узорак, можете применити вероватноћу и статистику да бисте дошли до неких општих закључака о вашим подацима. Иако не постоји дефинисано правило о томе колико података треба узорковати, важно је напоменути да што више података узоркујете, то прецизнију генерализацију можете направити о подацима. + +Pandas има функцију [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) у својој библиотеци, где можете проследити аргумент о томе колико насумичних узорака желите да добијете и користите. + +Општи упити о подацима могу вам помоћи да одговорите на нека општа питања и теорије које можда имате. За разлику од узорковања, упити вам омогућавају да имате контролу и фокус на одређене делове података о којима имате питања. +Функција [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) у библиотеци Pandas омогућава вам да изаберете колоне и добијете једноставне одговоре о подацима кроз редове који се добијају. + +## Истраживање кроз визуализације +Не морате чекати да подаци буду темељно очишћени и анализирани да бисте почели да креирате визуализације. У ствари, имање визуелног приказа током истраживања може помоћи у идентификовању образаца, односа и проблема у подацима. Штавише, визуализације пружају начин комуникације са онима који нису укључени у управљање подацима и могу бити прилика за дељење и разјашњавање додатних питања која нису обрађена у фази прикупљања. Погледајте [секцију о визуализацијама](../../../../../../../../../3-Data-Visualization) да бисте сазнали више о неким популарним начинима истраживања кроз визуализације. + +## Истраживање ради идентификовања недоследности +Све теме у овој лекцији могу помоћи у идентификовању недостајућих или недоследних вредности, али Pandas пружа функције за проверу неких од њих. [isna() или isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) могу проверити недостајуће вредности. Један важан аспект истраживања ових вредности у вашим подацима је истраживање зашто су оне уопште настале. Ово вам може помоћи да одлучите које [акције треба предузети да их решите](/2-Working-With-Data/08-data-preparation/notebook.ipynb). + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27) + +## Задатак + +[Истраживање за одговоре](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/sr/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..a5494f64 --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,36 @@ + +# Истраживање одговора + +Ово је наставак [задатка](../14-Introduction/assignment.md) из претходне лекције, где смо укратко погледали скуп података. Сада ћемо детаљније анализирати податке. + +Поново, питање које клијент жели да зна гласи: **Да ли путници жутих таксија у Њујорку дају веће напојнице возачима зими или лети?** + +Ваш тим се налази у фази [Анализа](README.md) у животном циклусу науке о подацима, где сте одговорни за спровођење истраживачке анализе података на датом скупу података. Добијени су вам бележница и скуп података који садрже 200 такси трансакција из јануара и јула 2019. године. + +## Упутства + +У овом директоријуму налазе се [бележница](assignment.ipynb) и подаци из [Комисије за таксије и лимузине](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Погледајте [речник скупа података](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) и [корисничко упутство](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) за више информација о подацима. + +Користите неке од техника из ове лекције да урадите сопствену истраживачку анализу података у бележници (додајте ћелије ако желите) и одговорите на следећа питања: + +- Који други фактори у подацима могу утицати на износ напојнице? +- Које колоне највероватније неће бити потребне за одговор на питања клијента? +- На основу до сада доступних података, да ли се чини да подаци пружају било какве доказе о сезонском понашању у давању напојница? + +## Рубрика + +Изузетно | Задовољавајуће | Потребна побољшања +--- | --- | --- + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/16-communication/README.md b/translations/sr/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..5b648bee --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,214 @@ + +# Животни циклус наука о подацима: Комуникација + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)| +|:---:| +| Животни циклус наука о подацима: Комуникација - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30) + +Проверите своје знање о ономе што следи уз квиз пре предавања изнад! + +# Увод + +### Шта је комуникација? +Хајде да започнемо овај час дефинисањем шта значи комуницирати. **Комуницирати значи пренети или разменити информације.** Информације могу бити идеје, мисли, осећања, поруке, скривени сигнали, подаци – било шта што **_поšiljaлац_** (особа која шаље информације) жели да **_примаоц_** (особа која прима информације) разуме. У овом часу, поšiljaоце ћемо називати комуникаторима, а примаоце публиком. + +### Комуникација података и приповедање +Разумемо да је циљ комуникације пренос или размена информација. Али када комуницирате податке, ваш циљ не би требало да буде само пренос бројева вашој публици. Ваш циљ би требало да буде пренос приче која је заснована на вашим подацима – ефикасна комуникација података и приповедање иду руку под руку. Ваша публика ће се вероватно боље сетити приче коју испричате него броја који наведете. Касније у овом часу, проћи ћемо кроз неколико начина на које можете користити приповедање да бисте ефикасније комуницирали своје податке. + +### Типови комуникације +Током овог часа биће разматрана два различита типа комуникације: једносмерна комуникација и двосмерна комуникација. + +**Једносмерна комуникација** се дешава када поšiljaлац шаље информације примаоцу, без повратне информације или одговора. Примере једносмерне комуникације видимо свакодневно – у масовним имејловима, када вести преносе најновије приче, или чак када се појави телевизијска реклама и информише вас зашто је њихов производ одличан. У сваком од ових случајева, поšiljaлац не тражи размену информација. Они само желе да пренесу или доставе информације. + +**Двосмерна комуникација** се дешава када све укључене стране делују и као поšiljaоци и као примаоци. Поšiljaлац ће започети комуникацију са примаоцем, а прималац ће пружити повратну информацију или одговор. Двосмерна комуникација је оно што традиционално мислимо када говоримо о комуникацији. Обично мислимо на људе који су укључени у разговор – било лично, преко телефонског позива, друштвених мрежа или текстуалне поруке. + +Када комуницирате податке, постојаће случајеви када ћете користити једносмерну комуникацију (на пример, када представљате на конференцији или великој групи где се питања неће постављати директно након) и случајеви када ћете користити двосмерну комуникацију (на пример, када користите податке да убедите неколико заинтересованих страна да подрже вашу идеју или да убедите члана тима да треба уложити време и труд у изградњу нечег новог). + +# Ефикасна комуникација + +### Ваше одговорности као комуникатора +Када комуницирате, ваша је одговорност да осигурате да примаоци разумеју информације које желите да пренесете. Када комуницирате податке, не желите да ваши примаоци узму само бројеве, већ желите да узму причу која је заснована на вашим подацима. Добар комуникатор података је добар приповедач. + +Како испричати причу са подацима? Постоји бесконачно много начина – али у наставку је 6 о којима ћемо говорити у овом часу: +1. Разумите своју публику, свој канал и метод комуникације +2. Почните са крајњим циљем на уму +3. Приступите томе као стварној причи +4. Користите значајне речи и фразе +5. Користите емоције + +Свака од ових стратегија је објашњена детаљније у наставку. + +### 1. Разумите своју публику, свој канал и метод комуникације +Начин на који комуницирате са члановима породице вероватно је другачији од начина на који комуницирате са пријатељима. Вероватно користите различите речи и фразе које људи са којима разговарате лакше разумеју. Требало би да примените исти приступ када комуницирате податке. Размислите о томе са ким комуницирате. Размислите о њиховим циљевима и контексту који имају у вези са ситуацијом коју им објашњавате. + +Вероватно можете груписати већину своје публике у одређену категорију. У чланку _Harvard Business Review_, “[Како испричати причу са подацима](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/),” стратег Џим Стикелезер из компаније Dell идентификује пет категорија публике: + + - **Почетник**: први сусрет са темом, али не жели претерано поједностављење + - **Општи слушалац**: упознат са темом, али тражи преглед и главне теме + - **Менаџер**: дубинско, применљиво разумевање сложености и међусобних односа са приступом детаљима + - **Експерт**: више истраживања и откривања, мање приповедања, са великим детаљима + - **Извршни директор**: има времена само да схвати значај и закључке са проценом вероватноћа + +Ове категорије могу утицати на начин на који представљате податке својој публици. + +Поред размишљања о категорији ваше публике, требало би да узмете у обзир и канал који користите за комуникацију са њом. Ваш приступ би требало да буде мало другачији ако пишете меморандум или имејл у односу на састанак или презентацију на конференцији. + +Најзад, поред разумевања ваше публике, важно је знати како ћете комуницирати са њом (користећи једносмерну или двосмерну комуникацију). + +Ако комуницирате са већином публике која је у категорији Почетник и користите једносмерну комуникацију, прво морате едуковати публику и дати јој одговарајући контекст. Затим морате представити своје податке и објаснити шта они значе и зашто су важни. У овом случају, можда ћете желети да се фокусирате на јасноћу, јер ваша публика неће моћи да вам постави директна питања. + +Ако комуницирате са већином публике која је у категорији Менаџер и користите двосмерну комуникацију, вероватно нећете морати да едукујете своју публику или да јој пружите много контекста. Можда ћете моћи да одмах пређете на дискусију о подацима које сте прикупили и зашто су важни. У овом сценарију, међутим, требало би да се фокусирате на време и контролу своје презентације. Када користите двосмерну комуникацију (посебно са публиком у категорији Менаџер која тражи „применљиво разумевање сложености и међусобних односа са приступом детаљима“), питања могу искрснути током интеракције која могу одвести дискусију у правцу који није повезан са причом коју покушавате да испричате. Када се то догоди, можете предузети мере и вратити дискусију на прави пут са вашом причом. + +### 2. Почните са крајњим циљем на уму +Почети са крајњим циљем на уму значи разумети шта желите да ваша публика понесе са собом пре него што почнете да комуницирате са њом. Размишљање о томе шта желите да ваша публика понесе са собом унапред може вам помоћи да осмислите причу коју ваша публика може да прати. Почети са крајњим циљем на уму је прикладно и за једносмерну и за двосмерну комуникацију. + +Како почети са крајњим циљем на уму? Пре него што комуницирате своје податке, запишите своје кључне закључке. Затим, на сваком кораку док припремате причу коју желите да испричате са својим подацима, запитајте се: „Како се ово уклапа у причу коју причам?“ + +Будите свесни – иако је идеално почети са крајњим циљем на уму, не желите да комуницирате само податке који подржавају ваше закључке. Ово се назива селективно представљање, што се дешава када комуникатор представља само податке који подржавају његову тезу и игнорише све остале податке. + +Ако сви подаци које сте прикупили јасно подржавају ваше закључке, одлично. Али ако постоје подаци које сте прикупили који не подржавају ваше закључке, или чак подржавају аргумент против ваших кључних закључака, требало би да представите те податке такође. Ако се то догоди, будите искрени са својом публиком и објасните зашто се држите своје приче иако сви подаци не подржавају вашу тезу. + +### 3. Приступите томе као стварној причи +Традиционална прича се одвија у 5 фаза. Можда сте чули да се ове фазе изражавају као Увод, Узлазна радња, Климакс, Опадајућа радња и Решење. Или лакше за памћење: Контекст, Конфликт, Климакс, Затварање, Закључак. Када комуницирате своје податке и своју причу, можете применити сличан приступ. + +Можете почети са контекстом, поставити сцену и осигурати да ваша публика буде на истој страни. Затим представите конфликт. Зашто сте морали да прикупите ове податке? Које проблеме сте покушавали да решите? Након тога, климакс. Који су подаци? Шта они значе? Која решења нам подаци предлажу? Затим долазите до затварања, где можете поново нагласити проблем и предложена решења. На крају, долазимо до закључка, где можете сумирати своје кључне закључке и следеће кораке које препоручујете тиму. + +### 4. Користите значајне речи и фразе +Ако бисмо радили заједно на производу, и ја вам кажем: „Нашим корисницима треба дуго да се региструју на нашу платформу,“ колико дуго бисте проценили да је „дуго“? Сат времена? Недељу дана? Тешко је знати. Шта ако то кажем целој публици? Сваки члан публике може имати различиту идеју о томе колико дуго корисницима треба да се региструју на нашу платформу. + +Уместо тога, шта ако кажем: „Нашим корисницима треба, у просеку, 3 минута да се региструју и укључе на нашу платформу.“ + +Та порука је јаснија. Када комуницирате податке, може бити лако помислити да сви у вашој публици размишљају као ви. Али то није увек случај. Јасноћа око ваших података и њиховог значења је једна од ваших одговорности као комуникатора. Ако подаци или ваша прича нису јасни, ваша публика ће имати потешкоћа да прати, и мање је вероватно да ће разумети ваше кључне закључке. + +Можете јасније комуницирати податке када користите значајне речи и фразе, уместо нејасних. Испод су неколико примера. + + - Имали смо *импресивну* годину! + - Једна особа може мислити да импресивно значи повећање прихода од 2% - 3%, а друга особа може мислити да значи повећање од 50% - 60%. + - Стопе успеха наших корисника су се *драматично* повећале. + - Колико велико повећање је драматично повећање? + - Овај подухват ће захтевати *значајан* напор. + - Колико напора је значајно? + +Коришћење нејасних речи може бити корисно као увод у више података који долазе, или као резиме приче коју сте управо испричали. Али размислите о томе да осигурате да сваки део ваше презентације буде јасан вашој публици. + +### 5. Користите емоције +Емоција је кључна у приповедању. Још је важнија када причате причу са подацима. Када комуницирате податке, све је усмерено на закључке које желите да ваша публика понесе са собом. Када изазовете емоцију код публике, то јој помаже да се саосећа и чини је вероватнијом да предузме акцију. Емоција такође повећава вероватноћу да ће публика запамтити вашу поруку. + +Можда сте то већ искусили са телевизијским рекламама. Неке рекламе су веома озбиљне и користе тужну емоцију да се повежу са публиком и учине да подаци које представљају заиста истакну. Или, неке рекламе су веома веселе и срећне, што може учинити да повежете њихове податке са срећним осећањем. + +Како користити емоције када комуницирате податке? Испод су неколико начина. + + - Користите сведочења и личне приче + - Када прикупљате податке, покушајте да прикупите и квантитативне и квалитативне податке, и интегришите оба типа података када комуницирате. Ако су ваши подаци углавном квантитативни, потражите приче од појединаца да бисте сазнали више о њиховом искуству са оним што ваши подаци говоре. + - Користите слике + - Слике помажу публици да се замисли у одређеној ситуацији. Када користите слике, можете усмерити публику ка емоцији коју сматрате да би требало да има у вези са вашим подацима. + - Користите боје + - Различите боје изазивају различите емоције. Популарне боје и емоције које изазивају су испод. Будите свесни да боје могу имати различита значења у различитим културама. + - Плава обично изазива емоције мира и поверења + - Зелена је обично повезана са природом и околином + - Црвена је обично страст и узбуђење + - Жута је обично оптимизам и срећа + +# Студија случаја комуникације +Емерсон је менаџер производа за мобилну апликацију. Емерсон је приметио да корисници подносе 42% више жалби и извештаја о гр +На састанку, Емерсон проводи 5 минута објашњавајући зашто је лоша оцена у продавници апликација проблематична, 10 минута објашњавајући процес истраживања и како су трендови идентификовани, 10 минута пролазећи кроз неке од недавних жалби купаца, и последњих 5 минута укратко представљајући 2 потенцијална решења. + +Да ли је ово био ефикасан начин да Емерсон комуницира током овог састанка? + +Током састанка, један од водећих у компанији се фокусирао на 10 минута жалби купаца које је Емерсон представио. Након састанка, те жалбе су биле једина ствар коју је тај тимски лидер запамтио. Други лидер компаније је углавном био усредсређен на Емерсоново објашњавање процеса истраживања. Трећи лидер компаније је запамтио предложена решења, али није био сигуран како би та решења могла бити имплементирана. + +У горе наведеној ситуацији, јасно је да постоји значајан јаз између онога што је Емерсон желео да тимски лидери понесу са састанка и онога што су они заправо понели. Испод је други приступ који Емерсон може размотрити. + +Како Емерсон може побољшати овај приступ? +Контекст, Конфликт, Климакс, Затварање, Закључак +**Контекст** - Емерсон би могао провести првих 5 минута представљајући целокупну ситуацију и осигуравајући да тимски лидери разумеју како проблеми утичу на метрике које су критичне за компанију, као што је приход. + +Ово би могло бити представљено овако: „Тренутно је оцена наше апликације у продавници апликација 2.5. Оцене у продавници апликација су критичне за оптимизацију у продавници апликација, што утиче на то колико корисника види нашу апликацију у претрази и како потенцијални корисници гледају на нашу апликацију. И, наравно, број корисника које имамо директно је повезан са приходом." + +**Конфликт** Емерсон би затим могао провести наредних 5 минута говорећи о конфликту. + +Ово би могло звучати овако: „Корисници подносе 42% више жалби и извештаја о грешкама током викенда. Купци који поднесу жалбу која остане неодговорена након 48 сати имају 32% мању вероватноћу да дају нашој апликацији оцену изнад 2 у продавници апликација. Побољшање оцене наше апликације у продавници апликација на 4 би побољшало нашу видљивост за 20-30%, што пројектујем да би повећало приход за 10%." Наравно, Емерсон би требало да буде спреман да оправда ове бројке. + +**Климакс** Након постављања основе, Емерсон би могао прећи на климакс током наредних 5 минута. + +Емерсон би могао представити предложена решења, објаснити како ће та решења решити наведене проблеме, како би та решења могла бити имплементирана у постојеће радне токове, колико та решења коштају, какав би био поврат инвестиције (ROI) тих решења, и можда чак показати неке снимке екрана или жичане оквире како би решења изгледала ако се имплементирају. Емерсон би такође могао поделити сведочења корисника чије жалбе нису решене у року од 48 сати, као и сведочење тренутног представника корисничке службе у компанији који има коментаре на тренутни систем за обраду тикета. + +**Затварање** Сада Емерсон може провести 5 минута поново износећи проблеме са којима се компанија суочава, поново посетити предложена решења и прегледати зашто су та решења исправна. + +**Закључак** Пошто је ово састанак са неколико заинтересованих страна где ће се користити двосмерна комуникација, Емерсон би могао планирати да остави 10 минута за питања, како би се осигурало да све што је било нејасно тимским лидерима буде разјашњено пре него што састанак буде завршен. + +Ако Емерсон примени приступ #2, много је вероватније да ће тимски лидери са састанка понети управо оно што је Емерсон намеравао – да начин на који се жалбе и грешке обрађују може бити побољшан, и да постоје 2 решења која би могла бити имплементирана како би се то побољшање остварило. Овај приступ би био много ефикаснији начин комуникације података и приче коју Емерсон жели да пренесе. + +# Закључак +### Резиме главних тачака +- Комуницирати значи пренети или разменити информације. +- Када комуницирате податке, ваш циљ не би требало да буде само преношење бројева вашој публици. Ваш циљ би требало да буде преношење приче која је информисана вашим подацима. +- Постоје 2 типа комуникације: једносмерна комуникација (информације се преносе без намере за одговором) и двосмерна комуникација (информације се преносе у оба смера). +- Постоји много стратегија које можете користити за причање приче са вашим подацима, а 5 стратегија које смо обрадили су: + - Разумите своју публику, свој медиј и свој метод комуникације + - Почните са крајем на уму + - Приступите томе као стварној причи + - Користите значајне речи и фразе + - Користите емоције + +### Препоручени ресурси за самостално учење +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31) + +Прегледајте оно што сте управо научили уз квиз након предавања изнад! + +## Задатак + +[Истраживање тржишта](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/sr/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..573d57e1 --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,26 @@ + +# Испричај причу + +## Упутства + +Наука о подацима се заснива на причању прича. Изаберите било који скуп података и напишите кратак рад о причи коју бисте могли испричати о њему. Шта се надате да ваш скуп података може открити? Шта ћете урадити ако његова открића буду проблематична? Шта ако ваши подаци не открију лако своје тајне? Размислите о сценаријима које ваш скуп података може представити и запишите их. + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | --- | + +Једнострана есеј је представљен у .doc формату са објашњеним, документованим и признатим скупом података, а кохерентна прича је представљена о њему са детаљним примерима из података.| Краћи есеј је представљен у мање детаљном формату | Есеј недостаје у једном од горе наведених детаља. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/4-Data-Science-Lifecycle/README.md b/translations/sr/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..80469d61 --- /dev/null +++ b/translations/sr/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,30 @@ + +# Животни циклус науке о подацима + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.sr.jpg) +> Фотографија од Headway на Unsplash + +У овим лекцијама истражићете неке аспекте животног циклуса науке о подацима, укључујући анализу и комуникацију у вези са подацима. + +### Теме + +1. [Увод](14-Introduction/README.md) +2. [Анализа](15-analyzing/README.md) +3. [Комуникација](16-communication/README.md) + +### Аутори + +Ове лекције су написане са ❤️ од стране [Jalen McGee](https://twitter.com/JalenMCG) и [Jasmine Greenaway](https://twitter.com/paladique) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/sr/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..cf98794f --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,116 @@ + +# Увод у науку о подацима у облаку + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| Наука о подацима у облаку: Увод - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +У овој лекцији, научићете основне принципе облака, затим ћете видети зашто је занимљиво користити услуге облака за покретање ваших пројеката из области науке о подацима, и погледаћемо неке примере пројеката из области науке о подацима који се изводе у облаку. + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32) + +## Шта је облак? + +Облак, или рачунарство у облаку, представља испоруку широког спектра услуга рачунарства које се плаћају по употреби и хостују на инфраструктури преко интернета. Услуге укључују решења као што су складиштење, базе података, умрежавање, софтвер, аналитика и интелигентне услуге. + +Обично разликујемо јавни, приватни и хибридни облак на следећи начин: + +* Јавни облак: јавни облак је у власништву и под управом треће стране која пружа услуге рачунарства преко интернета јавности. +* Приватни облак: односи се на ресурсе рачунарства у облаку који се користе искључиво од стране једног предузећа или организације, са услугама и инфраструктуром одржаваним на приватној мрежи. +* Хибридни облак: хибридни облак је систем који комбинује јавни и приватни облак. Корисници се одлучују за локални дата центар, док омогућавају да се подаци и апликације покрећу на једном или више јавних облака. + +Већина услуга рачунарства у облаку спада у три категорије: инфраструктура као услуга (IaaS), платформа као услуга (PaaS) и софтвер као услуга (SaaS). + +* Инфраструктура као услуга (IaaS): корисници изнајмљују ИТ инфраструктуру као што су сервери и виртуелне машине (VMs), складиштење, мреже, оперативни системи. +* Платформа као услуга (PaaS): корисници изнајмљују окружење за развој, тестирање, испоруку и управљање софтверским апликацијама. Корисници не морају да брину о постављању или управљању основном инфраструктуром сервера, складиштења, мреже и база података потребних за развој. +* Софтвер као услуга (SaaS): корисници добијају приступ софтверским апликацијама преко интернета, на захтев и обично на основу претплате. Корисници не морају да брину о хостовању и управљању софтверском апликацијом, основној инфраструктури или одржавању, као што су ажурирања софтвера и безбедносне закрпе. + +Неки од највећих провајдера облака су Amazon Web Services, Google Cloud Platform и Microsoft Azure. + +## Зашто изабрати облак за науку о подацима? + +Програмери и ИТ професионалци одлучују да раде са облаком из многих разлога, укључујући следеће: + +* Иновација: можете покретати своје апликације интегришући иновативне услуге које су креирали провајдери облака директно у ваше апликације. +* Флексибилност: плаћате само за услуге које вам требају и можете бирати из широког спектра услуга. Обично плаћате по употреби и прилагођавате своје услуге у складу са вашим потребама које се мењају. +* Буџет: не морате да правите почетне инвестиције за куповину хардвера и софтвера, постављање и управљање локалним дата центрима, већ плаћате само за оно што користите. +* Скалабилност: ваши ресурси могу се прилагодити потребама вашег пројекта, што значи да ваше апликације могу користити више или мање рачунарске снаге, складиштења и пропусног опсега, прилагођавајући се спољним факторима у било ком тренутку. +* Продуктивност: можете се фокусирати на свој посао уместо да трошите време на задатке које може управљати неко други, као што је управљање дата центрима. +* Поузданост: рачунарство у облаку нуди неколико начина за континуално прављење резервних копија ваших података и можете поставити планове за опоравак од катастрофа како бисте одржали свој посао и услуге, чак и у кризним временима. +* Безбедност: можете искористити политике, технологије и контроле које јачају безбедност вашег пројекта. + +Ово су неки од најчешћих разлога зашто људи одлучују да користе услуге облака. Сада када боље разумемо шта је облак и које су његове главне предности, погледајмо конкретније послове научника о подацима и програмера који раде са подацима, и како им облак може помоћи са неколико изазова са којима се могу суочити: + +* Чување великих количина података: уместо да купујете, управљате и штитите велике сервере, можете чувати своје податке директно у облаку, са решењима као што су Azure Cosmos DB, Azure SQL Database и Azure Data Lake Storage. +* Извршавање интеграције података: интеграција података је суштински део науке о подацима, који вам омогућава да направите прелазак од прикупљања података до предузимања акција. Уз услуге интеграције података које се нуде у облаку, можете прикупљати, трансформисати и интегрисати податке из различитих извора у један складиште података, уз Data Factory. +* Обрада података: обрада великих количина података захтева много рачунарске снаге, а не сви имају приступ довољно моћним машинама за то, због чега многи људи одлучују да директно искористе огромну рачунарску снагу облака за покретање и примену својих решења. +* Коришћење услуга аналитике података: услуге облака као што су Azure Synapse Analytics, Azure Stream Analytics и Azure Databricks помажу вам да своје податке претворите у корисне увиде. +* Коришћење услуга машинског учења и интелигенције података: уместо да почнете од нуле, можете користити алгоритме машинског учења које нуди провајдер облака, уз услуге као што је AzureML. Такође можете користити когнитивне услуге као што су претварање говора у текст, текст у говор, компјутерски вид и више. + +## Примери науке о подацима у облаку + +Хајде да ово учинимо конкретнијим тако што ћемо погледати неколико сценарија. + +### Анализа осећања на друштвеним мрежама у реалном времену + +Почећемо са сценаријем који често проучавају људи који започињу са машинским учењем: анализа осећања на друштвеним мрежама у реалном времену. + +Рецимо да водите веб-сајт са вестима и желите да искористите податке уживо како бисте разумели који садржај би могао занимати ваше читаоце. Да бисте сазнали више о томе, можете направити програм који изводи анализу осећања у реалном времену на подацима из Twitter публикација, о темама које су релевантне за ваше читаоце. + +Кључни показатељи које ћете гледати су обим твитова о одређеним темама (хаштаговима) и осећања, која се утврђују помоћу аналитичких алата који изводе анализу осећања око одређених тема. + +Потребни кораци за креирање овог пројекта су следећи: + +* Креирајте чвориште за догађаје за стриминг улазних података, које ће прикупљати податке са Twitter-а. +* Конфигуришите и покрените Twitter клијент апликацију, која ће позивати Twitter Streaming API-је. +* Креирајте посао за Stream Analytics. +* Спецификујте улаз и упит за посао. +* Креирајте излазни канал и спецификујте излаз за посао. +* Покрените посао. + +Да бисте видели цео процес, погледајте [документацију](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099). + +### Анализа научних радова + +Хајде да узмемо још један пример пројекта који је креирао [Дмитриј Сошњиков](http://soshnikov.com), један од аутора овог курикулума. + +Дмитриј је направио алат који анализира радове о COVID-у. Прегледом овог пројекта, видећете како можете направити алат који извлачи знање из научних радова, добија увиде и помаже истраживачима да се ефикасно крећу кроз велике колекције радова. + +Хајде да видимо различите кораке који су коришћени за ово: + +* Извлачење и претпроцесирање информација уз [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Коришћење [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) за паралелизацију обраде. +* Чување и упит информација уз [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Креирање интерактивне контролне табле за истраживање и визуализацију података уз Power BI. + +Да бисте видели цео процес, посетите [Дмитријев блог](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). + +Као што видите, можемо искористити услуге облака на много начина за извођење науке о подацима. + +## Фуснота + +Извори: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## Квиз после предавања + +[Квиз после предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33) + +## Задатак + +[Истраживање тржишта](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/sr/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..4315a920 --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,25 @@ + +# Истраживање тржишта + +## Упутства + +У овом часу сте научили да постоји неколико важних провајдера облака. Урадите истраживање тржишта како бисте открили шта сваки од њих може да понуди Дата научнику. Да ли су понуде упоредиве? Напишите рад у којем ћете описати понуде три или више ових провајдера облака. + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | --- | +Једностранични рад описује понуде три провајдера облака за Дата науку и разликује их. | Представљен је краћи рад | Представљен је рад без завршене анализе + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/sr/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..2f384d68 --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,347 @@ + +# Наука о подацима у облаку: "Low code/No code" приступ + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| Наука о подацима у облаку: Low Code - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Садржај: + +- [Наука о подацима у облаку: "Low code/No code" приступ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Квиз пре предавања](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. Увод](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 Шта је Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 Пројекат предвиђања срчаног удара:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 Скуп података о срчаном удару:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. Low code/No code обука модела у Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 Креирање Azure ML радног простора](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 Ресурси за рачунање](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 Избор правих опција за ресурсе за рачунање](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 Креирање кластера за рачунање](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 Учитавање скупа података](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 Low code/No Code обука са AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. Low code/No Code распоређивање модела и коришћење крајњих тачака](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 Распоређивање модела](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 Коришћење крајњих тачака](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 Изазов](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Квиз после предавања](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Преглед и самостално учење](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Задатак](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34) +## 1. Увод +### 1.1 Шта је Azure Machine Learning? + +Azure cloud платформа обухвата више од 200 производа и услуга у облаку, дизајнираних да вам помогну да оживите нова решења. +Научници који се баве подацима троше много времена на истраживање и предобраду података, као и на испробавање различитих алгоритама за обуку модела како би произвели прецизне моделе. Ови задаци су временски захтевни и често неефикасно користе скупу хардверску опрему за рачунање. + +[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) је платформа заснована на облаку за изградњу и управљање решењима машинског учења у Azure-у. Она укључује широк спектар функција и могућности које помажу научницима да припреме податке, обуче моделе, објаве предиктивне услуге и прате њихову употребу. Најважније, помаже им да повећају ефикасност аутоматизацијом многих временски захтевних задатака повезаних са обуком модела; и омогућава им да користе ресурсе за рачунање засноване на облаку који се ефикасно скалирају, како би обрадили велике количине података уз трошкове само када се стварно користе. + +Azure ML пружа све алате који су потребни програмерима и научницима за њихове радне токове машинског учења. Ови алати укључују: + +- **Azure Machine Learning Studio**: веб портал у Azure Machine Learning-у за опције са мало или без кода за обуку модела, распоређивање, аутоматизацију, праћење и управљање ресурсима. Studio се интегрише са Azure Machine Learning SDK-ом за беспрекорно искуство. +- **Jupyter Notebooks**: брзо прототиписање и тестирање ML модела. +- **Azure Machine Learning Designer**: омогућава превлачење и испуштање модула за изградњу експеримената и затим распоређивање токова у окружењу са мало кода. +- **Аутоматизовани интерфејс машинског учења (AutoML)**: аутоматизује итеративне задатке развоја модела машинског учења, омогућавајући изградњу ML модела са високом скалабилношћу, ефикасношћу и продуктивношћу, уз одржавање квалитета модела. +- **Ознака података**: алат за машинско учење који помаже у аутоматском означавању података. +- **Екстензија машинског учења за Visual Studio Code**: пружа потпуно опремљено развојно окружење за изградњу и управљање ML пројектима. +- **CLI за машинско учење**: пружа команде за управљање Azure ML ресурсима из командне линије. +- **Интеграција са open-source оквирима** као што су PyTorch, TensorFlow, Scikit-learn и многи други за обуку, распоређивање и управљање процесом машинског учења од почетка до краја. +- **MLflow**: отворена библиотека за управљање животним циклусом ваших експеримената машинског учења. **MLFlow Tracking** је компонента MLflow-а која бележи и прати метрике обуке и артефакте модела, без обзира на окружење вашег експеримента. + +### 1.2 Пројекат предвиђања срчаног удара: + +Нема сумње да је прављење и изградња пројеката најбољи начин да тестирати своје вештине и знање. У овом предавању, истражићемо два различита начина изградње пројекта науке о подацима за предвиђање срчаних удара у Azure ML Studio, кроз Low code/No code и кроз Azure ML SDK, као што је приказано у следећој шеми: + +![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.sr.png) + +Сваки начин има своје предности и недостатке. Low code/No code приступ је лакши за почетак јер подразумева интеракцију са GUI (графичким корисничким интерфејсом), без потребе за претходним знањем о кодирању. Овај метод омогућава брзо тестирање изводљивости пројекта и креирање POC (Proof Of Concept). Међутим, како пројекат расте и ствари треба да буду спремне за производњу, није изводљиво креирати ресурсе кроз GUI. Потребно је програмски аутоматизовати све, од креирања ресурса до распоређивања модела. Овде постаје кључно знање о коришћењу Azure ML SDK-а. + +| | Low code/No code | Azure ML SDK | +|-------------------|------------------|---------------------------| +| Знање о кодирању | Није потребно | Потребно | +| Време развоја | Брзо и лако | Зависи од знања о коду | +| Спремност за производњу | Не | Да | + +### 1.3 Скуп података о срчаном удару: + +Кардиоваскуларне болести (CVDs) су водећи узрок смрти на глобалном нивоу, чинећи 31% свих смртних случајева широм света. Еколошки и понашајни фактори ризика као што су употреба дувана, нездрава исхрана и гојазност, физичка неактивност и штетна употреба алкохола могу се користити као карактеристике за моделе процене. Могућност процене вероватноће развоја CVD-а могла би бити од велике користи за спречавање напада код људи са високим ризиком. + +Kaggle је учинио [скуп података о срчаном удару](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) јавно доступним, који ћемо користити за овај пројекат. Можете преузети скуп података сада. Ово је табеларни скуп података са 13 колона (12 карактеристика и 1 циљна променљива) и 299 редова. + +| | Назив променљиве | Тип | Опис | Пример | +|----|---------------------------|-----------------|----------------------------------------------------------|-------------------| +| 1 | age | нумерички | старост пацијента | 25 | +| 2 | anaemia | булов | Смањење црвених крвних зрнаца или хемоглобина | 0 или 1 | +| 3 | creatinine_phosphokinase | нумерички | Ниво CPK ензима у крви | 542 | +| 4 | diabetes | булов | Да ли пацијент има дијабетес | 0 или 1 | +| 5 | ejection_fraction | нумерички | Проценат крви који напушта срце при свакој контракцији | 45 | +| 6 | high_blood_pressure | булов | Да ли пацијент има хипертензију | 0 или 1 | +| 7 | platelets | нумерички | Тромбоцити у крви | 149000 | +| 8 | serum_creatinine | нумерички | Ниво серумског креатинина у крви | 0.5 | +| 9 | serum_sodium | нумерички | Ниво серумског натријума у крви | jun | +| 10 | sex | булов | жена или мушкарац | 0 или 1 | +| 11 | smoking | булов | Да ли пацијент пуши | 0 или 1 | +| 12 | time | нумерички | период праћења (дана) | 4 | +|----|---------------------------|-----------------|----------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [Циљ] | булов | Да ли пацијент умире током периода праћења | 0 или 1 | + +Када имате скуп података, можемо започети пројекат у Azure-у. + +## 2. Low code/No code обука модела у Azure ML Studio +### 2.1 Креирање Azure ML радног простора +Да бисте обучили модел у Azure ML-у, прво морате креирати Azure ML радни простор. Радни простор је највиши ресурс за Azure Machine Learning, који пружа централизовано место за рад са свим артефактима које креирате када користите Azure Machine Learning. Радни простор чува историју свих обука, укључујући логове, метрике, излаз и снимак ваших скрипти. Користите ове информације да бисте утврдили која обука производи најбољи модел. [Сазнајте више](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +Препоручује се коришћење најновијег претраживача који је компатибилан са вашим оперативним системом. Подржани су следећи претраживачи: + +- Microsoft Edge (нови Microsoft Edge, најновија верзија. Не Microsoft Edge legacy) +- Safari (најновија верзија, само Mac) +- Chrome (најновија верзија) +- Firefox (најновија верзија) + +Да бисте користили Azure Machine Learning, креирајте радни простор у вашој Azure претплати. Затим можете користити овај радни простор за управљање подацима, ресурсима за рачунање, кодом, моделима и другим артефактима повезаним са вашим радним токовима машинског учења. + +> **_НАПОМЕНА:_** Ваша Azure претплата ће бити наплаћена малим износом за складиштење података све док Azure Machine Learning радни простор постоји у вашој претплати, па вам препоручујемо да избришете Azure Machine Learning радни простор када га више не користите. + +1. Пријавите се на [Azure портал](https://ms.portal.azure.com/) користећи Microsoft акредитиве повезане са вашом Azure претплатом. +2. Изаберите **＋Креирај ресурс** + + ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.sr.png) + + Потражите Machine Learning и изаберите Machine Learning плочицу + + ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.sr.png) + + Кликните на дугме за креирање + + ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.sr.png) + + Попуните подешавања на следећи начин: + - Претплата: Ваша Azure претплата + - Група ресурса: Креирајте или изаберите групу ресурса + - Назив радног простора: Унесите јединствено име за ваш радни простор + - Регион: Изаберите географски регион најближи вама + - Складишни налог: Забележите подразумевани нови складишни налог који ће бити креиран за ваш радни простор + - Key vault: Забележите подразумевани нови key vault који ће бити креиран за ваш радни простор + - Application insights: Забележите подразумевани нови ресурс за application insights који ће бити креиран за ваш радни простор + - Регистар контејнера: Ниједан (један ће бити аутоматски креиран први пут када распоредите модел у контејнер) + + ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.sr.png) + + - Кликните на креирај + прегледај, а затим на дугме за креирање +3. Сачекајте да ваш радни простор буде креиран (ово може потрајати неколико минута). Затим идите до њега у порталу. Можете га пронаћи кроз Azure Machine Learning услугу. +4. На страници Преглед за ваш радни простор, покрените Azure Machine Learning studio (или отворите нову картицу претраживача и идите на https://ml.azure.com), и пријавите се у Azure Machine Learning studio користећи ваш Microsoft налог. Ако се од вас тражи, изаберите ваш Azure директоријум и претплату, и ваш Azure Machine Learning радни простор. + +![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.sr.png) + +5. У Azure Machine Learning студију, пребаците ☰ икону у горњем левом углу да бисте видели различите странице у интерфејсу. Можете користити ове странице за управљање ресурсима у вашем радном простору. + +![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.sr.png) + +Можете управљати вашим радним простором користећи Azure портал, али за научнике који се баве подацима и инжењере машинског учења, Azure Machine Learning Studio пружа фокусираније корисничко окружење за управљање ресурсима радног простора. + +### 2.2 Ресурси за рачунање + +Ресурси за рачунање су ресурси засновани на облаку на којима можете покретати процесе обуке модела и истраживања података. Постоје четири врсте ресурса за рачунање које можете креирати: + +- **Инстанце за рачунање**: Радне станице за развој које научници могу користити за рад са подацима и моделима. Ово подразумева креирање виртуелне машине (VM) и покретање инстанце нотебоока. Затим можете обучити модел позивањем кластера за рачунање из нотебоока. +- **Кластери +- **Придружени рачунар**: Повезује се са постојећим Azure рачунарским ресурсима, као што су виртуелне машине или Azure Databricks кластери. + +#### 2.2.1 Избор правих опција за ваше рачунарске ресурсе + +Постоје неки кључни фактори које треба узети у обзир приликом креирања рачунарског ресурса, а те одлуке могу бити од суштинског значаја. + +**Да ли вам је потребан CPU или GPU?** + +CPU (Централна процесорска јединица) је електронски склоп који извршава инструкције које чине рачунарски програм. GPU (Графичка процесорска јединица) је специјализовани електронски склоп који може извршавати код везан за графику веома великом брзином. + +Главна разлика између архитектуре CPU-а и GPU-а је у томе што је CPU дизајниран да брзо обрађује широк спектар задатака (мерено брзином такта CPU-а), али је ограничен у паралелности задатака који могу бити извршени. GPU-и су дизајнирани за паралелно рачунање и стога су много бољи за задатке дубоког учења. + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| Мање скуп | Скупљи | +| Нижи ниво паралелности | Виши ниво паралелности | +| Спорији у обуци модела дубоког учења | Оптималан за дубоко учење | + +**Величина кластера** + +Већи кластери су скупљи, али ће резултирати бољом одзивношћу. Стога, ако имате времена, али не и довољно новца, требало би да почнете са мањим кластером. С друге стране, ако имате новца, али не и много времена, требало би да почнете са већим кластером. + +**Величина виртуелне машине (VM)** + +У зависности од ваших временских и буџетских ограничења, можете варирати величину RAM-а, диска, броја језгара и брзину такта. Повећање свих ових параметара биће скупље, али ће резултирати бољим перформансама. + +**Дедиковане или нископриоритетне инстанце?** + +Нископриоритетна инстанца значи да је прекидива: у суштини, Microsoft Azure може узети те ресурсе и доделити их другом задатку, чиме се прекида посао. Дедикована инстанца, или непрекидива, значи да посао никада неће бити прекинут без ваше дозволе. Ово је још један аспект разматрања времена у односу на новац, јер су прекидиве инстанце јефтиније од дедикованих. + +#### 2.2.2 Креирање рачунарског кластера + +У [Azure ML радном простору](https://ml.azure.com/) који смо раније креирали, идите на Compute и видећете различите рачунарске ресурсе које смо управо дискутовали (тј. рачунарске инстанце, рачунарске кластере, инференцијске кластере и придружене рачунаре). За овај пројекат, биће нам потребан рачунарски кластер за обуку модела. У Studio-у, кликните на мени "Compute", затим на картицу "Compute cluster" и кликните на дугме "+ New" да бисте креирали рачунарски кластер. + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.sr.png) + +1. Изаберите опције: Дедиковане или нископриоритетне, CPU или GPU, величину виртуелне машине и број језгара (можете задржати подразумевана подешавања за овај пројекат). +2. Кликните на дугме Next. + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.sr.png) + +3. Дајте кластеру име. +4. Изаберите опције: Минималан/максималан број чворова, број секунди неактивности пре смањења, SSH приступ. Имајте на уму да ако је минималан број чворова 0, уштедећете новац када је кластер неактиван. Имајте на уму да што је већи број максималних чворова, то ће обука бити краћа. Препоручени максималан број чворова је 3. +5. Кликните на дугме "Create". Овај корак може трајати неколико минута. + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.sr.png) + +Сјајно! Сада када имамо рачунарски кластер, потребно је да учитамо податке у Azure ML Studio. + +### 2.3 Учитавање скупа података + +1. У [Azure ML радном простору](https://ml.azure.com/) који смо раније креирали, кликните на "Datasets" у левом менију и кликните на дугме "+ Create dataset" да бисте креирали скуп података. Изаберите опцију "From local files" и изаберите Kaggle скуп података који смо раније преузели. + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.sr.png) + +2. Дајте свом скупу података име, тип и опис. Кликните на Next. Учитајте податке из датотека. Кликните на Next. + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.sr.png) + +3. У шеми, промените тип података у Boolean за следеће карактеристике: анемија, дијабетес, висок крвни притисак, пол, пушење и DEATH_EVENT. Кликните на Next и затим на Create. + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.sr.png) + +Одлично! Сада када је скуп података на месту и рачунарски кластер креиран, можемо започети обуку модела! + +### 2.4 Обука са мало или без кода помоћу AutoML-а + +Традиционални развој модела машинског учења захтева много ресурса, значајно доменско знање и време за производњу и поређење десетина модела. Аутоматизовано машинско учење (AutoML) је процес аутоматизације временски захтевних, итеративних задатака развоја модела машинског учења. Омогућава научницима података, аналитичарима и програмерима да граде ML моделе са великом скалабилношћу, ефикасношћу и продуктивношћу, уз одржавање квалитета модела. Смањује време потребно за добијање модела спремних за производњу, уз велику лакоћу и ефикасност. [Сазнајте више](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. У [Azure ML радном простору](https://ml.azure.com/) који смо раније креирали, кликните на "Automated ML" у левом менију и изаберите скуп података који сте управо учитали. Кликните на Next. + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.sr.png) + +2. Унесите ново име експеримента, циљну колону (DEATH_EVENT) и рачунарски кластер који смо креирали. Кликните на Next. + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.sr.png) + +3. Изаберите "Classification" и кликните на Finish. Овај корак може трајати између 30 минута и 1 сата, у зависности од величине вашег рачунарског кластера. + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.sr.png) + +4. Када се извршавање заврши, кликните на картицу "Automated ML", кликните на своје извршавање и кликните на алгоритам у картици "Best model summary". + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.sr.png) + +Овде можете видети детаљан опис најбољег модела који је AutoML генерисао. Такође можете истражити друге моделе генерисане у картици Models. Одвојите неколико минута да истражите моделе у картици Explanations (preview). Када изаберете модел који желите да користите (овде ћемо изабрати најбољи модел који је изабрао AutoML), видећемо како можемо да га применимо. + +## 3. Примена модела са мало или без кода и коришћење ендпоинта +### 3.1 Примена модела + +Интерфејс за аутоматизовано машинско учење омогућава вам да примените најбољи модел као веб услугу у неколико корака. Примена је интеграција модела тако да може доносити предвиђања на основу нових података и идентификовати потенцијалне области за унапређење. За овај пројекат, примена у веб услугу значи да ће медицинске апликације моћи да користе модел за прављење предвиђања у реалном времену о ризику пацијената од срчаног удара. + +У опису најбољег модела, кликните на дугме "Deploy". + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.sr.png) + +15. Дајте му име, опис, тип рачунара (Azure Container Instance), омогућите аутентификацију и кликните на Deploy. Овај корак може трајати око 20 минута. Процес примене обухвата неколико корака, укључујући регистрацију модела, генерисање ресурса и њихову конфигурацију за веб услугу. Порука о статусу се појављује под Deploy статусом. Периодично изаберите Refresh да бисте проверили статус примене. Примена је завршена и ради када је статус "Healthy". + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.sr.png) + +16. Када је примена завршена, кликните на картицу Endpoint и кликните на ендпоинт који сте управо применили. Овде можете пронаћи све детаље које треба да знате о ендпоинту. + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.sr.png) + +Невероватно! Сада када имамо модел примењен, можемо започети коришћење ендпоинта. + +### 3.2 Коришћење ендпоинта + +Кликните на картицу "Consume". Овде можете пронаћи REST ендпоинт и Python скрипту у опцији за коришћење. Одвојите време да прочитате Python код. + +Ова скрипта се може директно покренути са вашег локалног рачунара и користиће ваш ендпоинт. + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.sr.png) + +Одвојите тренутак да проверите ове две линије кода: + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # Replace this with the API key for the web service +``` +Променљива `url` је REST ендпоинт који се налази у картици за коришћење, а променљива `api_key` је примарни кључ који се такође налази у картици за коришћење (само у случају да сте омогућили аутентификацију). Овако скрипта може користити ендпоинт. + +18. Покретањем скрипте, требало би да видите следећи излаз: + ```python + b'"{\\"result\\": [true]}"' + ``` +Ово значи да је предвиђање срчане инсуфицијенције за дате податке тачно. Ово има смисла јер ако пажљивије погледате податке аутоматски генерисане у скрипти, све је подразумевано постављено на 0 и false. Можете променити податке са следећим узорком уноса: + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +Скрипта би требало да врати: + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +Честитамо! Управо сте користили модел који је примењен и обучен у Azure ML! + +> **_НАПОМЕНА:_** Када завршите са пројектом, не заборавите да обришете све ресурсе. +## 🚀 Изазов + +Пажљиво погледајте објашњења модела и детаље које је AutoML генерисао за најбоље моделе. Покушајте да разумете зашто је најбољи модел бољи од осталих. Који алгоритми су упоређивани? Које су разлике међу њима? Зашто је најбољи модел у овом случају бољи? + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35) + +## Преглед и самостално учење + +У овој лекцији сте научили како да обучите, примените и користите модел за предвиђање ризика од срчане инсуфицијенције на облаку са мало или без кода. Ако то већ нисте урадили, дубље истражите објашњења модела која је AutoML генерисао за најбоље моделе и покушајте да разумете зашто је најбољи модел бољи од осталих. + +Можете даље истраживати AutoML са мало или без кода читајући ову [документацију](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Задатак + +[Пројекат из Data Science-а са мало или без кода на Azure ML](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/sr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..c56ff4ef --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,25 @@ + +# Пројекат за науку о подацима без или са мало кода на Azure ML + +## Упутства + +Видели смо како да користимо Azure ML платформу за тренирање, распоређивање и коришћење модела на начин без или са мало кода. Сада потражите неке податке које бисте могли да искористите за тренирање другог модела, његово распоређивање и коришћење. Можете потражити скупове података на [Kaggle](https://kaggle.com) и [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Рубрика + +| Изузетно | Задовољавајуће | Потребна побољшања | +|----------|----------------|--------------------| +|Приликом отпремања података водили сте рачуна о промени типа карактеристика ако је било потребно. Такође сте очистили податке ако је било неопходно. Извршили сте тренирање на скупу података помоћу AutoML-а и проверили објашњења модела. Распоредили сте најбољи модел и успели сте да га користите. | Приликом отпремања података водили сте рачуна о промени типа карактеристика ако је било потребно. Извршили сте тренирање на скупу података помоћу AutoML-а, распоредили сте најбољи модел и успели сте да га користите. | Распоредили сте најбољи модел који је трениран помоћу AutoML-а и успели сте да га користите. | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/sr/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..89a22f3b --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,299 @@ + +# Наука о подацима у облаку: Путем "Azure ML SDK" + +|![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| Наука о подацима у облаку: Azure ML SDK - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Садржај: + +- [Наука о подацима у облаку: Путем "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Квиз пре предавања](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. Увод](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 Шта је Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 Пројекат предвиђања срчане инсуфицијенције и увод у скуп података](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. Тренирање модела са Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 Креирање Azure ML радног простора](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 Креирање рачунарског инстанца](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 Учитавање скупа података](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 Креирање бележница](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 Тренирање модела](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 Подешавање радног простора, експеримента, рачунарског кластера и скупа података](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 Конфигурација AutoML и тренирање](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. Деплојмент модела и коришћење ендпоинта са Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 Чување најбољег модела](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 Деплојмент модела](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 Коришћење ендпоинта](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 Изазов](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Квиз након предавања](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Преглед и самостално учење](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Задатак](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36) + +## 1. Увод + +### 1.1 Шта је Azure ML SDK? + +Научници о подацима и развојни инжењери за вештачку интелигенцију користе Azure Machine Learning SDK за креирање и извршавање радних токова машинског учења уз помоћ Azure Machine Learning услуге. Можете комуницирати са услугом у било ком Python окружењу, укључујући Jupyter бележнице, Visual Studio Code или ваш омиљени Python IDE. + +Кључне области SDK-а укључују: + +- Истраживање, припрему и управљање животним циклусом скупова података који се користе у експериментима машинског учења. +- Управљање ресурсима у облаку за праћење, бележење и организовање ваших експеримената машинског учења. +- Тренирање модела локално или коришћењем ресурса у облаку, укључујући тренирање модела убрзано помоћу GPU-а. +- Коришћење аутоматизованог машинског учења, које прихвата параметре конфигурације и податке за тренирање. Аутоматски пролази кроз алгоритме и подешавања хиперпараметара како би пронашао најбољи модел за предвиђања. +- Деплојмент веб услуга за претварање ваших тренираних модела у RESTful услуге које се могу користити у било којој апликацији. + +[Сазнајте више о Azure Machine Learning SDK-у](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +У [претходној лекцији](../18-Low-Code/README.md), видели смо како да тренирамо, деплојујемо и користимо модел на начин са мало или без кода. Користили смо скуп података о срчаној инсуфицијенцији за генерисање модела за предвиђање срчане инсуфицијенције. У овој лекцији ћемо урадити исто, али користећи Azure Machine Learning SDK. + +![шема-пројекта](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sr.png) + +### 1.2 Пројекат предвиђања срчане инсуфицијенције и увод у скуп података + +Погледајте [овде](../18-Low-Code/README.md) увод у пројекат предвиђања срчане инсуфицијенције и скуп података. + +## 2. Тренирање модела са Azure ML SDK + +### 2.1 Креирање Azure ML радног простора + +Ради једноставности, радићемо у Jupyter бележници. Ово подразумева да већ имате креиран радни простор и рачунарски инстанц. Ако већ имате радни простор, можете директно прећи на одељак 2.3 Креирање бележнице. + +Ако не, пратите упутства у одељку **2.1 Креирање Azure ML радног простора** у [претходној лекцији](../18-Low-Code/README.md) за креирање радног простора. + +### 2.2 Креирање рачунарског инстанца + +У [Azure ML радном простору](https://ml.azure.com/) који смо раније креирали, идите у мени за рачунарске ресурсе и видећете различите доступне ресурсе. + +![рачунарски-инстанц-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.sr.png) + +Хајде да креирамо рачунарски инстанц за покретање Jupyter бележнице. +1. Кликните на дугме + New. +2. Дајте име вашем рачунарском инстанцу. +3. Изаберите опције: CPU или GPU, величину виртуелне машине и број језгара. +4. Кликните на дугме Create. + +Честитамо, управо сте креирали рачунарски инстанц! Користићемо овај инстанц за креирање бележнице у одељку [Креирање бележница](../../../../5-Data-Science-In-Cloud/19-Azure). + +### 2.3 Учитавање скупа података + +Погледајте [претходну лекцију](../18-Low-Code/README.md) у одељку **2.3 Учитавање скупа података** ако још нисте отпремили скуп података. + +### 2.4 Креирање бележница + +> **_НАПОМЕНА:_** За следећи корак можете или креирати нову бележницу од почетка, или можете отпремити [бележницу коју смо креирали](notebook.ipynb) у вашем Azure ML студију. Да бисте је отпремили, једноставно кликните на мени "Notebook" и отпремите бележницу. + +Бележнице су веома важан део процеса науке о подацима. Могу се користити за спровођење истраживачке анализе података (EDA), позивање на рачунарски кластер за тренирање модела, као и на кластер за инференцију ради деплојмента ендпоинта. + +Да бисмо креирали бележницу, потребан нам је рачунарски чвор који покреће Jupyter бележницу. Вратите се у [Azure ML радни простор](https://ml.azure.com/) и кликните на Compute instances. У листи рачунарских инстанци требало би да видите [рачунарски инстанц који смо раније креирали](../../../../5-Data-Science-In-Cloud/19-Azure). + +1. У одељку Applications, кликните на опцију Jupyter. +2. Означите поље "Yes, I understand" и кликните на дугме Continue. +![бележница-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.sr.png) +3. Ово би требало да отвори нови таб у претраживачу са вашим Jupyter бележницом. Кликните на дугме "New" за креирање бележнице. + +![бележница-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.sr.png) + +Сада када имамо бележницу, можемо почети са тренирањем модела помоћу Azure ML SDK. + +### 2.5 Тренирање модела + +Прво, ако икада имате недоумицу, погледајте [документацију Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Она садржи све потребне информације за разумевање модула које ћемо видети у овој лекцији. + +#### 2.5.1 Подешавање радног простора, експеримента, рачунарског кластера и скупа података + +Потребно је да учитате `workspace` из конфигурационе датотеке користећи следећи код: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +Ово враћа објекат типа `Workspace` који представља радни простор. Затим је потребно креирати `experiment` користећи следећи код: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` + +Да бисте добили или креирали експеримент из радног простора, захтевате експеримент користећи његово име. Име експеримента мора имати 3-36 карактера, почети словом или бројем и може садржати само слова, бројеве, подвлаке и цртице. Ако експеримент није пронађен у радном простору, креира се нови. + +Сада је потребно креирати рачунарски кластер за тренирање користећи следећи код. Имајте на уму да овај корак може трајати неколико минута. + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +Можете добити скуп података из радног простора користећи име скупа података на следећи начин: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` + +#### 2.5.2 Конфигурација AutoML и тренирање + +Да бисте подесили конфигурацију AutoML, користите [AutoMLConfig класу](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +Као што је описано у документацији, постоји много параметара са којима можете експериментисати. За овај пројекат користићемо следеће параметре: + +- `experiment_timeout_minutes`: Максимално време (у минутима) које је експерименту дозвољено да траје пре него што се аутоматски заустави и резултати постану доступни. +- `max_concurrent_iterations`: Максималан број истовремених итерација тренирања дозвољених за експеримент. +- `primary_metric`: Примарна метрика која се користи за одређивање статуса експеримента. +- `compute_target`: Azure Machine Learning рачунарски циљ на коме ће се извршавати експеримент аутоматизованог машинског учења. +- `task`: Тип задатка који се извршава. Вредности могу бити 'classification', 'regression' или 'forecasting' у зависности од типа проблема који се решава. +- `training_data`: Скуп података за тренирање који ће се користити у експерименту. Требало би да садржи и карактеристике за тренирање и колону са ознакама (опционално и колону са тежинама узорака). +- `label_column_name`: Назив колоне са ознакама. +- `path`: Пуни пут до фасцикле Azure Machine Learning пројекта. +- `enable_early_stopping`: Да ли је омогућено рано заустављање ако се резултати не побољшавају у кратком року. +- `featurization`: Индикатор да ли треба аутоматски извршити корак феатуризације или користити прилагођену феатуризацију. +- `debug_log`: Лог датотека за писање информација о дебаговању. + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` + +Сада када сте подесили конфигурацију, можете тренирати модел користећи следећи код. Овај корак може трајати до сат времена у зависности од величине вашег кластера. + +```python +remote_run = experiment.submit(automl_config) +``` + +Можете покренути RunDetails виџет да бисте приказали различите експерименте. + +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` + +## 3. Деплојмент модела и коришћење ендпоинта са Azure ML SDK + +### 3.1 Чување најбољег модела + +`remote_run` је објекат типа [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Овај објекат садржи метод `get_output()` који враћа најбољу итерацију и одговарајући обучени модел. + +```python +best_run, fitted_model = remote_run.get_output() +``` + +Можете видети параметре коришћене за најбољи модел једноставним исписивањем fitted_model и својства најбољег модела коришћењем методе [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +best_run.get_properties() +``` + +Сада региструјте модел помоћу методе [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +model_name = best_run.properties['model_name'] +script_file_name = 'inference/score.py' +best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') +description = "aml heart failure project sdk" +model = best_run.register_model(model_name = model_name, + model_path = './outputs/', + description = description, + tags = None) +``` + +### 3.2 Деплојмент модела + +Када је најбољи модел сачуван, можемо га деплојовати помоћу класе [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig представља конфигурационе поставке за прилагођено окружење које се користи за деплојмент. Класа [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) представља модел машинског учења деплојован као веб услуга на Azure Container Instances. Деплојована услуга је балансирани HTTP ендпоинт са REST API-јем. Можете слати податке овом API-ју и добити предвиђања која враћа модел. + +Модел се деплојује помоћу методе [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +from azureml.core.model import InferenceConfig, Model +from azureml.core.webservice import AciWebservice + +inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment()) + +aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1, + memory_gb = 1, + tags = {'type': "automl-heart-failure-prediction"}, + description = 'Sample service for AutoML Heart Failure Prediction') + +aci_service_name = 'automl-hf-sdk' +aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig) +aci_service.wait_for_deployment(True) +print(aci_service.state) +``` + +Овај корак би требало да траје неколико минута. + +### 3.3 Коришћење ендпоинта + +Можете користити ваш ендпоинт кр +```python +response = aci_service.run(input_data=test_sample) +response +``` +Ово би требало да врати `'{"result": [false]}'`. Ово значи да је унос пацијента који смо послали на крајњу тачку генерисао предвиђање `false`, што значи да ова особа вероватно неће имати срчани удар. + +Честитамо! Управо сте искористили модел који је постављен и обучен на Azure ML уз помоћ Azure ML SDK! + +> **_NOTE:_** Када завршите пројекат, не заборавите да обришете све ресурсе. + +## 🚀 Изазов + +Постоји много других ствари које можете урадити помоћу SDK-а, али нажалост, не можемо све обухватити у овој лекцији. Добра вест је да вас учење како да прелиставате документацију SDK-а може далеко одвести. Погледајте документацију Azure ML SDK-а и пронађите класу `Pipeline` која вам омогућава да креирате токове рада. Pipeline је збир корака који се могу извршити као радни ток. + +**САВЕТ:** Идите на [документацију SDK-а](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) и укуцајте кључне речи у траку за претрагу, као што је "Pipeline". Требало би да у резултатима претраге пронађете класу `azureml.pipeline.core.Pipeline`. + +## [Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37) + +## Преглед и самостално учење + +У овој лекцији сте научили како да обучите, поставите и искористите модел за предвиђање ризика од срчане инсуфицијенције уз помоћ Azure ML SDK-а у облаку. Погледајте ову [документацију](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) за додатне информације о Azure ML SDK-у. Покушајте да креирате сопствени модел уз помоћ Azure ML SDK-а. + +## Задатак + +[Пројекат из науке о подацима користећи Azure ML SDK](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/sr/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..a4348bf6 --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,25 @@ + +# Пројекат из науке о подацима користећи Azure ML SDK + +## Упутства + +Видели смо како да користимо Azure ML платформу за тренирање, постављање и коришћење модела уз помоћ Azure ML SDK-а. Сада потражите неке податке које можете искористити за тренирање другог модела, његово постављање и коришћење. Можете потражити скупове података на [Kaggle](https://kaggle.com) и [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Рубрика + +| Изузетно | Прихватљиво | Потребно побољшање | +|----------|-------------|--------------------| +|Приликом конфигурације AutoML-а, прегледали сте документацију SDK-а да бисте видели које параметре можете користити. Извршили сте тренирање на скупу података користећи AutoML уз Azure ML SDK и проверили објашњења модела. Поставили сте најбољи модел и успели сте да га користите уз помоћ Azure ML SDK-а. | Извршили сте тренирање на скупу података користећи AutoML уз Azure ML SDK и проверили објашњења модела. Поставили сте најбољи модел и успели сте да га користите уз помоћ Azure ML SDK-а. | Извршили сте тренирање на скупу података користећи AutoML уз Azure ML SDK. Поставили сте најбољи модел и успели сте да га користите уз помоћ Azure ML SDK-а. | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/5-Data-Science-In-Cloud/README.md b/translations/sr/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..9ce1b57b --- /dev/null +++ b/translations/sr/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,35 @@ + +# Наука о подацима у облаку + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.sr.jpg) + +> Фотографија од [Јелеке Ванутегем](https://unsplash.com/@ilumire) са [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) + +Када је реч о примени науке о подацима на велике скупове података, облак може бити револуционарно решење. У наредне три лекције, видећемо шта је облак и зашто може бити веома користан. Такође ћемо истражити скуп података о срчаној инсуфицијенцији и изградити модел који ће помоћи у процени вероватноће да неко има срчану инсуфицијенцију. Искористићемо моћ облака да обучимо, применимо и користимо модел на два различита начина. Један начин користи само кориснички интерфејс у стилу "Low code/No code", а други начин користи Azure Machine Learning Software Developer Kit (Azure ML SDK). + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.sr.png) + +### Теме + +1. [Зашто користити облак за науку о подацима?](17-Introduction/README.md) +2. [Наука о подацима у облаку: Начин "Low code/No code"](18-Low-Code/README.md) +3. [Наука о подацима у облаку: Начин "Azure ML SDK"](19-Azure/README.md) + +### Захвалнице +Ове лекције су написане са ☁️ и 💕 од стране [Мод Леви](https://twitter.com/maudstweets) и [Тифани Сутер](https://twitter.com/TiffanySouterre) + +Подаци за пројекат предвиђања срчане инсуфицијенције преузети су од [ +Larxel](https://www.kaggle.com/andrewmvd) на [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Лиценцирани су под [Атрибуцијом 4.0 Интернационал (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/). + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/sr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..61e1f794 --- /dev/null +++ b/translations/sr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,148 @@ + +# Наука о подацима у стварном свету + +| ![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| Наука о подацима у стварном свету - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Стигли смо скоро до краја овог путовања учења! + +Почели смо са дефиницијама науке о подацима и етике, истраживали различите алате и технике за анализу и визуализацију података, прегледали животни циклус науке о подацима и разматрали скалирање и аутоматизацију радних токова науке о подацима уз помоћ услуга облачног рачунарства. Дакле, вероватно се питате: _"Како тачно да применим све ово знање у стварним контекстима?"_ + +У овој лекцији, истражићемо примену науке о подацима у стварном свету кроз различите индустрије и дубље се упустити у конкретне примере из области истраживања, дигиталних хуманистичких наука и одрживости. Погледаћемо могућности студентских пројеката и закључити са корисним ресурсима који ће вам помоћи да наставите своје путовање учења! + +## Квиз пре предавања + +[Квиз пре предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) + +## Наука о подацима + Индустрија + +Захваљујући демократизацији вештачке интелигенције, програмери сада лакше дизајнирају и интегришу одлуке засноване на вештачкој интелигенцији и увиде засноване на подацима у корисничка искуства и радне токове развоја. Ево неколико примера како се наука о подацима "примењује" у стварним апликацијама у индустрији: + + * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) је користио науку о подацима за корелацију термина претраге са трендовима грипа. Иако је приступ имао недостатке, подигао је свест о могућностима (и изазовима) предвиђања у здравству заснованог на подацима. + + * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - објашњава како UPS користи науку о подацима и машинско учење за предвиђање оптималних рута за испоруку, узимајући у обзир временске услове, саобраћајне обрасце, рокове испоруке и више. + + * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - подаци прикупљени коришћењем [Закона о слободи информација](https://chriswhong.com/open-data/foil_nyc_taxi/) помогли су у визуализацији једног дана у животу таксија у Њујорку, помажући нам да разумемо како се крећу кроз град, колико зарађују и трајање путовања током 24-часовног периода. + + * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - користи податке (о локацијама преузимања и остављања, трајању путовања, преферираним рутама итд.) прикупљене из милиона Uber путовања *дневно* за изградњу алата за анализу података који помаже у одређивању цена, безбедности, откривању превара и навигационим одлукама. + + * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - фокусира се на _предиктивну аналитику_ (анализа тимова и играча - као у [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - и управљање навијачима) и _визуализацију података_ (дашборди тимова и навијача, игре итд.) са апликацијама као што су скаутинг талената, спортско клађење и управљање инвентаром/местом одржавања. + + * [Наука о подацима у банкарству](https://data-flair.training/blogs/data-science-in-banking/) - истиче вредност науке о подацима у финансијској индустрији са апликацијама које се крећу од моделирања ризика и откривања превара, до сегментације клијената, предвиђања у реалном времену и система препорука. Предиктивна аналитика такође покреће критичне мере као што су [кредитни рејтинзи](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit). + + * [Наука о подацима у здравству](https://data-flair.training/blogs/data-science-in-healthcare/) - истиче апликације као што су медицинска сликања (нпр. MRI, X-Ray, CT-Scan), геномика (секвенцирање ДНК), развој лекова (процена ризика, предвиђање успеха), предиктивна аналитика (нега пацијената и логистика снабдевања), праћење и превенција болести итд. + +![Примене науке о подацима у стварном свету](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.sr.png) Извор слике: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) + +Слика приказује друге области и примере примене техника науке о подацима. Желите да истражите друге апликације? Погледајте [Преглед и самостално учење](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) секцију испод. + +## Наука о подацима + Истраживање + +| ![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Наука о подацима и истраживање - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Док се апликације у стварном свету често фокусирају на индустријске случајеве употребе у великом обиму, _истраживачке_ апликације и пројекти могу бити корисни из две перспективе: + +* _могућности иновација_ - истраживање брзог прототиписања напредних концепата и тестирање корисничких искустава за апликације следеће генерације. +* _изазови у имплементацији_ - истраживање потенцијалних штета или нежељених последица технологија науке о подацима у стварним контекстима. + +За студенте, ови истраживачки пројекти могу пружити и могућности учења и сарадње које могу побољшати ваше разумевање теме и проширити вашу свест и ангажовање са релевантним људима или тимовима који раде у областима интересовања. Како изгледају истраживачки пројекти и како могу направити утицај? + +Погледајмо један пример - [MIT Gender Shades Study](http://gendershades.org/overview.html) од Joy Buolamwini (MIT Media Labs) са [истраживачким радом](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) који је коауторисала са Timnit Gebru (тада у Microsoft Research) који се фокусирао на: + + * **Шта:** Циљ истраживачког пројекта био је _процена пристрасности присутне у алгоритмима и скуповима података за аутоматску анализу лица_ на основу пола и типа коже. + * **Зашто:** Анализа лица се користи у областима као што су спровођење закона, безбедност на аеродромима, системи за запошљавање и више - контексти где нетачне класификације (нпр. због пристрасности) могу изазвати потенцијалне економске и социјалне штете за погођене појединце или групе. Разумевање (и елиминисање или ублажавање) пристрасности је кључно за правичност у употреби. + * **Како:** Истраживачи су препознали да постојећи бенчмаркови углавном користе субјекте светлије коже и креирали нови скуп података (1000+ слика) који је _више избалансиран_ по полу и типу коже. Скуп података је коришћен за процену тачности три производа за класификацију пола (од Microsoft, IBM и Face++). + +Резултати су показали да, иако је укупна тачност класификације била добра, постојала је приметна разлика у стопама грешака између различитих подгрупа - са **погрешним одређивањем пола** које је било веће за жене или особе тамније коже, што указује на пристрасност. + +**Кључни резултати:** Подигнута је свест да наука о подацима захтева више _репрезентативних скупова података_ (избалансиране подгрупе) и више _инклузивних тимова_ (разноврсна позадина) како би се препознале и елиминисале или ублажиле такве пристрасности раније у AI решењима. Истраживачки напори попут овог су такође инструментални у многим организацијама које дефинишу принципе и праксе за _одговорну AI_ како би побољшале правичност у својим AI производима и процесима. + +**Желите да сазнате више о релевантним истраживачким напорима у Microsoft-у?** + +* Погледајте [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) о вештачкој интелигенцији. +* Истражите студентске пројекте из [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/). +* Погледајте [Fairlearn](https://fairlearn.org/) пројекат и иницијативе [Одговорна AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6). + +## Наука о подацима + Хуманистичке науке + +| ![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Наука о подацима и дигиталне хуманистичке науке - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +Дигиталне хуманистичке науке [су дефинисане](https://digitalhumanities.stanford.edu/about-dh-stanford) као "збирка пракси и приступа који комбинују рачунарске методе са хуманистичким истраживањем". [Пројекти на Stanford-у](https://digitalhumanities.stanford.edu/projects) као што су _"реинтерпретација историје"_ и _"поетско размишљање"_ илуструју везу између [Дигиталних хуманистичких наука и науке о подацима](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - наглашавајући технике као што су анализа мрежа, визуализација информација, просторна и текстуална анализа које нам могу помоћи да поново размотримо историјске и књижевне скупове података како бисмо извели нове увиде и перспективе. + +*Желите да истражите и проширите пројекат у овој области?* + +Погледајте ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - одличан пример од [Jen Looper](https://twitter.com/jenlooper) који поставља питање како можемо користити науку о подацима да поново размотримо познату поезију и преиспитамо њено значење и доприносе њеног аутора у новим контекстима. На пример, _можемо ли предвидети годишње доба у којем је песма написана анализом њеног тона или сентимента_ - и шта нам то говори о стању ума аутора током релевантног периода? + +Да бисмо одговорили на то питање, следимо кораке животног циклуса науке о подацима: + * [`Прикупљање података`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - за прикупљање релевантног скупа података за анализу. Опције укључују коришћење API-а (нпр. [Poetry DB API](https://poetrydb.org/index.html)) или скрапање веб страница (нпр. [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) коришћењем алата као што је [Scrapy](https://scrapy.org/). + * [`Чишћење података`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - објашњава како текст може бити форматиран, очишћен и поједностављен коришћењем основних алата као што су Visual Studio Code и Microsoft Excel. + * [`Анализа података`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - објашњава како можемо сада увозити скуп података у "Бележнице" за анализу коришћењем Python пакета (као што су pandas, numpy и matplotlib) за организовање и визуализацију података. + * [`Анализа сентимента`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - објашњава како можемо интегрисати облачне услуге као што је Text Analytics, користећи алате са мало кода као што је [Power Automate](https://flow.microsoft.com/en-us/) за аутоматизоване радне токове обраде података. + +Коришћењем овог радног тока, можемо истражити сезонске утицаје на сентимент песама и помоћи нам да формирамо сопствене перспективе о аутору. Испробајте сами - затим проширите бележницу да поставите друга питања или визуализујете податке на нове начине! + +> Можете користити неке од алата из [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) за истраживање ових области. + +## Наука о подацима + Одрживост + +| ![ Скетч од [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Наука о подацима и одрживост - _Скетч од [@nitya](https://twitter.com/nitya)_ | + +[Агенда за одрживи развој до 2030. године](https://sdgs.un.org/2030agenda) - коју су усвојиле све чланице Уједињених нација 2015. године - идентификује 17 циљева, укључујући оне који се фокусирају на **заштиту планете** од деградације и утицаја климатских промена. [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) иницијатива подржава ове циљеве истражујући начине на које технолошка решења могу подржати и изградити одрживију будућ +**Пројекат Планетарни Рачунар је тренутно у прегледу (од септембра 2021)** - ево како можете започети допринос решењима за одрживост користећи науку о подацима. + +* [Затражите приступ](https://planetarycomputer.microsoft.com/account/request) да бисте започели истраживање и повезали се са колегама. +* [Истражите документацију](https://planetarycomputer.microsoft.com/docs/overview/about) да бисте разумели подржане скупове података и API-је. +* Истражите апликације као што је [Праћење екосистема](https://analytics-lab.org/ecosystemmonitoring/) за инспирацију за идеје о апликацијама. + +Размислите о томе како можете користити визуализацију података да бисте открили или нагласили релевантне увиде у областима као што су климатске промене и крчење шума. Или размислите о томе како се увиди могу користити за креирање нових корисничких искустава која мотивишу промене у понашању за одрживији начин живота. + +## Наука о подацима + Студенти + +Говорили смо о применама у стварном свету у индустрији и истраживању, и истраживали примере примене науке о подацима у дигиталним хуманистичким наукама и одрживости. Па како можете изградити своје вештине и поделити своју стручност као почетници у науци о подацима? + +Ево неколико примера студентских пројеката из науке о подацима који могу да вас инспиришу. + +* [MSR Летња школа науке о подацима](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) са GitHub [пројектима](https://github.com/msr-ds3) који истражују теме као што су: + - [Расна пристрасност у употреби силе од стране полиције](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) + - [Поузданост система метроа у Њујорку](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) +* [Дигитализација материјалне културе: Истраживање социо-економских дистрибуција у Сиркапу](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - од [Орнела Алтуњан](https://twitter.com/ornelladotcom) и тима из Клермонта, користећи [ArcGIS StoryMaps](https://storymaps.arcgis.com/). + +## 🚀 Изазов + +Претражите чланке који препоручују пројекте из науке о подацима који су погодни за почетнике - као што су [ових 50 области](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) или [ових 21 идеја за пројекте](https://www.intellspot.com/data-science-project-ideas) или [ових 16 пројеката са изворним кодом](https://data-flair.training/blogs/data-science-project-ideas/) које можете анализирати и прерадити. И не заборавите да пишете блогове о својим искуствима учења и делите своје увиде са свима нама. + +## Квиз након предавања + +[Квиз након предавања](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) + +## Преглед и самостално учење + +Желите да истражите више примера употребе? Ево неколико релевантних чланака: +* [17 Примена и примера науке о подацима](https://builtin.com/data-science/data-science-applications-examples) - јул 2021 +* [11 Задивљујућих примена науке о подацима у стварном свету](https://myblindbird.com/data-science-applications-real-world/) - мај 2021 +* [Наука о подацима у стварном свету](https://towardsdatascience.com/data-science-in-the-real-world/home) - Збирка чланака +* Наука о подацима у: [образовању](https://data-flair.training/blogs/data-science-in-education/), [пољопривреди](https://data-flair.training/blogs/data-science-in-agriculture/), [финансијама](https://data-flair.training/blogs/data-science-in-finance/), [филмовима](https://data-flair.training/blogs/data-science-at-movies/) и још много тога. + +## Задатак + +[Истражите скуп података Планетарног Рачунара](assignment.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/sr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..3b46340a --- /dev/null +++ b/translations/sr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,50 @@ + +# Истражите скуп података Planetary Computer + +## Упутства + +У овој лекцији, говорили смо о различитим доменима примене науке о подацима - са детаљним примерима који се односе на истраживање, одрживост и дигиталну хуманистику. У овом задатку, истражићете један од ових примера детаљније и применити неке од ваших знања о визуализацији и анализи података како бисте извели увиде о подацима који се односе на одрживост. + +Пројекат [Planetary Computer](https://planetarycomputer.microsoft.com/) има скупове података и API-је који се могу приступити уз налог - затражите налог ако желите да испробате бонус корак задатка. Сајт такође пружа функцију [Explorer](https://planetarycomputer.microsoft.com/explore) коју можете користити без креирања налога. + +`Кораци:` +Интерфејс Explorer (приказан на снимку екрана испод) омогућава вам да изаберете скуп података (из понуђених опција), унапред дефинисан упит (за филтрирање података) и опцију приказа (за креирање релевантне визуализације). У овом задатку, ваш задатак је: + + 1. Прочитајте [Explorer документацију](https://planetarycomputer.microsoft.com/docs/overview/explorer/) - разумите опције. + 2. Истражите [Каталог](https://planetarycomputer.microsoft.com/catalog) скупа података - упознајте се са сврхом сваког скупа. + 3. Користите Explorer - изаберите скуп података који вас интересује, изаберите релевантан упит и опцију приказа. + +![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.sr.png) + +`Ваш задатак:` +Сада проучите визуализацију која је приказана у прегледачу и одговорите на следеће: + * Које _карактеристике_ има скуп података? + * Које _увиде_ или резултате пружа визуализација? + * Које су _импликације_ тих увида на циљеве одрживости пројекта? + * Која су _ограничења_ визуализације (тј. који увид нисте добили)? + * Ако бисте могли да добијете сирове податке, које _алтернативне визуализације_ бисте креирали и зашто? + +`Бонус поени:` +Пријавите се за налог - и пријавите се када будете прихваћени. + * Користите опцију _Launch Hub_ да отворите сирове податке у Notebook-у. + * Истражите податке интерактивно и имплементирајте алтернативне визуализације које сте замислили. + * Сада анализирајте ваше прилагођене визуализације - да ли сте успели да изведете увиде које раније нисте могли? + +## Рубрика + +Изузетно | Прихватљиво | Потребно побољшање +--- | --- | -- | +Одговорено је на свих пет основних питања. Студент је јасно идентификовао како тренутне и алтернативне визуализације могу пружити увиде у циљеве или исходе одрживости. | Студент је одговорио на најмање прва три питања у великом детаљу, показујући да има практично искуство са Explorer-ом. | Студент није одговорио на више питања или је пружио недовољно детаљне одговоре - што указује на то да није направљен значајан покушај за пројекат. | + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/6-Data-Science-In-Wild/README.md b/translations/sr/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..910eb5c9 --- /dev/null +++ b/translations/sr/6-Data-Science-In-Wild/README.md @@ -0,0 +1,25 @@ + +# Наука о подацима у стварном свету + +Примена науке о подацима у различитим индустријама. + +### Теме + +1. [Наука о подацима у стварном свету](20-Real-World-Examples/README.md) + +### Захвалност + +Написано са ❤️ од стране [Nitya Narasimhan](https://twitter.com/nitya) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/CODE_OF_CONDUCT.md b/translations/sr/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..33a74a2c --- /dev/null +++ b/translations/sr/CODE_OF_CONDUCT.md @@ -0,0 +1,23 @@ + +# Microsoft Кодекс понашања за отворени код + +Овај пројекат је усвојио [Microsoft Кодекс понашања за отворени код](https://opensource.microsoft.com/codeofconduct/). + +Ресурси: + +- [Microsoft Кодекс понашања за отворени код](https://opensource.microsoft.com/codeofconduct/) +- [Microsoft Често постављана питања о Кодексу понашања](https://opensource.microsoft.com/codeofconduct/faq/) +- Контактирајте [opencode@microsoft.com](mailto:opencode@microsoft.com) за питања или недоумице + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/CONTRIBUTING.md b/translations/sr/CONTRIBUTING.md new file mode 100644 index 00000000..e64297c9 --- /dev/null +++ b/translations/sr/CONTRIBUTING.md @@ -0,0 +1,23 @@ + +# Доприношење + +Овај пројекат поздравља доприносе и предлоге. Већина доприноса захтева да се сагласите са Уговором о лиценци за доприносиоце (CLA), којим изјављујете да имате право да нам дате права за коришћење вашег доприноса и да то заиста чините. За више детаља, посетите https://cla.microsoft.com. + +Када пошаљете pull request, CLA-бот ће аутоматски утврдити да ли је потребно да обезбедите CLA и одговарајуће означити PR (нпр. етикетом, коментаром). Само пратите упутства која вам бот пружи. Ово ћете морати да урадите само једном за све репозиторијуме који користе наш CLA. + +Овај пројекат је усвојио [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/). +За више информација, погледајте [Често постављана питања о Кодексу понашања](https://opensource.microsoft.com/codeofconduct/faq/) +или контактирајте [opencode@microsoft.com](mailto:opencode@microsoft.com) за додатна питања или коментаре. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/README.md b/translations/sr/README.md new file mode 100644 index 00000000..fe6243c1 --- /dev/null +++ b/translations/sr/README.md @@ -0,0 +1,155 @@ + +# Увод у науку о подацима - Наставни план + +Azure Cloud Advocates у Microsoft-у са задовољством представљају наставни план од 10 недеља и 20 лекција посвећен науци о подацима. Свака лекција укључује квизове пре и после лекције, писана упутства за завршетак лекције, решење и задатак. Наш приступ заснован на пројектима омогућава вам да учите кроз практичан рад, што је доказан начин за усвајање нових вештина. + +**Срдачна захвалност нашим ауторима:** [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). + +**🙏 Посебна захвалност 🙏 нашим [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) ауторима, рецензентима и сарадницима,** укључујући 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/) + +|![Илустрација од @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.sr.png)| +|:---:| +| Наука о подацима за почетнике - _Илустрација од [@nitya](https://twitter.com/nitya)_ | + +### 🌐 Подршка за више језика + +#### Подржано преко GitHub Action (аутоматски и увек ажурирано) + +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](./README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) + +**Ако желите да додате још језика, подржани језици су наведени [овде](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** + +#### Придружите се нашој заједници +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) + +# Да ли сте студент? + +Започните са следећим ресурсима: + +- [Студентска страница](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На овој страници ћете пронаћи ресурсе за почетнике, студентске пакете и чак начине да добијете бесплатан ваучер за сертификат. Ово је страница коју треба да обележите и повремено проверавате, јер садржај мењамо најмање једном месечно. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Придружите се глобалној заједници студентских амбасадора, ово може бити ваш пут ка Microsoft-у. + +# Почетак + +> **Наставници**: [укључили смо неке предлоге](for-teachers.md) о томе како да користите овај наставни план. Волели бисмо да чујемо ваше повратне информације [у нашем форуму за дискусију](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! + +> **[Студенти](https://aka.ms/student-page)**: да бисте користили овај наставни план самостално, форкујте цео репозиторијум и завршите вежбе самостално, почевши од квиза пре предавања. Затим прочитајте предавање и завршите остале активности. Покушајте да креирате пројекте разумевањем лекција, а не копирањем решења; међутим, тај код је доступан у /solutions фолдерима у свакој лекцији заснованој на пројекту. Друга идеја би била да формирате студијску групу са пријатељима и заједно прођете кроз садржај. За даље учење, препоручујемо [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). + +## Упознајте тим + +[![Промо видео](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") + +**Gif од** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) + +> 🎥 Кликните на слику изнад за видео о пројекту и људима који су га креирали! + +## Педагошки приступ + +Приликом креирања овог наставног плана, изабрали смо два педагошка принципа: осигурање да је заснован на пројектима и да укључује честе квизове. До краја овог серијала, студенти ће научити основне принципе науке о подацима, укључујући етичке концепте, припрему података, различите начине рада са подацима, визуализацију података, анализу података, примере из стварног света и још много тога. + +Поред тога, квиз са ниским ризиком пре часа поставља намеру студента ка учењу теме, док други квиз након часа осигурава боље задржавање знања. Овај наставни план је дизајниран да буде флексибилан и забаван и може се узети у целости или делимично. Пројекти почињу са мањим задацима и постају све сложенији до краја циклуса од 10 недеља. +> Пронађите наше [Правила понашања](CODE_OF_CONDUCT.md), [Упутства за допринос](CONTRIBUTING.md), [Упутства за превод](TRANSLATIONS.md). Радо прихватамо ваше конструктивне повратне информације! +## Свака лекција укључује: + +- Опциона скица +- Опциони допунски видео +- Квиз за загревање пре лекције +- Писана лекција +- За лекције засноване на пројектима, водичи корак по корак како изградити пројекат +- Провере знања +- Изазов +- Допунско читање +- Задатак +- [Квиз након лекције](https://ff-quizzes.netlify.app/en/) + +> **Напомена о квизовима**: Сви квизови се налазе у фасцикли Quiz-App, укупно 40 квизова са по три питања. Линкови ка квизовима су укључени унутар лекција, али апликација за квиз може се покренути локално или поставити на Azure; пратите упутства у фасцикли `quiz-app`. Постепено се локализују. + +## Лекције + +|![ Скица од @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sr.png)| +|:---:| +| Наука о подацима за почетнике: План пута - _Скица од [@nitya](https://twitter.com/nitya)_ | + +| Број лекције | Тема | Груписање лекција | Циљеви учења | Линкована лекција | Аутор | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | Дефинисање науке о подацима | [Увод](1-Introduction/README.md) | Научите основне концепте науке о подацима и како је она повезана са вештачком интелигенцијом, машинским учењем и великим подацима. | [лекција](1-Introduction/01-defining-data-science/README.md) [видео](https://youtu.be/beZ7Mb_oz9I) | [Дмитриј](http://soshnikov.com) | +| 02 | Етика у науци о подацима | [Увод](1-Introduction/README.md) | Концепти етике података, изазови и оквири. | [лекција](1-Introduction/02-ethics/README.md) | [Нитија](https://twitter.com/nitya) | +| 03 | Дефинисање података | [Увод](1-Introduction/README.md) | Како се подаци класификују и њихови уобичајени извори. | [лекција](1-Introduction/03-defining-data/README.md) | [Јасмин](https://www.twitter.com/paladique) | +| 04 | Увод у статистику и вероватноћу | [Увод](1-Introduction/README.md) | Математичке технике вероватноће и статистике за разумевање података. | [лекција](1-Introduction/04-stats-and-probability/README.md) [видео](https://youtu.be/Z5Zy85g4Yjw) | [Дмитриј](http://soshnikov.com) | +| 05 | Рад са релационим подацима | [Рад са подацима](2-Working-With-Data/README.md) | Увод у релационе податке и основе истраживања и анализе релационих података помоћу језика Structured Query Language, познатог као SQL (изговара се „си-квел“). | [лекција](2-Working-With-Data/05-relational-databases/README.md) | [Кристофер](https://www.twitter.com/geektrainer) | | | +| 06 | Рад са NoSQL подацима | [Рад са подацима](2-Working-With-Data/README.md) | Увод у нерелационе податке, њихове различите типове и основе истраживања и анализе докумената базе података. | [лекција](2-Working-With-Data/06-non-relational/README.md) | [Јасмин](https://twitter.com/paladique)| +| 07 | Рад са Python-ом | [Рад са подацима](2-Working-With-Data/README.md) | Основе коришћења Python-а за истраживање података уз библиотеке као што је Pandas. Препоручује се основно разумевање Python програмирања. | [лекција](2-Working-With-Data/07-python/README.md) [видео](https://youtu.be/dZjWOGbsN4Y) | [Дмитриј](http://soshnikov.com) | +| 08 | Припрема података | [Рад са подацима](2-Working-With-Data/README.md) | Теме о техникама за чишћење и трансформацију података ради решавања проблема са недостајућим, нетачним или непотпуним подацима. | [лекција](2-Working-With-Data/08-data-preparation/README.md) | [Јасмин](https://www.twitter.com/paladique) | +| 09 | Визуелизација количина | [Визуелизација података](3-Data-Visualization/README.md) | Научите како да користите Matplotlib за визуелизацију података о птицама 🦆 | [лекција](3-Data-Visualization/09-visualization-quantities/README.md) | [Џен](https://twitter.com/jenlooper) | +| 10 | Визуелизација расподела података | [Визуелизација података](3-Data-Visualization/README.md) | Визуелизација запажања и трендова унутар интервала. | [лекција](3-Data-Visualization/10-visualization-distributions/README.md) | [Џен](https://twitter.com/jenlooper) | +| 11 | Визуелизација пропорција | [Визуелизација података](3-Data-Visualization/README.md) | Визуелизација дискретних и груписаних процената. | [лекција](3-Data-Visualization/11-visualization-proportions/README.md) | [Џен](https://twitter.com/jenlooper) | +| 12 | Визуелизација односа | [Визуелизација података](3-Data-Visualization/README.md) | Визуелизација веза и корелација између скупова података и њихових варијабли. | [лекција](3-Data-Visualization/12-visualization-relationships/README.md) | [Џен](https://twitter.com/jenlooper) | +| 13 | Смислене визуелизације | [Визуелизација података](3-Data-Visualization/README.md) | Технике и смернице за прављење визуелизација које су вредне за ефикасно решавање проблема и увиде. | [лекција](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Џен](https://twitter.com/jenlooper) | +| 14 | Увод у животни циклус науке о подацима | [Животни циклус](4-Data-Science-Lifecycle/README.md) | Увод у животни циклус науке о подацима и његов први корак - прикупљање и екстракција података. | [лекција](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Јасмин](https://twitter.com/paladique) | +| 15 | Анализа | [Животни циклус](4-Data-Science-Lifecycle/README.md) | Ова фаза животног циклуса науке о подацима фокусира се на технике за анализу података. | [лекција](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Јасмин](https://twitter.com/paladique) | | | +| 16 | Комуникација | [Животни циклус](4-Data-Science-Lifecycle/README.md) | Ова фаза животног циклуса науке о подацима фокусира се на представљање увида из података на начин који олакшава разумевање доносиоцима одлука. | [лекција](4-Data-Science-Lifecycle/16-communication/README.md) | [Џејлен](https://twitter.com/JalenMcG) | | | +| 17 | Наука о подацима у облаку | [Облачни подаци](5-Data-Science-In-Cloud/README.md) | Ова серија лекција представља науку о подацима у облаку и њене предности. | [лекција](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Тифани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) | +| 18 | Наука о подацима у облаку | [Облачни подаци](5-Data-Science-In-Cloud/README.md) | Тренирање модела помоћу алата са мало кода. |[лекција](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Тифани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) | +| 19 | Наука о подацима у облаку | [Облачни подаци](5-Data-Science-In-Cloud/README.md) | Постављање модела помоћу Azure Machine Learning Studio. | [лекција](5-Data-Science-In-Cloud/19-Azure/README.md)| [Тифани](https://twitter.com/TiffanySouterre) и [Мод](https://twitter.com/maudstweets) | +| 20 | Наука о подацима у стварном свету | [У стварном свету](6-Data-Science-In-Wild/README.md) | Пројекти вођени науком о подацима у стварном свету. | [лекција](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Нитија](https://twitter.com/nitya) | + +## GitHub Codespaces + +Пратите ове кораке да отворите овај пример у Codespace-у: +1. Кликните на падајући мени Code и изаберите опцију Open with Codespaces. +2. Изаберите + New codespace на дну панела. +За више информација, погледајте [GitHub документацију](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). + +## VSCode Remote - Containers +Пратите ове кораке да отворите овај репозиторијум у контејнеру користећи ваш локални рачунар и VSCode уз екстензију VS Code Remote - Containers: + +1. Ако први пут користите развојни контејнер, уверите се да ваш систем испуњава предуслове (нпр. да имате инсталиран Docker) у [документацији за почетак](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). + +Да бисте користили овај репозиторијум, можете га отворити у изолованом Docker волумену: + +**Напомена**: У позадини, ово ће користити Remote-Containers: **Clone Repository in Container Volume...** команду за клонирање изворног кода у Docker волумен уместо локалног фајл система. [Волумени](https://docs.docker.com/storage/volumes/) су препоручени механизам за чување података контејнера. + +Или отворите локално клонирану или преузету верзију репозиторијума: + +- Клонирајте овај репозиторијум на ваш локални фајл систем. +- Притисните F1 и изаберите команду **Remote-Containers: Open Folder in Container...**. +- Изаберите клонирану копију ове фасцикле, сачекајте да се контејнер покрене и испробајте. + +## Офлајн приступ + +Можете покренути ову документацију офлајн користећи [Docsify](https://docsify.js.org/#/). Форкујте овај репозиторијум, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на ваш локални рачунар, а затим у коренској фасцикли овог репозиторијума укуцајте `docsify serve`. Веб-сајт ће бити доступан на порту 3000 на вашем localhost-у: `localhost:3000`. + +> Напомена, бележнице неће бити приказане преко Docsify-а, па када треба да покренете бележницу, урадите то одвојено у VS Code-у са Python кернелом. + +## Остали курикулуми + +Наш тим производи и друге курикулуме! Погледајте: + +- [Генеративна вештачка интелигенција за почетнике](https://aka.ms/genai-beginners) +- [Генеративна вештачка интелигенција за почетнике .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Генеративна вештачка интелигенција са JavaScript-ом](https://github.com/microsoft/generative-ai-with-javascript) +- [Генеративна вештачка интелигенција са Java-ом](https://aka.ms/genaijava) +- [Вештачка интелигенција за почетнике](https://aka.ms/ai-beginners) +- [Наука о подацима за почетнике](https://aka.ms/datascience-beginners) +- [Машинско учење за почетнике](https://aka.ms/ml-beginners) +- [Сајбер безбедност за почетнике](https://github.com/microsoft/Security-101) +- [Веб развој за почетнике](https://aka.ms/webdev-beginners) +- [IoT за почетнике](https://aka.ms/iot-beginners) +- [XR развој за почетнике](https://github.com/microsoft/xr-development-for-beginners) +- [Мастеринг GitHub Copilot за парно програмирање](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Мастеринг GitHub Copilot за C#/.NET програмере](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Изаберите своју Copilot авантуру](https://github.com/microsoft/CopilotAdventures) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/SECURITY.md b/translations/sr/SECURITY.md new file mode 100644 index 00000000..e835b207 --- /dev/null +++ b/translations/sr/SECURITY.md @@ -0,0 +1,51 @@ + +## Безбедност + +Мајкрософт озбиљно приступа безбедности наших софтверских производа и услуга, што укључује све репозиторијуме изворног кода којима управљамо кроз наше GitHub организације, као што су [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) и [наше GitHub организације](https://opensource.microsoft.com/). + +Ако верујете да сте пронашли безбедносни пропуст у било ком репозиторијуму који је у власништву Мајкрософта и који испуњава [Мајкрософтову дефиницију безбедносног пропуста](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), молимо вас да нам га пријавите на начин описан у наставку. + +## Пријављивање безбедносних проблема + +**Молимо вас да не пријављујете безбедносне пропусте путем јавних GitHub проблема.** + +Уместо тога, пријавите их Microsoft Security Response Center (MSRC) на [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report). + +Ако више волите да пријавите безбедносни проблем без пријављивања, пошаљите е-пошту на [secure@microsoft.com](mailto:secure@microsoft.com). Ако је могуће, шифрујте своју поруку нашим PGP кључем; преузмите га са [Microsoft Security Response Center PGP Key странице](https://www.microsoft.com/en-us/msrc/pgp-key-msrc). + +Требало би да добијете одговор у року од 24 сата. Ако из неког разлога не добијете одговор, молимо вас да нас контактирате путем е-поште како бисте се уверили да смо примили вашу оригиналну поруку. Додатне информације можете пронаћи на [microsoft.com/msrc](https://www.microsoft.com/msrc). + +Молимо вас да укључите тражене информације наведене у наставку (што више можете да обезбедите) како бисте нам помогли да боље разумемо природу и обим могућег проблема: + + * Тип проблема (нпр. препуњавање бафера, SQL инјекција, cross-site scripting, итд.) + * Пуне путање изворних датотека које се односе на манифестацију проблема + * Локација погођеног изворног кода (ознака/грана/комит или директан URL) + * Сва посебна конфигурација потребна за репродукцију проблема + * Упутства корак по корак за репродукцију проблема + * Proof-of-concept или exploit код (ако је могуће) + * Утицај проблема, укључујући начин на који нападач може искористити проблем + +Ове информације ће нам помоћи да брже обрадимо ваш извештај. + +Ако пријављујете у оквиру програма за награду за багове, потпунији извештаји могу допринети већој награди. Молимо вас да посетите нашу страницу [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) за више детаља о нашим активним програмима. + +## Преферирани језици + +Преферирамо да сва комуникација буде на енглеском језику. + +## Политика + +Мајкрософт следи принцип [Координисаног откривања рањивости](https://www.microsoft.com/en-us/msrc/cvd). + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/SUPPORT.md b/translations/sr/SUPPORT.md new file mode 100644 index 00000000..5129bed5 --- /dev/null +++ b/translations/sr/SUPPORT.md @@ -0,0 +1,24 @@ + +# Подршка +## Како пријавити проблеме и добити помоћ + +Овај пројекат користи GitHub Issues за праћење грешака и захтева за нове функције. Молимо вас да претражите постојеће проблеме пре него што пријавите нови, како бисте избегли дуплирање. За нове проблеме, пријавите вашу грешку или захтев за функцију као нови Issue. + +За помоћ и питања у вези са коришћењем овог пројекта, пријавите проблем. + +## Политика подршке компаније Microsoft + +Подршка за овај репозиторијум је ограничена на ресурсе наведене изнад. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људског преводиоца. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/docs/_sidebar.md b/translations/sr/docs/_sidebar.md new file mode 100644 index 00000000..a5dddac5 --- /dev/null +++ b/translations/sr/docs/_sidebar.md @@ -0,0 +1,40 @@ + +- Увод + - [Дефинисање науке о подацима](../1-Introduction/01-defining-data-science/README.md) + - [Етика науке о подацима](../1-Introduction/02-ethics/README.md) + - [Дефинисање података](../1-Introduction/03-defining-data/README.md) + - [Вероватноћа и статистика](../1-Introduction/04-stats-and-probability/README.md) +- Рад са подацима + - [Релационе базе података](../2-Working-With-Data/05-relational-databases/README.md) + - [Нерелационе базе података](../2-Working-With-Data/06-non-relational/README.md) + - [Пајтон](../2-Working-With-Data/07-python/README.md) + - [Припрема података](../2-Working-With-Data/08-data-preparation/README.md) +- Визуелизација података + - [Визуелизација количина](../3-Data-Visualization/09-visualization-quantities/README.md) + - [Визуелизација расподела](../3-Data-Visualization/10-visualization-distributions/README.md) + - [Визуелизација пропорција](../3-Data-Visualization/11-visualization-proportions/README.md) + - [Визуелизација односа](../3-Data-Visualization/12-visualization-relationships/README.md) + - [Смислене визуелизације](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- Животни циклус науке о подацима + - [Увод](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [Анализа](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [Комуникација](../4-Data-Science-Lifecycle/16-communication/README.md) +- Наука о подацима у облаку + - [Увод](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md) +- Наука о подацима у пракси + - [Наука о подацима у пракси](../6-Data-Science-In-Wild/README.md) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква погрешна тумачења или неспоразуме који могу произаћи из коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/for-teachers.md b/translations/sr/for-teachers.md new file mode 100644 index 00000000..c1434a8f --- /dev/null +++ b/translations/sr/for-teachers.md @@ -0,0 +1,78 @@ + +## За едукаторе + +Да ли бисте желели да користите овај курикулум у вашој учионици? Слободно га користите! + +Заправо, можете га користити директно на GitHub-у, уз помоћ GitHub Classroom-а. + +Да бисте то урадили, направите форк овог репозиторијума. Биће вам потребно да креирате репозиторијум за сваку лекцију, па ћете морати да издвојите сваки фолдер у посебан репозиторијум. На тај начин, [GitHub Classroom](https://classroom.github.com/classrooms) може да обради сваку лекцију засебно. + +Ова [потпуна упутства](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ће вам дати идеју како да поставите вашу учионицу. + +## Коришћење репозиторијума у постојећем облику + +Ако желите да користите овај репозиторијум у његовом тренутном облику, без коришћења GitHub Classroom-а, то је такође могуће. Биће потребно да комуницирате са вашим студентима о томе коју лекцију да заједно обрађујете. + +У онлајн формату (Zoom, Teams или други) можете организовати групне собе за квизове и менторисати студенте како би се припремили за учење. Затим позовите студенте да решавају квизове и предају своје одговоре као 'issues' у одређено време. Исто можете урадити са задацима, ако желите да студенти раде заједно и отворено. + +Ако више волите приватнији формат, замолите студенте да направе форк курикулума, лекцију по лекцију, у своје приватне GitHub репозиторијуме и да вам дају приступ. На тај начин могу приватно завршити квизове и задатке и предати их вама путем 'issues' на вашем репозиторијуму за учионицу. + +Постоји много начина да ово функционише у онлајн учионици. Јавите нам шта вам најбоље одговара! + +## Шта је укључено у овај курикулум: + +20 лекција, 40 квизова и 20 задатака. Скечноте прате лекције за визуелне ученике. Многе лекције су доступне и на Python-у и на R-у и могу се завршити уз помоћ Jupyter нотебука у VS Code-у. Сазнајте више о томе како да поставите вашу учионицу за коришћење овог технолошког пакета: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +Све скечноте, укључујући постер великог формата, налазе се у [овом фолдеру](../../sketchnotes). + +Цео курикулум је доступан [као PDF](../../pdf/readme.pdf). + +Такође можете покренути овај курикулум као самостални, офлајн веб сајт уз помоћ [Docsify](https://docsify.js.org/#/). [Инсталирајте Docsify](https://docsify.js.org/#/quickstart) на ваш локални рачунар, а затим у коренском фолдеру ваше локалне копије овог репозиторијума укуцајте `docsify serve`. Сајт ће бити доступан на порту 3000 на вашем localhost-у: `localhost:3000`. + +Офлајн верзија курикулума ће се отворити као самостална веб страница: https://localhost:3000 + +Лекције су груписане у 6 делова: + +- 1: Увод + - 1: Дефинисање науке о подацима + - 2: Етика + - 3: Дефинисање података + - 4: Преглед вероватноће и статистике +- 2: Рад са подацима + - 5: Релационе базе података + - 6: Нерелационе базе података + - 7: Python + - 8: Припрема података +- 3: Визуелизација података + - 9: Визуелизација количина + - 10: Визуелизација дистрибуција + - 11: Визуелизација пропорција + - 12: Визуелизација односа + - 13: Смислене визуелизације +- 4: Животни циклус науке о подацима + - 14: Увод + - 15: Анализа + - 16: Комуникација +- 5: Наука о подацима у облаку + - 17: Увод + - 18: Опције са мало кода + - 19: Azure +- 6: Наука о подацима у пракси + - 20: Преглед + +## Дајте нам ваше мишљење! + +Желимо да овај курикулум функционише за вас и ваше студенте. Дајте нам повратне информације на дискусионим таблама! Слободно креирајте простор за учионицу на дискусионим таблама за ваше студенте. + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/quiz-app/README.md b/translations/sr/quiz-app/README.md new file mode 100644 index 00000000..3a873c89 --- /dev/null +++ b/translations/sr/quiz-app/README.md @@ -0,0 +1,139 @@ + +# Квизови + +Ови квизови су пред- и пост-предавачки квизови за наставни план и програм науке о подацима на https://aka.ms/datascience-beginners + +## Додавање преведеног сета квизова + +Додајте превод квиза креирањем одговарајућих структура квиза у фасцикли `assets/translations`. Канонски квизови се налазе у `assets/translations/en`. Квизови су подељени у неколико група. Обавезно ускладите нумерацију са одговарајућим одељком квиза. У овом наставном плану и програму има укупно 40 квизова, а бројање почиње од 0. + +Након уређивања превода, измените датотеку `index.js` у фасцикли за преводе да бисте увезли све датотеке пратећи конвенције у `en`. + +Измените датотеку `index.js` у `assets/translations` да бисте увезли нове преведене датотеке. + +Затим измените падајући мени у `App.vue` у овој апликацији да бисте додали свој језик. Ускладите локализовану скраћеницу са именом фасцикле за ваш језик. + +На крају, измените све линкове квизова у преведеним лекцијама, ако постоје, да укључе ову локализацију као параметар упита: `?loc=fr`, на пример. + +## Постављање пројекта + +``` +npm install +``` + +### Компилирање и аутоматско учитавање за развој + +``` +npm run serve +``` + +### Компилирање и минимизирање за продукцију + +``` +npm run build +``` + +### Провера и исправке датотека + +``` +npm run lint +``` + +### Прилагођавање конфигурације + +Погледајте [Референцу конфигурације](https://cli.vuejs.org/config/). + +Кредити: Захвалност оригиналној верзији ове апликације за квизове: https://github.com/arpan45/simple-quiz-vue + +## Деплојовање на Azure + +Ево корак-по-корак водича који ће вам помоћи да започнете: + +1. Форкујте GitHub репозиторијум +Уверите се да је код ваше статичке веб апликације у вашем GitHub репозиторијуму. Форкујте овај репозиторијум. + +2. Креирајте Azure статичку веб апликацију +- Креирајте [Azure налог](http://azure.microsoft.com) +- Идите на [Azure портал](https://portal.azure.com) +- Кликните на „Create a resource“ и потражите „Static Web App“. +- Кликните на „Create“. + +3. Конфигуришите статичку веб апликацију +- Основно: + - Subscription: Изаберите вашу Azure претплату. + - Resource Group: Креирајте нову групу ресурса или користите постојећу. + - Name: Унесите име за вашу статичку веб апликацију. + - Region: Изаберите регион најближи вашим корисницима. + +- #### Детаљи деплојовања: + - Source: Изаберите „GitHub“. + - GitHub Account: Овластите Azure да приступи вашем GitHub налогу. + - Organization: Изаберите вашу GitHub организацију. + - Repository: Изаберите репозиторијум који садржи вашу статичку веб апликацију. + - Branch: Изаберите грану са које желите да деплојујете. + +- #### Детаљи изградње: + - Build Presets: Изаберите оквир у коме је ваша апликација направљена (нпр. React, Angular, Vue, итд.). + - App Location: Наведите фасциклу која садржи код ваше апликације (нпр. / ако је у корену). + - API Location: Ако имате API, наведите његову локацију (опционо). + - Output Location: Наведите фасциклу где се генерише излаз изградње (нпр. build или dist). + +4. Преглед и креирање +Прегледајте своја подешавања и кликните на „Create“. Azure ће поставити неопходне ресурсе и креирати GitHub Actions workflow у вашем репозиторијуму. + +5. GitHub Actions Workflow +Azure ће аутоматски креирати GitHub Actions workflow датотеку у вашем репозиторијуму (.github/workflows/azure-static-web-apps-.yml). Овај workflow ће обрадити процес изградње и деплојовања. + +6. Праћење деплојовања +Идите на картицу „Actions“ у вашем GitHub репозиторијуму. +Требало би да видите workflow који се извршава. Овај workflow ће изградити и деплојовати вашу статичку веб апликацију на Azure. +Када workflow буде завршен, ваша апликација ће бити доступна на обезбеђеном Azure URL-у. + +### Пример датотеке workflow-а + +Ево примера како би GitHub Actions workflow датотека могла изгледати: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### Додатни ресурси +- [Azure Static Web Apps документација](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [GitHub Actions документација](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако тежимо тачности, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква неспоразумевања или погрешна тумачења настала услед коришћења овог превода. \ No newline at end of file diff --git a/translations/sr/sketchnotes/README.md b/translations/sr/sketchnotes/README.md new file mode 100644 index 00000000..59c1b4ec --- /dev/null +++ b/translations/sr/sketchnotes/README.md @@ -0,0 +1,21 @@ + +Пронађите све скицноте овде! + +## Захвалнице + +Нитија Нарасимхан, уметница + +![скицнота путање](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.sr.png) + +--- + +**Одрицање од одговорности**: +Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода. \ No newline at end of file diff --git a/translations/uk/1-Introduction/01-defining-data-science/README.md b/translations/uk/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..e917eecc --- /dev/null +++ b/translations/uk/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,78 @@ + +## Типи даних + +Як ми вже згадували, дані є всюди. Нам лише потрібно правильно їх захопити! Корисно розрізняти **структуровані** та **неструктуровані** дані. Перші зазвичай представлені у добре структурованій формі, часто у вигляді таблиці або кількох таблиць, тоді як другі — це просто набір файлів. Іноді також можна говорити про **напівструктуровані** дані, які мають певну структуру, що може значно варіюватися. + +| Структуровані | Напівструктуровані | Неструктуровані | +| -------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------- | ---------------------------------------- | +| Список людей з їхніми номерами телефонів | Сторінки Вікіпедії з посиланнями | Текст Енциклопедії Британіка | +| Температура у всіх кімнатах будівлі щохвилини за останні 20 років | Колекція наукових статей у форматі JSON з авторами, датою публікації та анотацією | Файловий архів з корпоративними документами | +| Дані про вік і стать всіх людей, які заходять у будівлю | Інтернет-сторінки | Сирове відео з камери спостереження | + +## Де отримати дані + +Існує багато можливих джерел даних, і неможливо перелічити всі! Однак, давайте згадаємо деякі типові місця, де можна отримати дані: + +* **Структуровані** + - **Інтернет речей** (IoT), включаючи дані з різних датчиків, таких як датчики температури або тиску, надає багато корисних даних. Наприклад, якщо офісна будівля обладнана IoT-датчиками, ми можемо автоматично контролювати опалення та освітлення, щоб мінімізувати витрати. + - **Опитування**, які ми просимо користувачів заповнити після покупки або після відвідування вебсайту. + - **Аналіз поведінки** може, наприклад, допомогти нам зрозуміти, наскільки глибоко користувач досліджує сайт і яка типова причина його залишення. +* **Неструктуровані** + - **Тексти** можуть бути багатим джерелом інформації, наприклад, загального **індексу настрою** або виділення ключових слів і семантичного значення. + - **Зображення** або **відео**. Відео з камери спостереження може бути використане для оцінки трафіку на дорозі та інформування людей про можливі затори. + - **Логи вебсерверів** можуть бути використані для розуміння, які сторінки нашого сайту найчастіше відвідуються і як довго. +* **Напівструктуровані** + - **Графи соціальних мереж** можуть бути чудовими джерелами даних про особистості користувачів і потенційну ефективність поширення інформації. + - Коли у нас є купа фотографій з вечірки, ми можемо спробувати витягти дані про **групову динаміку**, створивши граф людей, які фотографуються один з одним. + +Знаючи різні можливі джерела даних, ви можете подумати про різні сценарії, де техніки науки про дані можуть бути застосовані для кращого розуміння ситуації та покращення бізнес-процесів. + +## Що можна робити з даними + +У науці про дані ми зосереджуємося на наступних етапах роботи з даними: + +## Оцифрування та цифрова трансформація + +За останнє десятиліття багато бізнесів почали розуміти важливість даних при прийнятті бізнес-рішень. Щоб застосувати принципи науки про дані до ведення бізнесу, спочатку потрібно зібрати деякі дані, тобто перевести бізнес-процеси у цифрову форму. Це називається **оцифруванням**. Застосування технік науки про дані до цих даних для прийняття рішень може призвести до значного підвищення продуктивності (або навіть до зміни напрямку бізнесу), що називається **цифровою трансформацією**. + +Розглянемо приклад. Припустимо, у нас є курс з науки про дані (як цей), який ми проводимо онлайн для студентів, і ми хочемо використати науку про дані для його покращення. Як ми можемо це зробити? + +Ми можемо почати з питання "Що можна оцифрувати?" Найпростіший спосіб — виміряти час, який кожен студент витрачає на завершення кожного модуля, і оцінити отримані знання, провівши тест з вибором варіантів відповіді наприкінці кожного модуля. Усереднивши час завершення серед усіх студентів, ми можемо визначити, які модулі викликають найбільші труднощі у студентів, і працювати над їх спрощенням. +Можна стверджувати, що цей підхід не є ідеальним, оскільки модулі можуть мати різну довжину. Можливо, більш справедливим було б поділити час на довжину модуля (у кількості символів) і порівнювати саме ці значення. +Коли ми починаємо аналізувати результати тестів із множинним вибором, ми можемо спробувати визначити, які концепції викликають труднощі у студентів, і використати цю інформацію для покращення контенту. Для цього необхідно розробити тести таким чином, щоб кожне питання відповідало певній концепції або блоку знань. + +Якщо ми хочемо зробити аналіз ще складнішим, ми можемо зіставити час, витрачений на кожен модуль, із віковою категорією студентів. Можливо, ми виявимо, що для деяких вікових категорій проходження модуля займає надто багато часу або що студенти припиняють навчання, не завершивши модуль. Це може допомогти нам надати вікові рекомендації для модуля та зменшити незадоволення людей через неправильні очікування. + +## 🚀 Виклик + +У цьому завданні ми спробуємо знайти концепції, пов’язані з галуззю науки про дані, аналізуючи тексти. Ми візьмемо статтю з Вікіпедії про науку про дані, завантажимо та обробимо текст, а потім створимо хмару слів, схожу на цю: + +![Хмара слів для науки про дані](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.uk.png) + +Відвідайте [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), щоб ознайомитися з кодом. Ви також можете запустити код і побачити, як він виконує всі перетворення даних у реальному часі. + +> Якщо ви не знаєте, як запускати код у Jupyter Notebook, ознайомтеся з [цією статтею](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1) + +## Завдання + +* **Завдання 1**: Змініть наведений вище код, щоб знайти пов’язані концепції для галузей **Big Data** та **Machine Learning**. +* **Завдання 2**: [Поміркуйте про сценарії науки про дані](assignment.md). + +## Подяки + +Цей урок був створений з ♥️ [Дмитром Сошниковим](http://soshnikov.com). + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/01-defining-data-science/assignment.md b/translations/uk/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..9f3b2e90 --- /dev/null +++ b/translations/uk/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,46 @@ + +# Завдання: Сценарії використання науки про дані + +У цьому першому завданні ми пропонуємо вам подумати про реальний процес або проблему в різних сферах, і як ви можете покращити їх за допомогою процесу науки про дані. Поміркуйте над наступним: + +1. Які дані ви можете зібрати? +1. Як ви будете їх збирати? +1. Як ви будете зберігати дані? Який обсяг даних, ймовірно, буде? +1. Які висновки ви можете отримати з цих даних? Які рішення ми зможемо прийняти на основі даних? + +Спробуйте подумати про 3 різні проблеми/процеси та опишіть кожен із зазначених пунктів для кожної сфери. + +Ось деякі сфери та проблеми, які можуть допомогти вам почати думати: + +1. Як можна використовувати дані для покращення освітнього процесу для дітей у школах? +1. Як можна використовувати дані для контролю вакцинації під час пандемії? +1. Як можна використовувати дані, щоб переконатися, що ви продуктивно працюєте? + +## Інструкції + +Заповніть наступну таблицю (замініть запропоновані сфери проблем на свої власні, якщо потрібно): + +| Сфера проблеми | Проблема | Які дані збирати | Як зберігати дані | Які висновки/рішення ми можемо зробити | +|----------------|---------|------------------|-------------------|---------------------------------------| +| Освіта | | | | | +| Вакцинація | | | | | +| Продуктивність | | | | | + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Учасник зміг визначити розумні джерела даних, способи зберігання даних та можливі рішення/висновки для всіх сфер проблем | Деякі аспекти рішення не деталізовані, зберігання даних не обговорюється, описано щонайменше 2 сфери проблем | Описано лише частини рішення щодо даних, розглянуто лише одну сферу проблем. + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/uk/1-Introduction/01-defining-data-science/solution/assignment.md new file mode 100644 index 00000000..c6979804 --- /dev/null +++ b/translations/uk/1-Introduction/01-defining-data-science/solution/assignment.md @@ -0,0 +1,48 @@ + +# Завдання: Сценарії використання науки про дані + +У цьому першому завданні ми просимо вас подумати про реальний процес або проблему в різних сферах і про те, як ви можете покращити її за допомогою процесу науки про дані. Подумайте про наступне: + +1. Які дані ви можете зібрати? +1. Як ви їх збиратимете? +1. Як ви зберігатимете ці дані? Який обсяг даних, ймовірно, буде? +1. Які висновки ви зможете отримати з цих даних? Які рішення ми зможемо прийняти на основі цих даних? + +Спробуйте подумати про 3 різні проблеми/процеси та опишіть кожен із вищезазначених пунктів для кожної сфери. + +Ось деякі сфери та проблеми, які можуть допомогти вам розпочати: + +1. Як ви можете використовувати дані для покращення освітнього процесу для дітей у школах? +1. Як ви можете використовувати дані для контролю вакцинації під час пандемії? +1. Як ви можете використовувати дані, щоб переконатися, що ви продуктивні на роботі? + +## Інструкції + +Заповніть наступну таблицю (за потреби замініть запропоновані сфери на власні): + +| Сфера | Проблема | Які дані збирати | Як зберігати дані | Які висновки/рішення ми можемо зробити | +|-------|----------|------------------|------------------|----------------------------------------| +| Освіта | В університеті зазвичай низька відвідуваність лекцій, і ми маємо гіпотезу, що студенти, які відвідують лекції, у середньому краще складають іспити. Ми хочемо стимулювати відвідуваність і перевірити гіпотезу. | Ми можемо відстежувати відвідуваність через фотографії, зроблені камерою спостереження в аудиторії, або через відстеження bluetooth/wifi-адрес мобільних телефонів студентів у класі. Дані про іспити вже доступні в університетській базі даних. | У разі відстеження зображень із камер спостереження – потрібно зберігати кілька (5-10) фотографій під час заняття (неструктуровані дані), а потім використовувати AI для ідентифікації облич студентів (перетворення даних у структуровану форму). | Ми можемо обчислити середні дані про відвідуваність для кожного студента та перевірити, чи є кореляція з оцінками за іспити. Ми поговоримо більше про кореляцію в розділі [ймовірність і статистика](../../04-stats-and-probability/README.md). Щоб стимулювати відвідуваність студентів, ми можемо публікувати щотижневий рейтинг відвідуваності на порталі школи та розігрувати призи серед тих, хто має найвищу відвідуваність. | +| Вакцинація | | | | | +| Продуктивність | | | | | + +> *Ми надаємо лише одну відповідь як приклад, щоб ви могли зрозуміти, що очікується від цього завдання.* + +## Критерії оцінювання + +Відмінно | Задовільно | Потребує покращення +--- | --- | -- | +Вдалося визначити розумні джерела даних, способи зберігання даних і можливі рішення/висновки для всіх сфер | Деякі аспекти рішення не деталізовані, зберігання даних не обговорюється, описано щонайменше 2 сфери | Описано лише частини рішення щодо даних, розглянуто лише одну сферу. + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/02-ethics/README.md b/translations/uk/1-Introduction/02-ethics/README.md new file mode 100644 index 00000000..9c01ddcf --- /dev/null +++ b/translations/uk/1-Introduction/02-ethics/README.md @@ -0,0 +1,251 @@ + +# Вступ до етики даних + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)| +|:---:| +| Етика науки про дані - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +--- + +Ми всі є громадянами даних, які живуть у світі, де дані відіграють ключову роль. + +Ринкові тенденції показують, що до 2022 року кожна третя велика організація буде купувати та продавати свої дані через онлайн [Маркетплейси та Біржі](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Як **розробники додатків**, ми зможемо легше та дешевше інтегрувати аналітику, засновану на даних, та автоматизацію, керовану алгоритмами, у щоденний досвід користувачів. Але з поширенням штучного інтелекту нам також потрібно буде розуміти потенційні шкоди, які можуть виникнути через [використання алгоритмів у шкідливих цілях](https://www.youtube.com/watch?v=TQHs8SA1qpk) у великому масштабі. + +Тенденції також показують, що до 2025 року ми створимо та споживатимемо понад [180 зетабайтів](https://www.statista.com/statistics/871513/worldwide-data-created/) даних. Як **науковці з даних**, це дає нам безпрецедентний рівень доступу до персональних даних. Це означає, що ми можемо створювати поведінкові профілі користувачів і впливати на прийняття рішень таким чином, що створює [ілюзію вільного вибору](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), водночас потенційно підштовхуючи користувачів до бажаних для нас результатів. Це також піднімає ширші питання щодо конфіденційності даних та захисту користувачів. + +Етика даних тепер є _необхідними обмеженнями_ для науки про дані та інженерії, допомагаючи нам мінімізувати потенційні шкоди та непередбачені наслідки наших дій, заснованих на даних. [Цикл хайпу Gartner для ШІ](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) визначає актуальні тенденції в цифровій етиці, відповідальному ШІ та управлінні ШІ як ключові рушії для більших мегатрендів навколо _демократизації_ та _індустріалізації_ ШІ. + +![Цикл хайпу Gartner для ШІ - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==) + +У цьому уроці ми дослідимо захоплюючу сферу етики даних - від основних концепцій і викликів до кейсів та прикладних концепцій ШІ, таких як управління, які допомагають створити культуру етики в командах та організаціях, що працюють з даними та ШІ. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯 + +## Основні визначення + +Почнемо з розуміння базової термінології. + +Слово "етика" походить від [грецького слова "ethikos"](https://en.wikipedia.org/wiki/Ethics) (та його кореня "ethos"), що означає _характер або моральна природа_. + +**Етика** стосується спільних цінностей та моральних принципів, які регулюють нашу поведінку в суспільстві. Етика базується не на законах, а на широко прийнятих нормах того, що є "правильним проти неправильного". Однак етичні міркування можуть впливати на ініціативи корпоративного управління та урядові регуляції, які створюють більше стимулів для дотримання. + +**Етика даних** є [новою галуззю етики](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1), яка "вивчає та оцінює моральні проблеми, пов'язані з _даними, алгоритмами та відповідними практиками_". Тут **"дані"** зосереджуються на діях, пов'язаних із створенням, записом, кураторством, обробкою, поширенням, обміном та використанням, **"алгоритми"** зосереджуються на ШІ, агентах, машинному навчанні та роботах, а **"практики"** зосереджуються на таких темах, як відповідальні інновації, програмування, хакінг та кодекси етики. + +**Прикладна етика** є [практичним застосуванням моральних міркувань](https://en.wikipedia.org/wiki/Applied_ethics). Це процес активного дослідження етичних питань у контексті _реальних дій, продуктів та процесів_ і вжиття коригувальних заходів для забезпечення їх відповідності визначеним етичним цінностям. + +**Культура етики** стосується [_операціоналізації_ прикладної етики](https://hbr.org/2019/05/how-to-design-an-ethical-organization), щоб переконатися, що наші етичні принципи та практики приймаються послідовно та масштабовано по всій організації. Успішні культури етики визначають етичні принципи на рівні організації, забезпечують значущі стимули для дотримання та підсилюють норми етики, заохочуючи та підсилюючи бажану поведінку на кожному рівні організації. + +## Концепції етики + +У цьому розділі ми обговоримо такі концепції, як **спільні цінності** (принципи) та **етичні виклики** (проблеми) для етики даних - і дослідимо **кейс-стадії**, які допоможуть вам зрозуміти ці концепції в реальних контекстах. + +### 1. Принципи етики + +Кожна стратегія етики даних починається з визначення _етичних принципів_ - "спільних цінностей", які описують прийнятну поведінку та керують діями, що відповідають нормам, у наших проектах з даними та ШІ. Ви можете визначити їх на індивідуальному або командному рівні. Однак більшість великих організацій окреслюють їх у _місії етичного ШІ_ або рамках, які визначаються на корпоративному рівні та послідовно впроваджуються у всіх командах. + +**Приклад:** Місія [Відповідального ШІ](https://www.microsoft.com/en-us/ai/responsible-ai) Microsoft звучить: _"Ми прагнемо до розвитку ШІ, керованого етичними принципами, які ставлять людей на перше місце"_ - визначаючи 6 етичних принципів у наведеній нижче рамці: + +![Відповідальний ШІ у Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png) + +Давайте коротко розглянемо ці принципи. _Прозорість_ та _відповідальність_ є основними цінностями, на яких будуються інші принципи - тому почнемо з них: + +* [**Відповідальність**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) робить практиків _відповідальними_ за їхні операції з даними та ШІ, а також за дотримання цих етичних принципів. +* [**Прозорість**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) забезпечує, щоб дії з даними та ШІ були _зрозумілими_ (інтерпретованими) для користувачів, пояснюючи що і чому стоїть за рішеннями. +* [**Справедливість**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - зосереджується на забезпеченні того, щоб ШІ ставився _до всіх людей_ справедливо, вирішуючи будь-які системні або приховані соціально-технічні упередження в даних та системах. +* [**Надійність та безпека**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - забезпечує, щоб ШІ поводився _послідовно_ з визначеними цінностями, мінімізуючи потенційні шкоди або непередбачені наслідки. +* [**Конфіденційність та безпека**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - стосується розуміння походження даних та забезпечення _конфіденційності даних та пов'язаних із цим захистів_ для користувачів. +* [**Інклюзивність**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - стосується розробки рішень ШІ з наміром, адаптуючи їх для задоволення _широкого спектру людських потреб_ та можливостей. + +> 🚨 Подумайте, якою могла б бути ваша місія етики даних. Досліджуйте рамки етичного ШІ інших організацій - ось приклади від [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) та [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Які спільні цінності вони мають? Як ці принципи пов'язані з продуктом ШІ або галуззю, в якій вони працюють? + +### 2. Виклики етики + +Після визначення етичних принципів наступним кроком є оцінка наших дій з даними та ШІ, щоб переконатися, що вони відповідають цим спільним цінностям. Подумайте про свої дії у двох категоріях: _збір даних_ та _розробка алгоритмів_. + +Під час збору даних дії, ймовірно, будуть включати **персональні дані** або персонально ідентифіковану інформацію (PII) для ідентифікованих живих осіб. Це включає [різноманітні елементи неперсональних даних](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en), які _колективно_ ідентифікують особу. Етичні виклики можуть стосуватися _конфіденційності даних_, _власності даних_ та пов'язаних тем, таких як _інформована згода_ та _права інтелектуальної власності_ для користувачів. + +Під час розробки алгоритмів дії будуть включати збір та кураторство **наборів даних**, а потім їх використання для навчання та розгортання **моделей даних**, які прогнозують результати або автоматизують рішення в реальних контекстах. Етичні виклики можуть виникати через _упередженість набору даних_, _проблеми якості даних_, _несправедливість_ та _спотворення_ в алгоритмах - включаючи деякі системні проблеми. + +В обох випадках етичні виклики висвітлюють області, де наші дії можуть вступати в конфлікт із нашими спільними цінностями. Щоб виявити, пом'якшити, мінімізувати або усунути ці проблеми, нам потрібно ставити моральні "так/ні" питання щодо наших дій, а потім вживати коригувальних заходів за потреби. Давайте розглянемо деякі етичні виклики та моральні питання, які вони піднімають: + +#### 2.1 Власність даних + +Збір даних часто включає персональні дані, які можуть ідентифікувати суб'єктів даних. [Власність даних](https://permission.io/blog/data-ownership) стосується _контролю_ та [_прав користувачів_](https://permission.io/blog/data-ownership), пов'язаних зі створенням, обробкою та поширенням даних. + +Моральні питання, які потрібно поставити: +* Хто володіє даними? (користувач чи організація) +* Які права мають суб'єкти даних? (наприклад, доступ, видалення, перенесення) +* Які права мають організації? (наприклад, виправлення шкідливих відгуків користувачів) + +#### 2.2 Інформована згода + +[Інформована згода](https://legaldictionary.net/informed-consent/) визначає акт, коли користувачі погоджуються на дію (наприклад, збір даних) з _повним розумінням_ відповідних фактів, включаючи мету, потенційні ризики та альтернативи. + +Питання для дослідження: +* Чи дав користувач (суб'єкт даних) дозвіл на збір та використання даних? +* Чи зрозумів користувач мету, для якої ці дані були зібрані? +* Чи зрозумів користувач потенційні ризики від своєї участі? + +#### 2.3 Інтелектуальна власність + +[Інтелектуальна власність](https://en.wikipedia.org/wiki/Intellectual_property) стосується нематеріальних творінь, що виникають внаслідок людської ініціативи, які можуть _мати економічну цінність_ для осіб або бізнесу. + +Питання для дослідження: +* Чи мали зібрані дані економічну цінність для користувача або бізнесу? +* Чи має **користувач** інтелектуальну власність тут? +* Чи має **організація** інтелектуальну власність тут? +* Якщо ці права існують, як ми їх захищаємо? + +#### 2.4 Конфіденційність даних + +[Конфіденційність даних](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) або інформаційна конфіденційність стосується збереження конфіденційності користувачів та захисту їхньої ідентичності щодо персонально ідентифікованої інформації. + +Питання для дослідження: +* Чи захищені персональні дані користувачів від зломів та витоків? +* Чи доступні дані користувачів лише для авторизованих користувачів та контекстів? +* Чи збережена анонімність користувачів при обміні або поширенні даних? +* Чи може користувач бути деідентифікований з анонімних наборів даних? + +#### 2.5 Право бути забутим + +[Право бути забутим](https://en.wikipedia.org/wiki/Right_to_be_forgotten) або [Право на видалення](https://www.gdpreu.org/right-to-be-forgotten/) забезпечує додатковий захист персональних даних для користувачів. Зокрема, це дає користувачам право вимагати видалення або усунення персональних даних з Інтернету та інших місць, _за певних обставин_, дозволяючи їм почати нове життя онлайн без того, щоб минулі дії були використані проти них. + +Питання для дослідження: +* Чи дозволяє система суб'єктам даних запитувати видалення? +* Чи повинно відкликання згоди користувача автоматично запускати видалення? +* Чи були дані зібрані без згоди або незаконними засобами? +* Чи відповідаємо ми урядовим регуляціям щодо конфіденційності даних? + +#### 2.6 Упередженість набору даних + +Упередженість набору даних або [упередженість збору](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) стосується вибору _нерепрезентативного_ підмножини даних для розробки алгоритму, що створює потенційну несправедливість у результатах для різних груп. Типи упередженості включають упередженість вибірки, упередженість добровольців та упередженість інструментів. + +Питання для дослідж +[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) перевіряє, чи дизайн алгоритму систематично дискримінує певні підгрупи суб'єктів даних, що може призводити до [потенційних шкод](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) у _розподілі_ (коли ресурси відмовляють або утримують від цієї групи) та _якості обслуговування_ (коли штучний інтелект менш точний для деяких підгруп порівняно з іншими). + +Питання для розгляду: + * Чи ми оцінювали точність моделі для різноманітних підгруп і умов? + * Чи ми аналізували систему на предмет потенційних шкод (наприклад, стереотипів)? + * Чи можемо ми переглянути дані або перенавчити моделі для зменшення виявлених шкод? + +Досліджуйте ресурси, такі як [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA), щоб дізнатися більше. + +#### 2.9 Викривлення даних + +[Викривлення даних](https://www.sciencedirect.com/topics/computer-science/misrepresentation) стосується питання, чи ми передаємо інсайти з чесно представлених даних у маніпулятивний спосіб для підтримки бажаного наративу. + +Питання для розгляду: + * Чи ми повідомляємо неповні або неточні дані? + * Чи ми візуалізуємо дані так, що це сприяє хибним висновкам? + * Чи ми використовуємо вибіркові статистичні методи для маніпуляції результатами? + * Чи існують альтернативні пояснення, які можуть запропонувати інший висновок? + +#### 2.10 Ілюзія вільного вибору + +[Ілюзія вільного вибору](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) виникає, коли "архітектури вибору" системи використовують алгоритми прийняття рішень, щоб підштовхнути людей до прийняття бажаного результату, водночас створюючи видимість варіантів і контролю. Ці [темні патерни](https://www.darkpatterns.org/) можуть завдати соціальної та економічної шкоди користувачам. Оскільки рішення користувачів впливають на профілі поведінки, ці дії потенційно формують майбутні вибори, що може посилити або продовжити вплив цих шкод. + +Питання для розгляду: + * Чи користувач розумів наслідки прийняття цього рішення? + * Чи користувач був обізнаний про (альтернативні) варіанти та їхні переваги й недоліки? + * Чи може користувач скасувати автоматизований або впливовий вибір пізніше? + +### 3. Кейси + +Щоб розглянути ці етичні виклики в реальних контекстах, корисно звернутися до кейсів, які демонструють потенційні шкоди та наслідки для окремих осіб і суспільства, коли такі порушення етики ігноруються. + +Ось кілька прикладів: + +| Етичний виклик | Кейси | +|--- |--- | +| **Інформована згода** | 1972 - [Дослідження сифілісу в Таскігі](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - афроамериканські чоловіки, які брали участь у дослідженні, отримали обіцянку безкоштовного медичного обслуговування, _але були обмануті_ дослідниками, які не повідомили їм про діагноз або доступність лікування. Багато учасників померли, а їхні партнери чи діти постраждали; дослідження тривало 40 років. | +| **Конфіденційність даних** | 2007 - [Конкурс даних Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) надав дослідникам _10 млн анонімних оцінок фільмів від 50 тис. клієнтів_, щоб покращити алгоритми рекомендацій. Однак дослідники змогли зіставити анонімні дані з персонально ідентифікованими даними в _зовнішніх наборах даних_ (наприклад, коментарі IMDb), фактично "деанонімізуючи" деяких підписників Netflix.| +| **Упередженість у зборі даних** | 2013 - Місто Бостон [розробило Street Bump](https://www.boston.gov/transportation/street-bump), додаток, який дозволяв громадянам повідомляти про ями, надаючи місту кращі дані про дороги для вирішення проблем. Однак [люди з низьким рівнем доходу мали менший доступ до автомобілів і телефонів](https://hbr.org/2013/04/the-hidden-biases-in-big-data), що робило їхні проблеми з дорогами невидимими в цьому додатку. Розробники співпрацювали з академіками для вирішення питань _справедливого доступу та цифрових розривів_. | +| **Справедливість алгоритмів** | 2018 - Дослідження MIT [Gender Shades](http://gendershades.org/overview.html) оцінювало точність продуктів AI для класифікації гендеру, виявляючи прогалини в точності для жінок і людей кольору. У [2019 році Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) здавалося, пропонувала менший кредит жінкам, ніж чоловікам. Обидва випадки ілюструють проблеми упередженості алгоритмів, що призводять до соціально-економічних шкод.| +| **Викривлення даних** | 2020 - [Департамент охорони здоров'я Джорджії опублікував графіки COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), які, здається, вводили громадян в оману щодо тенденцій підтверджених випадків через не-хронологічне упорядкування на осі x. Це ілюструє викривлення через трюки візуалізації. | +| **Ілюзія вільного вибору** | 2020 - Навчальний додаток [ABCmouse заплатив $10 млн для врегулювання скарги FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), де батьки були змушені платити за підписки, які вони не могли скасувати. Це ілюструє темні патерни в архітектурах вибору, де користувачів підштовхували до потенційно шкідливих рішень. | +| **Конфіденційність даних та права користувачів** | 2021 - [Витік даних Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) розкрив дані 530 млн користувачів, що призвело до штрафу $5 млрд від FTC. Однак компанія відмовилася повідомити користувачів про витік, порушуючи права користувачів щодо прозорості даних і доступу. | + +Хочете дослідити більше кейсів? Ознайомтеся з цими ресурсами: +* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - етичні дилеми в різних галузях. +* [Курс з етики в Data Science](https://www.coursera.org/learn/data-science-ethics#syllabus) - аналіз ключових кейсів. +* [Де все пішло не так](https://deon.drivendata.org/examples/) - чекліст Deon з прикладами. + +> 🚨 Подумайте про кейси, які ви бачили - чи ви стикалися або були під впливом подібного етичного виклику у своєму житті? Чи можете ви згадати хоча б один інший кейс, який ілюструє один із етичних викликів, обговорених у цьому розділі? + +## Прикладна етика + +Ми обговорили концепції етики, виклики та кейси в реальних контекстах. Але як почати _застосовувати_ етичні принципи та практики у своїх проєктах? І як _операціоналізувати_ ці практики для кращого управління? Давайте розглянемо деякі реальні рішення: + +### 1. Професійні кодекси + +Професійні кодекси пропонують один із варіантів для організацій "стимулювати" членів підтримувати їхні етичні принципи та місію. Кодекси є _моральними орієнтирами_ для професійної поведінки, допомагаючи співробітникам або членам приймати рішення, які відповідають принципам організації. Вони ефективні настільки, наскільки добровільно дотримуються членами; однак багато організацій пропонують додаткові винагороди та санкції для мотивації дотримання. + +Приклади: + * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Кодекс етики + * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Кодекс поведінки (створений у 2013 році) + * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (з 1993 року) + +> 🚨 Ви є членом професійної інженерної або організації з Data Science? Досліджуйте їхній сайт, щоб дізнатися, чи вони визначають професійний кодекс етики. Що це говорить про їхні етичні принципи? Як вони "стимулюють" членів дотримуватися кодексу? + +### 2. Етичні чеклісти + +Хоча професійні кодекси визначають необхідну _етичну поведінку_ від практиків, вони [мають відомі обмеження](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) у забезпеченні виконання, особливо в масштабних проєктах. Натомість багато експертів з Data Science [рекомендують чеклісти](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), які можуть **з'єднувати принципи з практиками** більш детермінованим і дієвим способом. + +Чеклісти перетворюють питання на "так/ні" завдання, які можна операціоналізувати, дозволяючи їх відстежувати як частину стандартних робочих процесів випуску продукту. + +Приклади: + * [Deon](https://deon.drivendata.org/) - універсальний чекліст етики даних, створений на основі [рекомендацій галузі](https://deon.drivendata.org/#checklist-citations) з інструментом командного рядка для легкої інтеграції. + * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - надає загальні рекомендації щодо практик обробки інформації з юридичної та соціальної точки зору. + * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - створений практиками AI для підтримки впровадження перевірок справедливості в цикли розробки AI. + * [22 питання для етики в даних та AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - більш відкритий формат, структурований для початкового дослідження етичних питань у дизайні, впровадженні та організаційних контекстах. + +### 3. Етичні регуляції + +Етика стосується визначення спільних цінностей і добровільного виконання "правильних речей". **Дотримання** стосується _виконання закону_, якщо він визначений. **Управління** охоплює всі способи, якими організації працюють для забезпечення етичних принципів і дотримання встановлених законів. + +Сьогодні управління має дві форми в організаціях. По-перше, це визначення принципів **етичного AI** і встановлення практик для операціоналізації впровадження у всіх проєктах, пов'язаних з AI, в організації. По-друге, це дотримання всіх урядових регуляцій щодо **захисту даних**, які діють у регіонах, де організація працює. + +Приклади регуляцій щодо захисту даних і конфіденційності: + * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - регулює _федеральний уряд_ щодо збору, використання та розкриття персональної інформації. + * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - захищає персональні медичні дані. + * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - захищає конфіденційність даних дітей до 13 років. + * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - забезпечує права користувачів, захист даних і конфіденційність. + * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - надає споживачам більше _прав_ щодо їхніх (персональних) даних. + * `2021`, Китайський [Закон про захист персональної інформації](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) щойно прийнятий, створюючи один із найсильніших регуляцій щодо конфіденційності даних онлайн у світі. + +> 🚨 Європейський Союз визначив GDPR (General Data Protection Regulation), який залишається одним із найвпливовіших регуляцій щодо конфіденційності даних сьогодні. Чи знали ви, що він також визначає [8 прав користувачів](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) для захисту цифрової конфіденційності та персональних даних громадян? Дізнайтеся, що це за права і чому вони важливі. + +### 4. Культура етики + +Зверніть увагу, що залишається невловима різниця між _дотриманням_ (виконанням "букви закону") і вирішенням [системних проблем](https://www.coursera.org/learn/data-science-ethics/home/week/4) (таких як закостенілість, інформаційна асиметрія та розподільна несправедливість), які можуть прискорити використання AI у шкідливих цілях. + +Останнє вимагає [спільних підходів до визначення культури етики](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f), які створюють емоційні зв'язки та послідовні спільні цінності _в організаціях_ галузі. Це закликає до більш [формалізованих культур етики даних](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) в організаціях - дозволяючи _будь-кому_ [потягнути шнур Андон](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (щоб підняти етичні питання на ранніх етапах процесу) і роблячи _етичні оцінки_ (наприклад, при наймі) основним критерієм формування команд у проєктах AI. + +--- +## [Післялекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯 +## Огляд і самостійне навчання + +Курси та книги допомагають зрозуміти основні концепції етики та виклики, а кейси та інструменти допомагають із практикою прикладної етики в реальних контекстах. Ось кілька ресурсів для початку: + +* [Machine Learning For Beginners](https://github +* [Принципи відповідального штучного інтелекту](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - безкоштовний навчальний курс від Microsoft Learn. +* [Етика та наука про дані](https://resources.oreilly.com/examples/0636920203964) - електронна книга від O'Reilly (М. Лоукідес, Х. Мейсон та ін.). +* [Етика в науці про дані](https://www.coursera.org/learn/data-science-ethics#syllabus) - онлайн-курс від Мічиганського університету. +* [Етика в дії](https://ethicsunwrapped.utexas.edu/case-studies) - кейс-стадії від Техаського університету. + +# Завдання + +[Напишіть кейс-стадію з етики даних](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/02-ethics/assignment.md b/translations/uk/1-Introduction/02-ethics/assignment.md new file mode 100644 index 00000000..44ddaee7 --- /dev/null +++ b/translations/uk/1-Introduction/02-ethics/assignment.md @@ -0,0 +1,35 @@ + +## Напишіть кейс-стаді з етики даних + +## Інструкції + +Ви ознайомилися з різними [Викликами етики даних](README.md#2-ethics-challenges) і переглянули приклади [Кейс-стаді](README.md#3-case-studies), які відображають виклики етики даних у реальних контекстах. + +У цьому завданні вам потрібно написати власний кейс-стаді, який відображає виклик етики даних з вашого особистого досвіду або з відповідного реального контексту, з яким ви знайомі. Просто дотримуйтесь цих кроків: + +1. `Виберіть виклик етики даних`. Перегляньте [приклади з уроку](README.md#2-ethics-challenges) або досліджуйте онлайн-приклади, такі як [Чекліст Deon](https://deon.drivendata.org/examples/), щоб отримати натхнення. + +2. `Опишіть реальний приклад`. Згадайте ситуацію, про яку ви чули (заголовки новин, дослідницьке дослідження тощо) або яку ви пережили (місцева громада), де виник цей конкретний виклик. Подумайте про питання етики даних, пов’язані з викликом, і обговоріть потенційні шкоди або непередбачені наслідки, які виникають через цю проблему. Бонусні бали: подумайте про потенційні рішення або процеси, які можна застосувати, щоб допомогти усунути або зменшити негативний вплив цього виклику. + +3. `Надайте список пов’язаних ресурсів`. Поділіться одним або кількома ресурсами (посилання на статтю, особистий блог або зображення, онлайн-дослідницьку роботу тощо), щоб довести, що це був реальний випадок. Бонусні бали: поділіться ресурсами, які також демонструють потенційні шкоди та наслідки інциденту або висвітлюють позитивні кроки, зроблені для запобігання його повторенню. + + + +## Рубрика + +Зразковий | Адекватний | Потребує покращення +--- | --- | -- | +Один або більше викликів етики даних визначено.

Кейс-стаді чітко описує реальний інцидент, який відображає цей виклик, і висвітлює небажані наслідки або шкоди, які він спричинив.

Є принаймні один пов’язаний ресурс, який доводить, що це сталося. | Один виклик етики даних визначено.

Принаймні одна відповідна шкода або наслідок обговорюється коротко.

Однак обговорення обмежене або не має доказів реального випадку. | Виклик етики даних визначено.

Однак опис або ресурси недостатньо відображають виклик або не доводять його реальність. | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/03-defining-data/README.md b/translations/uk/1-Introduction/03-defining-data/README.md new file mode 100644 index 00000000..1731b36c --- /dev/null +++ b/translations/uk/1-Introduction/03-defining-data/README.md @@ -0,0 +1,85 @@ + +# Визначення даних + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)| +|:---:| +|Визначення даних - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +Дані — це факти, інформація, спостереження та вимірювання, які використовуються для відкриттів і підтримки обґрунтованих рішень. Точка даних — це окрема одиниця даних у наборі даних, який є колекцією точок даних. Набори даних можуть бути представлені в різних форматах і структурах, зазвичай залежно від джерела, звідки вони походять. Наприклад, щомісячний прибуток компанії може бути у вигляді таблиці, а дані про частоту серцевих скорочень за годину зі смарт-годинника можуть бути у форматі [JSON](https://stackoverflow.com/a/383699). Зазвичай дата-саєнтисти працюють із різними типами даних у межах одного набору даних. + +Цей урок зосереджений на ідентифікації та класифікації даних за їх характеристиками та джерелами. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4) + +## Як описуються дані + +### Сирі дані +Сирі дані — це дані, які надходять із джерела у своєму первісному стані і ще не були проаналізовані чи організовані. Щоб зрозуміти, що відбувається з набором даних, його потрібно організувати у формат, зрозумілий як для людей, так і для технологій, які вони можуть використовувати для подальшого аналізу. Структура набору даних описує, як він організований, і може бути класифікована як структурована, неструктурована або напівструктурована. Ці типи структури варіюються залежно від джерела, але зрештою вписуються в одну з трьох категорій. + +### Кількісні дані +Кількісні дані — це числові спостереження в наборі даних, які зазвичай можна аналізувати, вимірювати та використовувати математично. Деякі приклади кількісних даних: населення країни, зріст людини або квартальний прибуток компанії. З додатковим аналізом кількісні дані можуть бути використані для виявлення сезонних тенденцій індексу якості повітря (AQI) або оцінки ймовірності заторів у години пік у типовий робочий день. + +### Якісні дані +Якісні дані, також відомі як категорійні дані, — це дані, які не можна виміряти об’єктивно, як кількісні спостереження. Зазвичай це різні формати суб’єктивних даних, які відображають якість чогось, наприклад продукту чи процесу. Іноді якісні дані є числовими, але зазвичай не використовуються математично, як-от телефонні номери чи часові мітки. Деякі приклади якісних даних: коментарі до відео, марка та модель автомобіля або улюблений колір ваших найближчих друзів. Якісні дані можуть бути використані для розуміння, які продукти споживачам подобаються найбільше, або для визначення популярних ключових слів у резюме для подачі на роботу. + +### Структуровані дані +Структуровані дані — це дані, організовані в рядки та стовпці, де кожен рядок має однаковий набір стовпців. Стовпці представляють значення певного типу та ідентифікуються за назвою, яка описує, що представляє значення, тоді як рядки містять фактичні значення. Стовпці часто мають певний набір правил або обмежень щодо значень, щоб гарантувати, що значення точно представляють стовпець. Наприклад, уявіть таблицю клієнтів, де кожен рядок повинен містити номер телефону, а номери телефонів ніколи не містять алфавітних символів. Можуть бути застосовані правила до стовпця з номерами телефонів, щоб переконатися, що він ніколи не порожній і містить лише цифри. + +Перевага структурованих даних полягає в тому, що їх можна організувати таким чином, щоб вони були пов’язані з іншими структурованими даними. Однак через те, що дані спроектовані для організації певним чином, внесення змін до їх загальної структури може вимагати значних зусиль. Наприклад, додавання стовпця електронної пошти до таблиці клієнтів, який не може бути порожнім, означає, що вам потрібно буде вирішити, як додати ці значення до існуючих рядків клієнтів у наборі даних. + +Приклади структурованих даних: таблиці, реляційні бази даних, номери телефонів, банківські виписки. + +### Неструктуровані дані +Неструктуровані дані зазвичай не можуть бути категоризовані в рядки чи стовпці та не містять формату чи набору правил для дотримання. Оскільки неструктуровані дані мають менше обмежень щодо своєї структури, додавати нову інформацію до них легше порівняно зі структурованим набором даних. Якщо датчик, який фіксує дані про барометричний тиск кожні 2 хвилини, отримав оновлення, яке тепер дозволяє йому вимірювати та записувати температуру, це не потребує зміни існуючих даних, якщо вони неструктуровані. Однак це може ускладнити аналіз або дослідження таких даних. Наприклад, вчений хоче знайти середню температуру за попередній місяць за даними датчика, але виявляє, що датчик записав "e" у деяких своїх даних, щоб позначити, що він був несправний, замість типового числа, що означає, що дані неповні. + +Приклади неструктурованих даних: текстові файли, текстові повідомлення, відеофайли. + +### Напівструктуровані дані +Напівструктуровані дані мають характеристики, які роблять їх комбінацією структурованих і неструктурованих даних. Вони зазвичай не відповідають формату рядків і стовпців, але організовані таким чином, що вважаються структурованими, і можуть дотримуватися фіксованого формату або набору правил. Структура варіюється залежно від джерел, наприклад, від чітко визначеної ієрархії до більш гнучкої, яка дозволяє легко інтегрувати нову інформацію. Метадані — це індикатори, які допомагають вирішити, як дані організовані та зберігаються, і мають різні назви залежно від типу даних. Деякі загальні назви для метаданих: теги, елементи, сутності та атрибути. Наприклад, типове електронне повідомлення матиме тему, текст і набір отримувачів і може бути організоване за тим, кому або коли воно було надіслане. + +Приклади напівструктурованих даних: HTML, файли CSV, JavaScript Object Notation (JSON). + +## Джерела даних + +Джерело даних — це початкове місце, де дані були створені або де вони "живуть", і варіюється залежно від того, як і коли вони були зібрані. Дані, створені їх користувачами, називаються первинними даними, тоді як вторинні дані надходять із джерела, яке зібрало дані для загального використання. Наприклад, група вчених, які збирають спостереження в тропічному лісі, вважатиметься первинним джерелом, а якщо вони вирішать поділитися ними з іншими вченими, це буде вторинним джерелом для тих, хто їх використовує. + +Бази даних є поширеним джерелом і покладаються на систему управління базами даних для розміщення та підтримки даних, де користувачі використовують команди, які називаються запитами, для дослідження даних. Файли як джерела даних можуть бути аудіо-, зображеннями та відеофайлами, а також таблицями, такими як Excel. Інтернет-джерела є поширеним місцем для розміщення даних, де можна знайти як бази даних, так і файли. Інтерфейси програмування додатків, також відомі як API, дозволяють програмістам створювати способи обміну даними з зовнішніми користувачами через Інтернет, тоді як процес веб-скрапінгу витягує дані з веб-сторінки. [Уроки в розділі Робота з даними](../../../../../../../../../2-Working-With-Data) зосереджені на тому, як використовувати різні джерела даних. + +## Висновок + +У цьому уроці ми дізналися: + +- Що таке дані +- Як описуються дані +- Як дані класифікуються та категоризуються +- Де можна знайти дані + +## 🚀 Виклик + +Kaggle — чудове джерело відкритих наборів даних. Використовуйте [інструмент пошуку наборів даних](https://www.kaggle.com/datasets), щоб знайти кілька цікавих наборів даних і класифікувати 3-5 наборів даних за такими критеріями: + +- Чи є дані кількісними чи якісними? +- Чи є дані структурованими, неструктурованими чи напівструктурованими? + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5) + +## Огляд і самостійне навчання + +- Цей модуль Microsoft Learn під назвою [Класифікуйте ваші дані](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) містить детальний огляд структурованих, напівструктурованих і неструктурованих даних. + +## Завдання + +[Класифікація наборів даних](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/03-defining-data/assignment.md b/translations/uk/1-Introduction/03-defining-data/assignment.md new file mode 100644 index 00000000..06332871 --- /dev/null +++ b/translations/uk/1-Introduction/03-defining-data/assignment.md @@ -0,0 +1,79 @@ + +# Класифікація наборів даних + +## Інструкції + +Виконайте завдання, щоб визначити та класифікувати дані за одним із наступних типів: + +**Типи структури**: Структуровані, Напівструктуровані або Неструктуровані + +**Типи значень**: Якісні або Кількісні + +**Типи джерел**: Первинні або Вторинні + +1. Компанія була придбана і тепер має материнську компанію. Науковці з даних отримали електронну таблицю з номерами телефонів клієнтів від материнської компанії. + +Тип структури: + +Тип значень: + +Тип джерела: + +--- + +2. Смарт-годинник збирає дані про частоту серцевих скорочень свого власника, і необроблені дані знаходяться у форматі JSON. + +Тип структури: + +Тип значень: + +Тип джерела: + +--- + +3. Опитування на робочому місці щодо морального стану працівників, яке зберігається у файлі CSV. + +Тип структури: + +Тип значень: + +Тип джерела: + +--- + +4. Астрофізики отримують доступ до бази даних галактик, зібраної космічним зондом. Дані містять кількість планет у кожній галактиці. + +Тип структури: + +Тип значень: + +Тип джерела: + +--- + +5. Додаток для управління фінансами використовує API для підключення до фінансових рахунків користувача, щоб розрахувати його чисту вартість. Користувач може бачити всі свої транзакції у форматі рядків і стовпців, що виглядає схоже на електронну таблицю. + +Тип структури: + +Тип значень: + +Тип джерела: + +## Рубрика + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Правильно визначає всі типи структури, значень і джерел | Правильно визначає 3 всі типи структури, значень і джерел | Правильно визначає 2 або менше всі типи структури, значень і джерел | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/04-stats-and-probability/README.md b/translations/uk/1-Introduction/04-stats-and-probability/README.md new file mode 100644 index 00000000..c2c7895b --- /dev/null +++ b/translations/uk/1-Introduction/04-stats-and-probability/README.md @@ -0,0 +1,276 @@ + +# Короткий вступ до статистики та теорії ймовірностей + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)| +|:---:| +| Статистика та ймовірності - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +Статистика та теорія ймовірностей — це дві тісно пов’язані галузі математики, які мають велике значення для науки про дані. Можна працювати з даними без глибоких знань математики, але все ж краще знати хоча б основні поняття. Тут ми представимо короткий вступ, який допоможе вам розпочати. + +[![Вступне відео](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.uk.png)](https://youtu.be/Z5Zy85g4Yjw) + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) + +## Ймовірність та випадкові змінні + +**Ймовірність** — це число між 0 і 1, яке виражає, наскільки ймовірною є **подія**. Вона визначається як кількість позитивних результатів (які ведуть до події), поділена на загальну кількість результатів, за умови, що всі результати однаково ймовірні. Наприклад, коли ми кидаємо кубик, ймовірність отримати парне число дорівнює 3/6 = 0.5. + +Коли ми говоримо про події, ми використовуємо **випадкові змінні**. Наприклад, випадкова змінна, яка представляє число, отримане при киданні кубика, може приймати значення від 1 до 6. Множина чисел від 1 до 6 називається **простором вибірки**. Ми можемо говорити про ймовірність того, що випадкова змінна прийме певне значення, наприклад P(X=3)=1/6. + +Випадкова змінна в попередньому прикладі називається **дискретною**, тому що вона має рахунковий простір вибірки, тобто є окремі значення, які можна перелічити. Є випадки, коли простір вибірки — це діапазон дійсних чисел або весь набір дійсних чисел. Такі змінні називаються **неперервними**. Хорошим прикладом є час прибуття автобуса. + +## Розподіл ймовірностей + +У випадку дискретних випадкових змінних легко описати ймовірність кожної події за допомогою функції P(X). Для кожного значення *s* з простору вибірки *S* вона дасть число від 0 до 1, таке, що сума всіх значень P(X=s) для всіх подій дорівнюватиме 1. + +Найвідоміший дискретний розподіл — це **рівномірний розподіл**, у якому є простір вибірки з N елементів, з однаковою ймовірністю 1/N для кожного з них. + +Описати розподіл ймовірностей неперервної змінної, значення якої беруться з деякого інтервалу [a,b] або всього набору дійсних чисел ℝ, складніше. Розглянемо випадок часу прибуття автобуса. Насправді, для кожного точного часу прибуття *t* ймовірність того, що автобус прибуде саме в цей час, дорівнює 0! + +> Тепер ви знаєте, що події з ймовірністю 0 трапляються, і дуже часто! Принаймні кожного разу, коли прибуває автобус! + +Ми можемо говорити лише про ймовірність того, що змінна потрапить у заданий інтервал значень, наприклад P(t1≤X2). У цьому випадку розподіл ймовірностей описується **функцією щільності ймовірностей** p(x), такою, що + +![P(t_1\le X1, x2, ..., xn. Ми можемо визначити **середнє** (або **арифметичне середнє**) значення послідовності традиційним способом як (x1+x2+xn)/n. Зі збільшенням розміру вибірки (тобто при n→∞) ми отримаємо середнє (також називається **математичним очікуванням**) розподілу. Ми позначимо математичне очікування як **E**(x). + +> Можна показати, що для будь-якого дискретного розподілу зі значеннями {x1, x2, ..., xN} і відповідними ймовірностями p1, p2, ..., pN, математичне очікування дорівнюватиме E(X)=x1p1+x2p2+...+xNpN. + +Щоб визначити, наскільки значення розкидані, ми можемо обчислити дисперсію σ2 = ∑(xi - μ)2/n, де μ — середнє значення послідовності. Значення σ називається **стандартним відхиленням**, а σ2 — **дисперсією**. + +## Мода, медіана та квартилі + +Іноді середнє значення неадекватно представляє "типове" значення для даних. Наприклад, коли є кілька екстремальних значень, які повністю виходять за межі, вони можуть вплинути на середнє. Іншим хорошим показником є **медіана**, значення, таке, що половина точок даних нижче нього, а інша половина — вище. + +Щоб допомогти нам зрозуміти розподіл даних, корисно говорити про **квартилі**: + +* Перший квартиль, або Q1, — це значення, таке, що 25% даних нижче нього +* Третій квартиль, або Q3, — це значення, таке, що 75% даних нижче нього + +Графічно ми можемо представити співвідношення між медіаною та квартилями в діаграмі, яка називається **боксплот**: + + + +Тут ми також обчислюємо **міжквартильний розмах** IQR=Q3-Q1 і так звані **викиди** — значення, які лежать за межами [Q1-1.5*IQR,Q3+1.5*IQR]. + +Для скінченного розподілу, який містить невелику кількість можливих значень, хорошим "типовим" значенням є те, яке зустрічається найчастіше, і це називається **модою**. Її часто застосовують до категорійних даних, таких як кольори. Розглянемо ситуацію, коли є дві групи людей — одні, які сильно віддають перевагу червоному, і інші, які віддають перевагу синьому. Якщо ми кодуємо кольори числами, середнє значення для улюбленого кольору буде десь у спектрі помаранчево-зеленого, що не відображає реальних уподобань жодної групи. Однак мода буде або одним із кольорів, або обома кольорами, якщо кількість людей, які голосують за них, однакова (у цьому випадку ми називаємо вибірку **мультимодальною**). + +## Дані з реального світу + +Коли ми аналізуємо дані з реального життя, вони часто не є випадковими змінними в тому сенсі, що ми не проводимо експерименти з невідомим результатом. Наприклад, розглянемо команду бейсболістів і їхні фізичні дані, такі як зріст, вага та вік. Ці числа не зовсім випадкові, але ми все одно можемо застосувати ті самі математичні поняття. Наприклад, послідовність ваг людей можна вважати послідовністю значень, взятих із деякої випадкової змінної. Нижче наведено послідовність ваг реальних бейсболістів із [Головної ліги бейсболу](http://mlb.mlb.com/index.jsp), взята з [цього набору даних](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (для вашої зручності показано лише перші 20 значень): + +``` +[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] +``` + +> **Примітка**: Щоб побачити приклад роботи з цим набором даних, перегляньте [супровідний ноутбук](notebook.ipynb). У цьому уроці також є кілька завдань, які ви можете виконати, додавши трохи коду до цього ноутбука. Якщо ви не впевнені, як працювати з даними, не хвилюйтеся — ми повернемося до роботи з даними за допомогою Python пізніше. Якщо ви не знаєте, як виконувати код у Jupyter Notebook, перегляньте [цю статтю](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +Ось боксплот, що показує середнє, медіану та квартилі для наших даних: + +![Боксплот ваги](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.uk.png) + +Оскільки наші дані містять інформацію про різні **ролі** гравців, ми також можемо побудувати боксплот за ролями — це дозволить нам зрозуміти, як значення параметрів відрізняються залежно від ролей. Цього разу ми розглянемо зріст: + +![Боксплот за ролями](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.uk.png) + +Ця діаграма показує, що, в середньому, зріст перших бейсменів вищий за зріст других бейсменів. Пізніше в цьому уроці ми дізнаємося, як можна більш формально перевірити цю гіпотезу і як продемонструвати, що наші дані статистично значущі для цього. + +> Працюючи з даними з реального світу, ми припускаємо, що всі точки даних — це вибірки, взяті з деякого розподілу ймовірностей. Це припущення дозволяє нам застосовувати техніки машинного навчання та створювати робочі моделі прогнозування. + +Щоб побачити, який розподіл мають наші дані, ми можемо побудувати графік, який називається **гістограмою**. Вісь X міститиме кількість різних інтервалів ваги (так званих **бінів**), а вертикальна вісь показуватиме кількість разів, коли вибірка нашої випадкової змінної потрапляла в заданий інтервал. + +![Гістограма даних з реального світу](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.uk.png) + +З цієї гістограми видно, що всі значення зосереджені навколо певної середньої ваги, і чим далі ми відходимо від цієї ваги, тим менше зустрічається ваг із таким значенням. Тобто дуже малоймовірно, що вага бейсболіста буде дуже відрізнятися від середньої ваги. Дисперсія ваг показує, наскільки ваги, ймовірно, відрізнятимуться від середньої. + +> Якщо ми візьмемо ваги інших людей, не з бейсбольної ліги, розподіл, ймовірно, буде іншим. Однак форма розподілу залишиться такою самою, але середнє значення та дисперсія зміняться. Тому, якщо ми навчимо нашу модель на бейсболістах, вона, ймовірно, дасть неправильні результати, коли буде застосована до студентів університету, оскільки базовий розподіл буде іншим. + +## Нормальний розподіл + +Розподіл ваг, який ми бачили вище, є дуже типовим, і багато вимірювань із реального світу мають той самий тип розподілу, але з різними середнім значенням і дисперсією. Цей розподіл називається **нормальним розподілом**, і він відіграє дуже важливу роль у статистиці. + +Використання нормального розподілу — це правильний спосіб генерувати випадкові ваги потенційних бейсболістів. Як тільки ми знаємо середню вагу `mean` і стандартне відхилення `std`, ми можемо згенерувати 1000 вибірок ваг наступним чином: +```python +samples = np.random.normal(mean,std,1000) +``` + +Якщо ми побудуємо гістограму згенерованих вибірок, ми побачимо картину, дуже схожу на ту, що показана вище. А якщо ми збільшимо кількість вибірок і кількість бінів, ми можемо створити картину нормального розподілу, яка буде ближчою до ідеальної: + +![Нормальний розподіл із середнім=0 та стандартним відхиленням=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.uk.png) + +*Нормальний розподіл із середнім=0 та стандартним відхиленням=1* + +## Довірчі інтервали + +Коли ми говоримо про ваги бейсболістів, ми припускаємо, що існує певна **випадкова змінна W**, яка відповідає ідеальному розподілу ймовірностей ваг усіх бейсболістів (так званої **популяції**). Наша послідовність ваг відповідає підмножині всіх бейсболістів, яку ми називаємо **вибіркою**. Цікаве питання: чи можемо ми знати параметри розподілу W, тобто середнє значення та дисперсію популяції? + +Найпростіша відповідь — обчислити середнє значення та дисперсію нашої вибірки. Однак може статися так, що наша випадкова вибірка не точно представляє всю популяцію. Тому має сенс говорити про **довірчий інтервал**. +> **Довірчий інтервал** — це оцінка справжнього середнього значення генеральної сукупності на основі нашої вибірки, яка є точною з певною ймовірністю (або **рівнем довіри**). +Припустимо, у нас є вибірка X1, ..., Xn з нашого розподілу. Кожного разу, коли ми беремо вибірку з розподілу, ми отримуємо різне середнє значення μ. Таким чином, μ можна вважати випадковою величиною. **Довірчий інтервал** з довірою p — це пара значень (Lp,Rp), таких що **P**(Lp≤μ≤Rp) = p, тобто ймовірність того, що виміряне середнє значення потрапить у цей інтервал, дорівнює p. + +Детальний розгляд того, як обчислюються ці довірчі інтервали, виходить за межі нашого короткого вступу. Додаткову інформацію можна знайти [у Вікіпедії](https://en.wikipedia.org/wiki/Confidence_interval). Коротко кажучи, ми визначаємо розподіл обчисленого середнього вибірки відносно істинного середнього генеральної сукупності, який називається **розподілом Стьюдента**. + +> **Цікавий факт**: Розподіл Стьюдента названо на честь математика Вільяма Сілі Госета, який опублікував свою роботу під псевдонімом "Стьюдент". Він працював у пивоварні Guinness, і, за однією з версій, його роботодавець не хотів, щоб широка громадськість знала, що вони використовують статистичні тести для визначення якості сировини. + +Якщо ми хочемо оцінити середнє значення μ нашої генеральної сукупності з довірою p, нам потрібно взяти *(1-p)/2-й процентиль* розподілу Стьюдента A, який можна знайти в таблицях або обчислити за допомогою вбудованих функцій статистичного програмного забезпечення (наприклад, Python, R тощо). Тоді інтервал для μ буде заданий як X±A*D/√n, де X — отримане середнє вибірки, D — стандартне відхилення. + +> **Примітка**: Ми також опускаємо обговорення важливого поняття [ступенів свободи](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), яке є важливим у контексті розподілу Стьюдента. Ви можете звернутися до більш повних книг зі статистики, щоб глибше зрозуміти це поняття. + +Приклад обчислення довірчого інтервалу для ваги та зросту наведено в [супровідних блокнотах](notebook.ipynb). + +| p | Середня вага | +|------|--------------| +| 0.85 | 201.73±0.94 | +| 0.90 | 201.73±1.08 | +| 0.95 | 201.73±1.28 | + +Зверніть увагу, що чим вища ймовірність довіри, тим ширший довірчий інтервал. + +## Перевірка гіпотез + +У нашому наборі даних про бейсболістів є різні ролі гравців, які можна підсумувати нижче (див. [супровідний блокнот](notebook.ipynb), щоб побачити, як обчислюється ця таблиця): + +| Роль | Зріст | Вага | Кількість | +|-------------------|------------|------------|-----------| +| Ловці | 72.723684 | 204.328947 | 76 | +| Призначені б'ючі | 74.222222 | 220.888889 | 18 | +| Перші базові | 74.000000 | 213.109091 | 55 | +| Аутфілдери | 73.010309 | 199.113402 | 194 | +| Рельєфні пітчери | 74.374603 | 203.517460 | 315 | +| Другі базові | 71.362069 | 184.344828 | 58 | +| Шортстопи | 71.903846 | 182.923077 | 52 | +| Стартові пітчери | 74.719457 | 205.163636 | 221 | +| Треті базові | 73.044444 | 200.955556 | 45 | + +Ми можемо помітити, що середній зріст перших базових вищий, ніж у других базових. Таким чином, ми можемо припустити, що **перші базові вищі за других базових**. + +> Це твердження називається **гіпотезою**, тому що ми не знаємо, чи є цей факт дійсно правдивим. + +Однак не завжди очевидно, чи можемо ми зробити такий висновок. З попереднього обговорення ми знаємо, що кожне середнє має відповідний довірчий інтервал, і тому ця різниця може бути просто статистичною похибкою. Нам потрібен більш формальний спосіб перевірки нашої гіпотези. + +Давайте обчислимо довірчі інтервали окремо для зросту перших і других базових: + +| Довіра | Перші базові | Другі базові | +|--------|--------------|--------------| +| 0.85 | 73.62..74.38 | 71.04..71.69 | +| 0.90 | 73.56..74.44 | 70.99..71.73 | +| 0.95 | 73.47..74.53 | 70.92..71.81 | + +Ми бачимо, що за жодного рівня довіри інтервали не перетинаються. Це доводить нашу гіпотезу, що перші базові вищі за других базових. + +Більш формально, проблема, яку ми вирішуємо, полягає в тому, щоб з'ясувати, чи **два розподіли ймовірностей однакові**, або принаймні мають однакові параметри. Залежно від розподілу, для цього потрібно використовувати різні тести. Якщо ми знаємо, що наші розподіли нормальні, ми можемо застосувати **[t-тест Стьюдента](https://en.wikipedia.org/wiki/Student%27s_t-test)**. + +У t-тесті Стьюдента ми обчислюємо так зване **t-значення**, яке вказує на різницю між середніми, враховуючи дисперсію. Доведено, що t-значення підпорядковується **розподілу Стьюдента**, що дозволяє нам отримати порогове значення для заданого рівня довіри **p** (це можна обчислити або знайти в числових таблицях). Потім ми порівнюємо t-значення з цим порогом, щоб підтвердити або відхилити гіпотезу. + +У Python ми можемо використовувати пакет **SciPy**, який включає функцію `ttest_ind` (а також багато інших корисних статистичних функцій!). Вона обчислює t-значення за нас, а також виконує зворотний пошук p-значення довіри, щоб ми могли просто подивитися на довіру для висновків. + +Наприклад, наше порівняння між зростом перших і других базових дає такі результати: +```python +from scipy.stats import ttest_ind + +tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) +print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") +``` +``` +T-value = 7.65 +P-value: 9.137321189738925e-12 +``` +У нашому випадку p-значення дуже низьке, що означає, що є сильні докази на користь того, що перші базові вищі. + +Існують також інші типи гіпотез, які ми можемо перевірити, наприклад: +* Довести, що задана вибірка підпорядковується певному розподілу. У нашому випадку ми припустили, що зріст має нормальний розподіл, але це потребує формальної статистичної перевірки. +* Довести, що середнє значення вибірки відповідає певному заданому значенню. +* Порівняти середні значення кількох вибірок (наприклад, яка різниця в рівнях щастя серед різних вікових груп). + +## Закон великих чисел і центральна гранична теорема + +Однією з причин, чому нормальний розподіл є таким важливим, є так звана **центральна гранична теорема**. Припустимо, у нас є велика вибірка незалежних N значень X1, ..., XN, вибраних із будь-якого розподілу із середнім μ і дисперсією σ2. Тоді, для достатньо великого N (іншими словами, коли N→∞), середнє ΣiXi буде мати нормальний розподіл із середнім μ і дисперсією σ2/N. + +> Інший спосіб інтерпретації центральної граничної теореми полягає в тому, що незалежно від розподілу, коли ви обчислюєте середнє суми будь-яких значень випадкових величин, ви отримуєте нормальний розподіл. + +З центральної граничної теореми також випливає, що, коли N→∞, ймовірність того, що середнє вибірки дорівнює μ, стає 1. Це відомо як **закон великих чисел**. + +## Коваріація та кореляція + +Одним із завдань Data Science є пошук зв’язків між даними. Ми кажемо, що дві послідовності **корелюють**, коли вони демонструють схожу поведінку одночасно, тобто або зростають/зменшуються одночасно, або одна послідовність зростає, коли інша зменшується, і навпаки. Іншими словами, між двома послідовностями, здається, є певний зв’язок. + +> Кореляція не обов’язково вказує на причинно-наслідковий зв’язок між двома послідовностями; іноді обидві змінні можуть залежати від якоїсь зовнішньої причини, або це може бути чисто випадковістю, що дві послідовності корелюють. Однак сильна математична кореляція є хорошим індикатором того, що дві змінні якось пов’язані. + +Математично основним поняттям, яке показує зв’язок між двома випадковими величинами, є **коваріація**, яка обчислюється так: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Ми обчислюємо відхилення обох змінних від їх середніх значень, а потім добуток цих відхилень. Якщо обидві змінні відхиляються разом, добуток завжди буде додатним значенням, яке додасться до додатної коваріації. Якщо обидві змінні відхиляються не синхронно (тобто одна падає нижче середнього, коли інша зростає вище середнього), ми завжди отримаємо від’ємні числа, які додадуться до від’ємної коваріації. Якщо відхилення не залежать одне від одного, вони додадуться приблизно до нуля. + +Абсолютне значення коваріації не дає нам багато інформації про те, наскільки велика кореляція, оскільки воно залежить від величини фактичних значень. Щоб нормалізувати це, ми можемо поділити коваріацію на стандартне відхилення обох змінних, щоб отримати **кореляцію**. Хороша річ у тому, що кореляція завжди знаходиться в діапазоні [-1,1], де 1 вказує на сильну позитивну кореляцію між значеннями, -1 — на сильну негативну кореляцію, а 0 — на відсутність кореляції (змінні незалежні). + +**Приклад**: Ми можемо обчислити кореляцію між вагою та зростом бейсболістів із згаданого вище набору даних: +```python +print(np.corrcoef(weights,heights)) +``` +У результаті ми отримуємо **матрицю кореляції**, подібну до цієї: +``` +array([[1. , 0.52959196], + [0.52959196, 1. ]]) +``` + +> Матриця кореляції C може бути обчислена для будь-якої кількості вхідних послідовностей S1, ..., Sn. Значення Cij — це кореляція між Si і Sj, а діагональні елементи завжди дорівнюють 1 (що також є самокореляцією Si). + +У нашому випадку значення 0.53 вказує на те, що між вагою та зростом людини є певна кореляція. Ми також можемо побудувати діаграму розсіювання одного значення відносно іншого, щоб побачити зв’язок візуально: + +![Зв’язок між вагою та зростом](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.uk.png) + +> Більше прикладів кореляції та коваріації можна знайти в [супровідному блокноті](notebook.ipynb). + +## Висновок + +У цьому розділі ми дізналися: + +* основні статистичні властивості даних, такі як середнє, дисперсія, мода та квартилі +* різні розподіли випадкових величин, включаючи нормальний розподіл +* як знайти кореляцію між різними властивостями +* як використовувати математичний і статистичний апарат для доведення гіпотез +* як обчислювати довірчі інтервали для випадкової величини за вибіркою даних + +Хоча це, безумовно, не вичерпний список тем, які існують у ймовірності та статистиці, цього має бути достатньо, щоб дати вам хороший старт у цьому курсі. + +## 🚀 Виклик + +Використовуйте зразковий код у блокноті, щоб перевірити інші гіпотези: +1. Перші базові старші за других базових +2. Перші базові вищі за третіх базових +3. Шортстопи вищі за других базових + +## [Післялекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7) + +## Огляд і самостійне навчання + +Ймовірність і статистика — це настільки широка тема, що вона заслуговує на окремий курс. Якщо ви хочете глибше зануритися в теорію, вам можуть бути цікаві наступні книги: + +1. [Карлос Фернандес-Гранда](https://cims.nyu.edu/~cfgranda/) з Нью-Йоркського університету має чудові лекційні нотатки [Ймовірність і статистика для науки про дані](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (доступні онлайн) +1. [Пітер і Ендрю Брюс. Практична статистика для науковців з даних.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[зразковий код у R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. +1. [Джеймс Д. Міллер. Статистика для науки про дані](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[зразковий код у R](https://github.com/PacktPublishing/Statistics-for-Data-Science)]. + +## Завдання + +[Маленьке дослідження діабету](assignment.md) + +## Подяки + +Цей урок був створений з ♥️ [Дмитром Сошниковим](http://soshnikov.com) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/04-stats-and-probability/assignment.md b/translations/uk/1-Introduction/04-stats-and-probability/assignment.md new file mode 100644 index 00000000..850d2ca5 --- /dev/null +++ b/translations/uk/1-Introduction/04-stats-and-probability/assignment.md @@ -0,0 +1,40 @@ + +# Невелике дослідження діабету + +У цьому завданні ми працюватимемо з невеликим набором даних пацієнтів із діабетом, взятим [тут](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html). + +| | ВІК | СТАТЬ | ІМТ | АТ | S1 | S2 | S3 | S4 | S5 | S6 | Y | +|---|-----|-------|-----|----|----|----|----|----|----|----|----| +| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 | +| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 | +| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 | +| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... | + +## Інструкції + +* Відкрийте [ноутбук із завданням](assignment.ipynb) у середовищі jupyter notebook +* Виконайте всі завдання, зазначені в ноутбуці, а саме: + * [ ] Обчисліть середні значення та дисперсію для всіх показників + * [ ] Побудуйте графіки-боксплоти для ІМТ, АТ та Y залежно від статі + * [ ] Який розподіл змінних Вік, Стать, ІМТ та Y? + * [ ] Перевірте кореляцію між різними змінними та прогресуванням хвороби (Y) + * [ ] Перевірте гіпотезу, що ступінь прогресування діабету відрізняється між чоловіками та жінками + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Усі необхідні завдання виконані, графічно проілюстровані та пояснені | Більшість завдань виконано, пояснення або висновки з графіків та/або отриманих значень відсутні | Виконано лише базові завдання, такі як обчислення середнього/дисперсії та побудова простих графіків, висновки з даних не зроблені + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/1-Introduction/README.md b/translations/uk/1-Introduction/README.md new file mode 100644 index 00000000..11e372dd --- /dev/null +++ b/translations/uk/1-Introduction/README.md @@ -0,0 +1,31 @@ + +# Вступ до науки про дані + +![дані в дії](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.uk.jpg) +> Фото зроблено Стівеном Доусоном на Unsplash + +У цих уроках ви дізнаєтеся, як визначається наука про дані, а також ознайомитеся з етичними аспектами, які має враховувати спеціаліст з даних. Ви також дізнаєтеся, як визначаються дані, і трохи ознайомитеся зі статистикою та ймовірністю — основними академічними напрямами науки про дані. + +### Теми + +1. [Визначення науки про дані](01-defining-data-science/README.md) +2. [Етика науки про дані](02-ethics/README.md) +3. [Визначення даних](03-defining-data/README.md) +4. [Вступ до статистики та ймовірності](04-stats-and-probability/README.md) + +### Автори + +Ці уроки були написані з ❤️ [Нітією Нарасімхан](https://twitter.com/nitya) та [Дмитром Сошниковим](https://twitter.com/shwars). + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/05-relational-databases/README.md b/translations/uk/2-Working-With-Data/05-relational-databases/README.md new file mode 100644 index 00000000..c2d0e155 --- /dev/null +++ b/translations/uk/2-Working-With-Data/05-relational-databases/README.md @@ -0,0 +1,195 @@ + +# Робота з даними: реляційні бази даних + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)| +|:---:| +| Робота з даними: реляційні бази даних - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +Можливо, ви раніше використовували електронну таблицю для зберігання інформації. У вас був набір рядків і стовпців, де рядки містили інформацію (або дані), а стовпці описували цю інформацію (іноді це називають метаданими). Реляційна база даних побудована на цьому основному принципі стовпців і рядків у таблицях, що дозволяє вам розподіляти інформацію між кількома таблицями. Це дає змогу працювати зі складнішими даними, уникати дублювання та мати гнучкість у способах дослідження даних. Давайте розглянемо концепції реляційної бази даних. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8) + +## Все починається з таблиць + +У центрі реляційної бази даних знаходяться таблиці. Як і в електронній таблиці, таблиця — це набір стовпців і рядків. Рядок містить дані або інформацію, з якою ми хочемо працювати, наприклад, назву міста або кількість опадів. Стовпці описують дані, які вони зберігають. + +Давайте почнемо наше дослідження, створивши таблицю для зберігання інформації про міста. Ми можемо почати з їхньої назви та країни. Ви могли б зберігати це в таблиці наступним чином: + +| Місто | Країна | +| -------- | ------------- | +| Токіо | Японія | +| Атланта | Сполучені Штати | +| Окленд | Нова Зеландія | + +Зверніть увагу, що назви стовпців **місто**, **країна** та **населення** описують дані, які зберігаються, а кожен рядок містить інформацію про одне місто. + +## Недоліки підходу з однією таблицею + +Можливо, наведена вище таблиця здається вам досить знайомою. Давайте додамо додаткові дані до нашої бази даних, що розвивається, — річну кількість опадів (у міліметрах). Ми зосередимося на роках 2018, 2019 і 2020. Якщо ми додамо дані для Токіо, це може виглядати приблизно так: + +| Місто | Країна | Рік | Кількість | +| ----- | ------- | ---- | -------- | +| Токіо | Японія | 2020 | 1690 | +| Токіо | Японія | 2019 | 1874 | +| Токіо | Японія | 2018 | 1445 | + +Що ви помітили в нашій таблиці? Ви могли помітити, що ми дублюємо назву та країну міста знову і знову. Це може займати досить багато місця для зберігання і здебільшого є непотрібним. Адже Токіо має лише одну назву, яка нас цікавить. + +Добре, спробуймо щось інше. Додамо нові стовпці для кожного року: + +| Місто | Країна | 2018 | 2019 | 2020 | +| -------- | ------------- | ---- | ---- | ---- | +| Токіо | Японія | 1445 | 1874 | 1690 | +| Атланта | Сполучені Штати | 1779 | 1111 | 1683 | +| Окленд | Нова Зеландія | 1386 | 942 | 1176 | + +Хоча це дозволяє уникнути дублювання рядків, це додає кілька інших проблем. Нам доведеться змінювати структуру нашої таблиці кожного разу, коли з'являється новий рік. Крім того, коли наші дані зростають, використання років як стовпців ускладнить отримання та обчислення значень. + +Ось чому нам потрібні кілька таблиць і зв’язки між ними. Розділяючи наші дані, ми можемо уникнути дублювання та отримати більше гнучкості в роботі з ними. + +## Концепції зв’язків + +Повернемося до наших даних і визначимо, як ми хочемо їх розділити. Ми знаємо, що хочемо зберігати назву та країну для наших міст, тому це, ймовірно, найкраще працюватиме в одній таблиці. + +| Місто | Країна | +| -------- | ------------- | +| Токіо | Японія | +| Атланта | Сполучені Штати | +| Окленд | Нова Зеландія | + +Але перед тим, як створити наступну таблицю, нам потрібно зрозуміти, як посилатися на кожне місто. Нам потрібен якийсь ідентифікатор, ID або (у технічних термінах баз даних) первинний ключ. Первинний ключ — це значення, яке використовується для ідентифікації одного конкретного рядка в таблиці. Хоча це може бути засновано на самому значенні (наприклад, ми могли б використовувати назву міста), це майже завжди має бути число або інший ідентифікатор. Ми не хочемо, щоб ID змінювався, оскільки це порушить зв’язок. У більшості випадків первинний ключ або ID буде автоматично згенерованим числом. + +> ✅ Первинний ключ часто скорочується як PK + +### міста + +| city_id | Місто | Країна | +| ------- | -------- | ------------- | +| 1 | Токіо | Японія | +| 2 | Атланта | Сполучені Штати | +| 3 | Окленд | Нова Зеландія | + +> ✅ Ви помітите, що ми використовуємо терміни "id" і "первинний ключ" взаємозамінно протягом цього уроку. Ці концепції також застосовуються до DataFrames, які ви досліджуватимете пізніше. DataFrames не використовують термінологію "первинний ключ", однак ви помітите, що вони поводяться дуже схоже. + +Створивши таблицю міст, давайте збережемо дані про опади. Замість дублювання повної інформації про місто ми можемо використовувати ID. Ми також повинні переконатися, що новостворена таблиця має стовпець *id*, оскільки всі таблиці повинні мати ID або первинний ключ. + +### опади + +| rainfall_id | city_id | Рік | Кількість | +| ----------- | ------- | ---- | -------- | +| 1 | 1 | 2018 | 1445 | +| 2 | 1 | 2019 | 1874 | +| 3 | 1 | 2020 | 1690 | +| 4 | 2 | 2018 | 1779 | +| 5 | 2 | 2019 | 1111 | +| 6 | 2 | 2020 | 1683 | +| 7 | 3 | 2018 | 1386 | +| 8 | 3 | 2019 | 942 | +| 9 | 3 | 2020 | 1176 | + +Зверніть увагу на стовпець **city_id** у новоствореній таблиці **опади**. Цей стовпець містить значення, які посилаються на ID у таблиці **міста**. У технічних термінах реляційних даних це називається **зовнішнім ключем**; це первинний ключ з іншої таблиці. Ви можете просто думати про це як про посилання або вказівник. **city_id** 1 посилається на Токіо. + +> [!NOTE] Зовнішній ключ часто скорочується як FK + +## Отримання даних + +Розділивши наші дані на дві таблиці, ви можете запитати, як їх отримати. Якщо ми використовуємо реляційну базу даних, таку як MySQL, SQL Server або Oracle, ми можемо використовувати мову під назвою Structured Query Language або SQL. SQL (іноді вимовляється як "сіквел") — це стандартна мова, яка використовується для отримання та модифікації даних у реляційній базі даних. + +Щоб отримати дані, ви використовуєте команду `SELECT`. У її основі ви **вибираєте** стовпці, які хочете побачити, **з** таблиці, в якій вони містяться. Якщо ви хочете відобразити лише назви міст, ви можете використати наступне: + +```sql +SELECT city +FROM cities; + +-- Output: +-- Tokyo +-- Atlanta +-- Auckland +``` + +`SELECT` — це місце, де ви перераховуєте стовпці, а `FROM` — де ви перераховуєте таблиці. + +> [NOTE] Синтаксис SQL нечутливий до регістру, тобто `select` і `SELECT` означають одне й те саме. Однак, залежно від типу бази даних, яку ви використовуєте, стовпці та таблиці можуть бути чутливими до регістру. Тому найкращою практикою є завжди ставитися до всього в програмуванні так, ніби це чутливе до регістру. Під час написання SQL-запитів загальноприйнято писати ключові слова великими літерами. + +Запит вище відобразить усі міста. Уявімо, що ми хочемо відобразити лише міста в Новій Зеландії. Нам потрібен якийсь фільтр. Ключове слово SQL для цього — `WHERE`, або "де щось є правдою". + +```sql +SELECT city +FROM cities +WHERE country = 'New Zealand'; + +-- Output: +-- Auckland +``` + +## Об’єднання даних + +До цього моменту ми отримували дані з однієї таблиці. Тепер ми хочемо об’єднати дані з таблиць **міста** та **опади**. Це робиться шляхом *об’єднання* їх разом. Ви фактично створите зв’язок між двома таблицями та зіставите значення зі стовпця кожної таблиці. + +У нашому прикладі ми зіставимо стовпець **city_id** у таблиці **опади** зі стовпцем **city_id** у таблиці **міста**. Це дозволить зіставити значення опадів із відповідним містом. Тип об’єднання, який ми виконаємо, називається *внутрішнім* об’єднанням, тобто якщо будь-які рядки не відповідають жодному з іншої таблиці, вони не будуть відображені. У нашому випадку кожне місто має дані про опади, тому все буде відображено. + +Давайте отримаємо дані про опади за 2019 рік для всіх наших міст. + +Ми зробимо це поетапно. Перший крок — об’єднати дані, вказавши стовпці для зв’язку — **city_id**, як зазначено раніше. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +``` + +Ми виділили два стовпці, які нам потрібні, і той факт, що ми хочемо об’єднати таблиці за **city_id**. Тепер ми можемо додати оператор `WHERE`, щоб відфільтрувати лише рік 2019. + +```sql +SELECT cities.city + rainfall.amount +FROM cities + INNER JOIN rainfall ON cities.city_id = rainfall.city_id +WHERE rainfall.year = 2019 + +-- Output + +-- city | amount +-- -------- | ------ +-- Tokyo | 1874 +-- Atlanta | 1111 +-- Auckland | 942 +``` + +## Підсумок + +Реляційні бази даних зосереджені на розподілі інформації між кількома таблицями, які потім об’єднуються для відображення та аналізу. Це забезпечує високий ступінь гнучкості для виконання обчислень та інших маніпуляцій з даними. Ви ознайомилися з основними концепціями реляційної бази даних і тим, як виконати об’єднання між двома таблицями. + +## 🚀 Виклик + +Існує багато реляційних баз даних, доступних в інтернеті. Ви можете досліджувати дані, використовуючи навички, які ви засвоїли вище. + +## Тест після лекції + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9) + +## Огляд і самостійне навчання + +На [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) доступно кілька ресурсів для продовження вашого дослідження SQL і концепцій реляційних баз даних: + +- [Опис концепцій реляційних даних](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum) +- [Початок роботи з запитами в Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL — це версія SQL) +- [Контент SQL на Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum) + +## Завдання + +[Назва завдання](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/05-relational-databases/assignment.md b/translations/uk/2-Working-With-Data/05-relational-databases/assignment.md new file mode 100644 index 00000000..46d2457c --- /dev/null +++ b/translations/uk/2-Working-With-Data/05-relational-databases/assignment.md @@ -0,0 +1,73 @@ + +# Відображення даних про аеропорти + +Вам надано [базу даних](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db), створену на основі [SQLite](https://sqlite.org/index.html), яка містить інформацію про аеропорти. Схема бази даних наведена нижче. Ви будете використовувати [розширення SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) у [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) для відображення інформації про аеропорти різних міст. + +## Інструкції + +Щоб розпочати виконання завдання, вам потрібно виконати кілька кроків. Вам необхідно встановити деякі інструменти та завантажити приклад бази даних. + +### Налаштування системи + +Ви можете використовувати Visual Studio Code та розширення SQLite для взаємодії з базою даних. + +1. Перейдіть на [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) і дотримуйтесь інструкцій для встановлення Visual Studio Code +1. Встановіть [розширення SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum), як зазначено на сторінці Marketplace + +### Завантаження та відкриття бази даних + +Далі вам потрібно завантажити та відкрити базу даних. + +1. Завантажте [файл бази даних з GitHub](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) і збережіть його в каталозі +1. Відкрийте Visual Studio Code +1. Відкрийте базу даних у розширенні SQLite, натиснувши **Ctl-Shift-P** (або **Cmd-Shift-P** на Mac) і ввівши `SQLite: Open database` +1. Виберіть **Choose database from file** і відкрийте файл **airports.db**, який ви завантажили раніше +1. Після відкриття бази даних (на екрані не буде видно змін), створіть нове вікно запиту, натиснувши **Ctl-Shift-P** (або **Cmd-Shift-P** на Mac) і ввівши `SQLite: New query` + +Після відкриття нове вікно запиту можна використовувати для виконання SQL-запитів до бази даних. Ви можете використовувати команду **Ctl-Shift-Q** (або **Cmd-Shift-Q** на Mac) для виконання запитів до бази даних. + +> [!NOTE] Для отримання додаткової інформації про розширення SQLite ви можете ознайомитися з [документацією](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) + +## Схема бази даних + +Схема бази даних — це її дизайн таблиць та структура. База даних **airports** має дві таблиці: `cities`, яка містить список міст у Великій Британії та Ірландії, і `airports`, яка містить список усіх аеропортів. Оскільки деякі міста можуть мати кілька аеропортів, було створено дві таблиці для зберігання інформації. У цьому завданні ви будете використовувати об'єднання таблиць для відображення інформації про різні міста. + +| Міста | +| ----------------- | +| id (PK, integer) | +| city (text) | +| country (text) | + +| Аеропорти | +| -------------------------------- | +| id (PK, integer) | +| name (text) | +| code (text) | +| city_id (FK до id у **Cities**) | + +## Завдання + +Створіть запити для отримання наступної інформації: + +1. усі назви міст у таблиці `Cities` +1. усі міста в Ірландії у таблиці `Cities` +1. усі назви аеропортів разом із їх містом та країною +1. усі аеропорти в Лондоні, Великій Британії + +## Критерії оцінювання + +| Відмінно | Достатньо | Потребує покращення | +| -------- | --------- | ------------------- | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/06-non-relational/README.md b/translations/uk/2-Working-With-Data/06-non-relational/README.md new file mode 100644 index 00000000..10fb217b --- /dev/null +++ b/translations/uk/2-Working-With-Data/06-non-relational/README.md @@ -0,0 +1,158 @@ + +# Робота з даними: Нереляційні дані + +|![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/06-NoSQL.png)| +|:---:| +|Робота з даними NoSQL - _Скетчноут від [@nitya](https://twitter.com/nitya)_| + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10) + +Дані не обмежуються лише реляційними базами даних. У цьому уроці ми зосередимося на нереляційних даних і розглянемо основи роботи з електронними таблицями та NoSQL. + +## Електронні таблиці + +Електронні таблиці є популярним способом зберігання та аналізу даних, оскільки вони потребують мінімальних зусиль для налаштування та початку роботи. У цьому уроці ви дізнаєтеся про основні компоненти електронної таблиці, а також про формули та функції. Приклади будуть ілюстровані за допомогою Microsoft Excel, але більшість частин і тем матимуть схожі назви та кроки в інших програмах для роботи з таблицями. + +![Порожня робоча книга Microsoft Excel з двома робочими аркушами](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.uk.png) + +Електронна таблиця — це файл, який буде доступний у файловій системі комп’ютера, пристрою або хмарній файловій системі. Саме програмне забезпечення може бути браузерним або додатком, який потрібно встановити на комп’ютер чи завантажити як додаток. У Excel ці файли також визначаються як **робочі книги**, і ця термінологія буде використовуватися протягом усього уроку. + +Робоча книга містить один або кілька **робочих аркушів**, кожен з яких позначений вкладками. У робочому аркуші є прямокутники, які називаються **комірками**, і вони містять фактичні дані. Комірка — це перетин рядка та стовпця, де стовпці позначені алфавітними символами, а рядки — числовими. Деякі електронні таблиці містять заголовки в перших кількох рядках, щоб описати дані в комірці. + +З цими базовими елементами робочої книги Excel ми використаємо приклад із [Microsoft Templates](https://templates.office.com/), зосереджений на інвентаризації, щоб розглянути деякі додаткові частини електронної таблиці. + +### Управління інвентарем + +Файл електронної таблиці під назвою "InventoryExample" — це форматована таблиця предметів в інвентарі, яка містить три робочі аркуші, вкладки яких позначені як "Inventory List", "Inventory Pick List" і "Bin Lookup". Рядок 4 робочого аркуша Inventory List є заголовком, який описує значення кожної комірки в заголовковому стовпці. + +![Виділена формула з прикладу списку інвентаря в Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.uk.png) + +Іноді значення комірки залежить від значень інших комірок для генерації свого значення. Електронна таблиця Inventory List відстежує вартість кожного предмета в інвентарі, але що, якщо нам потрібно знати загальну вартість всього інвентаря? [**Формули**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) виконують дії над даними комірок і використовуються для обчислення вартості інвентаря в цьому прикладі. У цій таблиці використовується формула в стовпці Inventory Value для обчислення вартості кожного предмета шляхом множення кількості під заголовком QTY і його вартості під заголовком COST. Подвійне клацання або виділення комірки покаже формулу. Ви помітите, що формули починаються зі знака рівності, за яким слідує обчислення або операція. + +![Виділена функція з прикладу списку інвентаря в Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.uk.png) + +Ми можемо використати іншу формулу, щоб додати всі значення Inventory Value разом і отримати загальну вартість. Це можна обчислити, додаючи кожну комірку, щоб отримати суму, але це може бути виснажливим завданням. Excel має [**функції**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), або попередньо визначені формули для виконання обчислень над значеннями комірок. Функції потребують аргументів, які є необхідними значеннями для виконання цих обчислень. Коли функції потребують більше одного аргументу, їх потрібно перерахувати в певному порядку, інакше функція може не обчислити правильне значення. У цьому прикладі використовується функція SUM, яка використовує значення Inventory Value як аргумент для додавання, щоб отримати загальну суму, зазначену в рядку 3, стовпці B (також відомому як B3). + +## NoSQL + +NoSQL — це загальний термін для різних способів зберігання нереляційних даних і може інтерпретуватися як "не SQL", "нереляційний" або "не тільки SQL". Ці типи систем баз даних можна класифікувати на 4 типи. + +![Графічне представлення сховища даних типу ключ-значення, що показує 4 унікальні числові ключі, які асоціюються з 4 різними значеннями](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.uk.png) +> Джерело: [Блог Michał Białecki](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) + +[Ключ-значення](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) бази даних поєднують унікальні ключі, які є унікальним ідентифікатором, пов’язаним із значенням. Ці пари зберігаються за допомогою [хеш-таблиці](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) із відповідною хеш-функцією. + +![Графічне представлення графової бази даних, що показує зв’язки між людьми, їхніми інтересами та місцями](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.uk.png) +> Джерело: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) + +[Графові](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) бази даних описують зв’язки в даних і представлені як колекція вузлів і ребер. Вузол представляє сутність, щось, що існує в реальному світі, наприклад, студент або банківська виписка. Ребра представляють зв’язок між двома сутностями. Кожен вузол і ребро мають властивості, які надають додаткову інформацію про кожен вузол і ребро. + +![Графічне представлення колонкової бази даних, що показує базу даних клієнтів із двома сімействами колонок під назвами Identity та Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.uk.png) + +[Колонкові](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) сховища даних організовують дані в стовпці та рядки, як реляційна структура даних, але кожен стовпець розділений на групи, які називаються сімейством колонок, де всі дані під одним стовпцем пов’язані та можуть бути отримані або змінені як одна одиниця. + +### Документні сховища даних із Azure Cosmos DB + +[Документні](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) сховища даних базуються на концепції сховища даних типу ключ-значення та складаються з серії полів і об’єктів. У цьому розділі ми дослідимо документні бази даних за допомогою емулятора Cosmos DB. + +База даних Cosmos DB відповідає визначенню "не тільки SQL", де документна база даних Cosmos DB використовує SQL для запитів даних. [Попередній урок](../05-relational-databases/README.md) про SQL охоплює основи мови, і ми зможемо застосувати деякі з тих самих запитів до документної бази даних тут. Ми будемо використовувати емулятор Cosmos DB, який дозволяє створювати та досліджувати документну базу даних локально на комп’ютері. Докладніше про емулятор читайте [тут](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21). + +Документ — це колекція полів і значень об’єктів, де поля описують, що представляє значення об’єкта. Нижче наведено приклад документа. + +```json +{ + "firstname": "Eva", + "age": 44, + "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5", + "_rid": "bHwDAPQz8s0BAAAAAAAAAA==", + "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"", + "_attachments": "attachments/", + "_ts": 1630544034 +} +``` + +Поля, які нас цікавлять у цьому документі: `firstname`, `id` і `age`. Решта полів із підкресленнями були згенеровані Cosmos DB. + +#### Дослідження даних за допомогою емулятора Cosmos DB + +Ви можете завантажити та встановити емулятор [для Windows тут](https://aka.ms/cosmosdb-emulator). Ознайомтеся з цією [документацією](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) для варіантів запуску емулятора на macOS і Linux. + +Емулятор запускає вікно браузера, де у вигляді Explorer можна досліджувати документи. + +![Вигляд Explorer емулятора Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.uk.png) + +Якщо ви слідуєте інструкціям, натисніть "Start with Sample", щоб створити зразкову базу даних під назвою SampleDB. Якщо ви розгорнете SampleDB, натиснувши стрілку, ви знайдете контейнер під назвою `Persons`. Контейнер містить колекцію елементів, які є документами всередині контейнера. Ви можете дослідити чотири окремі документи під `Items`. + +![Дослідження зразкових даних у емуляторі Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.uk.png) + +#### Запити документних даних за допомогою емулятора Cosmos DB + +Ми також можемо виконувати запити до зразкових даних, натиснувши кнопку нового SQL-запиту (друга кнопка зліва). + +`SELECT * FROM c` повертає всі документи в контейнері. Додамо умову WHERE і знайдемо всіх, хто молодший за 40 років. + +`SELECT * FROM c where c.age < 40` + +![Виконання SELECT-запиту до зразкових даних у емуляторі Cosmos DB для пошуку документів, у яких значення поля age менше 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.uk.png) + +Запит повертає два документи, зверніть увагу, що значення age для кожного документа менше 40. + +#### JSON і документи + +Якщо ви знайомі з JavaScript Object Notation (JSON), ви помітите, що документи виглядають схожими на JSON. У цьому каталозі є файл `PersonsData.json` із додатковими даними, які ви можете завантажити в контейнер Persons у емуляторі за допомогою кнопки `Upload Item`. + +У більшості випадків API, які повертають дані у форматі JSON, можуть бути безпосередньо передані та збережені в документних базах даних. Нижче наведено ще один документ, який представляє твіти з облікового запису Microsoft у Twitter, отримані за допомогою API Twitter, а потім вставлені в Cosmos DB. + +```json +{ + "created_at": "2021-08-31T19:03:01.000Z", + "id": "1432780985872142341", + "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK", + "_rid": "dhAmAIUsA4oHAAAAAAAAAA==", + "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/", + "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"", + "_attachments": "attachments/", + "_ts": 1630537000 +``` + +Поля, які нас цікавлять у цьому документі: `created_at`, `id` і `text`. + +## 🚀 Виклик + +У цьому каталозі є файл `TwitterData.json`, який ви можете завантажити в базу даних SampleDB. Рекомендується додати його до окремого контейнера. Це можна зробити наступним чином: + +1. Натисніть кнопку нового контейнера у верхньому правому куті. +1. Виберіть існуючу базу даних (SampleDB), створіть ідентифікатор контейнера. +1. Встановіть ключ розділу як `/id`. +1. Натисніть OK (можна ігнорувати решту інформації в цьому вигляді, оскільки це невеликий набір даних, який працює локально на вашому комп’ютері). +1. Відкрийте новий контейнер і завантажте файл Twitter Data за допомогою кнопки `Upload Item`. + +Спробуйте виконати кілька SELECT-запитів, щоб знайти документи, які містять слово "Microsoft" у полі text. Підказка: спробуйте використати [ключове слово LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character). + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11) + +## Огляд і самостійне навчання + +- У цій електронній таблиці є додаткове форматування та функції, які не розглядаються в цьому уроці. Microsoft має [велику бібліотеку документації та відео](https://support.microsoft.com/excel) про Excel, якщо ви хочете дізнатися більше. + +- Ця архітектурна документація описує характеристики різних типів нереляційних даних: [Нереляційні дані та NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data). + +- Cosmos DB — це хмарна нереляційна база даних, яка також може зберігати різні типи NoSQL, згадані в цьому уроці. Дізнайтеся більше про ці типи в цьому [модулі Microsoft Learn про Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/). + +## Завдання + +[Soda Profits](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/06-non-relational/assignment.md b/translations/uk/2-Working-With-Data/06-non-relational/assignment.md new file mode 100644 index 00000000..f3ce6ba4 --- /dev/null +++ b/translations/uk/2-Working-With-Data/06-non-relational/assignment.md @@ -0,0 +1,33 @@ + +# Прибутки від продажу соди + +## Інструкції + +У [електронній таблиці Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) бракує деяких розрахунків. Ваше завдання: + +1. Розрахувати валовий прибуток за фінансові роки '15, '16, '17 і '18 + - Валовий прибуток = Операційний дохід - Вартість проданих товарів +1. Розрахувати середнє значення всіх валових прибутків. Спробуйте зробити це за допомогою функції. + - Середнє значення = Сума валових прибутків, поділена на кількість фінансових років (10) + - Документація щодо [функції AVERAGE](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) +1. Це файл Excel, але його можна редагувати в будь-якій платформі для роботи з електронними таблицями + +[Джерело даних: Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel) + +## Критерії оцінювання + +Відмінно | Задовільно | Потребує покращення +--- | --- | --- | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/07-python/README.md b/translations/uk/2-Working-With-Data/07-python/README.md new file mode 100644 index 00000000..f063dc14 --- /dev/null +++ b/translations/uk/2-Working-With-Data/07-python/README.md @@ -0,0 +1,290 @@ + +# Робота з даними: Python та бібліотека Pandas + +| ![ Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) | +| :-------------------------------------------------------------------------------------------------------: | +| Робота з Python - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +[![Вступне відео](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.uk.png)](https://youtu.be/dZjWOGbsN4Y) + +Хоча бази даних пропонують дуже ефективні способи зберігання даних і запитів до них за допомогою мов запитів, найгнучкішим способом обробки даних є написання власної програми для їх маніпуляції. У багатьох випадках запит до бази даних буде більш ефективним. Однак у деяких випадках, коли потрібна складніша обробка даних, це не завжди легко зробити за допомогою SQL. +Обробка даних може бути запрограмована на будь-якій мові програмування, але є певні мови, які краще підходять для роботи з даними. Дата-сайентисти зазвичай віддають перевагу одній із наступних мов: + +* **[Python](https://www.python.org/)** — універсальна мова програмування, яка часто вважається одним із найкращих варіантів для початківців завдяки своїй простоті. Python має багато додаткових бібліотек, які можуть допомогти вирішити практичні завдання, наприклад, витягти дані з ZIP-архіву або перетворити зображення в градації сірого. Крім науки про дані, Python також часто використовується для веброзробки. +* **[R](https://www.r-project.org/)** — традиційний інструмент, розроблений для статистичної обробки даних. Він також містить великий репозиторій бібліотек (CRAN), що робить його хорошим вибором для обробки даних. Однак R не є універсальною мовою програмування і рідко використовується поза межами науки про дані. +* **[Julia](https://julialang.org/)** — ще одна мова, розроблена спеціально для науки про дані. Вона створена для забезпечення кращої продуктивності, ніж Python, що робить її чудовим інструментом для наукових експериментів. + +У цьому уроці ми зосередимося на використанні Python для простої обробки даних. Ми припускаємо, що ви вже маєте базові знання мови. Якщо ви хочете глибше ознайомитися з Python, зверніться до одного з наступних ресурсів: + +* [Вивчайте Python весело за допомогою Turtle Graphics та фракталів](https://github.com/shwars/pycourse) — швидкий вступний курс на GitHub. +* [Зробіть перші кроки з Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) — навчальний шлях на [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum). + +Дані можуть бути представлені в багатьох формах. У цьому уроці ми розглянемо три форми даних — **табличні дані**, **текст** і **зображення**. + +Ми зосередимося на кількох прикладах обробки даних, замість того щоб надавати повний огляд усіх пов’язаних бібліотек. Це дозволить вам зрозуміти основні можливості та залишить вас із розумінням, де шукати рішення для ваших завдань, коли це буде потрібно. + +> **Найкорисніша порада**. Коли вам потрібно виконати певну операцію з даними, але ви не знаєте, як це зробити, спробуйте пошукати це в інтернеті. [Stackoverflow](https://stackoverflow.com/) зазвичай містить багато корисних прикладів коду на Python для багатьох типових завдань. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12) + +## Табличні дані та DataFrame + +Ви вже зустрічалися з табличними даними, коли ми говорили про реляційні бази даних. Коли у вас є багато даних, і вони містяться в багатьох різних пов’язаних таблицях, безумовно, має сенс використовувати SQL для роботи з ними. Однак є багато випадків, коли у нас є таблиця даних, і нам потрібно отримати **розуміння** або **інсайти** про ці дані, наприклад, розподіл, кореляцію між значеннями тощо. У науці про дані часто потрібно виконувати певні перетворення початкових даних із подальшою візуалізацією. Обидва ці кроки легко виконати за допомогою Python. + +Є дві найкорисніші бібліотеки в Python, які допоможуть вам працювати з табличними даними: +* **[Pandas](https://pandas.pydata.org/)** дозволяє маніпулювати так званими **DataFrame**, які аналогічні реляційним таблицям. Ви можете мати названі стовпці та виконувати різні операції над рядками, стовпцями та DataFrame загалом. +* **[Numpy](https://numpy.org/)** — це бібліотека для роботи з **тензорами**, тобто багатовимірними **масивами**. Масив має значення одного типу, він простіший за DataFrame, але пропонує більше математичних операцій і створює менше накладних витрат. + +Також є кілька інших бібліотек, про які варто знати: +* **[Matplotlib](https://matplotlib.org/)** — бібліотека для візуалізації даних і побудови графіків. +* **[SciPy](https://www.scipy.org/)** — бібліотека з додатковими науковими функціями. Ми вже стикалися з цією бібліотекою, коли говорили про ймовірність і статистику. + +Ось приклад коду, який зазвичай використовується для імпорту цих бібліотек на початку вашої програми на Python: +```python +import numpy as np +import pandas as pd +import matplotlib.pyplot as plt +from scipy import ... # you need to specify exact sub-packages that you need +``` + +Pandas зосереджена на кількох базових концепціях. + +### Series + +**Series** — це послідовність значень, схожа на список або масив numpy. Головна відмінність полягає в тому, що Series також має **індекс**, і коли ми виконуємо операції над Series (наприклад, додаємо їх), індекс враховується. Індекс може бути простим, наприклад, номером рядка (використовується за замовчуванням при створенні Series зі списку або масиву), або мати складну структуру, наприклад, інтервал дат. + +> **Примітка**: У супровідному ноутбуці [`notebook.ipynb`](notebook.ipynb) є вступний код для Pandas. Тут ми лише окреслимо деякі приклади, але ви можете переглянути повний ноутбук. + +Розглянемо приклад: ми хочемо проаналізувати продажі нашого магазину морозива. Давайте створимо Series із числами продажів (кількість проданих одиниць щодня) за певний період часу: + +```python +start_date = "Jan 1, 2020" +end_date = "Mar 31, 2020" +idx = pd.date_range(start_date,end_date) +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() +``` +![Графік часових рядів](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.uk.png) + +Тепер припустимо, що щотижня ми організовуємо вечірку для друзів і беремо додатково 10 упаковок морозива для вечірки. Ми можемо створити ще один Series, індексований за тижнями, щоб це продемонструвати: +```python +additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W")) +``` +Коли ми додаємо два Series разом, ми отримуємо загальну кількість: +```python +total_items = items_sold.add(additional_items,fill_value=0) +total_items.plot() +``` +![Графік часових рядів](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.uk.png) + +> **Примітка**: Ми не використовуємо простий синтаксис `total_items+additional_items`. Якби ми це зробили, ми отримали б багато значень `NaN` (*Not a Number*) у результаті. Це тому, що для деяких індексів у Series `additional_items` відсутні значення, і додавання `NaN` до будь-чого дає `NaN`. Тому під час додавання потрібно вказувати параметр `fill_value`. + +З часовими рядами ми також можемо **перевибірковувати** Series із різними часовими інтервалами. Наприклад, якщо ми хочемо обчислити середній обсяг продажів щомісяця, ми можемо використати наступний код: +```python +monthly = total_items.resample("1M").mean() +ax = monthly.plot(kind='bar') +``` +![Середні значення часових рядів за місяць](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.uk.png) + +### DataFrame + +DataFrame — це, по суті, колекція Series із однаковим індексом. Ми можемо об’єднати кілька Series у DataFrame: +```python +a = pd.Series(range(1,10)) +b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9)) +df = pd.DataFrame([a,b]) +``` +Це створить горизонтальну таблицю такого вигляду: +| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | +| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- | +| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | +| 1 | I | like | to | use | Python | and | Pandas | very | much | + +Ми також можемо використовувати Series як стовпці та задавати назви стовпців за допомогою словника: +```python +df = pd.DataFrame({ 'A' : a, 'B' : b }) +``` +Це дасть нам таблицю такого вигляду: + +| | A | B | +| --- | --- | ------ | +| 0 | 1 | I | +| 1 | 2 | like | +| 2 | 3 | to | +| 3 | 4 | use | +| 4 | 5 | Python | +| 5 | 6 | and | +| 6 | 7 | Pandas | +| 7 | 8 | very | +| 8 | 9 | much | + +**Примітка**: Ми також можемо отримати цей макет таблиці, транспонуючи попередню таблицю, наприклад, написавши: +```python +df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' }) +``` +Тут `.T` означає операцію транспонування DataFrame, тобто зміну рядків і стовпців, а операція `rename` дозволяє перейменувати стовпці, щоб вони відповідали попередньому прикладу. + +Ось кілька найважливіших операцій, які ми можемо виконувати з DataFrame: + +**Вибір стовпців**. Ми можемо вибрати окремі стовпці, написавши `df['A']` — ця операція повертає Series. Ми також можемо вибрати підмножину стовпців у інший DataFrame, написавши `df[['B','A']]` — це повертає інший DataFrame. + +**Фільтрація** лише певних рядків за критеріями. Наприклад, щоб залишити лише рядки зі стовпцем `A`, більшим за 5, ми можемо написати `df[df['A']>5]`. + +> **Примітка**: Фільтрація працює таким чином. Вираз `df['A']<5` повертає булеву серію, яка вказує, чи є вираз `True` або `False` для кожного елемента початкової серії `df['A']`. Коли булева серія використовується як індекс, вона повертає підмножину рядків у DataFrame. Таким чином, неможливо використовувати довільний булевий вираз Python, наприклад, написання `df[df['A']>5 and df['A']<7]` буде неправильним. Натомість слід використовувати спеціальну операцію `&` для булевих серій, написавши `df[(df['A']>5) & (df['A']<7)]` (*дужки тут важливі*). + +**Створення нових обчислюваних стовпців**. Ми можемо легко створювати нові обчислювані стовпці для нашого DataFrame, використовуючи інтуїтивно зрозумілі вирази, наприклад: +```python +df['DivA'] = df['A']-df['A'].mean() +``` +Цей приклад обчислює відхилення `A` від його середнього значення. Насправді ми обчислюємо серію, а потім призначаємо цю серію лівій частині, створюючи інший стовпець. Таким чином, ми не можемо використовувати жодні операції, які не сумісні з серіями, наприклад, наступний код є неправильним: +```python +# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi" +df['LenB'] = len(df['B']) # <- Wrong result +``` +Останній приклад, хоча й синтаксично правильний, дає неправильний результат, оскільки він призначає довжину серії `B` усім значенням у стовпці, а не довжину окремих елементів, як ми мали на увазі. + +Якщо нам потрібно обчислити складні вирази, ми можемо використовувати функцію `apply`. Останній приклад можна записати так: +```python +df['LenB'] = df['B'].apply(lambda x : len(x)) +# or +df['LenB'] = df['B'].apply(len) +``` + +Після виконання наведених вище операцій ми отримаємо такий DataFrame: + +| | A | B | DivA | LenB | +| --- | --- | ------ | ---- | ---- | +| 0 | 1 | I | -4.0 | 1 | +| 1 | 2 | like | -3.0 | 4 | +| 2 | 3 | to | -2.0 | 2 | +| 3 | 4 | use | -1.0 | 3 | +| 4 | 5 | Python | 0.0 | 6 | +| 5 | 6 | and | 1.0 | 3 | +| 6 | 7 | Pandas | 2.0 | 6 | +| 7 | 8 | very | 3.0 | 4 | +| 8 | 9 | much | 4.0 | 4 | + +**Вибір рядків за номерами** можна виконати за допомогою конструкції `iloc`. Наприклад, щоб вибрати перші 5 рядків із DataFrame: +```python +df.iloc[:5] +``` + +**Групування** часто використовується для отримання результату, схожого на *зведені таблиці* в Excel. Припустимо, ми хочемо обчислити середнє значення стовпця `A` для кожного заданого числа `LenB`. Тоді ми можемо згрупувати наш DataFrame за `LenB` і викликати `mean`: +```python +df.groupby(by='LenB').mean() +``` +Якщо нам потрібно обчислити середнє значення та кількість елементів у групі, ми можемо використовувати складнішу функцію `aggregate`: +```python +df.groupby(by='LenB') \ + .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \ + .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'}) +``` +Це дає нам таку таблицю: + +| LenB | Count | Mean | +| ---- | ----- | -------- | +| 1 | 1 | 1.000000 | +| 2 | 1 | 3.000000 | +| 3 | 2 | 5.000000 | +| 4 | 3 | 6.333333 | +| 6 | 2 | 6.000000 | + +### Отримання даних +Ми бачили, як легко створювати Series та DataFrames з об'єктів Python. Однак дані зазвичай надходять у вигляді текстового файлу або таблиці Excel. На щастя, Pandas пропонує простий спосіб завантаження даних з диска. Наприклад, читання файлу CSV так само просто, як це: +```python +df = pd.read_csv('file.csv') +``` +Ми побачимо більше прикладів завантаження даних, включаючи отримання їх із зовнішніх веб-сайтів, у розділі "Виклик". + +### Друк та Візуалізація + +Дослідник даних часто має досліджувати дані, тому важливо мати можливість їх візуалізувати. Коли DataFrame великий, часто ми хочемо просто переконатися, що все робимо правильно, друкуючи перші кілька рядків. Це можна зробити, викликавши `df.head()`. Якщо ви запускаєте це з Jupyter Notebook, він надрукує DataFrame у гарній табличній формі. + +Ми також бачили використання функції `plot` для візуалізації деяких колонок. Хоча `plot` дуже корисний для багатьох завдань і підтримує багато різних типів графіків через параметр `kind=`, ви завжди можете використовувати бібліотеку `matplotlib` для побудови чогось більш складного. Ми детально розглянемо візуалізацію даних у окремих уроках курсу. + +Цей огляд охоплює найважливіші концепції Pandas, однак бібліотека дуже багата, і немає меж тому, що ви можете з нею зробити! Тепер застосуємо ці знання для вирішення конкретної задачі. + +## 🚀 Виклик 1: Аналіз поширення COVID + +Перша проблема, на якій ми зосередимося, — це моделювання епідемічного поширення COVID-19. Для цього ми використаємо дані про кількість інфікованих осіб у різних країнах, надані [Центром системної науки та інженерії](https://systems.jhu.edu/) (CSSE) при [Університеті Джонса Гопкінса](https://jhu.edu/). Набір даних доступний у [цьому репозиторії GitHub](https://github.com/CSSEGISandData/COVID-19). + +Оскільки ми хочемо продемонструвати, як працювати з даними, ми запрошуємо вас відкрити [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) і прочитати його від початку до кінця. Ви також можете виконувати комірки та виконувати завдання, які ми залишили для вас наприкінці. + +![Поширення COVID](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.uk.png) + +> Якщо ви не знаєте, як запускати код у Jupyter Notebook, перегляньте [цю статтю](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). + +## Робота з неструктурованими даними + +Хоча дані дуже часто надходять у табличній формі, у деяких випадках нам потрібно працювати з менш структурованими даними, наприклад, текстом або зображеннями. У цьому випадку, щоб застосувати методи обробки даних, які ми бачили вище, нам потрібно якось **витягти** структуровані дані. Ось кілька прикладів: + +* Витяг ключових слів із тексту та аналіз частоти їх появи +* Використання нейронних мереж для отримання інформації про об'єкти на зображенні +* Отримання інформації про емоції людей із відеопотоку камери + +## 🚀 Виклик 2: Аналіз наукових статей про COVID + +У цьому виклику ми продовжимо тему пандемії COVID і зосередимося на обробці наукових статей на цю тему. Існує [набір даних CORD-19](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) з понад 7000 (на момент написання) статей про COVID, доступних із метаданими та анотаціями (а для приблизно половини з них також надається повний текст). + +Повний приклад аналізу цього набору даних за допомогою когнітивної служби [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) описаний [у цьому блозі](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Ми обговоримо спрощену версію цього аналізу. + +> **NOTE**: Ми не надаємо копію набору даних у цьому репозиторії. Спочатку вам може знадобитися завантажити файл [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) із [цього набору даних на Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Може знадобитися реєстрація на Kaggle. Ви також можете завантажити набір даних без реєстрації [звідси](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), але він включатиме всі повні тексти на додаток до файлу метаданих. + +Відкрийте [`notebook-papers.ipynb`](notebook-papers.ipynb) і прочитайте його від початку до кінця. Ви також можете виконувати комірки та виконувати завдання, які ми залишили для вас наприкінці. + +![Лікування COVID](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.uk.png) + +## Обробка даних зображень + +Останнім часом були розроблені дуже потужні моделі штучного інтелекту, які дозволяють розуміти зображення. Існує багато завдань, які можна вирішити за допомогою попередньо навчених нейронних мереж або хмарних сервісів. Деякі приклади включають: + +* **Класифікація зображень**, яка може допомогти вам категоризувати зображення в одну з попередньо визначених категорій. Ви можете легко навчити власні класифікатори зображень, використовуючи сервіси, такі як [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) +* **Виявлення об'єктів** для визначення різних об'єктів на зображенні. Сервіси, такі як [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), можуть виявляти низку загальних об'єктів, а ви можете навчити модель [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) для виявлення конкретних об'єктів, які вас цікавлять. +* **Виявлення облич**, включаючи визначення віку, статі та емоцій. Це можна зробити за допомогою [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum). + +Усі ці хмарні сервіси можна викликати за допомогою [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), і таким чином їх можна легко інтегрувати у ваш робочий процес дослідження даних. + +Ось кілька прикладів дослідження даних із джерел зображень: +* У блозі [Як вивчати Data Science без програмування](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) ми досліджуємо фотографії з Instagram, намагаючись зрозуміти, що змушує людей ставити більше лайків на фото. Спочатку ми витягуємо якомога більше інформації з фотографій за допомогою [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum), а потім використовуємо [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) для створення інтерпретованої моделі. +* У [Workshop Facial Studies](https://github.com/CloudAdvocacy/FaceStudies) ми використовуємо [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) для витягу емоцій людей на фотографіях із заходів, щоб спробувати зрозуміти, що робить людей щасливими. + +## Висновок + +Незалежно від того, чи у вас вже є структуровані або неструктуровані дані, використовуючи Python, ви можете виконувати всі етапи, пов’язані з обробкою та розумінням даних. Це, мабуть, найгнучкіший спосіб обробки даних, і саме тому більшість дослідників даних використовують Python як свій основний інструмент. Вивчення Python на глибокому рівні — це, мабуть, гарна ідея, якщо ви серйозно ставитеся до своєї подорожі в Data Science! + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13) + +## Огляд та Самостійне Вивчення + +**Книги** +* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662) + +**Онлайн ресурси** +* Офіційний [10 хвилин до Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) туторіал +* [Документація про візуалізацію в Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) + +**Вивчення Python** +* [Вивчайте Python весело з Turtle Graphics та фракталами](https://github.com/shwars/pycourse) +* [Зробіть свої перші кроки з Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Навчальний шлях на [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) + +## Завдання + +[Виконайте більш детальне дослідження даних для викликів вище](assignment.md) + +## Авторство + +Цей урок створено з ♥️ [Дмитром Сошниковим](http://soshnikov.com) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/07-python/assignment.md b/translations/uk/2-Working-With-Data/07-python/assignment.md new file mode 100644 index 00000000..2dfe40e1 --- /dev/null +++ b/translations/uk/2-Working-With-Data/07-python/assignment.md @@ -0,0 +1,37 @@ + +# Завдання з обробки даних у Python + +У цьому завданні ми попросимо вас розширити код, який ми почали розробляти в наших викликах. Завдання складається з двох частин: + +## Моделювання поширення COVID-19 + + - [ ] Побудуйте графіки *R* для 5-6 різних країн на одному графіку для порівняння або використовуючи кілька графіків поруч. + - [ ] Дослідіть, як кількість смертей і одужань корелює з кількістю випадків зараження. + - [ ] Визначте, як довго триває типова хвороба, візуально корелюючи рівень зараження та рівень смертності, і шукаючи певні аномалії. Можливо, вам доведеться розглянути різні країни, щоб це з'ясувати. + - [ ] Розрахуйте рівень смертності та як він змінюється з часом. *Можливо, вам знадобиться врахувати тривалість хвороби в днях, щоб змістити одну часову серію перед виконанням розрахунків.* + +## Аналіз статей про COVID-19 + +- [ ] Побудуйте матрицю спільної появи різних медикаментів і подивіться, які медикаменти часто зустрічаються разом (тобто згадуються в одному абстракті). Ви можете модифікувати код для побудови матриці спільної появи медикаментів і діагнозів. +- [ ] Візуалізуйте цю матрицю за допомогою теплової карти. +- [ ] Як додаткове завдання, візуалізуйте спільну появу медикаментів за допомогою [хордового діаграми](https://en.wikipedia.org/wiki/Chord_diagram). [Ця бібліотека](https://pypi.org/project/chord/) може допомогти вам намалювати хордову діаграму. +- [ ] Як ще одне додаткове завдання, витягніть дозування різних медикаментів (наприклад, **400мг** у *приймати 400мг хлорохіну щодня*) за допомогою регулярних виразів і побудуйте датафрейм, який показує різні дозування для різних медикаментів. **Примітка**: враховуйте числові значення, які знаходяться в близькому текстовому оточенні назви медикаменту. + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Усі завдання виконані, графічно проілюстровані та пояснені, включаючи принаймні одну з двох додаткових цілей | Виконано більше 5 завдань, додаткові цілі не виконані або результати не є зрозумілими | Виконано менше 5 (але більше 3) завдань, візуалізації не допомагають продемонструвати суть + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/08-data-preparation/README.md b/translations/uk/2-Working-With-Data/08-data-preparation/README.md new file mode 100644 index 00000000..8eda32c3 --- /dev/null +++ b/translations/uk/2-Working-With-Data/08-data-preparation/README.md @@ -0,0 +1,346 @@ + +# Робота з даними: Підготовка даних + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)| +|:---:| +|Підготовка даних - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14) + +Залежно від джерела, необроблені дані можуть містити певні невідповідності, які створюють труднощі для аналізу та моделювання. Іншими словами, ці дані можна класифікувати як "брудні", і їх потрібно очистити. У цьому уроці розглядаються техніки очищення та трансформації даних для вирішення проблем із відсутніми, неточними або неповними даними. Теми, які розглядаються в цьому уроці, використовують Python і бібліотеку Pandas і будуть [демонструватися у зошиті](notebook.ipynb) у цій директорії. + +## Важливість очищення даних + +- **Зручність використання та повторного використання**: Коли дані правильно організовані та нормалізовані, їх легше шукати, використовувати та ділитися з іншими. + +- **Послідовність**: У науці про дані часто доводиться працювати з кількома наборами даних, які потрібно об’єднувати. Забезпечення спільної стандартизації кожного окремого набору даних гарантує, що дані залишатимуться корисними після їх об’єднання в один набір. + +- **Точність моделі**: Очищені дані підвищують точність моделей, які на них базуються. + +## Поширені цілі та стратегії очищення + +- **Дослідження набору даних**: Дослідження даних, яке розглядається в [наступному уроці](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), допомагає виявити дані, які потрібно очистити. Візуальне спостереження за значеннями в наборі даних може встановити очікування щодо того, як виглядатиме решта, або дати уявлення про проблеми, які можна вирішити. Дослідження може включати базові запити, візуалізації та вибірки. + +- **Форматування**: Залежно від джерела, дані можуть мати невідповідності у представленні. Це може спричинити проблеми з пошуком і відображенням значень, коли вони є в наборі даних, але неправильно представлені у візуалізаціях або результатах запитів. Поширені проблеми форматування включають усунення пробілів, дат і типів даних. Вирішення питань форматування зазвичай залежить від користувачів даних. Наприклад, стандарти представлення дат і чисел можуть відрізнятися залежно від країни. + +- **Дублювання**: Дані, які мають більше одного входження, можуть спричиняти неточні результати й зазвичай мають бути видалені. Це часто трапляється під час об’єднання двох або більше наборів даних. Однак бувають випадки, коли дублювання в об’єднаних наборах даних містить частини, які можуть надати додаткову інформацію, і їх потрібно зберегти. + +- **Відсутні дані**: Відсутні дані можуть спричиняти неточності, а також слабкі або упереджені результати. Іноді це можна вирішити шляхом "перезавантаження" даних, заповнення відсутніх значень за допомогою обчислень і коду, наприклад Python, або просто видалення значення та відповідних даних. Причини відсутності даних можуть бути різними, і дії, які вживаються для вирішення цієї проблеми, залежать від того, як і чому дані зникли. + +## Дослідження інформації про DataFrame +> **Ціль навчання:** До кінця цього підрозділу ви повинні впевнено знаходити загальну інформацію про дані, що зберігаються в pandas DataFrame. + +Після завантаження даних у pandas вони, швидше за все, будуть у вигляді DataFrame (зверніться до попереднього [уроку](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) для детального огляду). Але якщо набір даних у вашому DataFrame має 60 000 рядків і 400 стовпців, як почати розуміти, з чим ви працюєте? На щастя, [pandas](https://pandas.pydata.org/) надає зручні інструменти для швидкого перегляду загальної інформації про DataFrame, а також перших і останніх кількох рядків. + +Щоб дослідити цю функціональність, ми імпортуємо бібліотеку Python scikit-learn і використаємо знаковий набір даних: **Iris data set**. + +```python +import pandas as pd +from sklearn.datasets import load_iris + +iris = load_iris() +iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names']) +``` +| |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)| +|----------------------------------------|-----------------|----------------|-----------------|----------------| +|0 |5.1 |3.5 |1.4 |0.2 | +|1 |4.9 |3.0 |1.4 |0.2 | +|2 |4.7 |3.2 |1.3 |0.2 | +|3 |4.6 |3.1 |1.5 |0.2 | +|4 |5.0 |3.6 |1.4 |0.2 | + +- **DataFrame.info**: Для початку метод `info()` використовується для виведення зведення про вміст, що міститься в `DataFrame`. Давайте подивимося на цей набір даних: +```python +iris_df.info() +``` +``` +RangeIndex: 150 entries, 0 to 149 +Data columns (total 4 columns): + # Column Non-Null Count Dtype +--- ------ -------------- ----- + 0 sepal length (cm) 150 non-null float64 + 1 sepal width (cm) 150 non-null float64 + 2 petal length (cm) 150 non-null float64 + 3 petal width (cm) 150 non-null float64 +dtypes: float64(4) +memory usage: 4.8 KB +``` +З цього ми знаємо, що набір даних *Iris* має 150 записів у чотирьох стовпцях без відсутніх значень. Усі дані зберігаються як 64-бітні числа з плаваючою комою. + +- **DataFrame.head()**: Далі, щоб перевірити фактичний вміст `DataFrame`, ми використовуємо метод `head()`. Давайте подивимося, як виглядають перші кілька рядків нашого `iris_df`: +```python +iris_df.head() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +0 5.1 3.5 1.4 0.2 +1 4.9 3.0 1.4 0.2 +2 4.7 3.2 1.3 0.2 +3 4.6 3.1 1.5 0.2 +4 5.0 3.6 1.4 0.2 +``` +- **DataFrame.tail()**: І навпаки, щоб перевірити останні кілька рядків `DataFrame`, ми використовуємо метод `tail()`: +```python +iris_df.tail() +``` +``` + sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) +145 6.7 3.0 5.2 2.3 +146 6.3 2.5 5.0 1.9 +147 6.5 3.0 5.2 2.0 +148 6.2 3.4 5.4 2.3 +149 5.9 3.0 5.1 1.8 +``` +> **Висновок:** Навіть просто переглянувши метадані про інформацію в DataFrame або перші й останні кілька значень у ньому, ви можете отримати миттєве уявлення про розмір, форму та вміст даних, з якими ви працюєте. + +## Робота з відсутніми даними +> **Ціль навчання:** До кінця цього підрозділу ви повинні знати, як замінювати або видаляти відсутні значення з DataFrame. + +У більшості випадків набори даних, які ви хочете використовувати (або змушені використовувати), містять відсутні значення. Те, як обробляються відсутні дані, має тонкі компроміси, які можуть вплинути на ваш остаточний аналіз і реальні результати. + +Pandas обробляє відсутні значення двома способами. Перший ви вже бачили в попередніх розділах: `NaN`, або Not a Number. Це спеціальне значення, яке є частиною специфікації IEEE для чисел з плаваючою комою, і воно використовується лише для позначення відсутніх значень з плаваючою комою. + +Для відсутніх значень, окрім чисел з плаваючою комою, pandas використовує об’єкт Python `None`. Хоча може здатися заплутаним, що ви зіткнетеся з двома різними типами значень, які по суті означають одне й те саме, існують обґрунтовані програмні причини для такого вибору дизайну, і на практиці це дозволяє pandas забезпечити хороший компроміс для більшості випадків. Незважаючи на це, і `None`, і `NaN` мають обмеження, які потрібно враховувати щодо їх використання. + +Дізнайтеся більше про `NaN` і `None` у [зошиті](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)! + +- **Виявлення відсутніх значень**: У `pandas` методи `isnull()` і `notnull()` є основними для виявлення відсутніх даних. Обидва повертають булеві маски для ваших даних. Ми будемо використовувати `numpy` для значень `NaN`: +```python +import numpy as np + +example1 = pd.Series([0, np.nan, '', None]) +example1.isnull() +``` +``` +0 False +1 True +2 False +3 True +dtype: bool +``` +Уважно подивіться на результат. Чи щось вас здивувало? Хоча `0` є арифметичним нулем, це все ж таки цілком допустиме ціле число, і pandas розглядає його як таке. `''` трохи складніше. Хоча ми використовували його в Розділі 1 для представлення порожнього рядка, це все ж таки об’єкт рядка, а не представлення нуля з точки зору pandas. + +Тепер давайте перевернемо це й використаємо ці методи так, як ви будете використовувати їх на практиці. Ви можете використовувати булеві маски безпосередньо як індекс ``Series`` або ``DataFrame``, що може бути корисним під час роботи з окремими відсутніми (або наявними) значеннями. + +> **Висновок**: Методи `isnull()` і `notnull()` дають схожі результати, коли ви використовуєте їх у `DataFrame`: вони показують результати та індекс цих результатів, що буде надзвичайно корисним під час роботи з вашими даними. + +- **Видалення відсутніх значень**: Окрім ідентифікації відсутніх значень, pandas надає зручний спосіб видалення відсутніх значень із `Series` і `DataFrame`. (Особливо для великих наборів даних часто доцільніше просто видалити відсутні [NA] значення з аналізу, ніж обробляти їх іншими способами.) Щоб побачити це в дії, повернемося до `example1`: +```python +example1 = example1.dropna() +example1 +``` +``` +0 0 +2 +dtype: object +``` +Зверніть увагу, що це має виглядати як ваш результат із `example3[example3.notnull()]`. Різниця тут у тому, що замість індексації за маскованими значеннями `dropna` видалив ці відсутні значення з `Series` `example1`. + +Оскільки `DataFrame` має два виміри, він надає більше варіантів для видалення даних. + +```python +example2 = pd.DataFrame([[1, np.nan, 7], + [2, 5, 8], + [np.nan, 6, 9]]) +example2 +``` +| | 0 | 1 | 2 | +|------|---|---|---| +|0 |1.0|NaN|7 | +|1 |2.0|5.0|8 | +|2 |NaN|6.0|9 | + +(Чи помітили ви, що pandas перетворив два стовпці на числа з плаваючою комою, щоб врахувати `NaN`?) + +Ви не можете видалити одне значення з `DataFrame`, тому вам доведеться видаляти цілі рядки або стовпці. Залежно від того, що ви робите, вам може знадобитися зробити одне або інше, і pandas надає вам варіанти для обох. Оскільки в науці про дані стовпці зазвичай представляють змінні, а рядки — спостереження, ви частіше видаляєте рядки даних; налаштування за замовчуванням для `dropna()` — видаляти всі рядки, які містять будь-які відсутні значення: + +```python +example2.dropna() +``` +``` + 0 1 2 +1 2.0 5.0 8 +``` +Якщо потрібно, ви можете видалити значення NA зі стовпців. Використовуйте `axis=1`, щоб зробити це: +```python +example2.dropna(axis='columns') +``` +``` + 2 +0 7 +1 8 +2 9 +``` +Зверніть увагу, що це може видалити багато даних, які ви, можливо, хочете зберегти, особливо в менших наборах даних. Що, якщо ви хочете видалити лише ті рядки або стовпці, які містять кілька або навіть усі відсутні значення? Ви можете вказати ці налаштування в `dropna` за допомогою параметрів `how` і `thresh`. + +За замовчуванням `how='any'` (якщо ви хочете перевірити самостійно або побачити, які інші параметри має метод, запустіть `example4.dropna?` у кодовій комірці). Ви можете вказати `how='all'`, щоб видаляти лише ті рядки або стовпці, які містять усі відсутні значення. Давайте розширимо наш приклад `DataFrame`, щоб побачити це в дії. + +```python +example2[3] = np.nan +example2 +``` +| |0 |1 |2 |3 | +|------|---|---|---|---| +|0 |1.0|NaN|7 |NaN| +|1 |2.0|5.0|8 |NaN| +|2 |NaN|6.0|9 |NaN| + +Параметр `thresh` дає вам більш точний контроль: ви встановлюєте кількість *ненульових* значень, які рядок або стовпець повинен мати, щоб залишитися: +```python +example2.dropna(axis='rows', thresh=3) +``` +``` + 0 1 2 3 +1 2.0 5.0 8 NaN +``` +Тут перший і останній рядки були видалені, оскільки вони містять лише два ненульові значення. + +- **Заповнення відсутніх значень**: Залежно від вашого набору даних, іноді має більше сенсу заповнити відсутні значення дійсними, ніж видаляти їх. Ви можете використовувати `isnull`, щоб зробити це на місці, але це може бути трудомістким, особливо якщо у вас багато значень для заповнення. Оскільки це дуже поширене завдання в науці про дані, pandas надає `fillna`, який повертає копію `Series` або `DataFrame` із заміненими відсутніми значеннями на ваш вибір. Давайте створимо ще один приклад `Series`, щоб побачити, як це працює на практиці. +```python +example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde')) +example3 +``` +``` +a 1.0 +b NaN +c 2.0 +d NaN +e 3.0 +dtype: float64 +``` +Ви можете заповнити всі відсутні значення одним значенням, наприклад `0`: +```python +example3.fillna(0) +``` +``` +a 1.0 +b 0.0 +c 2.0 +d 0.0 +e 3.0 +dtype: float64 +``` +Ви можете **заповнити вперед** відсутні значення, тобто використовувати останнє дійсне значення для заповнення відсутнього: +```python +example3.fillna(method='ffill') +``` +``` +a 1.0 +b 1.0 +c 2.0 +d 2.0 +e 3.0 +dtype: float64 +``` +Ви також можете **заповнити назад**, щоб поширити наступне дійсне значення назад для заповнення відсутнього: +```python +example3.fillna(method='bfill') +``` +``` +a 1.0 +b 2.0 +c 2.0 +d 3.0 +e 3.0 +dtype: float64 +``` +Як ви могли здогадатися, це працює так само з `DataFrame`, але ви також можете вказати `axis`, уздовж якого потрібно заповнити відсутні значення. Використовуючи раніше використаний `example2` знову: +```python +example2.fillna(method='ffill', axis=1) +``` +``` + 0 1 2 3 +0 1.0 1.0 7.0 7.0 +1 2.0 5.0 8.0 8.0 +2 NaN 6.0 9.0 9.0 +``` +Зверніть увагу, що коли попереднє значення недоступне для заповнення вперед, відсутнє значення залишається. +> **Основна думка:** Існує багато способів впоратися з відсутніми значеннями у ваших наборах даних. Конкретна стратегія, яку ви обираєте (видалення, заміна або навіть спосіб заміни), повинна залежати від особливостей даних. Ви краще зрозумієте, як працювати з відсутніми значеннями, чим більше ви будете взаємодіяти з наборами даних. + +## Видалення дубльованих даних + +> **Ціль навчання:** До кінця цього підрозділу ви повинні впевнено визначати та видаляти дубльовані значення з DataFrame. + +Окрім відсутніх даних, у реальних наборах даних ви часто зустрічатимете дубльовані дані. На щастя, `pandas` пропонує простий спосіб виявлення та видалення дубльованих записів. + +- **Визначення дубльованих значень: `duplicated`**: Ви можете легко знайти дубльовані значення за допомогою методу `duplicated` у pandas, який повертає булеву маску, що вказує, чи є запис у `DataFrame` дубльованим попереднім. Давайте створимо ще один приклад `DataFrame`, щоб побачити це в дії. +```python +example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'], + 'numbers': [1, 2, 1, 3, 3]}) +example4 +``` +| |letters|numbers| +|------|-------|-------| +|0 |A |1 | +|1 |B |2 | +|2 |A |1 | +|3 |B |3 | +|4 |B |3 | + +```python +example4.duplicated() +``` +``` +0 False +1 False +2 True +3 False +4 True +dtype: bool +``` +- **Видалення дубльованих значень: `drop_duplicates`:** просто повертає копію даних, для яких всі значення `duplicated` є `False`: +```python +example4.drop_duplicates() +``` +``` + letters numbers +0 A 1 +1 B 2 +3 B 3 +``` +Методи `duplicated` і `drop_duplicates` за замовчуванням враховують всі стовпці, але ви можете вказати, щоб вони перевіряли лише підмножину стовпців у вашому `DataFrame`: +```python +example4.drop_duplicates(['letters']) +``` +``` +letters numbers +0 A 1 +1 B 2 +``` + +> **Основна думка:** Видалення дубльованих даних є важливою частиною майже кожного проєкту з аналізу даних. Дубльовані дані можуть змінити результати ваших аналізів і надати вам неточні результати! + + +## 🚀 Виклик + +Всі обговорені матеріали доступні у [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Крім того, після кожного розділу є вправи — спробуйте їх виконати! + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15) + + + +## Огляд і самостійне навчання + +Існує багато способів дослідження та підходів до підготовки ваших даних для аналізу та моделювання, а очищення даних є важливим етапом, який потребує практичного досвіду. Спробуйте ці виклики на Kaggle, щоб дослідити техніки, які не були охоплені в цьому уроці. + +- [Виклик з очищення даних: Парсинг дат](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/) + +- [Виклик з очищення даних: Масштабування та нормалізація даних](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data) + + +## Завдання + +[Оцінка даних з форми](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/08-data-preparation/assignment.md b/translations/uk/2-Working-With-Data/08-data-preparation/assignment.md new file mode 100644 index 00000000..f73da06d --- /dev/null +++ b/translations/uk/2-Working-With-Data/08-data-preparation/assignment.md @@ -0,0 +1,28 @@ + +# Оцінювання даних з форми + +Клієнт тестував [невелику форму](../../../../2-Working-With-Data/08-data-preparation/index.html) для збору базових даних про свою клієнтську базу. Вони надали вам свої результати для перевірки зібраних даних. Ви можете відкрити сторінку `index.html` у браузері, щоб ознайомитися з формою. + +Вам надано [набір даних у форматі csv](../../../../data/form.csv), який містить записи з форми, а також деякі базові візуалізації. Клієнт зазначив, що деякі візуалізації виглядають некоректно, але вони не впевнені, як це виправити. Ви можете дослідити це у [ноутбуці завдання](assignment.ipynb). + +## Інструкції + +Використовуйте техніки з цього уроку, щоб надати рекомендації щодо форми, які допоможуть збирати точну та узгоджену інформацію. + +## Рубрика + +Відмінно | Задовільно | Потребує покращення +--- | --- | --- + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/2-Working-With-Data/README.md b/translations/uk/2-Working-With-Data/README.md new file mode 100644 index 00000000..d3aa7c7f --- /dev/null +++ b/translations/uk/2-Working-With-Data/README.md @@ -0,0 +1,31 @@ + +# Робота з даними + +![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.uk.jpg) +> Фото від Alexander Sinn на Unsplash + +У цих уроках ви дізнаєтеся про деякі способи управління, обробки та використання даних у додатках. Ви ознайомитеся з реляційними та нереляційними базами даних і тим, як у них можна зберігати дані. Ви вивчите основи роботи з Python для управління даними та відкриєте для себе багато способів використання Python для обробки та аналізу даних. + +### Теми + +1. [Реляційні бази даних](05-relational-databases/README.md) +2. [Нереляційні бази даних](06-non-relational/README.md) +3. [Робота з Python](07-python/README.md) +4. [Підготовка даних](08-data-preparation/README.md) + +### Автори + +Ці уроки були написані з ❤️ [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) та [Jasmine Greenaway](https://twitter.com/paladique) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/09-visualization-quantities/README.md b/translations/uk/3-Data-Visualization/09-visualization-quantities/README.md new file mode 100644 index 00000000..14a5c947 --- /dev/null +++ b/translations/uk/3-Data-Visualization/09-visualization-quantities/README.md @@ -0,0 +1,217 @@ + +# Візуалізація кількостей + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Візуалізація кількостей - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +У цьому уроці ви дослідите, як використовувати одну з багатьох доступних бібліотек Python, щоб навчитися створювати цікаві візуалізації, пов'язані з концепцією кількості. Використовуючи очищений набір даних про птахів Міннесоти, ви можете дізнатися багато цікавих фактів про місцеву дику природу. +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Спостереження за розмахом крил за допомогою Matplotlib + +Чудова бібліотека для створення як простих, так і складних графіків і діаграм різних типів — це [Matplotlib](https://matplotlib.org/stable/index.html). Загалом, процес побудови графіків за допомогою цих бібліотек включає визначення частин вашого датафрейму, які ви хочете використати, виконання необхідних трансформацій даних, призначення значень для осей x і y, вибір типу графіка для відображення та його візуалізацію. Matplotlib пропонує великий вибір візуалізацій, але для цього уроку ми зосередимося на тих, які найбільше підходять для візуалізації кількості: лінійні графіки, точкові діаграми та стовпчикові діаграми. + +> ✅ Використовуйте найкращий тип графіка, який відповідає структурі ваших даних і історії, яку ви хочете розповісти. +> - Для аналізу тенденцій з часом: лінійний графік +> - Для порівняння значень: стовпчикова, колонкова, кругова діаграма, точкова діаграма +> - Для показу, як частини співвідносяться з цілим: кругова діаграма +> - Для показу розподілу даних: точкова діаграма, стовпчикова діаграма +> - Для показу тенденцій: лінійний графік, колонкова діаграма +> - Для показу взаємозв’язків між значеннями: лінійний графік, точкова діаграма, бульбашкова діаграма + +Якщо у вас є набір даних і потрібно дізнатися, скільки певного елемента включено, одним із перших завдань буде перевірка його значень. + +✅ Дуже хороші "шпаргалки" для Matplotlib доступні [тут](https://matplotlib.org/cheatsheets/cheatsheets.pdf). + +## Створення лінійного графіка для значень розмаху крил птахів + +Відкрийте файл `notebook.ipynb` у кореневій папці цього уроку та додайте комірку. + +> Примітка: дані зберігаються в корені цього репозиторію в папці `/data`. + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` +Ці дані є сумішшю тексту та чисел: + +| | Назва | Наукова назва | Категорія | Ряд | Родина | Рід | Статус збереження | Мін. довжина | Макс. довжина | Мін. маса тіла | Макс. маса тіла | Мін. розмах крил | Макс. розмах крил | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Чорно-білий свистячий качур | Dendrocygna autumnalis | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Рудий свистячий качур | Dendrocygna bicolor | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Біла гуска | Anser caerulescens | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Гуска Росса | Anser rossii | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика білолоба гуска | Anser albifrons | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Давайте почнемо з побудови графіка деяких числових даних за допомогою базового лінійного графіка. Припустимо, ви хочете побачити максимальний розмах крил цих цікавих птахів. + +```python +wingspan = birds['MaxWingspan'] +wingspan.plot() +``` +![Макс. розмах крил](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.uk.png) + +Що ви помічаєте одразу? Здається, є принаймні один аномальний показник — це досить великий розмах крил! Розмах крил у 2300 сантиметрів дорівнює 23 метрам — чи є в Міннесоті птеродактилі? Давайте дослідимо. + +Хоча ви могли б швидко відсортувати дані в Excel, щоб знайти ці аномалії, які, ймовірно, є помилками, продовжуйте процес візуалізації, працюючи з графіком. + +Додайте мітки до осі x, щоб показати, про які птахів йдеться: + +``` +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.xticks(rotation=45) +x = birds['Name'] +y = birds['MaxWingspan'] + +plt.plot(x, y) + +plt.show() +``` +![розмах крил з мітками](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.uk.png) + +Навіть із поворотом міток на 45 градусів їх занадто багато, щоб прочитати. Давайте спробуємо іншу стратегію: позначимо лише аномалії та встановимо мітки всередині графіка. Ви можете використовувати точкову діаграму, щоб створити більше місця для міток: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) + +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + plt.plot(x, y, 'bo') + if birds['MaxWingspan'][i] > 500: + plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12) + +plt.show() +``` +Що тут відбувається? Ви використали `tick_params`, щоб приховати нижні мітки, а потім створили цикл над вашим набором даних про птахів. Побудувавши графік із маленькими круглими синіми точками за допомогою `bo`, ви перевірили, чи є у птаха максимальний розмах крил понад 500, і якщо так, то відобразили його назву поруч із точкою. Ви трохи змістили мітки по осі y (`y * (1 - 0.05)`) і використали назву птаха як мітку. + +Що ви виявили? + +![аномалії](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.uk.png) +## Фільтрування даних + +І Білоголовий орлан, і Луговий сокіл, хоча, ймовірно, дуже великі птахи, здається, мають помилкові дані, з додатковим `0` у їхньому максимальному розмаху крил. Малоймовірно, що ви зустрінете Білоголового орлана з розмахом крил у 25 метрів, але якщо так, будь ласка, повідомте нам! Давайте створимо новий датафрейм без цих двох аномалій: + +```python +plt.title('Max Wingspan in Centimeters') +plt.ylabel('Wingspan (CM)') +plt.xlabel('Birds') +plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False) +for i in range(len(birds)): + x = birds['Name'][i] + y = birds['MaxWingspan'][i] + if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']: + plt.plot(x, y, 'bo') +plt.show() +``` + +Фільтруючи аномалії, ваші дані тепер більш узгоджені та зрозумілі. + +![точкова діаграма розмахів крил](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.uk.png) + +Тепер, коли у нас є очищений набір даних, принаймні щодо розмаху крил, давайте дізнаємося більше про цих птахів. + +Хоча лінійні та точкові графіки можуть відображати інформацію про значення даних та їх розподіл, ми хочемо подумати про значення, притаманні цьому набору даних. Ви могли б створити візуалізації, щоб відповісти на такі питання про кількість: + +> Скільки категорій птахів існує і яка їх кількість? +> Скільки птахів є вимерлими, зникаючими, рідкісними чи поширеними? +> Скільки є різних родів і рядів у термінології Ліннея? +## Дослідження стовпчикових діаграм + +Стовпчикові діаграми практичні, коли потрібно показати групування даних. Давайте дослідимо категорії птахів, які є в цьому наборі даних, щоб побачити, яка з них є найпоширенішою за кількістю. + +У файлі ноутбука створіть базову стовпчикову діаграму. + +✅ Зверніть увагу, що ви можете або відфільтрувати двох аномальних птахів, яких ми визначили в попередньому розділі, виправити помилку в їхньому розмаху крил, або залишити їх для цих вправ, які не залежать від значень розмаху крил. + +Якщо ви хочете створити стовпчикову діаграму, ви можете вибрати дані, на яких хочете зосередитися. Стовпчикові діаграми можна створювати з необроблених даних: + +```python +birds.plot(x='Category', + kind='bar', + stacked=True, + title='Birds of Minnesota') + +``` +![всі дані як стовпчикова діаграма](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.uk.png) + +Однак ця стовпчикова діаграма є нечіткою, оскільки дані не згруповані. Вам потрібно вибрати лише ті дані, які ви хочете відобразити, тому давайте подивимося на довжину птахів залежно від їхньої категорії. + +Відфільтруйте ваші дані, щоб включити лише категорію птахів. + +✅ Зверніть увагу, що ви використовуєте Pandas для управління даними, а потім дозволяєте Matplotlib створювати графік. + +Оскільки є багато категорій, ви можете відобразити цей графік вертикально та налаштувати його висоту, щоб врахувати всі дані: + +```python +category_count = birds.value_counts(birds['Category'].values, sort=True) +plt.rcParams['figure.figsize'] = [6, 12] +category_count.plot.barh() +``` +![категорія та довжина](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.uk.png) + +Ця стовпчикова діаграма показує хороший огляд кількості птахів у кожній категорії. Одним поглядом ви бачите, що найбільша кількість птахів у цьому регіоні належить до категорії Качки/Гуси/Водоплавні. Міннесота — це "країна 10 000 озер", тому це не дивно! + +✅ Спробуйте зробити інші підрахунки на цьому наборі даних. Чи щось вас здивувало? + +## Порівняння даних + +Ви можете спробувати різні порівняння згрупованих даних, створюючи нові осі. Спробуйте порівняти MaxLength птаха залежно від його категорії: + +```python +maxlength = birds['MaxLength'] +plt.barh(y=birds['Category'], width=maxlength) +plt.rcParams['figure.figsize'] = [6, 12] +plt.show() +``` +![порівняння даних](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.uk.png) + +Тут нічого дивного: колібрі мають найменший MaxLength у порівнянні з пеліканами чи гусьми. Добре, коли дані мають логічний сенс! + +Ви можете створювати більш цікаві візуалізації стовпчикових діаграм, накладаючи дані. Давайте накладемо Мінімальну та Максимальну довжину на певну категорію птахів: + +```python +minLength = birds['MinLength'] +maxLength = birds['MaxLength'] +category = birds['Category'] + +plt.barh(category, maxLength) +plt.barh(category, minLength) + +plt.show() +``` +На цьому графіку ви можете побачити діапазон для кожної категорії птахів щодо Мінімальної та Максимальної довжини. Можна сміливо сказати, що, враховуючи ці дані, чим більший птах, тим більший його діапазон довжини. Захопливо! + +![накладені значення](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.uk.png) + +## 🚀 Виклик + +Цей набір даних про птахів пропонує багатство інформації про різні типи птахів у певній екосистемі. Пошукайте в інтернеті інші набори даних, пов’язані з птахами. Практикуйте створення графіків і діаграм навколо цих птахів, щоб дізнатися факти, про які ви не здогадувалися. +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Огляд і самостійне навчання + +Цей перший урок дав вам інформацію про те, як використовувати Matplotlib для візуалізації кількостей. Проведіть дослідження інших способів роботи з наборами даних для візуалізації. [Plotly](https://github.com/plotly/plotly.py) — це бібліотека, яку ми не будемо розглядати в цих уроках, тому ознайомтеся з її можливостями. +## Завдання + +[Лінії, Точки та Стовпчики](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/uk/3-Data-Visualization/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..e549e803 --- /dev/null +++ b/translations/uk/3-Data-Visualization/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Лінії, Точкові діаграми та Стовпчики + +## Інструкції + +У цьому уроці ви працювали з лінійними графіками, точковими діаграмами та стовпчиковими графіками, щоб показати цікаві факти про цей набір даних. У цьому завданні заглибтеся в набір даних, щоб виявити факт про певний вид птахів. Наприклад, створіть блокнот, який візуалізує всі цікаві дані, які ви можете знайти про білого гусака. Використовуйте три згадані вище графіки, щоб розповісти історію у вашому блокноті. + +## Критерії оцінювання + +Відмінно | Задовільно | Потребує покращення +--- | --- | -- | +Блокнот представлений з хорошими коментарями, чіткою розповіддю та привабливими графіками | У блокноті відсутній один із цих елементів | У блокноті відсутні два з цих елементів + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/10-visualization-distributions/README.md b/translations/uk/3-Data-Visualization/10-visualization-distributions/README.md new file mode 100644 index 00000000..d8ac181e --- /dev/null +++ b/translations/uk/3-Data-Visualization/10-visualization-distributions/README.md @@ -0,0 +1,216 @@ + +# Візуалізація розподілів + +|![Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Візуалізація розподілів - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +У попередньому уроці ви дізналися кілька цікавих фактів про набір даних про птахів Міннесоти. Ви знайшли помилкові дані, візуалізуючи аномалії, і розглянули відмінності між категоріями птахів за їх максимальною довжиною. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Дослідження набору даних про птахів + +Ще один спосіб дослідити дані — це подивитися на їх розподіл, тобто як дані організовані вздовж осі. Наприклад, можливо, вам цікаво дізнатися загальний розподіл максимального розмаху крил або максимальної маси тіла птахів Міннесоти в цьому наборі даних. + +Давайте відкриємо кілька фактів про розподіли даних у цьому наборі. У файлі _notebook.ipynb_, який знаходиться в кореневій папці цього уроку, імпортуйте Pandas, Matplotlib і ваші дані: + +```python +import pandas as pd +import matplotlib.pyplot as plt +birds = pd.read_csv('../../data/birds.csv') +birds.head() +``` + +| | Назва | Наукова назва | Категорія | Ряд | Родина | Рід | Статус збереження | Мін. довжина | Макс. довжина | Мін. маса тіла | Макс. маса тіла | Мін. розмах крил | Макс. розмах крил | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Чорно-білий свистячий качур | Dendrocygna autumnalis | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Рудий свистячий качур | Dendrocygna bicolor | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Біла гуска | Anser caerulescens | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Гуска Росса | Anser rossii | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика білолоба гуска | Anser albifrons | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Загалом, ви можете швидко переглянути, як дані розподілені, використовуючи точковий графік, як ми робили в попередньому уроці: + +```python +birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8)) + +plt.title('Max Length per Order') +plt.ylabel('Order') +plt.xlabel('Max Length') + +plt.show() +``` +![максимальна довжина за рядом](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.uk.png) + +Це дає загальний огляд розподілу довжини тіла за рядом птахів, але це не найкращий спосіб відображення справжніх розподілів. Для цього зазвичай створюють гістограму. +## Робота з гістограмами + +Matplotlib пропонує дуже хороші способи візуалізації розподілу даних за допомогою гістограм. Цей тип графіка схожий на стовпчастий графік, де розподіл можна побачити через підйом і спад стовпців. Щоб побудувати гістограму, вам потрібні числові дані. Для побудови гістограми можна визначити тип графіка як 'hist' для гістограми. Цей графік показує розподіл MaxBodyMass для всього діапазону числових даних набору. Розділяючи масив даних на менші групи, він може відобразити розподіл значень даних: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12)) +plt.show() +``` +![розподіл по всьому набору даних](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.uk.png) + +Як видно, більшість із 400+ птахів у цьому наборі даних мають Max Body Mass менше 2000. Отримайте більше інформації про дані, змінивши параметр `bins` на більше значення, наприклад, 30: + +```python +birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12)) +plt.show() +``` +![розподіл по всьому набору даних із більшим параметром bins](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.uk.png) + +Цей графік показує розподіл трохи більш детально. Менш зміщений графік можна створити, якщо вибрати дані лише в заданому діапазоні: + +Відфільтруйте дані, щоб отримати лише тих птахів, чия маса тіла менше 60, і покажіть 40 `bins`: + +```python +filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)] +filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12)) +plt.show() +``` +![відфільтрована гістограма](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.uk.png) + +✅ Спробуйте інші фільтри та точки даних. Щоб побачити повний розподіл даних, видаліть фільтр `['MaxBodyMass']`, щоб показати розподіли з мітками. + +Гістограма також пропонує цікаві покращення кольору та міток: + +Створіть 2D-гістограму, щоб порівняти взаємозв’язок між двома розподілами. Давайте порівняємо `MaxBodyMass` і `MaxLength`. Matplotlib пропонує вбудований спосіб показати збіг за допомогою яскравіших кольорів: + +```python +x = filteredBirds['MaxBodyMass'] +y = filteredBirds['MaxLength'] + +fig, ax = plt.subplots(tight_layout=True) +hist = ax.hist2d(x, y) +``` +Здається, є очікувана кореляція між цими двома елементами вздовж очікуваної осі, з одним особливо сильним точковим збігом: + +![2D графік](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.uk.png) + +Гістограми добре працюють за замовчуванням для числових даних. А що, якщо вам потрібно побачити розподіли за текстовими даними? +## Дослідження набору даних для розподілів за текстовими даними + +Цей набір даних також містить хорошу інформацію про категорію птахів, їх рід, вид і родину, а також про їх статус збереження. Давайте дослідимо цю інформацію про статус збереження. Який розподіл птахів за їх статусом збереження? + +> ✅ У наборі даних використовуються кілька абревіатур для опису статусу збереження. Ці абревіатури походять із [Категорій Червоного списку МСОП](https://www.iucnredlist.org/), організації, яка каталогізує статус видів. +> +> - CR: Критично зникаючий +> - EN: Зникаючий +> - EX: Вимерлий +> - LC: Найменша загроза +> - NT: Близький до загрози +> - VU: Уразливий + +Це текстові значення, тому вам потрібно буде виконати трансформацію, щоб створити гістограму. Використовуючи dataframe filteredBirds, відобразіть його статус збереження разом із мінімальним розмахом крил. Що ви бачите? + +```python +x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan'] +x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan'] +x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan'] +x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan'] +x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan'] +x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan'] + +kwargs = dict(alpha=0.5, bins=20) + +plt.hist(x1, **kwargs, color='red', label='Extinct') +plt.hist(x2, **kwargs, color='orange', label='Critically Endangered') +plt.hist(x3, **kwargs, color='yellow', label='Endangered') +plt.hist(x4, **kwargs, color='green', label='Near Threatened') +plt.hist(x5, **kwargs, color='blue', label='Vulnerable') +plt.hist(x6, **kwargs, color='gray', label='Least Concern') + +plt.gca().set(title='Conservation Status', ylabel='Min Wingspan') +plt.legend(); +``` + +![розмах крил і статус збереження](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.uk.png) + +Не здається, що є хороша кореляція між мінімальним розмахом крил і статусом збереження. Перевірте інші елементи набору даних, використовуючи цей метод. Ви можете спробувати різні фільтри. Чи знаходите ви якусь кореляцію? + +## Графіки щільності + +Ви могли помітити, що гістограми, які ми розглядали до цього, мають "ступінчастий" вигляд і не плавно вигинаються. Щоб показати більш плавний графік щільності, можна спробувати графік щільності. + +Щоб працювати з графіками щільності, ознайомтеся з новою бібліотекою для побудови графіків, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). + +Завантаживши Seaborn, спробуйте базовий графік щільності: + +```python +import seaborn as sns +import matplotlib.pyplot as plt +sns.kdeplot(filteredBirds['MinWingspan']) +plt.show() +``` +![Графік щільності](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.uk.png) + +Ви можете побачити, як графік повторює попередній для даних про мінімальний розмах крил; він просто трохи плавніший. Згідно з документацією Seaborn, "У порівнянні з гістограмою, KDE може створити графік, який є менш захаращеним і більш зрозумілим, особливо при побудові кількох розподілів. Але він може спричинити спотворення, якщо основний розподіл обмежений або не плавний. Як і гістограма, якість представлення також залежить від вибору хороших параметрів згладжування." [джерело](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Іншими словами, аномалії, як завжди, можуть негативно вплинути на ваші графіки. + +Якщо ви хотіли б повернутися до тієї зубчастої лінії MaxBodyMass на другому графіку, який ви створили, ви могли б дуже добре її згладити, відтворивши її за допомогою цього методу: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass']) +plt.show() +``` +![гладка лінія маси тіла](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.uk.png) + +Якщо ви хочете гладку, але не надто гладку лінію, змініть параметр `bw_adjust`: + +```python +sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2) +plt.show() +``` +![менш гладка лінія маси тіла](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.uk.png) + +✅ Прочитайте про доступні параметри для цього типу графіка та експериментуйте! + +Цей тип графіка пропонує чудові пояснювальні візуалізації. Наприклад, за кілька рядків коду ви можете показати щільність максимальної маси тіла за рядом птахів: + +```python +sns.kdeplot( + data=filteredBirds, x="MaxBodyMass", hue="Order", + fill=True, common_norm=False, palette="crest", + alpha=.5, linewidth=0, +) +``` + +![маса тіла за рядом](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.uk.png) + +Ви також можете відобразити щільність кількох змінних на одному графіку. Перевірте MaxLength і MinLength птаха порівняно з їх статусом збереження: + +```python +sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus") +``` + +![кілька щільностей, накладених одна на одну](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.uk.png) + +Можливо, варто дослідити, чи є кластер "Уразливих" птахів за їх довжиною значущим чи ні. + +## 🚀 Виклик + +Гістограми є більш складним типом графіка, ніж базові точкові графіки, стовпчасті графіки або лінійні графіки. Знайдіть в інтернеті хороші приклади використання гістограм. Як вони використовуються, що вони демонструють і в яких галузях або сферах досліджень вони зазвичай застосовуються? + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Огляд і самостійне навчання + +У цьому уроці ви використовували Matplotlib і почали працювати з Seaborn, щоб створювати більш складні графіки. Проведіть дослідження про `kdeplot` у Seaborn, "неперервну криву щільності ймовірності в одному або кількох вимірах". Прочитайте [документацію](https://seaborn.pydata.org/generated/seaborn.kdeplot.html), щоб зрозуміти, як це працює. + +## Завдання + +[Застосуйте свої навички](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/uk/3-Data-Visualization/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..6b0c729f --- /dev/null +++ b/translations/uk/3-Data-Visualization/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Застосуйте свої навички + +## Інструкції + +До цього моменту ви працювали з набором даних про птахів Міннесоти, щоб дізнатися інформацію про кількість птахів і щільність популяції. Попрактикуйте застосування цих технік, спробувавши інший набір даних, можливо, взятий із [Kaggle](https://www.kaggle.com/). Створіть ноутбук, щоб розповісти історію про цей набір даних, і обов’язково використовуйте гістограми під час його аналізу. + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Представлено ноутбук з коментарями про цей набір даних, включаючи його джерело, і використано щонайменше 5 гістограм для виявлення фактів про дані. | Представлено ноутбук з неповними коментарями або помилками. | Представлено ноутбук без коментарів і з помилками. + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/11-visualization-proportions/README.md b/translations/uk/3-Data-Visualization/11-visualization-proportions/README.md new file mode 100644 index 00000000..2195159b --- /dev/null +++ b/translations/uk/3-Data-Visualization/11-visualization-proportions/README.md @@ -0,0 +1,204 @@ + +# Візуалізація пропорцій + +|![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Візуалізація пропорцій - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +У цьому уроці ви використаєте інший набір даних, пов'язаний із природою, щоб візуалізувати пропорції, наприклад, скільки різних видів грибів представлено в наборі даних про гриби. Давайте дослідимо ці захоплюючі гриби, використовуючи набір даних від Audubon, який містить інформацію про 23 види пластинчастих грибів із родин Agaricus та Lepiota. Ви експериментуватимете з такими смачними візуалізаціями, як: + +- Кругові діаграми 🥧 +- Кільцеві діаграми 🍩 +- Вафельні діаграми 🧇 + +> 💡 Дуже цікавий проєкт під назвою [Charticulator](https://charticulator.com) від Microsoft Research пропонує безкоштовний інтерфейс перетягування для створення візуалізацій даних. У одному з їхніх уроків також використовується цей набір даних про гриби! Тож ви можете досліджувати дані та вивчати бібліотеку одночасно: [Урок Charticulator](https://charticulator.com/tutorials/tutorial4.html). + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Дізнайтеся більше про свої гриби 🍄 + +Гриби дуже цікаві. Давайте імпортуємо набір даних, щоб їх вивчити: + +```python +import pandas as pd +import matplotlib.pyplot as plt +mushrooms = pd.read_csv('../../data/mushrooms.csv') +mushrooms.head() +``` +Виводиться таблиця з чудовими даними для аналізу: + + +| class | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| Poisonous | Convex | Smooth | Brown | Bruises | Pungent | Free | Close | Narrow | Black | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | +| Edible | Convex | Smooth | Yellow | Bruises | Almond | Free | Close | Broad | Black | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Grasses | +| Edible | Bell | Smooth | White | Bruises | Anise | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Meadows | +| Poisonous | Convex | Scaly | White | Bruises | Pungent | Free | Close | Narrow | Brown | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | + +Одразу помітно, що всі дані є текстовими. Вам потрібно буде конвертувати ці дані, щоб використовувати їх у діаграмі. Більшість даних, насправді, представлені як об'єкти: + +```python +print(mushrooms.select_dtypes(["object"]).columns) +``` + +Результат: + +```output +Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', + 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', + 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', + 'stalk-surface-below-ring', 'stalk-color-above-ring', + 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', + 'ring-type', 'spore-print-color', 'population', 'habitat'], + dtype='object') +``` +Візьміть ці дані та перетворіть стовпець 'class' у категорію: + +```python +cols = mushrooms.select_dtypes(["object"]).columns +mushrooms[cols] = mushrooms[cols].astype('category') +``` + +```python +edibleclass=mushrooms.groupby(['class']).count() +edibleclass +``` + +Тепер, якщо ви виведете дані про гриби, ви побачите, що вони згруповані за категоріями відповідно до класу їстівності/отруйності: + + +| | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | ... | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | +| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| class | | | | | | | | | | | | | | | | | | | | | | +| Edible | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | +| Poisonous | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | + +Якщо ви дотримуватиметеся порядку, представленого в цій таблиці, щоб створити мітки категорій класу, ви зможете побудувати кругову діаграму: + +## Кругова діаграма! + +```python +labels=['Edible','Poisonous'] +plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') +plt.title('Edible?') +plt.show() +``` +Ось і все, кругова діаграма, яка показує пропорції даних відповідно до цих двох класів грибів. Дуже важливо правильно визначити порядок міток, особливо тут, тому обов'язково перевірте порядок, у якому створюється масив міток! + +![кругова діаграма](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.uk.png) + +## Кільцева діаграма! + +Трохи цікавішою візуально є кільцева діаграма, яка є круговою діаграмою з отвором посередині. Давайте подивимося на наші дані за допомогою цього методу. + +Розгляньте різні середовища, де ростуть гриби: + +```python +habitat=mushrooms.groupby(['habitat']).count() +habitat +``` +Тут ви групуєте свої дані за середовищем. Їх є 7, тому використовуйте їх як мітки для кільцевої діаграми: + +```python +labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] + +plt.pie(habitat['class'], labels=labels, + autopct='%1.1f%%', pctdistance=0.85) + +center_circle = plt.Circle((0, 0), 0.40, fc='white') +fig = plt.gcf() + +fig.gca().add_artist(center_circle) + +plt.title('Mushroom Habitats') + +plt.show() +``` + +![кільцева діаграма](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.uk.png) + +Цей код створює діаграму та центральне коло, а потім додає це центральне коло до діаграми. Змініть ширину центрального кола, змінивши `0.40` на інше значення. + +Кільцеві діаграми можна налаштовувати різними способами, щоб змінити мітки. Зокрема, мітки можна виділити для кращої читабельності. Дізнайтеся більше в [документації](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut). + +Тепер, коли ви знаєте, як групувати свої дані та відображати їх у вигляді кругової або кільцевої діаграми, ви можете дослідити інші типи діаграм. Спробуйте вафельну діаграму, яка є просто іншим способом візуалізації кількості. +## Вафельна діаграма! + +Діаграма типу "вафля" — це інший спосіб візуалізації кількостей у вигляді двовимірного масиву квадратів. Спробуйте візуалізувати різні кількості кольорів шапок грибів у цьому наборі даних. Для цього вам потрібно встановити допоміжну бібліотеку під назвою [PyWaffle](https://pypi.org/project/pywaffle/) і використовувати Matplotlib: + +```python +pip install pywaffle +``` + +Виберіть сегмент своїх даних для групування: + +```python +capcolor=mushrooms.groupby(['cap-color']).count() +capcolor +``` + +Створіть вафельну діаграму, створивши мітки, а потім згрупувавши свої дані: + +```python +import pandas as pd +import matplotlib.pyplot as plt +from pywaffle import Waffle + +data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], + 'amount': capcolor['class'] + } + +df = pd.DataFrame(data) + +fig = plt.figure( + FigureClass = Waffle, + rows = 100, + values = df.amount, + labels = list(df.color), + figsize = (30,30), + colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], +) +``` + +За допомогою вафельної діаграми ви можете чітко побачити пропорції кольорів шапок у цьому наборі даних про гриби. Цікаво, що є багато грибів із зеленими шапками! + +![вафельна діаграма](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.uk.png) + +✅ Pywaffle підтримує іконки в діаграмах, які використовують будь-які іконки, доступні в [Font Awesome](https://fontawesome.com/). Проведіть експерименти, щоб створити ще цікавішу вафельну діаграму, використовуючи іконки замість квадратів. + +У цьому уроці ви дізналися три способи візуалізації пропорцій. Спочатку вам потрібно згрупувати свої дані в категорії, а потім вирішити, який спосіб відображення даних — кругова, кільцева чи вафельна діаграма — найкраще підходить. Усі вони смачні та надають користувачеві миттєвий знімок набору даних. + +## 🚀 Виклик + +Спробуйте відтворити ці смачні діаграми в [Charticulator](https://charticulator.com). +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Огляд і самостійне навчання + +Іноді не очевидно, коли використовувати кругову, кільцеву чи вафельну діаграму. Ось кілька статей для ознайомлення з цією темою: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Проведіть дослідження, щоб знайти більше інформації про це складне рішення. +## Завдання + +[Спробуйте в Excel](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/uk/3-Data-Visualization/11-visualization-proportions/assignment.md new file mode 100644 index 00000000..98570ff5 --- /dev/null +++ b/translations/uk/3-Data-Visualization/11-visualization-proportions/assignment.md @@ -0,0 +1,25 @@ + +# Спробуйте це в Excel + +## Інструкції + +Чи знали ви, що в Excel можна створювати кільцеві, кругові та вафельні діаграми? Використовуючи набір даних на ваш вибір, створіть ці три діаграми прямо в таблиці Excel. + +## Критерії оцінювання + +| Зразковий рівень | Достатній рівень | Потребує покращення | +| ------------------------------------------------------ | ------------------------------------------------ | --------------------------------------------------- | +| Таблиця Excel представлена з усіма трьома діаграмами | Таблиця Excel представлена з двома діаграмами | Таблиця Excel представлена лише з однією діаграмою | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/12-visualization-relationships/README.md b/translations/uk/3-Data-Visualization/12-visualization-relationships/README.md new file mode 100644 index 00000000..9a255ec7 --- /dev/null +++ b/translations/uk/3-Data-Visualization/12-visualization-relationships/README.md @@ -0,0 +1,187 @@ + +# Візуалізація взаємозв'язків: Усе про мед 🍯 + +|![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Візуалізація взаємозв'язків - _Скетчноут від [@nitya](https://twitter.com/nitya)_| + +Продовжуючи нашу дослідницьку тему, пов’язану з природою, давайте розглянемо цікаві способи візуалізації взаємозв’язків між різними типами меду, використовуючи набір даних, отриманий із [Міністерства сільського господарства США](https://www.nass.usda.gov/About_NASS/index.php). + +Цей набір даних, що містить близько 600 записів, відображає виробництво меду в багатьох штатах США. Наприклад, ви можете переглянути кількість колоній, урожайність на колонію, загальне виробництво, запаси, ціну за фунт і вартість виробленого меду в певному штаті за період з 1998 по 2012 рік, де кожен рядок відповідає одному року для кожного штату. + +Цікаво буде візуалізувати взаємозв’язок між виробництвом меду в певному штаті за рік і, наприклад, ціною меду в цьому штаті. Або ж можна візуалізувати взаємозв’язок між урожайністю меду на колонію в різних штатах. Цей часовий проміжок охоплює руйнівний феномен «Синдром колапсу колоній» (CCD), вперше зафіксований у 2006 році (http://npic.orst.edu/envir/ccd.html), тому це дуже важливий набір даних для вивчення. 🐝 + +## [Передлекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +У цьому уроці ви можете використовувати бібліотеку Seaborn, з якою ви вже працювали раніше, для візуалізації взаємозв’язків між змінними. Особливо цікавим є використання функції `relplot` у Seaborn, яка дозволяє створювати діаграми розсіювання та лінійні графіки для швидкої візуалізації '[статистичних взаємозв’язків](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', що допомагає аналітикам даних краще зрозуміти, як змінні пов’язані між собою. + +## Діаграми розсіювання + +Використовуйте діаграму розсіювання, щоб показати, як змінювалася ціна меду рік за роком у кожному штаті. Seaborn, використовуючи `relplot`, зручно групує дані за штатами та відображає точки даних як для категоріальних, так і для числових даних. + +Почнемо з імпорту даних і бібліотеки Seaborn: + +```python +import pandas as pd +import matplotlib.pyplot as plt +import seaborn as sns +honey = pd.read_csv('../../data/honey.csv') +honey.head() +``` +Ви помітите, що дані про мед містять кілька цікавих стовпців, зокрема рік і ціну за фунт. Давайте дослідимо ці дані, згруповані за штатами США: + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | + +Створіть базову діаграму розсіювання, щоб показати взаємозв’язок між ціною за фунт меду та його штатом походження. Зробіть вісь `y` достатньо високою, щоб відобразити всі штати: + +```python +sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); +``` +![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.uk.png) + +Тепер покажіть ті самі дані з кольоровою схемою, що нагадує мед, щоб продемонструвати, як ціна змінюється з роками. Ви можете зробити це, додавши параметр 'hue', щоб показати зміни рік за роком: + +> ✅ Дізнайтеся більше про [кольорові палітри, які можна використовувати в Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - спробуйте красиву райдужну палітру! + +```python +sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); +``` +![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.uk.png) + +З цією зміною кольорової схеми ви можете побачити очевидну тенденцію до зростання ціни за фунт меду з роками. Дійсно, якщо ви перевірите вибірку даних (наприклад, штат Аризона), ви побачите закономірність підвищення цін рік за роком, за винятком кількох випадків: + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Інший спосіб візуалізувати цю тенденцію — використовувати розмір, а не колір. Для користувачів із порушеннями сприйняття кольорів це може бути кращим варіантом. Змініть візуалізацію, щоб показати зростання ціни через збільшення розміру точок: + +```python +sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); +``` +Ви можете побачити, як розмір точок поступово збільшується. + +![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.uk.png) + +Чи це простий випадок попиту та пропозиції? Через такі фактори, як зміна клімату та колапс колоній, чи стає меду менше з кожним роком, і тому ціна зростає? + +Щоб знайти кореляцію між деякими змінними цього набору даних, давайте розглянемо лінійні графіки. + +## Лінійні графіки + +Питання: Чи є чітке зростання ціни меду за фунт рік за роком? Найпростіше це побачити, створивши один лінійний графік: + +```python +sns.relplot(x="year", y="priceperlb", kind="line", data=honey); +``` +Відповідь: Так, з деякими винятками близько 2003 року: + +![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.uk.png) + +✅ Оскільки Seaborn агрегує дані в одну лінію, він відображає "кілька вимірювань для кожного значення x, обчислюючи середнє значення та 95% довірчий інтервал навколо нього". [Джерело](https://seaborn.pydata.org/tutorial/relational.html). Цю поведінку можна вимкнути, додавши `ci=None`. + +Питання: А чи можемо ми побачити сплеск у постачанні меду в 2003 році? Що, якщо подивитися на загальне виробництво рік за роком? + +```python +sns.relplot(x="year", y="totalprod", kind="line", data=honey); +``` + +![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.uk.png) + +Відповідь: Не зовсім. Якщо подивитися на загальне виробництво, то воно, здається, навіть зросло в цьому році, хоча загалом кількість виробленого меду зменшується протягом цих років. + +Питання: У такому разі, що могло спричинити сплеск ціни меду близько 2003 року? + +Щоб це з’ясувати, можна використати сітку фасетів. + +## Сітки фасетів + +Сітки фасетів дозволяють взяти одну змінну вашого набору даних (у нашому випадку це може бути 'рік', щоб уникнути надто великої кількості фасетів). Seaborn може створити графік для кожного з цих фасетів за обраними координатами x та y для зручнішого порівняння. Чи виділяється 2003 рік у такому порівнянні? + +Створіть сітку фасетів, продовжуючи використовувати `relplot`, як це рекомендується в [документації Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). + +```python +sns.relplot( + data=honey, + x="yieldpercol", y="numcol", + col="year", + col_wrap=3, + kind="line" +``` +У цій візуалізації ви можете порівняти урожайність на колонію та кількість колоній рік за роком, розташувавши графіки в три колонки: + +![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.uk.png) + +Для цього набору даних нічого особливого не виділяється щодо кількості колоній та їх урожайності рік за роком і штат за штатом. Чи є інший спосіб знайти кореляцію між цими двома змінними? + +## Подвійні лінійні графіки + +Спробуйте багатолінійний графік, наклавши два лінійні графіки один на одного, використовуючи функцію Seaborn `despine` для видалення верхньої та правої рамок, а також `ax.twinx` [з Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx дозволяє графіку ділити вісь x і відображати дві осі y. Отже, відобразіть урожайність на колонію та кількість колоній, накладені один на одного: + +```python +fig, ax = plt.subplots(figsize=(12,6)) +lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, + label = 'Number of bee colonies', legend=False) +sns.despine() +plt.ylabel('# colonies') +plt.title('Honey Production Year over Year'); + +ax2 = ax.twinx() +lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", + label ='Yield per colony', legend=False) +sns.despine(right=False) +plt.ylabel('colony yield') +ax.figure.legend(); +``` +![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.uk.png) + +Хоча нічого особливого не виділяється близько 2003 року, це дозволяє завершити урок на більш оптимістичній ноті: хоча загалом кількість колоній зменшується, їх кількість стабілізується, навіть якщо їх урожайність на колонію знижується. + +Вперед, бджоли! 🐝❤️ + +## 🚀 Виклик + +У цьому уроці ви дізналися більше про використання діаграм розсіювання та сіток фасетів. Спробуйте створити сітку фасетів, використовуючи інший набір даних, можливо, той, який ви використовували раніше. Зверніть увагу, скільки часу потрібно для їх створення, і будьте обережні з кількістю графіків, які потрібно намалювати за допомогою цих технік. + +## [Післялекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Огляд і самостійне навчання + +Лінійні графіки можуть бути простими або досить складними. Почитайте [документацію Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) про різні способи їх створення. Спробуйте вдосконалити лінійні графіки, які ви створили в цьому уроці, використовуючи інші методи, зазначені в документації. + +## Завдання + +[Занурення в бджолиний вулик](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/uk/3-Data-Visualization/12-visualization-relationships/assignment.md new file mode 100644 index 00000000..b97f35e8 --- /dev/null +++ b/translations/uk/3-Data-Visualization/12-visualization-relationships/assignment.md @@ -0,0 +1,25 @@ + +# Занурення у вулик + +## Інструкції + +У цьому уроці ви почали вивчати набір даних про бджіл та їх виробництво меду за період, протягом якого спостерігалися втрати в популяції бджолиних колоній. Дослідіть цей набір даних глибше та створіть ноутбук, який зможе розповісти історію про стан здоров'я популяції бджіл, по штатах і роках. Чи знаходите ви щось цікаве в цьому наборі даних? + +## Критерії оцінювання + +| Відмінно | Задовільно | Потребує покращення | +| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- | +| Представлено ноутбук з історією, доповненою щонайменше трьома різними графіками, які демонструють аспекти набору даних, по штатах і роках | У ноутбуці відсутній один із цих елементів | У ноутбуці відсутні два з цих елементів | + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/README.md new file mode 100644 index 00000000..f241b340 --- /dev/null +++ b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/README.md @@ -0,0 +1,182 @@ + +# Створення змістовних візуалізацій + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Змістовні візуалізації - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +> "Якщо достатньо довго катувати дані, вони зізнаються у чому завгодно" -- [Рональд Коуз](https://en.wikiquote.org/wiki/Ronald_Coase) + +Однією з основних навичок дата-сайєнтиста є здатність створювати змістовні візуалізації даних, які допомагають відповісти на поставлені запитання. Перед тим як візуалізувати дані, необхідно переконатися, що вони були очищені та підготовлені, як ви робили це в попередніх уроках. Після цього можна почати вирішувати, як найкраще представити дані. + +У цьому уроці ви розглянете: + +1. Як вибрати правильний тип графіка +2. Як уникнути оманливих графіків +3. Як працювати з кольором +4. Як стилізувати графіки для зручності читання +5. Як створювати анімовані або 3D графіки +6. Як створювати креативні візуалізації + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Вибір правильного типу графіка + +У попередніх уроках ви експериментували зі створенням різноманітних цікавих візуалізацій даних за допомогою Matplotlib і Seaborn. Загалом, ви можете вибрати [правильний тип графіка](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) для поставленого запитання, використовуючи цю таблицю: + +| Вам потрібно: | Вам слід використовувати: | +| -------------------------- | ------------------------------- | +| Показати тенденції даних у часі | Лінійний графік | +| Порівняти категорії | Стовпчастий, круговий | +| Порівняти загальні значення | Круговий, складений стовпчастий | +| Показати взаємозв’язки | Точковий, лінійний, фасетний, подвійний лінійний | +| Показати розподіли | Точковий, гістограма, коробковий | +| Показати пропорції | Круговий, пончиковий, вафельний | + +> ✅ Залежно від складу ваших даних, можливо, вам доведеться перетворити їх з текстових у числові, щоб графік міг їх підтримувати. + +## Уникнення обману + +Навіть якщо дата-сайєнтист ретельно вибирає правильний графік для правильних даних, існує багато способів представити дані так, щоб довести певну точку зору, часто за рахунок спотворення самих даних. Існує багато прикладів оманливих графіків та інфографіки! + +[![Як графіки обманюють від Альберто Каїро](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.uk.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Як графіки обманюють") + +> 🎥 Натисніть на зображення вище, щоб переглянути конференційну доповідь про оманливі графіки + +Цей графік перевертає вісь X, щоб показати протилежне до правди, базуючись на датах: + +![поганий графік 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.uk.png) + +[Цей графік](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ще більш оманливий, оскільки погляд спрямовується вправо, щоб зробити висновок, що з часом кількість випадків COVID зменшилася в різних округах. Насправді, якщо уважно подивитися на дати, можна побачити, що вони були переставлені, щоб створити цей оманливий спад. + +![поганий графік 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.uk.jpg) + +Цей сумнозвісний приклад використовує колір І перевернуту вісь Y, щоб обманути: замість висновку, що кількість смертей від зброї зросла після прийняття законодавства, сприятливого для зброї, погляд обманюється, щоб думати, що сталося протилежне: + +![поганий графік 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.uk.jpg) + +Цей дивний графік показує, як пропорції можуть бути маніпульовані, до смішного ефекту: + +![поганий графік 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.uk.jpg) + +Порівняння непорівнюваного — ще один хитрий трюк. Існує [чудовий веб-сайт](https://tylervigen.com/spurious-correlations), присвячений "хибним кореляціям", який демонструє "факти", що корелюють, наприклад, рівень розлучень у штаті Мен і споживання маргарину. Група на Reddit також збирає [потворні приклади](https://www.reddit.com/r/dataisugly/top/?t=all) використання даних. + +Важливо розуміти, як легко погляд може бути обманутий оманливими графіками. Навіть якщо наміри дата-сайєнтиста добрі, вибір невдалого типу графіка, наприклад кругового графіка з надто великою кількістю категорій, може бути оманливим. + +## Колір + +На прикладі графіка про "насильство зі зброєю у Флориді" ви бачили, як колір може додати додатковий рівень значення до графіків, особливо тих, які не створені за допомогою бібліотек, таких як Matplotlib і Seaborn, які мають перевірені бібліотеки кольорів і палітри. Якщо ви створюєте графік вручну, варто трохи вивчити [теорію кольору](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Пам’ятайте, що при створенні графіків доступність є важливим аспектом візуалізації. Деякі ваші користувачі можуть бути дальтоніками — чи добре ваш графік відображається для користувачів із порушеннями зору? + +Будьте обережні при виборі кольорів для вашого графіка, оскільки колір може передавати значення, яке ви не мали на увазі. "Рожеві дами" на графіку "зріст" вище передають явно "жіноче" значення, що додає до дивності самого графіка. + +Хоча [значення кольорів](https://colormatters.com/color-symbolism/the-meanings-of-colors) можуть відрізнятися в різних частинах світу і змінюватися залежно від їх відтінку, загалом значення кольорів включають: + +| Колір | Значення | +| ------ | ------------------- | +| червоний | сила | +| синій | довіра, лояльність | +| жовтий | щастя, обережність | +| зелений | екологія, удача, заздрість | +| фіолетовий | щастя | +| оранжевий | яскравість | + +Якщо вам доручено створити графік із власними кольорами, переконайтеся, що ваші графіки доступні, а вибраний вами колір відповідає значенню, яке ви намагаєтеся передати. + +## Стилізація графіків для зручності читання + +Графіки не мають сенсу, якщо їх важко читати! Зверніть увагу на стилізацію ширини та висоти вашого графіка, щоб він добре масштабувався з вашими даними. Якщо потрібно відобразити одну змінну (наприклад, усі 50 штатів), розмістіть їх вертикально на осі Y, якщо це можливо, щоб уникнути горизонтального прокручування графіка. + +Позначте осі, надайте легенду, якщо це необхідно, і запропонуйте підказки для кращого розуміння даних. + +Якщо ваші дані текстові та довгі на осі X, ви можете нахилити текст для кращої читабельності. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) пропонує 3D графіки, якщо ваші дані це підтримують. Складні візуалізації даних можна створювати за допомогою `mpl_toolkits.mplot3d`. + +![3D графіки](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.uk.png) + +## Анімація та 3D графіки + +Деякі з найкращих візуалізацій даних сьогодні є анімованими. Ширлі Ву створила дивовижні приклади за допомогою D3, такі як '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', де кожна квітка є візуалізацією фільму. Інший приклад для Guardian — 'bussed out', інтерактивний досвід, що поєднує візуалізації з Greensock і D3, а також формат статті з прокруткою, щоб показати, як Нью-Йорк вирішує проблему бездомних, відправляючи людей з міста. + +![перевезення](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.uk.png) + +> "Bussed Out: Як Америка переміщує своїх бездомних" від [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Візуалізації від Надії Бремер і Ширлі Ву + +Хоча цей урок недостатній для детального вивчення цих потужних бібліотек візуалізації, спробуйте свої сили в D3 у додатку Vue.js, використовуючи бібліотеку для відображення візуалізації книги "Небезпечні зв’язки" як анімованої соціальної мережі. + +> "Les Liaisons Dangereuses" — це епістолярний роман, або роман, представлений у вигляді серії листів. Написаний у 1782 році Шодерло де Лакло, він розповідає історію жорстоких, морально збанкрутілих соціальних маневрів двох головних героїв французької аристократії кінця 18-го століття, Віконта де Вальмона та Маркізи де Мертей. Обидва зустрічають свою загибель наприкінці, але не без завдання значної соціальної шкоди. Роман розгортається як серія листів, написаних різним людям у їхніх колах, з метою помсти або просто для створення проблем. Створіть візуалізацію цих листів, щоб виявити основних "королів" оповіді візуально. + +Ви завершите веб-додаток, який відображатиме анімований вигляд цієї соціальної мережі. Він використовує бібліотеку, створену для [візуалізації мережі](https://github.com/emiliorizzo/vue-d3-network) за допомогою Vue.js і D3. Коли додаток працює, ви можете переміщати вузли на екрані, щоб змінювати дані. + +![зв’язки](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.uk.png) + +## Проєкт: Створіть графік для відображення мережі за допомогою D3.js + +> У папці цього уроку є папка `solution`, де ви можете знайти завершений проєкт для довідки. + +1. Виконайте інструкції у файлі README.md у кореневій папці стартового проєкту. Переконайтеся, що у вас встановлені NPM і Node.js перед встановленням залежностей проєкту. + +2. Відкрийте папку `starter/src`. Ви знайдете папку `assets`, де є .json файл з усіма листами з роману, пронумерованими, з позначками "to" і "from". + +3. Завершіть код у `components/Nodes.vue`, щоб увімкнути візуалізацію. Знайдіть метод `createLinks()` і додайте наступний вкладений цикл. + +Пройдіться по об’єкту .json, щоб захопити дані "to" і "from" для листів і створити об’єкт `links`, щоб бібліотека візуалізації могла його використовувати: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Запустіть ваш додаток з терміналу (npm run serve) і насолоджуйтеся візуалізацією! + +## 🚀 Виклик + +Здійсніть тур по інтернету, щоб знайти оманливі візуалізації. Як автор обманює користувача, і чи це навмисно? Спробуйте виправити візуалізації, щоб показати, як вони повинні виглядати. + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Огляд і самостійне навчання + +Ось кілька статей для читання про оманливі візуалізації даних: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Ознайомтеся з цікавими візуалізаціями історичних активів і артефактів: + +https://handbook.pubpub.org/ + +Перегляньте цю статтю про те, як анімація може покращити ваші візуалізації: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Завдання + +[Створіть власну візуалізацію](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/assignment.md new file mode 100644 index 00000000..ef10deb3 --- /dev/null +++ b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/assignment.md @@ -0,0 +1,25 @@ + +# Створіть власну візуалізацію + +## Інструкції + +Використовуючи зразок коду в цьому проєкті для створення соціальної мережі, змоделюйте дані про ваші власні соціальні взаємодії. Ви можете відобразити ваше використання соціальних мереж або створити діаграму членів вашої родини. Створіть цікаву веб-застосунок, який демонструє унікальну візуалізацію соціальної мережі. + +## Критерії оцінювання + +Відмінно | Задовільно | Потребує покращення +--- | --- | --- | +Представлено репозиторій на GitHub із кодом, який працює належним чином (спробуйте розгорнути його як статичний веб-застосунок) і має анотований README, що пояснює проєкт | Репозиторій працює неналежним чином або недостатньо добре документований | Репозиторій працює неналежним чином і недостатньо добре документований + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/solution/README.md new file mode 100644 index 00000000..e830c7a8 --- /dev/null +++ b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/solution/README.md @@ -0,0 +1,40 @@ + +# Проєкт візуалізації даних "Небезпечні зв'язки" + +Щоб розпочати, переконайтеся, що у вас встановлені NPM і Node на вашому комп'ютері. Встановіть залежності (npm install), а потім запустіть проєкт локально (npm run serve): + +## Налаштування проєкту +``` +npm install +``` + +### Компіляція та автоматичне оновлення для розробки +``` +npm run serve +``` + +### Компіляція та мінімізація для продакшну +``` +npm run build +``` + +### Перевірка та виправлення файлів +``` +npm run lint +``` + +### Налаштування конфігурації +Дивіться [Довідник з конфігурації](https://cli.vuejs.org/config/). + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/starter/README.md new file mode 100644 index 00000000..445a8f83 --- /dev/null +++ b/translations/uk/3-Data-Visualization/13-meaningful-visualizations/starter/README.md @@ -0,0 +1,40 @@ + +# Проєкт візуалізації даних "Небезпечні зв'язки" + +Щоб розпочати, переконайтеся, що у вас встановлені NPM і Node на вашому комп'ютері. Встановіть залежності (npm install), а потім запустіть проєкт локально (npm run serve): + +## Налаштування проєкту +``` +npm install +``` + +### Компіляція та автоматичне оновлення для розробки +``` +npm run serve +``` + +### Компіляція та мінімізація для продакшну +``` +npm run build +``` + +### Перевірка та виправлення файлів +``` +npm run lint +``` + +### Налаштування конфігурації +Дивіться [Довідник з конфігурації](https://cli.vuejs.org/config/). + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/uk/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..ff8dd50a --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,231 @@ + +# Візуалізація кількісних даних +|![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| Візуалізація кількісних даних - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +У цьому уроці ви дізнаєтеся, як використовувати деякі з багатьох доступних бібліотек R-пакетів для створення цікавих візуалізацій, пов'язаних із концепцією кількості. Використовуючи очищений набір даних про птахів Міннесоти, ви можете дізнатися багато цікавих фактів про місцеву дику природу. +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## Спостереження за розмахом крил за допомогою ggplot2 +Відмінною бібліотекою для створення як простих, так і складних графіків і діаграм різних типів є [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Загалом, процес побудови графіків за допомогою цих бібліотек включає визначення частин вашого датафрейму, які ви хочете використати, виконання необхідних трансформацій даних, призначення значень осей x та y, вибір типу графіка та його відображення. + +`ggplot2` — це система для декларативного створення графіків, заснована на "Граматиці графіки". [Граматика графіки](https://en.wikipedia.org/wiki/Ggplot2) — це загальна схема візуалізації даних, яка розбиває графіки на семантичні компоненти, такі як шкали та шари. Іншими словами, простота створення графіків для одновимірних або багатовимірних даних із мінімальною кількістю коду робить `ggplot2` найпопулярнішим пакетом для візуалізації в R. Користувач вказує `ggplot2`, як зіставити змінні з естетикою, які графічні примітиви використовувати, а `ggplot2` виконує решту. + +> ✅ Графік = Дані + Естетика + Геометрія +> - Дані стосуються набору даних +> - Естетика вказує змінні для вивчення (змінні x та y) +> - Геометрія стосується типу графіка (лінійний графік, стовпчаста діаграма тощо) + +Виберіть найкращу геометрію (тип графіка) відповідно до ваших даних і історії, яку ви хочете розповісти через графік. + +> - Для аналізу трендів: лінійний графік, стовпчаста діаграма +> - Для порівняння значень: стовпчаста діаграма, кругова діаграма, точкова діаграма +> - Для показу, як частини співвідносяться з цілим: кругова діаграма +> - Для показу розподілу даних: точкова діаграма, стовпчаста діаграма +> - Для показу взаємозв’язків між значеннями: лінійний графік, точкова діаграма, бульбашкова діаграма + +✅ Ви також можете переглянути цей описовий [шпаргалку](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) для ggplot2. + +## Побудова лінійного графіка для значень розмаху крил птахів + +Відкрийте консоль R і імпортуйте набір даних. +> Примітка: Набір даних зберігається в корені цього репозиторію в папці `/data`. + +Імпортуємо набір даних і переглянемо його перші 5 рядків. + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +Перші рядки даних містять суміш тексту та чисел: + +| | Назва | НауковаНазва | Категорія | Ряд | Родина | Рід | СтатусЗбереження | МінДовжина | МаксДовжина | МінМасаТіла | МаксМасаТіла | МінРозмахКрил | МаксРозмахКрил | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | ----------:| ----------: | ----------: | ----------: | ------------: | ------------: | +| 0 | Чорночеревий свистячий качур | Dendrocygna autumnalis | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Рудий свистячий качур | Dendrocygna bicolor | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Біла гуска | Anser caerulescens | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Гуска Росса | Anser rossii | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика білолоба гуска | Anser albifrons | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Почнемо з побудови базового лінійного графіка для деяких числових даних. Припустимо, ви хочете побачити максимальний розмах крил цих цікавих птахів. + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +Тут ви встановлюєте пакет `ggplot2`, а потім імпортуєте його в робоче середовище за допомогою команди `library("ggplot2")`. Для побудови будь-якого графіка в ggplot використовується функція `ggplot()`, і ви вказуєте набір даних, змінні x та y як атрибути. У цьому випадку ми використовуємо функцію `geom_line()`, оскільки хочемо побудувати лінійний графік. + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.uk.png) + +Що ви помічаєте одразу? Здається, є принаймні один викид — це досить великий розмах крил! Розмах крил понад 2000 сантиметрів дорівнює більше ніж 20 метрам — чи не літають у Міннесоті птеродактилі? Давайте дослідимо. + +Хоча ви могли б швидко відсортувати дані в Excel, щоб знайти ці викиди, які, ймовірно, є помилками, продовжуйте процес візуалізації, працюючи безпосередньо з графіком. + +Додайте підписи до осі x, щоб показати, про яких птахів йдеться: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +Ми вказуємо кут у `theme` і задаємо підписи осей x та y у `xlab()` та `ylab()` відповідно. `ggtitle()` задає назву графіку. + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.uk.png) + +Навіть із поворотом підписів на 45 градусів їх занадто багато, щоб прочитати. Спробуємо іншу стратегію: підписати лише ті викиди та розмістити підписи всередині графіка. Ви можете використати точкову діаграму, щоб звільнити більше місця для підписів: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +Що тут відбувається? Ви використали функцію `geom_point()` для побудови точкових діаграм. Завдяки цьому ви додали підписи для птахів із `MaxWingspan > 500` і також приховали підписи на осі x, щоб зменшити захаращеність графіка. + +Що ви виявляєте? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.uk.png) + +## Фільтрація даних + +І білоголовий орлан, і прерієвий сокіл, хоча, ймовірно, дуже великі птахи, здається, мають помилкові дані, з додатковим нулем у їхньому максимальному розмаху крил. Малоймовірно, що ви зустрінете білоголового орлана з розмахом крил 25 метрів, але якщо так, будь ласка, повідомте нам! Давайте створимо новий датафрейм без цих двох викидів: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +Ми створили новий датафрейм `birds_filtered`, а потім побудували точкову діаграму. Відфільтрувавши викиди, ваші дані тепер більш узгоджені та зрозумілі. + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.uk.png) + +Тепер, коли ми маємо очищений набір даних принаймні щодо розмаху крил, давайте дізнаємося більше про цих птахів. + +Хоча лінійні та точкові графіки можуть відображати інформацію про значення даних та їх розподіл, ми хочемо подумати про значення, властиві цьому набору даних. Ви могли б створити візуалізації, щоб відповісти на такі питання про кількість: + +> Скільки категорій птахів існує і яка їх кількість? +> Скільки птахів є вимерлими, під загрозою зникнення, рідкісними чи звичайними? +> Скільки є різних родів і рядів за термінологією Ліннея? + +## Дослідження стовпчастих діаграм + +Стовпчасті діаграми є практичними, коли потрібно показати групування даних. Давайте дослідимо категорії птахів, які є в цьому наборі даних, щоб побачити, яка з них є найпоширенішою за кількістю. +Створимо стовпчасту діаграму на основі відфільтрованих даних. + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +У наступному фрагменті ми встановлюємо пакети [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) та [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0), щоб допомогти маніпулювати та групувати дані для побудови складеної стовпчастої діаграми. Спочатку ви групуєте дані за `Category` птахів, а потім підсумовуєте стовпці `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Потім будуєте стовпчасту діаграму за допомогою пакета `ggplot2`, вказуючи кольори для різних категорій і підписи. + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.uk.png) + +Ця стовпчаста діаграма, однак, є нечитаємою через надто багато негрупованих даних. Вам потрібно вибрати лише ті дані, які ви хочете відобразити, тому давайте подивимося на довжину птахів залежно від їхньої категорії. + +Відфільтруйте ваші дані, щоб включити лише категорію птахів. + +Оскільки категорій багато, ви можете відобразити цю діаграму вертикально та налаштувати її висоту, щоб врахувати всі дані: + +```r +birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE) +birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category) +ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip() +``` +Спочатку ви рахуєте унікальні значення в стовпці `Category`, а потім сортуєте їх у новий датафрейм `birds_count`. Ці відсортовані дані потім враховуються на тому ж рівні, щоб вони були відображені у відсортованому вигляді. Використовуючи `ggplot2`, ви потім будуєте дані у вигляді стовпчастої діаграми. `coord_flip()` відображає горизонтальні стовпці. + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.uk.png) + +Ця стовпчаста діаграма дає гарний огляд кількості птахів у кожній категорії. Одним поглядом ви бачите, що найбільша кількість птахів у цьому регіоні належить до категорії Качки/Гуси/Водоплавні. Міннесота — це "країна 10 000 озер", тому це не дивно! + +✅ Спробуйте інші підрахунки в цьому наборі даних. Чи щось вас здивувало? + +## Порівняння даних + +Ви можете спробувати різні порівняння згрупованих даних, створюючи нові осі. Спробуйте порівняти MaxLength птаха залежно від його категорії: + +```r +birds_grouped <- birds_filtered %>% + group_by(Category) %>% + summarise( + MaxLength = max(MaxLength, na.rm = T), + MinLength = max(MinLength, na.rm = T) + ) %>% + arrange(Category) + +ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip() +``` +Ми групуємо дані `birds_filtered` за `Category`, а потім будуємо стовпчасту діаграму. + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.uk.png) + +Тут нічого дивного: колібрі мають найменший MaxLength у порівнянні з пеліканами чи гусьми. Добре, коли дані мають логічний сенс! + +Ви можете створювати цікавіші візуалізації стовпчастих діаграм, накладаючи дані. Давайте накладемо мінімальну та максимальну довжину на певну категорію птахів: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.uk.png) + +## 🚀 Виклик + +Цей набір даних про птахів пропонує багатство інформації про різні види птахів у певній екосистемі. Пошукайте в інтернеті інші набори даних, орієнтовані на птахів. Практикуйте створення графіків і діаграм навколо цих птахів, щоб дізнатися факти, про які ви не здогадувалися. +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## Огляд і самостійне навчання + +Цей перший урок дав вам деяку інформацію про те, як використовувати `ggplot2` для візуалізації кількісних даних. Проведіть дослідження інших способів роботи з наборами даних для візуалізації. Досліджуйте та шукайте набори даних, які ви могли б візуалізувати за допомогою інших пакетів, таких як [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) та [Plotly](https://github.com/plotly/plotly.R#readme). + +## Завдання +[Лінії, точки та стовпці](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/uk/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..107f4df7 --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,25 @@ + +# Лінії, розсіювання та стовпчики + +## Інструкції + +У цьому уроці ви працювали з лінійними графіками, точковими діаграмами та стовпчиковими графіками, щоб показати цікаві факти про цей набір даних. У цьому завданні заглибтеся в набір даних, щоб виявити факт про певний вид птахів. Наприклад, створіть скрипт, який візуалізує всі цікаві дані, які ви можете знайти про білого гусака. Використовуйте три згадані вище типи графіків, щоб розповісти історію у вашому ноутбуці. + +## Критерії оцінювання + +Зразковий | Достатній | Потребує покращення +--- | --- | --- | +Скрипт представлений з хорошими коментарями, чіткою розповіддю та привабливими графіками | У скрипті відсутній один із цих елементів | У скрипті відсутні два з цих елементів + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/uk/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..318531cf --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,183 @@ + +# Візуалізація розподілів + +|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| Візуалізація розподілів - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +У попередньому уроці ви дізналися кілька цікавих фактів про набір даних про птахів Міннесоти. Ви знайшли помилкові дані, візуалізуючи аномалії, і розглянули відмінності між категоріями птахів за їх максимальною довжиною. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## Дослідження набору даних про птахів + +Ще один спосіб дослідження даних — це аналіз їх розподілу, тобто того, як дані організовані вздовж осі. Наприклад, можливо, ви хочете дізнатися загальний розподіл максимального розмаху крил або максимальної маси тіла для птахів Міннесоти в цьому наборі даних. + +Давайте відкриємо кілька фактів про розподіли даних у цьому наборі. У вашій консолі R імпортуйте `ggplot2` і базу даних. Видаліть аномалії з бази даних так само, як у попередній темі. + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | Назва | Наукова назва | Категорія | Ряд | Родина | Рід | Статус збереження | МінДовжина | МаксДовжина | МінМасаТіла | МаксМасаТіла | МінРозмахКрил | МаксРозмахКрил | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | Чорночеревий свистячий качур | Dendrocygna autumnalis | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | Рудий свистячий качур | Dendrocygna bicolor | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | Біла гуска | Anser caerulescens | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | Гуска Росса | Anser rossii | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | Велика білолоба гуска | Anser albifrons | Качки/Гуси/Водоплавні | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +Загалом, ви можете швидко переглянути, як дані розподілені, використовуючи точковий графік, як ми робили в попередньому уроці: + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![максимальна довжина за рядом](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.uk.png) + +Це дає загальний огляд розподілу довжини тіла за рядом птахів, але це не найкращий спосіб відображення справжніх розподілів. Для цього зазвичай створюють гістограму. +## Робота з гістограмами + +`ggplot2` пропонує чудові способи візуалізації розподілу даних за допомогою гістограм. Цей тип графіка схожий на стовпчасту діаграму, де розподіл можна побачити через підйом і спад стовпців. Для створення гістограми потрібні числові дані. Щоб створити гістограму, можна побудувати графік, визначивши тип як 'hist' для гістограми. Цей графік показує розподіл MaxBodyMass для всього діапазону числових даних набору. Розділяючи масив даних на менші групи, він може відобразити розподіл значень даних: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![розподіл по всьому набору даних](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.uk.png) + +Як видно, більшість із 400+ птахів у цьому наборі даних мають масу тіла менше 2000. Отримайте більше інформації про дані, змінивши параметр `bins` на більше значення, наприклад, 30: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![розподіл-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.uk.png) + +Цей графік показує розподіл у трохи більш деталізованому вигляді. Менш зміщений графік можна створити, вибравши дані лише в заданому діапазоні: + +Відфільтруйте дані, щоб отримати лише тих птахів, чия маса тіла менше 60, і покажіть 30 `bins`: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![відфільтрована гістограма](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.uk.png) + +✅ Спробуйте інші фільтри та точки даних. Щоб побачити повний розподіл даних, видаліть фільтр `['MaxBodyMass']`, щоб показати розподіли з мітками. + +Гістограма пропонує також цікаві покращення кольору та міток: + +Створіть 2D гістограму, щоб порівняти взаємозв’язок між двома розподілами. Давайте порівняємо `MaxBodyMass` і `MaxLength`. `ggplot2` пропонує вбудований спосіб показати збіг за допомогою яскравіших кольорів: + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +Здається, є очікуваний кореляційний зв’язок між цими двома елементами вздовж передбачуваної осі, з одним особливо сильним точковим збігом: + +![2d графік](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.uk.png) + +Гістограми добре працюють за замовчуванням для числових даних. А що, якщо потрібно побачити розподіли за текстовими даними? +## Дослідження набору даних для розподілів за текстовими даними + +Цей набір даних також містить корисну інформацію про категорію птахів, їх рід, вид і родину, а також статус збереження. Давайте дослідимо інформацію про статус збереження. Який розподіл птахів за їх статусом збереження? + +> ✅ У наборі даних використовуються кілька абревіатур для опису статусу збереження. Ці абревіатури походять із [Категорій Червоного списку МСОП](https://www.iucnredlist.org/), організації, яка каталогізує статус видів. +> +> - CR: Критично зникаючий +> - EN: Зникаючий +> - EX: Вимерлий +> - LC: Найменша загроза +> - NT: Близький до загрози +> - VU: Уразливий + +Це текстові значення, тому вам потрібно буде виконати трансформацію для створення гістограми. Використовуючи dataframe filteredBirds, відобразіть його статус збереження разом із мінімальним розмахом крил. Що ви бачите? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![розмах крил і статус збереження](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.uk.png) + +Здається, немає чіткої кореляції між мінімальним розмахом крил і статусом збереження. Перевірте інші елементи набору даних, використовуючи цей метод. Ви можете спробувати різні фільтри. Чи знаходите ви якусь кореляцію? + +## Графіки щільності + +Ви могли помітити, що гістограми, які ми розглядали до цього, мають "ступінчастий" вигляд і не плавно переходять у дугу. Щоб показати більш плавний графік щільності, можна спробувати графік щільності. + +Давайте попрацюємо з графіками щільності! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![графік щільності](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.uk.png) + +Ви можете побачити, як графік повторює попередній для даних про мінімальний розмах крил; він просто трохи плавніший. Якщо ви хотіли б повернутися до того нерівного графіка MaxBodyMass у другому побудованому вами графіку, ви могли б дуже добре згладити його, відтворивши цей метод: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![щільність маси тіла](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.uk.png) + +Якщо ви хочете отримати плавну, але не надто плавну лінію, змініть параметр `adjust`: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![менш плавна маса тіла](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.uk.png) + +✅ Ознайомтеся з параметрами, доступними для цього типу графіка, і експериментуйте! + +Цей тип графіка пропонує чудові пояснювальні візуалізації. Наприклад, за кілька рядків коду ви можете показати щільність максимальної маси тіла за рядом птахів: + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![маса тіла за рядом](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.uk.png) + +## 🚀 Виклик + +Гістограми є більш складним типом графіка, ніж базові точкові графіки, стовпчасті діаграми або лінійні графіки. Знайдіть в інтернеті хороші приклади використання гістограм. Як вони використовуються, що вони демонструють і в яких галузях або сферах дослідження їх зазвичай застосовують? + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## Огляд і самостійне навчання + +У цьому уроці ви використовували `ggplot2` і почали працювати над створенням більш складних графіків. Проведіть дослідження про `geom_density_2d()` — "безперервна крива щільності ймовірності в одному або кількох вимірах". Ознайомтеся з [документацією](https://ggplot2.tidyverse.org/reference/geom_density_2d.html), щоб зрозуміти, як це працює. + +## Завдання + +[Застосуйте свої навички](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/uk/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..28d77edb --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,25 @@ + +# Застосуйте свої навички + +## Інструкції + +До цього моменту ви працювали з набором даних про птахів Міннесоти, щоб дізнатися інформацію про кількість птахів та щільність популяції. Попрактикуйте застосування цих методів, спробувавши інший набір даних, можливо, взятий із [Kaggle](https://www.kaggle.com/). Створіть R-скрипт, щоб розповісти історію про цей набір даних, і обов’язково використовуйте гістограми для його аналізу. + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Скрипт представлений з коментарями про цей набір даних, включаючи його джерело, і використовує щонайменше 5 гістограм для виявлення фактів про дані. | Скрипт представлений з неповними коментарями або містить помилки. | Скрипт представлений без коментарів і містить помилки. + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/uk/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..f54d86f7 --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,201 @@ + +# Візуалізація пропорцій + +|![Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev)](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|Візуалізація пропорцій - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +У цьому уроці ви використаєте інший набір даних, пов'язаний із природою, щоб візуалізувати пропорції, наприклад, скільки різних видів грибів представлено в заданому наборі даних про гриби. Давайте дослідимо ці захоплюючі гриби, використовуючи набір даних від Audubon, який містить інформацію про 23 види пластинчастих грибів із родин Agaricus і Lepiota. Ви експериментуватимете з такими смачними візуалізаціями, як: + +- Кругові діаграми 🥧 +- Кільцеві діаграми 🍩 +- Вафельні діаграми 🧇 + +> 💡 Дуже цікавий проєкт під назвою [Charticulator](https://charticulator.com) від Microsoft Research пропонує безкоштовний інтерфейс перетягування для створення візуалізацій даних. У одному з їхніх навчальних посібників також використовується цей набір даних про гриби! Тож ви можете досліджувати дані та вивчати бібліотеку одночасно: [Навчальний посібник Charticulator](https://charticulator.com/tutorials/tutorial4.html). + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## Дізнайтеся більше про свої гриби 🍄 + +Гриби дуже цікаві. Давайте імпортуємо набір даних, щоб їх вивчити: + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +Виводиться таблиця з чудовими даними для аналізу: + + +| class | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| Poisonous | Convex | Smooth | Brown | Bruises | Pungent | Free | Close | Narrow | Black | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | +| Edible | Convex | Smooth | Yellow | Bruises | Almond | Free | Close | Broad | Black | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Grasses | +| Edible | Bell | Smooth | White | Bruises | Anise | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Meadows | +| Poisonous | Convex | Scaly | White | Bruises | Pungent | Free | Close | Narrow | Brown | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban +| Edible | Convex |Smooth | Green | No Bruises| None |Free | Crowded | Broad | Black | Tapering | Equal | Smooth | Smooth | White | White | Partial | White | One | Evanescent | Brown | Abundant | Grasses +|Edible | Convex | Scaly | Yellow | Bruises | Almond | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Numerous | Grasses + +Одразу помітно, що всі дані є текстовими. Вам потрібно буде конвертувати ці дані, щоб використовувати їх у діаграмі. Більшість даних, насправді, представлені як об'єкти: + +```r +names(mushrooms) +``` + +Результат: + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` +Візьміть ці дані та перетворіть стовпець 'class' у категорію: + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + + +Тепер, якщо ви виведете дані про гриби, ви побачите, що вони згруповані за категоріями відповідно до класу їстівності/отруйності: +```r +View(grouped) +``` + + +| class | count | +| --------- | --------- | +| Edible | 4208 | +| Poisonous| 3916 | + + + +Якщо ви дотримаєтеся порядку, представленого в цій таблиці, щоб створити мітки категорій класу, ви зможете побудувати кругову діаграму. + +## Кругова діаграма! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +Вуаля, кругова діаграма, яка показує пропорції цих даних відповідно до двох класів грибів. Дуже важливо правильно впорядкувати мітки, особливо тут, тому обов'язково перевірте порядок, у якому створюється масив міток! + +![кругова діаграма](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.uk.png) + +## Кільцева діаграма! + +Дещо цікавішою візуально є кільцева діаграма, яка є круговою діаграмою з отвором посередині. Давайте подивимося на наші дані за допомогою цього методу. + +Розгляньте різні середовища, де ростуть гриби: + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` +Результат: +| habitat| count | +| --------- | --------- | +| Grasses | 2148 | +| Leaves| 832 | +| Meadows | 292 | +| Paths| 1144 | +| Urban | 368 | +| Waste| 192 | +| Wood| 3148 | + + +Тут ви групуєте свої дані за середовищем. Є 7 категорій, тому використовуйте їх як мітки для своєї кільцевої діаграми: + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![кільцева діаграма](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.uk.png) + +Цей код використовує дві бібліотеки - ggplot2 і webr. Використовуючи функцію PieDonut з бібліотеки webr, ми можемо легко створити кільцеву діаграму! + +Кільцеві діаграми в R можна створювати, використовуючи лише бібліотеку ggplot2. Ви можете дізнатися більше про це [тут](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) і спробувати самостійно. + +Тепер, коли ви знаєте, як групувати дані та відображати їх у вигляді кругової або кільцевої діаграми, ви можете дослідити інші типи діаграм. Спробуйте вафельну діаграму, яка є просто іншим способом візуалізації кількості. +## Вафельна діаграма! + +Діаграма типу "вафля" - це інший спосіб візуалізації кількостей у вигляді двовимірного масиву квадратів. Спробуйте візуалізувати різні кількості кольорів капелюшків грибів у цьому наборі даних. Для цього вам потрібно встановити допоміжну бібліотеку під назвою [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) і використовувати її для створення своєї візуалізації: + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +Виберіть сегмент своїх даних для групування: + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +Створіть вафельну діаграму, створивши мітки, а потім згрупувавши свої дані: + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +Використовуючи вафельну діаграму, ви можете чітко побачити пропорції кольорів капелюшків у цьому наборі даних про гриби. Цікаво, що є багато грибів із зеленими капелюшками! + +![вафельна діаграма](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.uk.png) + +У цьому уроці ви дізналися три способи візуалізації пропорцій. Спочатку потрібно згрупувати свої дані в категорії, а потім вирішити, який спосіб відображення даних - кругова, кільцева чи вафельна діаграма - найкраще підходить. Усі вони "смачні" та надають користувачеві миттєвий знімок набору даних. + +## 🚀 Виклик + +Спробуйте відтворити ці "смачні" діаграми в [Charticulator](https://charticulator.com). +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## Огляд і самостійне навчання + +Іноді не очевидно, коли використовувати кругову, кільцеву чи вафельну діаграму. Ось кілька статей для ознайомлення з цією темою: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +Проведіть дослідження, щоб знайти більше інформації про це складне рішення. +## Завдання + +[Спробуйте це в Excel](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/uk/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..fe3ab450 --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,177 @@ + +# Візуалізація взаємозв'язків: усе про мед 🍯 + +|![ Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|Візуалізація взаємозв'язків - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +Продовжуючи дослідження, зосереджене на природі, давайте відкриємо цікаві способи візуалізації взаємозв'язків між різними типами меду, використовуючи набір даних, отриманий від [Міністерства сільського господарства США](https://www.nass.usda.gov/About_NASS/index.php). + +Цей набір даних, що містить близько 600 елементів, демонструє виробництво меду в багатьох штатах США. Наприклад, можна переглянути кількість колоній, урожайність на колонію, загальне виробництво, запаси, ціну за фунт і вартість виробленого меду в кожному штаті за період з 1998 по 2012 рік, де кожен рядок відповідає одному року для кожного штату. + +Цікаво буде візуалізувати взаємозв'язок між виробництвом меду в певному штаті за рік і, наприклад, ціною меду в цьому штаті. Або ж можна візуалізувати взаємозв'язок між урожайністю меду на колонію в різних штатах. Цей період охоплює руйнівний феномен "CCD" або "Синдром колапсу колоній", вперше зафіксований у 2006 році (http://npic.orst.edu/envir/ccd.html), тому це важливий набір даних для вивчення. 🐝 + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +У цьому уроці ви можете використовувати ggplot2, який ви вже використовували раніше, як чудову бібліотеку для візуалізації взаємозв'язків між змінними. Особливо цікавим є використання функцій `geom_point` і `qplot` у ggplot2, які дозволяють створювати точкові та лінійні графіки для швидкої візуалізації '[статистичних взаємозв'язків](https://ggplot2.tidyverse.org/)', що допомагають дата-сайєнтисту краще зрозуміти, як змінні взаємодіють одна з одною. + +## Точкові графіки + +Використовуйте точковий графік, щоб показати, як ціна меду змінювалася рік за роком у кожному штаті. ggplot2, використовуючи `ggplot` і `geom_point`, зручно групує дані по штатах і відображає точки для категорійних і числових даних. + +Почнемо з імпорту даних і бібліотеки Seaborn: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +Ви помітите, що дані про мед мають кілька цікавих колонок, включаючи рік і ціну за фунт. Давайте дослідимо ці дані, згруповані за штатами США: + +| штат | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | рік | +| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 |22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +Створіть базовий точковий графік, щоб показати взаємозв'язок між ціною за фунт меду та його штатом походження. Зробіть вісь `y` достатньо високою, щоб відобразити всі штати: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.uk.png) + +Тепер покажіть ті ж дані з кольоровою схемою меду, щоб продемонструвати, як ціна змінюється з роками. Ви можете зробити це, додавши параметр 'scale_color_gradientn', щоб показати зміни рік за роком: + +> ✅ Дізнайтеся більше про [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - спробуйте красиву кольорову схему веселки! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.uk.png) + +З цією зміною кольорової схеми ви можете побачити очевидну тенденцію до зростання ціни за фунт меду з роками. Дійсно, якщо ви перевірите вибірку даних (наприклад, штат Аризона), ви побачите закономірність підвищення цін рік за роком, з деякими винятками: + +| штат | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | рік | +| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +Інший спосіб візуалізувати цю тенденцію — використовувати розмір, а не колір. Для користувачів із порушенням сприйняття кольорів це може бути кращим варіантом. Змініть свою візуалізацію, щоб показати збільшення ціни через збільшення розміру точок: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +Ви можете побачити, як розмір точок поступово збільшується. + +![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.uk.png) + +Чи це простий випадок попиту та пропозиції? Через такі фактори, як зміна клімату та колапс колоній, чи стає мед менш доступним для покупки рік за роком, і тому ціна зростає? + +Щоб знайти кореляцію між деякими змінними в цьому наборі даних, давайте дослідимо лінійні графіки. + +## Лінійні графіки + +Запитання: Чи є чітке зростання ціни меду за фунт рік за роком? Найпростіше це виявити, створивши один лінійний графік: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +Відповідь: Так, з деякими винятками близько 2003 року: + +![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.uk.png) + +Запитання: Ну, а чи можемо ми також побачити сплеск у постачанні меду в 2003 році? Що, якщо подивитися на загальне виробництво рік за роком? + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.uk.png) + +Відповідь: Не зовсім. Якщо подивитися на загальне виробництво, здається, що воно фактично збільшилося в цьому конкретному році, хоча загалом кількість виробленого меду зменшується протягом цих років. + +Запитання: У такому випадку, що могло спричинити сплеск ціни меду близько 2003 року? + +Щоб це з'ясувати, можна дослідити сітку фасетів. + +## Сітки фасетів + +Сітки фасетів беруть одну грань вашого набору даних (у нашому випадку можна вибрати 'рік', щоб уникнути надто великої кількості фасетів). Seaborn може створити графік для кожної з цих граней за обраними координатами x і y для більш зручного порівняння. Чи виділяється 2003 рік у такому порівнянні? + +Створіть сітку фасетів, використовуючи `facet_wrap`, як рекомендовано в [документації ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html). + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +У цій візуалізації ви можете порівняти урожайність на колонію та кількість колоній рік за роком, поруч із wrap, встановленим на 3 для колонок: + +![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.uk.png) + +Для цього набору даних нічого особливого не виділяється щодо кількості колоній та їх урожайності рік за роком і штат за штатом. Чи є інший спосіб знайти кореляцію між цими двома змінними? + +## Двохлінійні графіки + +Спробуйте багатолінійний графік, наклавши два лінійні графіки один на одного, використовуючи функції `par` і `plot` у R. Ми будемо відображати рік на осі x і показувати дві осі y. Тобто, відобразимо урожайність на колонію та кількість колоній, накладені одна на одну: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.uk.png) + +Хоча нічого особливого не виділяється близько 2003 року, це дозволяє нам завершити урок на трохи позитивнішій ноті: хоча загалом кількість колоній зменшується, їх кількість стабілізується, навіть якщо їх урожайність на колонію знижується. + +Вперед, бджоли, вперед! + +🐝❤️ +## 🚀 Виклик + +У цьому уроці ви дізналися трохи більше про інші способи використання точкових графіків і лінійних сіток, включаючи сітки фасетів. Викличте себе, створивши сітку фасетів, використовуючи інший набір даних, можливо, той, який ви використовували раніше в цих уроках. Зверніть увагу, скільки часу потрібно для створення та як важливо бути обережним із кількістю сіток, які потрібно намалювати за допомогою цих технік. +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## Огляд і самостійне навчання + +Лінійні графіки можуть бути простими або досить складними. Почитайте [документацію ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) про різні способи їх побудови. Спробуйте вдосконалити лінійні графіки, які ви створили в цьому уроці, використовуючи інші методи, наведені в документації. +## Завдання + +[Занурення у вулик](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/uk/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..39cf0d5f --- /dev/null +++ b/translations/uk/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,182 @@ + +# Створення змістовних візуалізацій + +|![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| Змістовні візуалізації - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +> "Якщо достатньо довго катувати дані, вони зізнаються у всьому" -- [Рональд Коуз](https://en.wikiquote.org/wiki/Ronald_Coase) + +Однією з основних навичок дата-сайєнтиста є здатність створювати змістовні візуалізації даних, які допомагають відповісти на поставлені запитання. Перед тим як візуалізувати дані, необхідно переконатися, що вони очищені та підготовлені, як ви робили в попередніх уроках. Після цього можна починати обирати найкращий спосіб представлення даних. + +У цьому уроці ви дізнаєтеся: + +1. Як обрати правильний тип діаграми +2. Як уникати оманливих візуалізацій +3. Як працювати з кольором +4. Як стилізувати діаграми для кращої читабельності +5. Як створювати анімовані або 3D-візуалізації +6. Як створювати креативні візуалізації + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## Оберіть правильний тип діаграми + +У попередніх уроках ви експериментували зі створенням різноманітних візуалізацій даних за допомогою Matplotlib і Seaborn. Загалом, ви можете обрати [правильний тип діаграми](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) для вашого запитання, використовуючи цю таблицю: + +| Вам потрібно: | Використовуйте: | +| -------------------------- | ------------------------------- | +| Показати тренди даних у часі | Лінійна діаграма | +| Порівняти категорії | Стовпчикова, Кругова | +| Порівняти загальні значення | Кругова, Складена стовпчикова | +| Показати взаємозв'язки | Точкова, Лінійна, Фасетна, Подвійна лінія | +| Показати розподіли | Точкова, Гістограма, Коробкова | +| Показати пропорції | Кругова, Донат, Вафельна | + +> ✅ Залежно від структури ваших даних, можливо, доведеться конвертувати їх із текстового формату в числовий, щоб підтримати обраний тип діаграми. + +## Уникайте обману + +Навіть якщо дата-сайєнтист ретельно обирає правильну діаграму для правильних даних, існує багато способів представити дані так, щоб довести певну точку зору, часто за рахунок спотворення самих даних. Є безліч прикладів оманливих діаграм та інфографік! + +[![Як діаграми обманюють, Альберто Кайро](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.uk.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Як діаграми обманюють") + +> 🎥 Натисніть на зображення вище, щоб переглянути конференційну доповідь про оманливі діаграми + +Ця діаграма перевертає вісь X, щоб показати протилежне до правди, базуючись на датах: + +![погана діаграма 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.uk.png) + +[Ця діаграма](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ще більш оманлива, оскільки погляд спрямовується вправо, щоб зробити висновок, що з часом випадки COVID зменшилися в різних округах. Насправді, якщо уважно подивитися на дати, ви побачите, що їх було переставлено, щоб створити цей оманливий спад. + +![погана діаграма 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.uk.jpg) + +Цей сумнозвісний приклад використовує колір І перевернуту вісь Y, щоб обманути: замість висновку, що кількість смертей від зброї зросла після прийняття законодавства, сприятливого для зброї, погляд обманюється, думаючи, що сталося протилежне: + +![погана діаграма 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.uk.jpg) + +Ця дивна діаграма показує, як пропорції можуть бути маніпульовані до комічного ефекту: + +![погана діаграма 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.uk.jpg) + +Порівняння непорівнюваного — ще один хитрий трюк. Існує [чудовий вебсайт](https://tylervigen.com/spurious-correlations), присвячений "хибним кореляціям", який демонструє "факти", що пов'язують, наприклад, рівень розлучень у штаті Мен із споживанням маргарину. Група на Reddit також збирає [приклади поганого використання даних](https://www.reddit.com/r/dataisugly/top/?t=all). + +Важливо розуміти, як легко погляд може бути обманутий оманливими діаграмами. Навіть якщо наміри дата-сайєнтиста добрі, вибір невдалого типу діаграми, наприклад, кругової діаграми з надто багатьма категоріями, може ввести в оману. + +## Колір + +Як ви бачили на діаграмі про "насильство зі зброєю у Флориді", колір може додати додатковий шар значення до діаграм, особливо тих, які не створені за допомогою бібліотек, таких як ggplot2 і RColorBrewer, що мають перевірені колірні палітри. Якщо ви створюєте діаграму вручну, варто трохи вивчити [теорію кольору](https://colormatters.com/color-and-design/basic-color-theory). + +> ✅ Пам'ятайте, що доступність є важливим аспектом візуалізації. Деякі ваші користувачі можуть мати дальтонізм — чи добре ваша діаграма відображається для користувачів із порушеннями зору? + +Будьте обережні при виборі кольорів для вашої діаграми, оскільки колір може передавати значення, яке ви не мали на увазі. Наприклад, "рожеві дами" на діаграмі про "зріст" вище передають явно "жіночий" підтекст, що додає до абсурдності самої діаграми. + +Хоча [значення кольорів](https://colormatters.com/color-symbolism/the-meanings-of-colors) можуть відрізнятися в різних частинах світу і змінюватися залежно від відтінку, загалом значення кольорів включають: + +| Колір | Значення | +| ------ | ------------------- | +| червоний | сила | +| синій | довіра, лояльність | +| жовтий | щастя, обережність | +| зелений | екологія, удача, заздрість | +| фіолетовий | щастя | +| помаранчевий | яскравість | + +Якщо вам доручено створити діаграму з індивідуальними кольорами, переконайтеся, що ваша діаграма є доступною, а обраний колір відповідає значенню, яке ви хочете передати. + +## Стилізація діаграм для читабельності + +Діаграми не мають сенсу, якщо вони нечитабельні! Виділіть час, щоб налаштувати ширину та висоту вашої діаграми так, щоб вона добре масштабувалася з вашими даними. Якщо потрібно відобразити багато змінних (наприклад, усі 50 штатів), розмістіть їх вертикально на осі Y, якщо це можливо, щоб уникнути горизонтального прокручування. + +Підписуйте осі, додавайте легенду за потреби та пропонуйте підказки для кращого розуміння даних. + +Якщо ваші дані текстові та довгі на осі X, ви можете нахилити текст для кращої читабельності. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) пропонує 3D-графіки, якщо ваші дані це підтримують. Використовуючи його, можна створювати складні візуалізації. + +![3D графіки](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.uk.png) + +## Анімація та 3D-відображення діаграм + +Деякі з найкращих візуалізацій даних сьогодні є анімованими. Ширлі Ву створила дивовижні приклади за допомогою D3, такі як '[квітки фільмів](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', де кожна квітка є візуалізацією фільму. Інший приклад для Guardian — 'Bussed Out', інтерактивний досвід, що поєднує візуалізації з Greensock і D3, а також формат статті з прокруткою, щоб показати, як Нью-Йорк вирішує проблему бездомних, відправляючи їх за межі міста. + +![перевезення](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.uk.png) + +> "Bussed Out: Як Америка переміщує своїх бездомних" від [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Візуалізації Наді Бремер і Ширлі Ву + +Хоча цей урок недостатній для детального вивчення цих потужних бібліотек візуалізації, спробуйте свої сили в D3 у додатку Vue.js, використовуючи бібліотеку для відображення візуалізації книги "Небезпечні зв'язки" як анімованої соціальної мережі. + +> "Les Liaisons Dangereuses" — це епістолярний роман, тобто роман, представлений у вигляді серії листів. Написаний у 1782 році Шодерло де Лакло, він розповідає історію жорстоких, морально збанкрутілих соціальних маневрів двох головних героїв французької аристократії кінця XVIII століття — Віконта де Вальмона та Маркізи де Мертей. Обидва зазнають краху в кінці, але не без завдання значної соціальної шкоди. Роман розгортається як серія листів, написаних різним людям у їхніх колах, з метою помсти або просто для створення проблем. Створіть візуалізацію цих листів, щоб виявити основних "гравців" у сюжеті візуально. + +Ви завершите веб-додаток, який відображатиме анімований вигляд цієї соціальної мережі. Він використовує бібліотеку, створену для [візуалізації мережі](https://github.com/emiliorizzo/vue-d3-network) за допомогою Vue.js і D3. Коли додаток працює, ви можете переміщати вузли на екрані, щоб змінювати розташування даних. + +![зв'язки](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.uk.png) + +## Проєкт: Створіть діаграму для відображення мережі за допомогою D3.js + +> У цій папці уроку є папка `solution`, де ви можете знайти завершений проєкт для довідки. + +1. Дотримуйтесь інструкцій у файлі README.md у кореневій папці стартового проєкту. Переконайтеся, що у вас встановлені NPM і Node.js перед встановленням залежностей проєкту. + +2. Відкрийте папку `starter/src`. Ви знайдете папку `assets`, де є файл .json з усіма листами з роману, пронумерованими, з позначенням "to" і "from". + +3. Завершіть код у `components/Nodes.vue`, щоб увімкнути візуалізацію. Знайдіть метод `createLinks()` і додайте наступний вкладений цикл. + +Пройдіться по об'єкту .json, щоб зібрати дані "to" і "from" для листів і створити об'єкт `links`, щоб бібліотека візуалізації могла його використати: + +```javascript +//loop through letters + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +Запустіть ваш додаток із терміналу (npm run serve) і насолоджуйтеся візуалізацією! + +## 🚀 Виклик + +Прогуляйтеся інтернетом, щоб знайти оманливі візуалізації. Як автор обманює користувача, і чи є це навмисним? Спробуйте виправити ці візуалізації, щоб показати, як вони мають виглядати. + +## [Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## Огляд і самостійне навчання + +Ось кілька статей для читання про оманливі візуалізації даних: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +Ознайомтеся з цими цікавими візуалізаціями історичних активів і артефактів: + +https://handbook.pubpub.org/ + +Перегляньте цю статтю про те, як анімація може покращити ваші візуалізації: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## Завдання + +[Створіть власну індивідуальну візуалізацію](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/3-Data-Visualization/README.md b/translations/uk/3-Data-Visualization/README.md new file mode 100644 index 00000000..f93e5f51 --- /dev/null +++ b/translations/uk/3-Data-Visualization/README.md @@ -0,0 +1,42 @@ + +# Візуалізації + +![бджола на квітці лаванди](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.uk.jpg) +> Фото Дженни Лі на Unsplash + +Візуалізація даних — одна з найважливіших задач для дата-сайєнтиста. Зображення варті тисячі слів, а візуалізація може допомогти вам виявити різноманітні цікаві аспекти ваших даних, такі як піки, аномалії, групування, тенденції та багато іншого, що допоможе вам зрозуміти історію, яку ваші дані намагаються розповісти. + +У цих п'яти уроках ви дослідите дані, отримані з природи, і створите цікаві та красиві візуалізації, використовуючи різні техніки. + +| Номер теми | Тема | Пов'язаний урок | Автор | +| :-----------: | :--: | :-----------: | :----: | +| 1. | Візуалізація кількостей |
  • [Python](09-visualization-quantities/README.md)
  • [R](../../../3-Data-Visualization/R/09-visualization-quantities)
|
  • [Джен Лупер](https://twitter.com/jenlooper)
  • [Відуші Гупта](https://github.com/Vidushi-Gupta)
  • [Жаслін Сонді](https://github.com/jasleen101010)
| +| 2. | Візуалізація розподілу |
  • [Python](10-visualization-distributions/README.md)
  • [R](../../../3-Data-Visualization/R/10-visualization-distributions)
|
  • [Джен Лупер](https://twitter.com/jenlooper)
  • [Відуші Гупта](https://github.com/Vidushi-Gupta)
  • [Жаслін Сонді](https://github.com/jasleen101010)
| +| 3. | Візуалізація пропорцій |
  • [Python](11-visualization-proportions/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Джен Лупер](https://twitter.com/jenlooper)
  • [Відуші Гупта](https://github.com/Vidushi-Gupta)
  • [Жаслін Сонді](https://github.com/jasleen101010)
| +| 4. | Візуалізація взаємозв'язків |
  • [Python](12-visualization-relationships/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Джен Лупер](https://twitter.com/jenlooper)
  • [Відуші Гупта](https://github.com/Vidushi-Gupta)
  • [Жаслін Сонді](https://github.com/jasleen101010)
| +| 5. | Створення змістовних візуалізацій |
  • [Python](13-meaningful-visualizations/README.md)
  • [R](../../../3-Data-Visualization)
|
  • [Джен Лупер](https://twitter.com/jenlooper)
  • [Відуші Гупта](https://github.com/Vidushi-Gupta)
  • [Жаслін Сонді](https://github.com/jasleen101010)
| + +### Подяки + +Ці уроки з візуалізації були написані з 🌸 [Джен Лупер](https://twitter.com/jenlooper), [Жаслін Сонді](https://github.com/jasleen101010) та [Відуші Гупта](https://github.com/Vidushi-Gupta). + +🍯 Дані про виробництво меду в США взяті з проєкту Джессіки Лі на [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). [Дані](https://usda.library.cornell.edu/concern/publications/rn301137d) отримані з [Департаменту сільського господарства США](https://www.nass.usda.gov/About_NASS/index.php). + +🍄 Дані про гриби також взяті з [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), оновлені Хаттерасом Дантоном. Цей набір даних включає описи гіпотетичних зразків, що відповідають 23 видам пластинчастих грибів родини Agaricus і Lepiota. Гриби взяті з "Польового путівника грибів Північної Америки" (1981) від Audubon Society. Цей набір даних був переданий UCI ML 27 у 1987 році. + +🦆 Дані про птахів Міннесоти взяті з [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), зібрані з [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) Ханною Коллінс. + +Усі ці набори даних ліцензовані як [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/). + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/uk/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..517178dc --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,123 @@ + +# Вступ до життєвого циклу науки про дані + +|![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| Вступ до життєвого циклу науки про дані - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +## [Тест перед лекцією](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26) + +На цьому етапі ви, ймовірно, вже зрозуміли, що наука про дані — це процес. Цей процес можна розділити на 5 етапів: + +- Збір +- Обробка +- Аналіз +- Комунікація +- Підтримка + +Цей урок зосереджений на трьох частинах життєвого циклу: зборі, обробці та підтримці. + +![Схема життєвого циклу науки про дані](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.uk.jpg) +> Фото від [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) + +## Збір + +Перший етап життєвого циклу є дуже важливим, оскільки наступні етапи залежать від нього. Це фактично два етапи, об’єднані в один: отримання даних і визначення мети та проблем, які потрібно вирішити. +Визначення цілей проєкту потребує глибшого розуміння проблеми або питання. Спочатку потрібно ідентифікувати та залучити тих, хто потребує вирішення своєї проблеми. Це можуть бути зацікавлені сторони бізнесу або спонсори проєкту, які допоможуть визначити, хто або що отримає користь від цього проєкту, а також що і чому їм це потрібно. Добре визначена мета має бути вимірюваною та кількісною, щоб визначити прийнятний результат. + +Питання, які може поставити спеціаліст з даних: +- Чи раніше вже підходили до цієї проблеми? Що було виявлено? +- Чи всі учасники розуміють мету та ціль? +- Чи є неоднозначність і як її зменшити? +- Які обмеження існують? +- Як може виглядати кінцевий результат? +- Скільки ресурсів (часу, людей, обчислювальних потужностей) доступно? + +Далі потрібно ідентифікувати, зібрати, а потім дослідити дані, необхідні для досягнення визначених цілей. На цьому етапі збору спеціалісти з даних також повинні оцінити кількість і якість даних. Це потребує певного дослідження даних, щоб підтвердити, що отримані дані допоможуть досягти бажаного результату. + +Питання, які може поставити спеціаліст з даних щодо даних: +- Які дані вже доступні для мене? +- Хто є власником цих даних? +- Які існують проблеми конфіденційності? +- Чи достатньо даних для вирішення цієї проблеми? +- Чи є дані прийнятної якості для цієї проблеми? +- Якщо я виявлю додаткову інформацію через ці дані, чи варто нам розглянути зміну або переосмислення цілей? + +## Обробка + +Етап обробки в життєвому циклі зосереджений на виявленні закономірностей у даних, а також моделюванні. Деякі методи, які використовуються на етапі обробки, потребують статистичних підходів для виявлення закономірностей. Зазвичай це було б трудомістким завданням для людини при роботі з великим набором даних, тому використовуються комп’ютери для прискорення процесу. На цьому етапі наука про дані та машинне навчання перетинаються. Як ви дізналися в першому уроці, машинне навчання — це процес створення моделей для розуміння даних. Моделі є представленням взаємозв’язків між змінними в даних, які допомагають прогнозувати результати. + +Поширені методи, які використовуються на цьому етапі, розглядаються в навчальній програмі ML для початківців. Перейдіть за посиланнями, щоб дізнатися більше про них: + +- [Класифікація](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Організація даних у категорії для більш ефективного використання. +- [Кластеризація](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Групування даних у схожі групи. +- [Регресія](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Визначення взаємозв’язків між змінними для прогнозування або передбачення значень. + +## Підтримка + +На схемі життєвого циклу ви могли помітити, що підтримка знаходиться між збором і обробкою. Підтримка — це постійний процес управління, зберігання та захисту даних протягом усього процесу проєкту, і її слід враховувати протягом усього проєкту. + +### Зберігання даних + +Рішення про те, як і де зберігати дані, може вплинути на вартість їх зберігання, а також на продуктивність доступу до даних. Такі рішення, ймовірно, не приймаються виключно спеціалістом з даних, але він може приймати рішення про те, як працювати з даними, залежно від способу їх зберігання. + +Ось деякі аспекти сучасних систем зберігання даних, які можуть вплинути на ці рішення: + +**Локальне зберігання vs віддалене зберігання vs публічна чи приватна хмара** + +Локальне зберігання передбачає управління даними на власному обладнанні, наприклад, на сервері з жорсткими дисками, які зберігають дані, тоді як віддалене зберігання покладається на обладнання, яке вам не належить, наприклад, дата-центр. Публічна хмара є популярним вибором для зберігання даних, що не потребує знань про те, як або де саме зберігаються дані, де "публічна" означає єдину інфраструктуру, яка використовується всіма користувачами хмари. Деякі організації мають суворі політики безпеки, які вимагають повного доступу до обладнання, де зберігаються дані, і покладаються на приватну хмару, яка надає власні хмарні послуги. Ви дізнаєтеся більше про дані в хмарі в [наступних уроках](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud). + +**Холодні vs гарячі дані** + +Під час навчання моделей вам може знадобитися більше навчальних даних. Якщо ви задоволені своєю моделлю, нові дані будуть надходити для виконання її функцій. У будь-якому випадку вартість зберігання та доступу до даних зростатиме зі збільшенням їх обсягу. Розділення рідко використовуваних даних, відомих як холодні дані, від часто доступних гарячих даних може бути дешевшим варіантом зберігання даних через апаратні або програмні послуги. Якщо холодні дані потрібно отримати, це може зайняти трохи більше часу порівняно з гарячими даними. + +### Управління даними + +Під час роботи з даними ви можете виявити, що деякі дані потребують очищення за допомогою методів, розглянутих у уроці, присвяченому [підготовці даних](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation), щоб створити точні моделі. Коли надходять нові дані, їм знадобляться ті самі дії для підтримки якості. Деякі проєкти передбачають використання автоматизованого інструменту для очищення, агрегування та стиснення даних перед їх переміщенням до кінцевого місця зберігання. Azure Data Factory є прикладом одного з таких інструментів. + +### Захист даних + +Однією з головних цілей захисту даних є забезпечення того, щоб ті, хто працює з ними, контролювали, що збирається і в якому контексті це використовується. Захист даних передбачає обмеження доступу лише для тих, хто його потребує, дотримання місцевих законів і нормативних актів, а також підтримання етичних стандартів, як розглянуто в [уроці про етику](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics). + +Ось деякі дії, які команда може виконати з урахуванням безпеки: +- Переконатися, що всі дані зашифровані +- Надати клієнтам інформацію про те, як використовуються їхні дані +- Видалити доступ до даних у тих, хто залишив проєкт +- Дозволити змінювати дані лише певним членам проєкту + +## 🚀 Виклик + +Існує багато версій життєвого циклу науки про дані, де кожен етап може мати різні назви та кількість стадій, але міститиме ті самі процеси, згадані в цьому уроці. + +Дослідіть [життєвий цикл процесу команди науки про дані](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) та [стандартний процес для добування даних у різних галузях](https://www.datascience-pm.com/crisp-dm-2/). Назвіть 3 схожості та відмінності між ними. + +|Процес команди науки про дані (TDSP)|Стандартний процес для добування даних у різних галузях (CRISP-DM)| +|--|--| +|![Життєвий цикл команди науки про дані](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.uk.png) | ![Зображення від Data Science Process Alliance](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.uk.png) | +| Зображення від [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Зображення від [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) | + +## [Тест після лекції](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27) + +## Огляд і самостійне навчання + +Застосування життєвого циклу науки про дані передбачає виконання різних ролей і завдань, де деякі можуть зосереджуватися на конкретних частинах кожного етапу. Процес команди науки про дані надає кілька ресурсів, які пояснюють типи ролей і завдань, які може виконувати хтось у проєкті. + +* [Ролі та завдання процесу команди науки про дані](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [Виконання завдань науки про дані: дослідження, моделювання та розгортання](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## Завдання + +[Оцінка набору даних](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/uk/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..0f1620bd --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,37 @@ + +# Оцінка набору даних + +Клієнт звернувся до вашої команди за допомогою у вивченні сезонних звичок витрат клієнтів таксі в Нью-Йорку. + +Вони хочуть дізнатися: **Чи дають пасажири жовтих таксі в Нью-Йорку більше чайових водіям взимку чи влітку?** + +Ваша команда знаходиться на етапі [Збирання](Readme.md#Capturing) Життєвого циклу науки про дані, і ви відповідаєте за обробку набору даних. Вам надали ноутбук і [дані](../../../../data/taxi.csv) для дослідження. + +У цій директорії знаходиться [ноутбук](notebook.ipynb), який використовує Python для завантаження даних про поїздки жовтих таксі з [Комісії з таксі та лімузинів Нью-Йорка](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). +Ви також можете відкрити файл з даними таксі у текстовому редакторі або програмному забезпеченні для роботи з електронними таблицями, наприклад, Excel. + +## Інструкції + +- Оцініть, чи можуть дані в цьому наборі допомогти відповісти на запитання. +- Дослідіть [каталог відкритих даних Нью-Йорка](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Визначте додатковий набір даних, який потенційно може бути корисним для відповіді на запитання клієнта. +- Напишіть 3 запитання, які ви б поставили клієнту для отримання додаткових роз'яснень і кращого розуміння проблеми. + +Зверніться до [словника набору даних](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) і [посібника користувача](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) для отримання додаткової інформації про дані. + +## Рубрика + +Відмінно | Задовільно | Потребує покращення +--- | --- | --- + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/uk/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..a233ffa1 --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,65 @@ + +# Життєвий цикл Data Science: Аналіз + +|![ Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| Життєвий цикл Data Science: Аналіз - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +## Тест перед лекцією + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28) + +Аналіз у життєвому циклі даних підтверджує, що дані можуть відповісти на поставлені запитання або вирішити конкретну проблему. Цей етап також може зосереджуватися на підтвердженні того, що модель правильно вирішує ці запитання та проблеми. Урок присвячений дослідницькому аналізу даних (Exploratory Data Analysis або EDA), який включає техніки для визначення характеристик і взаємозв’язків у даних, а також підготовки даних до моделювання. + +Ми будемо використовувати приклад набору даних із [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1), щоб показати, як це можна застосувати за допомогою Python і бібліотеки Pandas. Цей набір даних містить кількість деяких поширених слів, знайдених у електронних листах, джерела яких є анонімними. Використовуйте [ноутбук](notebook.ipynb) у цьому каталозі, щоб слідувати за матеріалом. + +## Дослідницький аналіз даних + +Етап збору даних у життєвому циклі включає отримання даних, а також визначення проблем і запитань, але як ми можемо бути впевнені, що дані допоможуть досягти кінцевого результату? +Нагадаємо, що дата-сайентист може ставити такі запитання, коли отримує дані: +- Чи достатньо у мене даних для вирішення цієї проблеми? +- Чи є дані прийнятної якості для цієї проблеми? +- Якщо я знайду додаткову інформацію через ці дані, чи варто нам розглянути зміну або переосмислення цілей? + +Дослідницький аналіз даних — це процес знайомства з даними, який може допомогти відповісти на ці запитання, а також визначити виклики роботи з набором даних. Давайте зосередимося на деяких техніках, які використовуються для досягнення цього. + +## Профілювання даних, описова статистика та Pandas + +Як ми можемо оцінити, чи достатньо у нас даних для вирішення проблеми? Профілювання даних може узагальнити та зібрати загальну інформацію про наш набір даних за допомогою технік описової статистики. Профілювання даних допомагає зрозуміти, що доступно нам, а описова статистика допомагає зрозуміти, скільки саме доступно. + +У кількох попередніх уроках ми використовували Pandas для надання описової статистики за допомогою функції [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Вона надає кількість, максимальні та мінімальні значення, середнє, стандартне відхилення та квантилі для числових даних. Використання описової статистики, як-от функції `describe()`, може допомогти вам оцінити, скільки даних у вас є і чи потрібно більше. + +## Вибірка та запити + +Дослідження всього великого набору даних може бути дуже трудомістким і зазвичай виконується комп’ютером. Однак вибірка є корисним інструментом для розуміння даних і дозволяє краще зрозуміти, що міститься в наборі даних і що він представляє. За допомогою вибірки ви можете застосовувати ймовірність і статистику, щоб зробити загальні висновки про ваші дані. Хоча немає визначеного правила щодо того, скільки даних слід вибирати, важливо зазначити, що чим більше даних ви вибираєте, тим точніше можна зробити узагальнення про дані. + +Pandas має функцію [`sample()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), де ви можете передати аргумент про те, скільки випадкових вибірок ви хочете отримати та використовувати. + +Загальні запити до даних можуть допомогти вам відповісти на деякі загальні запитання та теорії, які у вас можуть бути. На відміну від вибірки, запити дозволяють вам контролювати та зосереджуватися на конкретних частинах даних, які вас цікавлять. Функція [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) у бібліотеці Pandas дозволяє вибирати стовпці та отримувати прості відповіді про дані через отримані рядки. + +## Дослідження за допомогою візуалізацій + +Вам не потрібно чекати, поки дані будуть повністю очищені та проаналізовані, щоб почати створювати візуалізації. Насправді, наявність візуального представлення під час дослідження може допомогти визначити шаблони, взаємозв’язки та проблеми в даних. Крім того, візуалізації забезпечують засіб комунікації з тими, хто не бере участі в управлінні даними, і можуть бути можливістю поділитися та уточнити додаткові запитання, які не були розглянуті на етапі збору. Зверніться до [розділу про візуалізації](../../../../../../../../../3-Data-Visualization), щоб дізнатися більше про популярні способи дослідження даних за допомогою візуалізацій. + +## Дослідження для виявлення невідповідностей + +Усі теми цього уроку можуть допомогти виявити відсутні або некоректні значення, але Pandas надає функції для перевірки деяких із них. [isna() або isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) можуть перевіряти наявність відсутніх значень. Важливим аспектом дослідження цих значень у ваших даних є дослідження причин, через які вони опинилися в такому стані. Це може допомогти вам вирішити, які [дії слід вжити для їх усунення](/2-Working-With-Data/08-data-preparation/notebook.ipynb). + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27) + +## Завдання + +[Дослідження для відповідей](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/uk/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..e87dbb1b --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,36 @@ + +# Дослідження відповідей + +Це продовження [завдання](../14-Introduction/assignment.md) з попереднього уроку, де ми коротко ознайомилися з набором даних. Тепер ми будемо детальніше аналізувати дані. + +Знову ж таки, питання, яке цікавить клієнта: **Чи пасажири жовтих таксі в Нью-Йорку дають водіям більше чайових взимку чи влітку?** + +Ваша команда знаходиться на етапі [Аналізу](README.md) у Життєвому циклі науки про дані, де ви відповідаєте за проведення дослідницького аналізу даних набору. Вам було надано ноутбук і набір даних, що містить 200 транзакцій таксі за січень і липень 2019 року. + +## Інструкції + +У цьому каталозі знаходяться [ноутбук](assignment.ipynb) і дані від [Комісії з таксі та лімузинів](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Зверніться до [словника набору даних](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) та [посібника користувача](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) для отримання додаткової інформації про дані. + +Використовуйте деякі техніки з цього уроку, щоб провести власний EDA у ноутбуці (додайте клітинки, якщо потрібно) і дайте відповіді на наступні запитання: + +- Які інші фактори в даних можуть впливати на суму чайових? +- Які стовпці, ймовірно, не будуть потрібні для відповіді на запитання клієнта? +- Виходячи з наданих даних, чи є якісь докази сезонної поведінки щодо чайових? + +## Рубрика + +Відмінно | Задовільно | Потребує покращення +--- | --- | --- + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/16-communication/README.md b/translations/uk/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..a862249e --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,214 @@ + +# Життєвий цикл Data Science: Комунікація + +|![Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)| +|:---:| +| Життєвий цикл Data Science: Комунікація - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30) + +Перевірте свої знання про те, що буде далі, за допомогою тесту перед лекцією! + +# Вступ + +### Що таке комунікація? +Почнемо цей урок із визначення поняття комунікації. **Комунікувати означає передавати або обмінюватися інформацією.** Інформація може бути ідеями, думками, почуттями, повідомленнями, прихованими сигналами, даними – будь-чим, що **_відправник_** (той, хто передає інформацію) хоче, щоб **_отримувач_** (той, хто отримує інформацію) зрозумів. У цьому уроці ми будемо називати відправників комунікаторами, а отримувачів – аудиторією. + +### Комунікація даних та розповідання історій +Ми розуміємо, що мета комунікації – передавати або обмінюватися інформацією. Але коли йдеться про комунікацію даних, ваша мета не повинна полягати лише в тому, щоб передати цифри вашій аудиторії. Ваша мета має бути в тому, щоб розповісти історію, яка базується на ваших даних – ефективна комунікація даних і розповідання історій йдуть рука об руку. Аудиторія з більшою ймовірністю запам'ятає історію, яку ви розповіли, ніж просто цифри, які ви надали. Пізніше в цьому уроці ми розглянемо кілька способів, як ви можете використовувати розповідання історій для більш ефективної комунікації даних. + +### Типи комунікації +Протягом цього уроку будуть обговорюватися два різні типи комунікації: Одностороння комунікація та Двостороння комунікація. + +**Одностороння комунікація** відбувається, коли відправник передає інформацію отримувачу без будь-якого зворотного зв’язку чи відповіді. Ми бачимо приклади односторонньої комунікації щодня – у масових електронних листах, коли новини повідомляють останні події, або навіть коли на екрані з’являється телевізійна реклама, яка розповідає, чому їхній продукт чудовий. У кожному з цих випадків відправник не прагне обміну інформацією, а лише її передачі. + +**Двостороння комунікація** відбувається, коли всі залучені сторони виступають як відправники, так і отримувачі. Відправник починає комунікацію з отримувачем, а отримувач надає зворотний зв’язок або відповідь. Двостороння комунікація – це те, що ми традиційно маємо на увазі, коли говоримо про комунікацію. Зазвичай ми думаємо про людей, які ведуть розмову – особисто, телефоном, через соціальні мережі або текстові повідомлення. + +Коли ви комунікуєте дані, будуть випадки, коли ви використовуватимете односторонню комунікацію (наприклад, під час презентації на конференції або перед великою групою, де питання не будуть задаватися безпосередньо після), і випадки, коли ви використовуватимете двосторонню комунікацію (наприклад, використовуючи дані для переконання кількох зацікавлених сторін у необхідності підтримки або переконання колеги, що варто витратити час і зусилля на створення чогось нового). + +# Ефективна комунікація + +### Ваші обов’язки як комунікатора +Під час комунікації ваше завдання – переконатися, що ваші отримувачі сприймають ту інформацію, яку ви хочете їм передати. Коли ви комунікуєте дані, ви не просто хочете, щоб ваші отримувачі запам’ятали цифри, ви хочете, щоб вони запам’ятали історію, яка базується на ваших даних. Хороший комунікатор даних – це хороший оповідач. + +Як розповісти історію за допомогою даних? Існує безліч способів – але нижче наведено 6, які ми розглянемо в цьому уроці: +1. Розумійте свою аудиторію, канал і метод комунікації +2. Починайте з кінцевої мети +3. Підходьте до цього як до справжньої історії +4. Використовуйте значущі слова та фрази +5. Використовуйте емоції + +Кожна з цих стратегій детально пояснюється нижче. + +### 1. Розумійте свою аудиторію, канал і метод комунікації +Спосіб, яким ви спілкуєтеся з членами сім’ї, ймовірно, відрізняється від того, як ви спілкуєтеся з друзями. Ви, мабуть, використовуєте різні слова та фрази, які люди, з якими ви розмовляєте, з більшою ймовірністю зрозуміють. Ви повинні застосовувати такий самий підхід під час комунікації даних. Подумайте, з ким ви спілкуєтеся. Подумайте про їхні цілі та контекст, який вони мають щодо ситуації, яку ви їм пояснюєте. + +Ви, ймовірно, можете згрупувати більшість вашої аудиторії в одну з категорій. У статті _Harvard Business Review_ “[Як розповісти історію за допомогою даних](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)” стратег Dell Джим Стіклітер визначає п’ять категорій аудиторії: + + - **Новачок**: перше знайомство з темою, але не хоче надмірного спрощення + - **Загальний слухач**: знайомий із темою, але шукає огляд і основні теми + - **Менеджер**: глибоке, практичне розуміння складнощів і взаємозв’язків із доступом до деталей + - **Експерт**: більше досліджень і відкриттів, менше розповідання історій із великою кількістю деталей + - **Керівник**: має час лише для того, щоб зрозуміти значення та висновки зважених ймовірностей + +Ці категорії можуть допомогти вам визначити, як представити дані вашій аудиторії. + +Окрім того, щоб враховувати категорію вашої аудиторії, вам також слід подумати про канал, який ви використовуєте для комунікації. Ваш підхід має бути трохи іншим, якщо ви пишете меморандум або електронний лист, ніж якщо ви проводите зустріч або виступаєте на конференції. + +Крім розуміння вашої аудиторії, важливо також знати, як ви будете спілкуватися з ними (використовуючи односторонню чи двосторонню комунікацію). + +Якщо ви спілкуєтеся з аудиторією, яка переважно складається з новачків, і використовуєте односторонню комунікацію, спочатку потрібно навчити аудиторію та надати їй відповідний контекст. Потім ви повинні представити їм свої дані, пояснити їх значення та чому вони важливі. У цьому випадку вам слід зосередитися на забезпеченні ясності, оскільки ваша аудиторія не зможе поставити вам жодних прямих запитань. + +Якщо ви спілкуєтеся з аудиторією, яка переважно складається з менеджерів, і використовуєте двосторонню комунікацію, вам, ймовірно, не потрібно буде навчати аудиторію або надавати їй багато контексту. Ви можете одразу перейти до обговорення зібраних вами даних і їх значення. У цьому сценарії, однак, вам слід зосередитися на таймінгу та контролі вашої презентації. Під час двосторонньої комунікації (особливо з аудиторією менеджерів, які прагнуть “практичного розуміння складнощів і взаємозв’язків із доступом до деталей”) під час вашої взаємодії можуть виникати запитання, які можуть відвести дискусію в напрямок, що не стосується історії, яку ви намагаєтеся розповісти. У таких випадках ви можете втрутитися та повернути дискусію на правильний шлях. + +### 2. Починайте з кінцевої мети +Починати з кінцевої мети означає розуміти, які висновки ви хочете, щоб ваша аудиторія зробила, ще до того, як ви почнете спілкуватися з нею. Обдумування того, що ви хочете, щоб ваша аудиторія запам’ятала, заздалегідь може допомогти вам створити історію, яку ваша аудиторія зможе зрозуміти. Починати з кінцевої мети доречно як для односторонньої, так і для двосторонньої комунікації. + +Як почати з кінцевої мети? Перед тим як комунікувати ваші дані, запишіть ключові висновки. Потім на кожному етапі підготовки історії, яку ви хочете розповісти за допомогою даних, запитуйте себе: "Як це інтегрується в історію, яку я розповідаю?" + +Будьте уважні – хоча починати з кінцевої мети ідеально, ви не повинні комунікувати лише ті дані, які підтримують ваші висновки. Це називається вибірковістю, коли комунікатор передає лише ті дані, які підтримують його точку зору, і ігнорує всі інші. + +Якщо всі дані, які ви зібрали, чітко підтримують ваші висновки – чудово. Але якщо є дані, які не підтримують ваші висновки або навіть суперечать їм, ви повинні також їх комунікувати. У таких випадках будьте чесними з вашою аудиторією та поясніть, чому ви вирішили дотримуватися своєї історії, навіть якщо всі дані її не підтримують. + +### 3. Підходьте до цього як до справжньої історії +Традиційна історія має 5 фаз. Ви могли чути ці фази як Експозиція, Наростаюча дія, Кульмінація, Спадна дія та Розв’язка. Або більш простий варіант: Контекст, Конфлікт, Кульмінація, Закриття, Висновок. Коли ви комунікуєте свої дані та історію, ви можете використовувати схожий підхід. + +Ви можете почати з контексту, встановити сцену та переконатися, що ваша аудиторія на одній хвилі. Потім представте конфлікт. Чому вам потрібно було зібрати ці дані? Які проблеми ви намагалися вирішити? Після цього кульмінація. Які дані? Що вони означають? Які рішення дані підказують нам? Потім ви переходите до закриття, де можете повторити проблему та запропоновані рішення. І нарешті, висновок, де ви можете підсумувати ключові висновки та наступні кроки, які ви рекомендуєте команді. + +### 4. Використовуйте значущі слова та фрази +Якби ми працювали разом над продуктом, і я сказав вам: "Наші користувачі витрачають багато часу на реєстрацію на нашій платформі," скільки часу ви б оцінили як "багато"? Годину? Тиждень? Важко сказати. А що, якби я сказав це цілій аудиторії? Кожен у аудиторії міг би мати різне уявлення про те, скільки часу займає реєстрація на нашій платформі. + +Але що, якби я сказав: "Наші користувачі витрачають у середньому 3 хвилини на реєстрацію та початок роботи на нашій платформі." + +Це повідомлення є більш зрозумілим. Коли ви комунікуєте дані, може бути легко думати, що всі в аудиторії думають так само, як ви. Але це не завжди так. Забезпечення ясності щодо ваших даних і їх значення – одна з ваших відповідальностей як комунікатора. Якщо дані або ваша історія не зрозумілі, аудиторії буде важко слідувати за вами, і менш ймовірно, що вони зрозуміють ваші ключові висновки. + +Ви можете комунікувати дані більш зрозуміло, використовуючи значущі слова та фрази, замість розмитих. Нижче наведено кілька прикладів. + + - У нас був *вражаючий* рік! + - Одна людина може подумати, що вражаючий означає збільшення доходу на 2% - 3%, а інша – на 50% - 60%. + - Рівень успіху наших користувачів зріс *значно*. + - Наскільки великим є значне зростання? + - Цей проект вимагатиме *значних* зусиль. + - Скільки зусиль є значними? + +Використання розмитих слів може бути корисним як вступ до більш детальних даних або як підсумок історії, яку ви щойно розповіли. Але подумайте про те, щоб кожна частина вашої презентації була зрозумілою для вашої аудиторії. + +### 5. Використовуйте емоції +Емоції є ключовими в розповіданні історій. Вони ще важливіші, коли ви розповідаєте історію за допомогою даних. Коли ви комунікуєте дані, все зосереджено на висновках, які ви хочете, щоб ваша аудиторія зробила. Викликання емоцій у аудиторії допомагає їй співпереживати та робить її більш схильною до дій. Емоції також збільшують ймовірність того, що аудиторія запам’ятає ваше повідомлення. + +Ви могли зустрічати це раніше в телевізійних рекламних роликах. Деякі ролики дуже сумні та використовують емоцію смутку, щоб зв’язатися з аудиторією та зробити представлені дані більш помітними. Або, деякі ролики дуже життєрадісні та щасливі, що може змусити вас асоціювати їхні дані з щасливим почуттям. + +Як використовувати емоції під час комунікації даних? Нижче наведено кілька способів. + + - Використовуйте відгуки та особисті історії + - Під час збору даних намагайтеся збирати як кількісні, так і якісні дані, і інтегруйте обидва типи даних у вашу комунікацію. Якщо ваші дані переважно кількісні, шукайте історії від окремих осіб, щоб дізнатися більше про їхній досвід із тим, що ваші дані вам розповідають. + - Використовуйте зображення + - Зображення допомагають аудиторії уявити себе в ситуації. Коли ви використовуєте зображення, ви можете спрямувати аудиторію до емоції, яку, на вашу думку, вона повинна мати щодо ваших даних. + - Використовуйте кольори + - Різні кольори викликають різні емоції. Популярні кольори та емоції, які вони викликають, наведені нижче. Будьте уважні, що кольори можуть мати різні значення в різних культурах. + - Синій зазвичай викликає емоції миру та довіри + - Зелений зазвичай асоціюється з природою та навколишнім середовищем + - Червоний зазвичай означає пристрасть і збудження + - Жовтий зазвичай асоціюється з оптимізмом і щастям + +# Випадок комунікації +Емерсон – менеджер продукту для мобільного додатку. Емерсон помітив, що клієнти подають на 42% більше скарг і повідомлень про пом +На зустрічі Емерсон витратив 5 хвилин, пояснюючи, чому низький рейтинг у магазині додатків є проблемою, 10 хвилин на пояснення процесу дослідження та як були визначені тренди, 10 хвилин на розгляд останніх скарг клієнтів, і останні 5 хвилин поверхнево торкнувся двох потенційних рішень. + +Чи був це ефективний спосіб комунікації для Емерсона під час цієї зустрічі? + +Під час зустрічі один із керівників компанії зосередився на 10 хвилинах скарг клієнтів, які Емерсон розглянув. Після зустрічі ці скарги були єдиним, що цей керівник запам’ятав. Інший керівник компанії здебільшого зосередився на описі Емерсоном процесу дослідження. Третій керівник компанії запам’ятав запропоновані Емерсоном рішення, але не був впевнений, як ці рішення можна реалізувати. + +У наведеній ситуації видно, що існує значний розрив між тим, що Емерсон хотів донести до керівників, і тим, що вони зрештою винесли із зустрічі. Нижче наведено інший підхід, який Емерсон міг би розглянути. + +Як Емерсон міг би покращити цей підхід? +Контекст, Конфлікт, Кульмінація, Завершення, Висновок +**Контекст** – Емерсон міг би витратити перші 5 хвилин на введення в ситуацію та переконатися, що керівники розуміють, як проблеми впливають на ключові показники компанії, такі як дохід. + +Це можна викласти так: "На даний момент рейтинг нашого додатку в магазині додатків становить 2.5. Рейтинги в магазині додатків є критичними для оптимізації в магазині додатків, що впливає на те, скільки користувачів бачать наш додаток у пошуку, і як наш додаток сприймається потенційними користувачами. І, звісно, кількість наших користувачів безпосередньо пов’язана з доходом." + +**Конфлікт** Емерсон міг би перейти до обговорення конфлікту протягом наступних 5 хвилин. + +Це можна викласти так: "Користувачі подають на 42% більше скарг і звітів про помилки у вихідні дні. Клієнти, які подають скаргу, що залишається без відповіді протягом 48 годин, на 32% менш схильні поставити нашому додатку рейтинг вище 2 у магазині додатків. Покращення рейтингу нашого додатку в магазині додатків до 4 покращить нашу видимість на 20-30%, що, за моїми прогнозами, збільшить дохід на 10%." Звісно, Емерсон має бути готовий обґрунтувати ці цифри. + +**Кульмінація** Після викладення основних фактів Емерсон міг би перейти до кульмінації на наступні 5 хвилин. + +Емерсон міг би представити запропоновані рішення, пояснити, як ці рішення вирішать зазначені проблеми, як їх можна інтегрувати в існуючі робочі процеси, скільки вони коштують, який буде ROI від цих рішень, і навіть показати скріншоти або макети того, як ці рішення виглядатимуть після впровадження. Емерсон також міг би поділитися відгуками користувачів, які чекали понад 48 годин на вирішення своєї скарги, а також відгуком від поточного представника служби підтримки клієнтів компанії, який має коментарі щодо існуючої системи обробки заявок. + +**Завершення** Тепер Емерсон може витратити 5 хвилин на повторення проблем, з якими стикається компанія, перегляд запропонованих рішень і пояснення, чому ці рішення є правильними. + +**Висновок** Оскільки це зустріч із кількома зацікавленими сторонами, де буде використовуватися двостороння комунікація, Емерсон міг би залишити 10 хвилин для запитань, щоб переконатися, що все, що було незрозумілим для керівників, буде уточнено до завершення зустрічі. + +Якби Емерсон використав підхід №2, то ймовірність того, що керівники винесуть із зустрічі саме те, що Емерсон хотів донести, значно зросла б – а саме, що спосіб обробки скарг і помилок можна покращити, і є два рішення, які можна впровадити для досягнення цього покращення. Цей підхід був би набагато ефективнішим для передачі даних і історії, яку Емерсон хоче донести. + +# Висновок +### Підсумок основних моментів +- Комунікація – це передача або обмін інформацією. +- Коли ви передаєте дані, ваша мета не повинна полягати лише в тому, щоб просто передати цифри вашій аудиторії. Ваша мета повинна полягати в тому, щоб розповісти історію, яка базується на ваших даних. +- Існує два типи комунікації: Одностороння комунікація (інформація передається без наміру отримати відповідь) і Двостороння комунікація (інформація передається в обидва боки). +- Існує багато стратегій, які ви можете використовувати для розповіді історії за допомогою ваших даних. Ми розглянули 5 стратегій: + - Розуміння вашої аудиторії, вашого середовища та вашого методу комунікації + - Почніть із кінцевої мети + - Підходьте до цього як до справжньої історії + - Використовуйте значущі слова та фрази + - Використовуйте емоції + +### Рекомендовані ресурси для самостійного навчання +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + +## [Післялекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31) + +Перевірте, що ви щойно вивчили, за допомогою тесту вище! + +## Завдання + +[Market Research](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/uk/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..bfc018d7 --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,26 @@ + +# Розкажіть історію + +## Інструкції + +Наука про дані — це мистецтво розповідати історії. Виберіть будь-який набір даних і напишіть коротку статтю про історію, яку можна розповісти за його допомогою. Що ви сподіваєтеся дізнатися з вашого набору даних? Що ви будете робити, якщо його висновки виявляться проблематичними? Що, якщо ваші дані не так легко розкриють свої секрети? Подумайте про сценарії, які може представити ваш набір даних, і запишіть їх. + +## Критерії оцінювання + +Відмінно | Задовільно | Потребує покращення +--- | --- | -- | + +Есе на одну сторінку представлено у форматі .doc, набір даних пояснено, задокументовано, зазначено джерело, і представлено зв’язну історію з детальними прикладами з даних.| Коротше есе представлено у менш детальному форматі | Есе має недоліки в одному з вищезазначених аспектів. + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/4-Data-Science-Lifecycle/README.md b/translations/uk/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..0f1f745f --- /dev/null +++ b/translations/uk/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,30 @@ + +# Життєвий цикл науки про дані + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.uk.jpg) +> Фото від Headway на Unsplash + +У цих уроках ви дослідите деякі аспекти життєвого циклу науки про дані, включаючи аналіз і комунікацію навколо даних. + +### Теми + +1. [Вступ](14-Introduction/README.md) +2. [Аналіз](15-analyzing/README.md) +3. [Комунікація](16-communication/README.md) + +### Подяки + +Ці уроки були написані з ❤️ [Джейленом МакГі](https://twitter.com/JalenMCG) та [Жасмін Гріневей](https://twitter.com/paladique) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/uk/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..8ed9fd59 --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,116 @@ + +# Вступ до науки про дані в хмарі + +|![Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| Наука про дані в хмарі: Вступ - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +У цьому уроці ви дізнаєтеся основні принципи роботи з хмарою, зрозумієте, чому використання хмарних сервісів може бути корисним для ваших проєктів у сфері науки про дані, а також розглянете приклади таких проєктів, реалізованих у хмарі. + +## [Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32) + +## Що таке хмара? + +Хмара, або хмарні обчислення, — це надання широкого спектра обчислювальних послуг за моделлю "оплата за використання", які розміщені на інфраструктурі через інтернет. До таких послуг належать рішення, як-от зберігання даних, бази даних, мережі, програмне забезпечення, аналітика та інтелектуальні сервіси. + +Зазвичай розрізняють публічні, приватні та гібридні хмари: + +* Публічна хмара: належить і управляється стороннім постачальником хмарних послуг, який надає свої обчислювальні ресурси через інтернет для загального користування. +* Приватна хмара: стосується обчислювальних ресурсів, які використовуються виключно однією компанією чи організацією, з послугами та інфраструктурою, що підтримуються в приватній мережі. +* Гібридна хмара: це система, яка поєднує публічні та приватні хмари. Користувачі можуть використовувати локальний дата-центр, дозволяючи при цьому запускати дані та додатки в одній або кількох публічних хмарах. + +Більшість хмарних обчислювальних послуг поділяються на три категорії: Інфраструктура як послуга (IaaS), Платформа як послуга (PaaS) і Програмне забезпечення як послуга (SaaS). + +* Інфраструктура як послуга (IaaS): користувачі орендують ІТ-інфраструктуру, таку як сервери, віртуальні машини (VM), сховища, мережі, операційні системи. +* Платформа як послуга (PaaS): користувачі орендують середовище для розробки, тестування, доставки та управління програмними додатками. Користувачам не потрібно турбуватися про налаштування чи управління базовою інфраструктурою серверів, сховищ, мереж і баз даних, необхідних для розробки. +* Програмне забезпечення як послуга (SaaS): користувачі отримують доступ до програмного забезпечення через інтернет за запитом і зазвичай на основі підписки. Користувачам не потрібно турбуватися про хостинг і управління програмним забезпеченням, базовою інфраструктурою чи обслуговуванням, як-от оновлення програмного забезпечення та виправлення безпеки. + +Серед найбільших постачальників хмарних послуг — Amazon Web Services, Google Cloud Platform і Microsoft Azure. + +## Чому обирають хмару для науки про дані? + +Розробники та ІТ-фахівці обирають роботу з хмарою з багатьох причин, зокрема: + +* Інновації: ви можете інтегрувати інноваційні сервіси, створені постачальниками хмарних послуг, безпосередньо у свої додатки. +* Гнучкість: ви платите лише за ті послуги, які вам потрібні, і можете обирати з широкого спектра послуг. Зазвичай ви платите за фактичне використання і адаптуєте послуги відповідно до своїх потреб. +* Бюджет: вам не потрібно робити початкові інвестиції в придбання апаратного та програмного забезпечення, налаштування та управління локальними дата-центрами — ви просто платите за те, що використовуєте. +* Масштабованість: ваші ресурси можуть масштабуватися відповідно до потреб проєкту, що дозволяє вашим додаткам використовувати більше чи менше обчислювальної потужності, сховища та пропускної здатності, адаптуючись до зовнішніх факторів у будь-який момент часу. +* Продуктивність: ви можете зосередитися на своєму бізнесі, а не витрачати час на завдання, які можуть бути передані іншим, наприклад, управління дата-центрами. +* Надійність: хмарні обчислення пропонують кілька способів постійного резервного копіювання ваших даних, а також можливість налаштувати плани відновлення після аварій, щоб ваш бізнес і сервіси продовжували працювати навіть у кризові часи. +* Безпека: ви можете скористатися політиками, технологіями та засобами контролю, які підвищують безпеку вашого проєкту. + +Це лише деякі з найпоширеніших причин, чому люди обирають хмарні сервіси. Тепер, коли ми краще розуміємо, що таке хмара і які її основні переваги, давайте детальніше розглянемо роботу науковців з даними та розробників, які працюють із даними, і як хмара може допомогти їм вирішити кілька викликів, з якими вони можуть зіткнутися: + +* Зберігання великих обсягів даних: замість того, щоб купувати, управляти та захищати великі сервери, ви можете зберігати свої дані безпосередньо в хмарі, використовуючи такі рішення, як Azure Cosmos DB, Azure SQL Database і Azure Data Lake Storage. +* Інтеграція даних: інтеграція даних є важливою частиною науки про дані, яка дозволяє перейти від збору даних до прийняття рішень. Завдяки сервісам інтеграції даних у хмарі ви можете збирати, трансформувати та інтегрувати дані з різних джерел в єдине сховище даних за допомогою Data Factory. +* Обробка даних: обробка великих обсягів даних вимагає значної обчислювальної потужності, і не всі мають доступ до достатньо потужних машин. Саме тому багато людей обирають використання величезної обчислювальної потужності хмари для запуску та розгортання своїх рішень. +* Використання аналітичних сервісів: хмарні сервіси, такі як Azure Synapse Analytics, Azure Stream Analytics і Azure Databricks, допомагають перетворювати ваші дані на корисну інформацію. +* Використання сервісів машинного навчання та інтелектуальних сервісів: замість того, щоб починати з нуля, ви можете використовувати алгоритми машинного навчання, запропоновані постачальником хмари, за допомогою таких сервісів, як AzureML. Ви також можете використовувати когнітивні сервіси, такі як перетворення мови в текст, тексту в мову, комп'ютерний зір тощо. + +## Приклади науки про дані в хмарі + +Давайте зробимо це більш конкретним, розглянувши кілька сценаріїв. + +### Аналіз настроїв у соціальних мережах у реальному часі + +Почнемо зі сценарію, який часто вивчають новачки в машинному навчанні: аналіз настроїв у соціальних мережах у реальному часі. + +Уявіть, що ви керуєте новинним вебсайтом і хочете використовувати дані в реальному часі, щоб зрозуміти, який контент може зацікавити ваших читачів. Для цього ви можете створити програму, яка виконує аналіз настроїв у реальному часі на основі даних із публікацій у Twitter на теми, що цікавлять ваших читачів. + +Ключові показники, які вас цікавитимуть, — це обсяг твітів на певні теми (хештеги) та настрій, який визначається за допомогою аналітичних інструментів, що виконують аналіз настроїв щодо заданих тем. + +Кроки для створення цього проєкту: + +* Створіть хаб подій для потокового введення, який збиратиме дані з Twitter. +* Налаштуйте та запустіть клієнтську програму Twitter, яка викликатиме Streaming API Twitter. +* Створіть завдання Stream Analytics. +* Вкажіть вхідні дані та запит для завдання. +* Створіть вихідний канал і вкажіть вихідні дані завдання. +* Запустіть завдання. + +Щоб переглянути повний процес, ознайомтеся з [документацією](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099). + +### Аналіз наукових статей + +Розглянемо ще один приклад проєкту, створеного [Дмитром Сошниковим](http://soshnikov.com), одним із авторів цього курсу. + +Дмитро створив інструмент для аналізу статей про COVID. Розглядаючи цей проєкт, ви побачите, як можна створити інструмент, що витягує знання з наукових статей, отримує інсайти та допомагає дослідникам ефективно орієнтуватися у великих колекціях статей. + +Кроки, використані для цього: + +* Витяг та попередня обробка інформації за допомогою [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Використання [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) для паралельної обробки. +* Зберігання та запити інформації за допомогою [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +* Створення інтерактивної панелі для дослідження та візуалізації даних за допомогою Power BI. + +Щоб побачити повний процес, відвідайте [блог Дмитра](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). + +Як бачите, хмарні сервіси можна використовувати багатьма способами для виконання завдань науки про дані. + +## Примітка + +Джерела: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## Тест після лекції + +[Тест після лекції](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33) + +## Завдання + +[Дослідження ринку](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/uk/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..f516b017 --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,25 @@ + +# Дослідження ринку + +## Інструкції + +У цьому уроці ви дізналися, що існує кілька важливих постачальників хмарних послуг. Проведіть дослідження ринку, щоб з'ясувати, що кожен з них може запропонувати для Data Scientist. Чи є ці пропозиції порівнянними? Напишіть роботу, в якій опишіть пропозиції трьох або більше таких постачальників хмарних послуг. + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Односторінкова робота описує пропозиції трьох постачальників хмарних послуг для Data Scientist і розрізняє їх між собою. | Представлено коротшу роботу | Представлено роботу без завершеного аналізу + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/uk/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..9eedda6c --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,348 @@ + +# Наука про дані в хмарі: Підхід "Low code/No code" + +|![Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| Наука про дані в хмарі: Low Code - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +Зміст: + +- [Наука про дані в хмарі: Підхід "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Передлекційна вікторина](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. Вступ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 Що таке Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 Проєкт прогнозування серцевої недостатності:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 Набір даних для серцевої недостатності:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. Навчання моделі в Azure ML Studio за допомогою Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 Створення робочого простору Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 Обчислювальні ресурси](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 Вибір правильних параметрів для обчислювальних ресурсів](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 Створення обчислювального кластера](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 Завантаження набору даних](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 Навчання за допомогою AutoML у режимі Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. Розгортання моделі та використання кінцевих точок у режимі Low code/No code](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 Розгортання моделі](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 Використання кінцевих точок](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 Виклик](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Післялекційна вікторина](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Огляд і самостійне навчання](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [Завдання](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [Передлекційна вікторина](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34) +## 1. Вступ +### 1.1 Що таке Azure Machine Learning? + +Хмарна платформа Azure включає понад 200 продуктів і хмарних сервісів, створених для того, щоб допомогти вам втілювати нові рішення в життя. + +Дослідники даних витрачають багато зусиль на дослідження та попередню обробку даних, а також на тестування різних алгоритмів навчання моделей для отримання точних результатів. Ці завдання є трудомісткими та часто неефективно використовують дорогі обчислювальні ресурси. + +[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) — це хмарна платформа для створення та управління рішеннями машинного навчання в Azure. Вона включає широкий спектр функцій, які допомагають дослідникам даних готувати дані, навчати моделі, публікувати прогностичні сервіси та відстежувати їх використання. Найважливіше, що вона підвищує ефективність, автоматизуючи багато трудомістких завдань, пов'язаних із навчанням моделей, і дозволяє використовувати масштабовані хмарні обчислювальні ресурси, які обробляють великі обсяги даних, оплачуючи лише фактичне використання. + +Azure ML надає всі необхідні інструменти для розробників і дослідників даних для їхніх робочих процесів машинного навчання, зокрема: + +- **Azure Machine Learning Studio**: веб-портал у Azure Machine Learning для варіантів із низьким рівнем кодування або без коду для навчання моделей, розгортання, автоматизації, відстеження та управління активами. Studio інтегрується з Azure Machine Learning SDK для безперебійної роботи. +- **Jupyter Notebooks**: швидке прототипування та тестування моделей ML. +- **Azure Machine Learning Designer**: дозволяє створювати експерименти за допомогою перетягування модулів і розгортати конвеєри в середовищі з низьким рівнем кодування. +- **Автоматизоване машинне навчання (AutoML)**: автоматизує ітеративні завдання розробки моделей машинного навчання, дозволяючи створювати моделі ML з високою масштабованістю, ефективністю та продуктивністю, зберігаючи якість моделі. +- **Маркування даних**: інструмент із підтримкою ML для автоматичного маркування даних. +- **Розширення машинного навчання для Visual Studio Code**: забезпечує повнофункціональне середовище розробки для створення та управління проєктами ML. +- **CLI для машинного навчання**: надає команди для управління ресурсами Azure ML через командний рядок. +- **Інтеграція з відкритими фреймворками**, такими як PyTorch, TensorFlow, Scikit-learn тощо, для навчання, розгортання та управління процесом машинного навчання. +- **MLflow**: це бібліотека з відкритим кодом для управління життєвим циклом експериментів машинного навчання. **MLFlow Tracking** — це компонент MLflow, який реєструє та відстежує метрики навчання та артефакти моделі незалежно від середовища експерименту. + +### 1.2 Проєкт прогнозування серцевої недостатності: + +Без сумніву, створення та розробка проєктів — це найкращий спосіб перевірити свої навички та знання. У цьому уроці ми розглянемо два різні способи створення проєкту науки про дані для прогнозування нападів серцевої недостатності в Azure ML Studio: за допомогою Low code/No code та через Azure ML SDK, як показано на схемі нижче: + +![схема-проєкту](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.uk.png) + +Кожен із цих способів має свої переваги та недоліки. Підхід Low code/No code є простішим для початку, оскільки передбачає роботу з графічним інтерфейсом (GUI) без необхідності попередніх знань у програмуванні. Цей метод дозволяє швидко перевірити життєздатність проєкту та створити POC (Proof Of Concept). Однак, коли проєкт розширюється і потребує готовності до виробництва, створення ресурсів через GUI стає неефективним. У таких випадках необхідно програмно автоматизувати всі процеси — від створення ресурсів до розгортання моделі. Саме тут знання Azure ML SDK стає критично важливим. + +| | Low code/No code | Azure ML SDK | +|-------------------|------------------|---------------------------| +| Знання коду | Не потрібні | Потрібні | +| Час розробки | Швидко і легко | Залежить від знань коду | +| Готовність до продакшну | Ні | Так | + +### 1.3 Набір даних для серцевої недостатності: + +Серцево-судинні захворювання (ССЗ) є причиною смерті №1 у світі, становлячи 31% усіх смертей. Екологічні та поведінкові фактори ризику, такі як вживання тютюну, нездорова дієта, ожиріння, фізична бездіяльність і шкідливе вживання алкоголю, можуть бути використані як ознаки для моделей оцінки. Можливість оцінити ймовірність розвитку ССЗ може бути дуже корисною для запобігання нападам у людей із високим ризиком. + +На платформі Kaggle доступний [набір даних для серцевої недостатності](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), який ми будемо використовувати для цього проєкту. Ви можете завантажити цей набір даних зараз. Це табличний набір даних із 13 стовпцями (12 ознак і 1 цільова змінна) та 299 рядками. + +| | Назва змінної | Тип | Опис | Приклад | +|----|---------------------------|----------------|---------------------------------------------------------|-------------------| +| 1 | age | числовий | вік пацієнта | 25 | +| 2 | anaemia | булевий | зменшення кількості еритроцитів або гемоглобіну | 0 або 1 | +| 3 | creatinine_phosphokinase | числовий | рівень ферменту CPK у крові | 542 | +| 4 | diabetes | булевий | чи є у пацієнта діабет | 0 або 1 | +| 5 | ejection_fraction | числовий | відсоток крові, що залишає серце при кожному скороченні | 45 | +| 6 | high_blood_pressure | булевий | чи є у пацієнта гіпертонія | 0 або 1 | +| 7 | platelets | числовий | кількість тромбоцитів у крові | 149000 | +| 8 | serum_creatinine | числовий | рівень сироваткового креатиніну в крові | 0.5 | +| 9 | serum_sodium | числовий | рівень сироваткового натрію в крові | jun | +| 10 | sex | булевий | стать (жінка або чоловік) | 0 або 1 | +| 11 | smoking | булевий | чи курить пацієнт | 0 або 1 | +| 12 | time | числовий | період спостереження (дні) | 4 | +|----|---------------------------|----------------|---------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [Ціль] | булевий | чи помер пацієнт протягом періоду спостереження | 0 або 1 | + +Після завантаження набору даних ми можемо розпочати проєкт в Azure. + +## 2. Навчання моделі в Azure ML Studio за допомогою Low code/No code +### 2.1 Створення робочого простору Azure ML +Щоб навчити модель в Azure ML, спочатку потрібно створити робочий простір Azure ML. Робочий простір є основним ресурсом для Azure Machine Learning, який забезпечує централізоване місце для роботи з усіма артефактами, створеними під час використання Azure Machine Learning. Він зберігає історію всіх навчальних запусків, включаючи журнали, метрики, результати та знімки ваших скриптів. Ця інформація використовується для визначення, який навчальний запуск створює найкращу модель. [Дізнатися більше](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +Рекомендується використовувати найновішу версію браузера, сумісну з вашою операційною системою. Підтримуються такі браузери: + +- Microsoft Edge (новий Microsoft Edge, остання версія. Не Microsoft Edge legacy) +- Safari (остання версія, лише для Mac) +- Chrome (остання версія) +- Firefox (остання версія) + +Щоб використовувати Azure Machine Learning, створіть робочий простір у вашій підписці Azure. Потім ви можете використовувати цей робочий простір для управління даними, обчислювальними ресурсами, кодом, моделями та іншими артефактами, пов'язаними з вашими робочими процесами машинного навчання. + +> **_ПРИМІТКА:_** Ваша підписка Azure буде стягувати невелику плату за зберігання даних, доки робочий простір Azure Machine Learning існує у вашій підписці, тому ми рекомендуємо видалити робочий простір, коли ви більше не використовуєте його. + +1. Увійдіть у [портал Azure](https://ms.portal.azure.com/) за допомогою облікових даних Microsoft, пов'язаних із вашою підпискою Azure. +2. Виберіть **＋Створити ресурс** + + ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.uk.png) + + Знайдіть Machine Learning і виберіть плитку Machine Learning. + + ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.uk.png) + + Натисніть кнопку створення. + + ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.uk.png) + + Заповніть налаштування наступним чином: + - Підписка: Ваша підписка Azure + - Група ресурсів: Створіть або виберіть групу ресурсів + - Назва робочого простору: Введіть унікальну назву для вашого робочого простору + - Регіон: Виберіть географічний регіон, найближчий до вас + - Обліковий запис зберігання: Зверніть увагу на новий обліковий запис зберігання, який буде створено для вашого робочого простору + - Key vault: Зверніть увагу на новий key vault, який буде створено для вашого робочого простору + - Application insights: Зверніть увагу на новий ресурс Application Insights, який буде створено для вашого робочого простору + - Реєстр контейнерів: Немає (він буде створений автоматично під час першого розгортання моделі в контейнері) + + ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.uk.png) + + - Натисніть "Створити + переглянути", а потім кнопку "Створити". +3. Дочекайтеся створення вашого робочого простору (це може зайняти кілька хвилин). Потім перейдіть до нього в порталі. Ви можете знайти його через сервіс Machine Learning у Azure. +4. На сторінці огляду вашого робочого простору запустіть Azure Machine Learning Studio (або відкрийте нову вкладку браузера та перейдіть на https://ml.azure.com), і увійдіть у Azure Machine Learning Studio за допомогою вашого облікового запису Microsoft. Якщо буде запропоновано, виберіть ваш каталог і підписку Azure, а також ваш робочий простір Azure Machine Learning. + +![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.uk.png) + +5. У Azure Machine Learning Studio натисніть значок ☰ у верхньому лівому куті, щоб переглянути різні сторінки інтерфейсу. Ви можете використовувати ці сторінки для управління ресурсами у вашому робочому просторі. + +![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.uk.png) + +Ви можете керувати своїм робочим простором за допомогою порталу Azure, але для дослідників даних і інженерів ML Azure Machine Learning Studio надає більш зручний інтерфейс для управління ресурсами робочого простору. + +### 2.2 Обчислювальні ресурси + +Обчислювальні ресурси — це хмарні ресурси, на яких ви можете запускати процеси навчання моделей і дослідження даних. Існує чотири типи обчислювальних ресурсів, які ви можете створити: + +- **Обчислювальні інстанси**: Робочі станції для розробки, які дослідники даних можуть використовувати для роботи з даними та моделями. Це передбачає створення віртуальної машини (VM) і запуск інстансу блокнота. Ви можете навчати модель, викликаючи обчислювальний кластер із блокнота. +- **Обчислювальні +- **Приєднаний обчислювальний ресурс**: Посилання на існуючі обчислювальні ресурси Azure, такі як віртуальні машини або кластери Azure Databricks. + +#### 2.2.1 Вибір правильних параметрів для ваших обчислювальних ресурсів + +Деякі ключові фактори слід враховувати при створенні обчислювального ресурсу, і ці вибори можуть бути критично важливими. + +**Чи потрібен вам CPU чи GPU?** + +CPU (Центральний процесор) — це електронна схема, яка виконує інструкції, що складають комп'ютерну програму. GPU (Графічний процесор) — це спеціалізована електронна схема, яка може виконувати графічний код з дуже високою швидкістю. + +Основна різниця між архітектурою CPU і GPU полягає в тому, що CPU призначений для швидкого виконання широкого спектру завдань (вимірюється швидкістю тактової частоти CPU), але має обмеження щодо одночасного виконання завдань. GPU призначені для паралельних обчислень і тому набагато краще підходять для завдань глибокого навчання. + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| Менш дорогий | Дорожчий | +| Нижчий рівень паралельності | Вищий рівень паралельності | +| Повільніше тренування моделей глибокого навчання | Оптимальний для глибокого навчання | + +**Розмір кластеру** + +Більші кластери дорожчі, але забезпечують кращу чутливість. Тому, якщо у вас є час, але недостатньо грошей, слід почати з малого кластеру. Навпаки, якщо у вас є гроші, але мало часу, слід почати з великого кластеру. + +**Розмір віртуальної машини** + +Залежно від ваших часових і бюджетних обмежень, ви можете змінювати розмір оперативної пам’яті, диска, кількість ядер і швидкість тактової частоти. Збільшення всіх цих параметрів буде дорожчим, але забезпечить кращу продуктивність. + +**Виділені чи низькопріоритетні екземпляри?** + +Низькопріоритетний екземпляр означає, що він може бути перерваний: фактично, Microsoft Azure може забрати ці ресурси та призначити їх іншому завданню, тим самим перериваючи роботу. Виділений екземпляр, або непереривний, означає, що робота ніколи не буде завершена без вашого дозволу. Це ще один аспект вибору між часом і грошима, оскільки переривані екземпляри дешевші за виділені. + +#### 2.2.2 Створення обчислювального кластеру + +У [робочій області Azure ML](https://ml.azure.com/), яку ми створили раніше, перейдіть до розділу "Compute", і ви зможете побачити різні обчислювальні ресурси, які ми щойно обговорили (тобто обчислювальні екземпляри, обчислювальні кластери, кластери для інференсу та приєднані обчислювальні ресурси). Для цього проєкту нам знадобиться обчислювальний кластер для тренування моделі. У Studio натисніть меню "Compute", потім вкладку "Compute cluster" і натисніть кнопку "+ New", щоб створити обчислювальний кластер. + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.uk.png) + +1. Виберіть параметри: Виділений чи низькопріоритетний, CPU чи GPU, розмір віртуальної машини та кількість ядер (ви можете залишити налаштування за замовчуванням для цього проєкту). +2. Натисніть кнопку "Next". + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.uk.png) + +3. Дайте кластеру ім’я. +4. Виберіть параметри: Мінімальна/максимальна кількість вузлів, час простою перед масштабуванням вниз, доступ SSH. Зверніть увагу, що якщо мінімальна кількість вузлів дорівнює 0, ви заощадите гроші, коли кластер простоює. Зверніть увагу, що чим більша кількість максимальних вузлів, тим коротшим буде тренування. Рекомендована максимальна кількість вузлів — 3. +5. Натисніть кнопку "Create". Цей крок може зайняти кілька хвилин. + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.uk.png) + +Чудово! Тепер, коли ми створили обчислювальний кластер, нам потрібно завантажити дані в Azure ML Studio. + +### 2.3 Завантаження набору даних + +1. У [робочій області Azure ML](https://ml.azure.com/), яку ми створили раніше, натисніть "Datasets" у лівому меню та натисніть кнопку "+ Create dataset", щоб створити набір даних. Виберіть опцію "From local files" і виберіть набір даних Kaggle, який ми завантажили раніше. + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.uk.png) + +2. Дайте вашому набору даних ім’я, тип і опис. Натисніть "Next". Завантажте дані з файлів. Натисніть "Next". + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.uk.png) + +3. У схемі змініть тип даних на Boolean для наступних характеристик: анемія, діабет, високий кров'яний тиск, стать, куріння та DEATH_EVENT. Натисніть "Next" і "Create". + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.uk.png) + +Чудово! Тепер, коли набір даних готовий і обчислювальний кластер створено, ми можемо розпочати тренування моделі! + +### 2.4 Тренування з низьким рівнем коду/без коду за допомогою AutoML + +Традиційна розробка моделей машинного навчання потребує значних ресурсів, значних знань у галузі та часу для створення та порівняння десятків моделей. Автоматизоване машинне навчання (AutoML) — це процес автоматизації трудомістких, ітеративних завдань розробки моделей машинного навчання. Воно дозволяє науковцям з даних, аналітикам і розробникам створювати моделі ML з високою масштабованістю, ефективністю та продуктивністю, зберігаючи якість моделі. Це скорочує час, необхідний для отримання готових до виробництва моделей ML, з великою легкістю та ефективністю. [Дізнайтеся більше](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. У [робочій області Azure ML](https://ml.azure.com/), яку ми створили раніше, натисніть "Automated ML" у лівому меню та виберіть щойно завантажений набір даних. Натисніть "Next". + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.uk.png) + +2. Введіть нове ім’я експерименту, цільовий стовпець (DEATH_EVENT) і обчислювальний кластер, який ми створили. Натисніть "Next". + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.uk.png) + +3. Виберіть "Classification" і натисніть "Finish". Цей крок може зайняти від 30 хвилин до 1 години, залежно від розміру вашого обчислювального кластеру. + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.uk.png) + +4. Після завершення запуску натисніть вкладку "Automated ML", виберіть ваш запуск і натисніть на алгоритм у картці "Best model summary". + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.uk.png) + +Тут ви можете побачити детальний опис найкращої моделі, яку створив AutoML. Ви також можете дослідити інші моделі у вкладці "Models". Приділіть кілька хвилин для дослідження моделей у кнопці "Explanations (preview)". Після того, як ви вибрали модель, яку хочете використовувати (тут ми виберемо найкращу модель, обрану AutoML), ми побачимо, як її можна розгорнути. + +## 3. Розгортання моделі з низьким рівнем коду/без коду та споживання кінцевої точки +### 3.1 Розгортання моделі + +Інтерфейс автоматизованого машинного навчання дозволяє розгорнути найкращу модель як вебслужбу за кілька кроків. Розгортання — це інтеграція моделі, щоб вона могла робити прогнози на основі нових даних і визначати потенційні області можливостей. Для цього проєкту розгортання вебслужби означає, що медичні програми зможуть використовувати модель для створення живих прогнозів ризику серцевого нападу у своїх пацієнтів. + +У описі найкращої моделі натисніть кнопку "Deploy". + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.uk.png) + +15. Дайте ім’я, опис, тип обчислень (Azure Container Instance), увімкніть автентифікацію та натисніть "Deploy". Цей крок може зайняти близько 20 хвилин. Процес розгортання включає кілька етапів, зокрема реєстрацію моделі, створення ресурсів і їх налаштування для вебслужби. Під статусом розгортання з’являється повідомлення про стан. Виберіть "Refresh" періодично, щоб перевірити статус розгортання. Модель розгорнута та працює, коли статус "Healthy". + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.uk.png) + +16. Після розгортання натисніть вкладку "Endpoint" і виберіть кінцеву точку, яку ви щойно розгорнули. Тут ви знайдете всі деталі, які потрібно знати про кінцеву точку. + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.uk.png) + +Чудово! Тепер, коли ми розгорнули модель, ми можемо почати споживання кінцевої точки. + +### 3.2 Споживання кінцевої точки + +Натисніть вкладку "Consume". Тут ви знайдете REST-кінцеву точку та скрипт Python у опції споживання. Приділіть час для ознайомлення з кодом Python. + +Цей скрипт можна запустити безпосередньо з вашого локального комп’ютера, і він буде споживати вашу кінцеву точку. + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.uk.png) + +Приділіть час для перевірки цих двох рядків коду: + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # Replace this with the API key for the web service +``` +Змінна `url` — це REST-кінцева точка, знайдена у вкладці "Consume", а змінна `api_key` — це первинний ключ, також знайдений у вкладці "Consume" (лише якщо ви увімкнули автентифікацію). Ось як скрипт може споживати кінцеву точку. + +18. Запустивши скрипт, ви повинні побачити наступний результат: + ```python + b'"{\\"result\\": [true]}"' + ``` +Це означає, що прогноз серцевої недостатності для наданих даних є істинним. Це логічно, оскільки, якщо уважніше подивитися на дані, автоматично згенеровані у скрипті, все за замовчуванням дорівнює 0 і false. Ви можете змінити дані на наступний зразок: + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +Скрипт повинен повернути: + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +Вітаємо! Ви щойно спожили розгорнуту модель і натренували її в Azure ML! + +> **_Примітка:_** Після завершення проєкту не забудьте видалити всі ресурси. +## 🚀 Виклик + +Уважно перегляньте пояснення моделі та деталі, які AutoML створив для найкращих моделей. Спробуйте зрозуміти, чому найкраща модель краща за інші. Які алгоритми були порівняні? Які між ними відмінності? Чому найкраща модель працює краще в цьому випадку? + +## [Післялекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35) + +## Огляд і самостійне навчання + +У цьому уроці ви дізналися, як тренувати, розгортати та споживати модель для прогнозування ризику серцевої недостатності з низьким рівнем коду/без коду в хмарі. Якщо ви ще цього не зробили, заглибтеся у пояснення моделі, які AutoML створив для найкращих моделей, і спробуйте зрозуміти, чому найкраща модель краща за інші. + +Ви можете дізнатися більше про AutoML з низьким рівнем коду/без коду, прочитавши цю [документацію](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Завдання + +[Проєкт Data Science з низьким рівнем коду/без коду на Azure ML](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/uk/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..c28ecfd0 --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,25 @@ + +# Проєкт Data Science з низьким/нульовим кодом на Azure ML + +## Інструкції + +Ми розглянули, як використовувати платформу Azure ML для навчання, розгортання та використання моделі у форматі з низьким/нульовим кодом. Тепер знайдіть якісь дані, які ви могли б використати для навчання іншої моделі, її розгортання та використання. Ви можете шукати набори даних на [Kaggle](https://kaggle.com) та [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Критерії оцінювання + +| Відмінно | Достатньо | Потребує покращення | +|----------|-----------|---------------------| +|Під час завантаження даних ви подбали про зміну типу ознак, якщо це було необхідно. Ви також очистили дані, якщо це було потрібно. Ви провели навчання на наборі даних за допомогою AutoML і перевірили пояснення моделі. Ви розгорнули найкращу модель і змогли її використати. | Під час завантаження даних ви подбали про зміну типу ознак, якщо це було необхідно. Ви провели навчання на наборі даних за допомогою AutoML, розгорнули найкращу модель і змогли її використати. | Ви розгорнули найкращу модель, навчану за допомогою AutoML, і змогли її використати. | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/uk/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..e095e50b --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,325 @@ + +# Наука про дані в хмарі: шлях "Azure ML SDK" + +|![Скетчнот від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| Наука про дані в хмарі: Azure ML SDK - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +Зміст: + +- [Наука про дані в хмарі: шлях "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Передлекційна вікторина](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. Вступ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 Що таке Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 Проєкт прогнозування серцевої недостатності та ознайомлення з набором даних](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. Навчання моделі за допомогою Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 Створення робочого простору Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 Створення обчислювального екземпляра](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 Завантаження набору даних](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 Створення ноутбуків](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 Навчання моделі](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 Налаштування робочого простору, експерименту, обчислювального кластера та набору даних](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 Конфігурація AutoML та навчання](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. Розгортання моделі та використання кінцевої точки за допомогою Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 Збереження найкращої моделі](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 Розгортання моделі](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 Використання кінцевої точки](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 Виклик](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Післялекційна вікторина](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Огляд і самостійне навчання](../../../../5-Data-Science-In-Cloud/19-Azure) + - [Завдання](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [Передлекційна вікторина](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36) + +## 1. Вступ + +### 1.1 Що таке Azure ML SDK? + +Науковці з даних та розробники штучного інтелекту використовують Azure Machine Learning SDK для створення та виконання робочих процесів машинного навчання за допомогою сервісу Azure Machine Learning. Ви можете взаємодіяти з цим сервісом у будь-якому середовищі Python, включаючи Jupyter Notebooks, Visual Studio Code або ваш улюблений Python IDE. + +Основні можливості SDK включають: + +- Дослідження, підготовка та управління життєвим циклом наборів даних, які використовуються в експериментах машинного навчання. +- Управління хмарними ресурсами для моніторингу, ведення журналів та організації експериментів машинного навчання. +- Навчання моделей локально або з використанням хмарних ресурсів, включаючи прискорене GPU навчання. +- Використання автоматизованого машинного навчання, яке приймає параметри конфігурації та навчальні дані. Воно автоматично перебирає алгоритми та налаштування гіперпараметрів, щоб знайти найкращу модель для прогнозування. +- Розгортання вебсервісів для перетворення ваших навчальних моделей у RESTful сервіси, які можна використовувати в будь-якому додатку. + +[Дізнайтеся більше про Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +У [попередньому уроці](../18-Low-Code/README.md) ми розглянули, як навчати, розгортати та використовувати модель у режимі Low code/No code. Ми використовували набір даних про серцеву недостатність для створення моделі прогнозування. У цьому уроці ми зробимо те саме, але використовуючи Azure Machine Learning SDK. + +![схема-проєкту](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.uk.png) + +### 1.2 Проєкт прогнозування серцевої недостатності та ознайомлення з набором даних + +Ознайомтеся з [попереднім уроком](../18-Low-Code/README.md) для введення в проєкт прогнозування серцевої недостатності та набір даних. + +## 2. Навчання моделі за допомогою Azure ML SDK + +### 2.1 Створення робочого простору Azure ML + +Для зручності ми будемо працювати в Jupyter Notebook. Це передбачає, що у вас вже є робочий простір і обчислювальний екземпляр. Якщо у вас вже є робочий простір, ви можете перейти безпосередньо до розділу 2.3 Створення ноутбука. + +Якщо ні, будь ласка, дотримуйтесь інструкцій у розділі **2.1 Створення робочого простору Azure ML** у [попередньому уроці](../18-Low-Code/README.md), щоб створити робочий простір. + +### 2.2 Створення обчислювального екземпляра + +У [робочому просторі Azure ML](https://ml.azure.com/), який ми створили раніше, перейдіть до меню Compute, і ви побачите різні доступні обчислювальні ресурси. + +![обчислювальний-екземпляр-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.uk.png) + +Давайте створимо обчислювальний екземпляр для запуску Jupyter Notebook. +1. Натисніть кнопку + New. +2. Дайте ім'я вашому обчислювальному екземпляру. +3. Виберіть параметри: CPU або GPU, розмір віртуальної машини та кількість ядер. +4. Натисніть кнопку Create. + +Вітаємо, ви щойно створили обчислювальний екземпляр! Ми будемо використовувати цей екземпляр для створення ноутбука в розділі [Створення ноутбуків](../../../../5-Data-Science-In-Cloud/19-Azure). + +### 2.3 Завантаження набору даних + +Якщо ви ще не завантажили набір даних, зверніться до розділу **2.3 Завантаження набору даних** у [попередньому уроці](../18-Low-Code/README.md). + +### 2.4 Створення ноутбуків + +> **_ПРИМІТКА:_** На наступному кроці ви можете або створити новий ноутбук з нуля, або завантажити [ноутбук, який ми створили](notebook.ipynb) у вашому Azure ML Studio. Щоб завантажити його, просто натисніть на меню "Notebook" і завантажте ноутбук. + +Ноутбуки є дуже важливою частиною процесу науки про дані. Вони можуть використовуватися для проведення дослідження даних (EDA), виклику обчислювального кластера для навчання моделі, виклику кластера для розгортання кінцевої точки. + +Щоб створити ноутбук, нам потрібен обчислювальний вузол, який обслуговує екземпляр Jupyter Notebook. Поверніться до [робочого простору Azure ML](https://ml.azure.com/) і натисніть на Compute instances. У списку обчислювальних екземплярів ви повинні побачити [екземпляр, який ми створили раніше](../../../../5-Data-Science-In-Cloud/19-Azure). + +1. У розділі Applications натисніть на опцію Jupyter. +2. Поставте галочку "Yes, I understand" і натисніть кнопку Continue. +![ноутбук-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.uk.png) +3. Це відкриє нову вкладку браузера з вашим екземпляром Jupyter Notebook. Натисніть кнопку "New", щоб створити ноутбук. + +![ноутбук-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.uk.png) + +Тепер, коли у нас є ноутбук, ми можемо почати навчання моделі за допомогою Azure ML SDK. + +### 2.5 Навчання моделі + +Перш за все, якщо у вас виникнуть сумніви, зверніться до [документації Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). У ній міститься вся необхідна інформація для розуміння модулів, які ми розглянемо в цьому уроці. + +#### 2.5.1 Налаштування робочого простору, експерименту, обчислювального кластера та набору даних + +Вам потрібно завантажити `workspace` з конфігураційного файлу за допомогою наступного коду: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +Це повертає об'єкт типу `Workspace`, який представляє робочий простір. Потім вам потрібно створити `experiment` за допомогою наступного коду: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` + +Щоб отримати або створити експеримент у робочому просторі, ви запитуєте експеримент за його назвою. Назва експерименту має бути від 3 до 36 символів, починатися з літери або цифри та може містити лише літери, цифри, підкреслення та дефіси. Якщо експеримент не знайдено в робочому просторі, створюється новий експеримент. + +Тепер вам потрібно створити обчислювальний кластер для навчання за допомогою наступного коду. Зверніть увагу, що цей крок може зайняти кілька хвилин. + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +Ви можете отримати набір даних із робочого простору за назвою набору даних наступним чином: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` + +#### 2.5.2 Конфігурація AutoML та навчання + +Щоб налаштувати конфігурацію AutoML, використовуйте [клас AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +Як описано в документації, існує багато параметрів, з якими ви можете експериментувати. Для цього проєкту ми будемо використовувати наступні параметри: + +- `experiment_timeout_minutes`: Максимальний час (у хвилинах), дозволений для виконання експерименту перед його автоматичною зупинкою. +- `max_concurrent_iterations`: Максимальна кількість одночасних ітерацій навчання, дозволених для експерименту. +- `primary_metric`: Основна метрика, яка використовується для визначення статусу експерименту. +- `compute_target`: Обчислювальна ціль Azure Machine Learning для запуску експерименту автоматизованого машинного навчання. +- `task`: Тип завдання для виконання. Значення можуть бути 'classification', 'regression' або 'forecasting' залежно від типу проблеми автоматизованого ML. +- `training_data`: Навчальні дані, які використовуються в експерименті. Вони повинні містити як навчальні ознаки, так і стовпець міток (опціонально стовпець ваг зразків). +- `label_column_name`: Назва стовпця міток. +- `path`: Повний шлях до папки проєкту Azure Machine Learning. +- `enable_early_stopping`: Чи дозволити раннє завершення, якщо оцінка не покращується в короткостроковій перспективі. +- `featurization`: Індикатор того, чи слід автоматично виконувати крок феатуризації, чи використовувати налаштовану феатуризацію. +- `debug_log`: Файл журналу для запису відомостей про налагодження. + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` + +Тепер, коли ваша конфігурація налаштована, ви можете навчати модель за допомогою наступного коду. Цей крок може зайняти до години залежно від розміру вашого кластера. + +```python +remote_run = experiment.submit(automl_config) +``` + +Ви можете запустити віджет RunDetails, щоб переглянути різні експерименти. + +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` + +## 3. Розгортання моделі та використання кінцевої точки за допомогою Azure ML SDK + +### 3.1 Збереження найкращої моделі + +Об'єкт `remote_run` є об'єктом типу [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Цей об'єкт містить метод `get_output()`, який повертає найкращий запуск і відповідну навчальну модель. + +```python +best_run, fitted_model = remote_run.get_output() +``` + +Ви можете переглянути параметри, використані для найкращої моделі, просто вивівши `fitted_model`, і переглянути властивості найкращої моделі за допомогою методу [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +best_run.get_properties() +``` + +Тепер зареєструйте модель за допомогою методу [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +model_name = best_run.properties['model_name'] +script_file_name = 'inference/score.py' +best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') +description = "aml heart failure project sdk" +model = best_run.register_model(model_name = model_name, + model_path = './outputs/', + description = description, + tags = None) +``` + +### 3.2 Розгортання моделі + +Після збереження найкращої моделі ми можемо розгорнути її за допомогою класу [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig представляє налаштування конфігурації для користувацького середовища, яке використовується для розгортання. Клас [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) представляє модель машинного навчання, розгорнуту як кінцева точка вебсервісу на Azure Container Instances. Розгорнутий сервіс створюється з моделі, скрипта та пов'язаних файлів. Отриманий вебсервіс є збалансованою за навантаженням HTTP-кінцевою точкою з REST API. Ви можете надсилати дані до цього API і отримувати прогноз, повернутий моделлю. + +Модель розгортається за допомогою методу [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +```python +from azureml.core.model import InferenceConfig, Model +from azureml.core.webservice import AciWebservice + +inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment()) + +aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1, + memory_gb = 1, + tags = {'type': "automl-heart-failure-prediction"}, + description = 'Sample service for AutoML Heart Failure Prediction') + +aci_service_name = 'automl-hf-sdk' +aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig) +aci_service.wait_for_deployment(True) +print(aci_service.state) +``` + +Цей крок має зайняти кілька хвилин. + +### 3.3 Використання кінцевої точки + +Ви можете використовувати вашу кінцеву точку, створивши зразок вхідних даних: + +```python +data = { + "data": + [ + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} + +test_sample = str.encode(json.dumps(data)) +``` + +А потім ви можете надіслати ці вхідні дані до вашої моделі для отримання прогнозу: +```python +response = aci_service.run(input_data=test_sample) +response +``` +Це має вивести `'{"result": [false]}'`. Це означає, що введені дані пацієнта, які ми надіслали на кінцеву точку, згенерували прогноз `false`, що вказує на те, що ця людина, ймовірно, не має ризику серцевого нападу. + +Вітаємо! Ви щойно використали модель, розгорнуту та навчану на Azure ML за допомогою Azure ML SDK! + +> **_NOTE:_** Після завершення проєкту не забудьте видалити всі ресурси. + +## 🚀 Виклик + +Існує багато інших речей, які можна зробити за допомогою SDK, на жаль, ми не можемо розглянути їх усі в цьому уроці. Але гарна новина: навчитися швидко переглядати документацію SDK може значно допомогти вам у самостійному навчанні. Ознайомтеся з документацією Azure ML SDK і знайдіть клас `Pipeline`, який дозволяє створювати конвеєри. Конвеєр — це набір кроків, які можна виконувати як робочий процес. + +**ПІДКАЗКА:** Перейдіть до [документації SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) і введіть ключові слова, такі як "Pipeline", у рядок пошуку. Ви повинні побачити клас `azureml.pipeline.core.Pipeline` у результатах пошуку. + +## [Післялекційний тест](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37) + +## Огляд і самостійне навчання + +У цьому уроці ви дізналися, як навчати, розгортати та використовувати модель для прогнозування ризику серцевої недостатності за допомогою Azure ML SDK у хмарі. Ознайомтеся з цією [документацією](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) для отримання додаткової інформації про Azure ML SDK. Спробуйте створити власну модель за допомогою Azure ML SDK. + +## Завдання + +[Проєкт з науки про дані за допомогою Azure ML SDK](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/uk/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..17cfa5b4 --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,25 @@ + +# Проєкт Data Science з використанням Azure ML SDK + +## Інструкції + +Ми розглянули, як використовувати платформу Azure ML для навчання, розгортання та використання моделі за допомогою Azure ML SDK. Тепер знайдіть якісь дані, які ви могли б використати для навчання іншої моделі, її розгортання та використання. Ви можете шукати набори даних на [Kaggle](https://kaggle.com) та [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). + +## Критерії оцінювання + +| Відмінно | Задовільно | Потребує покращення | +|----------|------------|---------------------| +|Під час налаштування AutoML ви ознайомилися з документацією SDK, щоб дізнатися, які параметри можна використовувати. Ви провели навчання на наборі даних через AutoML за допомогою Azure ML SDK і перевірили пояснення моделі. Ви розгорнули найкращу модель і змогли використати її через Azure ML SDK. | Ви провели навчання на наборі даних через AutoML за допомогою Azure ML SDK і перевірили пояснення моделі. Ви розгорнули найкращу модель і змогли використати її через Azure ML SDK. | Ви провели навчання на наборі даних через AutoML за допомогою Azure ML SDK. Ви розгорнули найкращу модель і змогли використати її через Azure ML SDK. | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/5-Data-Science-In-Cloud/README.md b/translations/uk/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..7c0aadb0 --- /dev/null +++ b/translations/uk/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,35 @@ + +# Наука про дані в хмарі + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.uk.jpg) + +> Фото [Jelleke Vanooteghem](https://unsplash.com/@ilumire) з [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) + +Коли справа доходить до роботи з великими даними у сфері науки про дані, хмара може стати справжнім проривом. У наступних трьох уроках ми розглянемо, що таке хмара і чому вона може бути дуже корисною. Ми також дослідимо набір даних про серцеву недостатність і створимо модель, яка допоможе оцінити ймовірність виникнення серцевої недостатності у людини. Ми використаємо потужність хмари для навчання, розгортання та використання моделі двома різними способами. Один спосіб — використовуючи лише інтерфейс користувача в стилі Low code/No code, інший — за допомогою набору інструментів для розробників Azure Machine Learning (Azure ML SDK). + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.uk.png) + +### Теми + +1. [Чому використовувати хмару для науки про дані?](17-Introduction/README.md) +2. [Наука про дані в хмарі: спосіб "Low code/No code"](18-Low-Code/README.md) +3. [Наука про дані в хмарі: спосіб "Azure ML SDK"](19-Azure/README.md) + +### Автори +Ці уроки були написані з ☁️ та 💕 [Maud Levy](https://twitter.com/maudstweets) і [Tiffany Souterre](https://twitter.com/TiffanySouterre) + +Дані для проєкту прогнозування серцевої недостатності взяті з [ +Larxel](https://www.kaggle.com/andrewmvd) на [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Ліцензовані за [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають у результаті використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/uk/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..25161c97 --- /dev/null +++ b/translations/uk/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,150 @@ + +# Наука про дані в реальному світі + +| ![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| Наука про дані в реальному світі - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +Ми майже завершили цей навчальний шлях! + +Ми почали з визначень науки про дані та етики, дослідили різні інструменти та методи аналізу і візуалізації даних, розглянули життєвий цикл науки про дані та вивчили масштабування і автоматизацію робочих процесів науки про дані за допомогою хмарних обчислювальних сервісів. Тож, ви, мабуть, запитуєте: _"Як саме я можу застосувати всі ці знання в реальних контекстах?"_ + +У цьому уроці ми дослідимо реальні застосування науки про дані в різних галузях і заглибимося в конкретні приклади в дослідженнях, цифрових гуманітарних науках та сталому розвитку. Ми розглянемо можливості студентських проєктів і завершимо корисними ресурсами, які допоможуть вам продовжити навчальний шлях! + +## Тест перед лекцією + +[Тест перед лекцією](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) + +## Наука про дані + Індустрія + +Завдяки демократизації штучного інтелекту розробникам стало легше створювати та інтегрувати рішення на основі штучного інтелекту і даних у користувацький досвід та робочі процеси розробки. Ось кілька прикладів того, як наука про дані "застосовується" в реальних додатках у різних галузях: + +- [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) використовував науку про дані для кореляції пошукових запитів із тенденціями грипу. Хоча підхід мав недоліки, він привернув увагу до можливостей (і викликів) прогнозування в галузі охорони здоров'я на основі даних. + +- [Прогнози маршрутів UPS](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - пояснює, як UPS використовує науку про дані та машинне навчання для прогнозування оптимальних маршрутів доставки, враховуючи погодні умови, трафік, терміни доставки тощо. + +- [Візуалізація маршрутів таксі в Нью-Йорку](http://chriswhong.github.io/nyctaxi/) - дані, зібрані за допомогою [законів про свободу інформації](https://chriswhong.com/open-data/foil_nyc_taxi/), допомогли візуалізувати день із життя таксі Нью-Йорка, що дозволяє зрозуміти, як вони пересуваються містом, скільки заробляють і тривалість поїздок протягом кожної доби. + +- [Uber Data Science Workbench](https://eng.uber.com/dsw/) - використовує дані (про місця посадки та висадки, тривалість поїздок, переваги маршрутів тощо), зібрані з мільйонів щоденних поїздок Uber, для створення інструменту аналітики даних, який допомагає з ціноутворенням, безпекою, виявленням шахрайства та навігаційними рішеннями. + +- [Аналітика у спорті](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - зосереджується на _прогнозній аналітиці_ (аналіз команд і гравців - наприклад, [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - і управління фанатами) та _візуалізації даних_ (дашборди команд і фанатів, ігри тощо) з такими застосуваннями, як пошук талантів, спортивні ставки та управління інвентарем/місцем проведення. + +- [Наука про дані в банківській сфері](https://data-flair.training/blogs/data-science-in-banking/) - підкреслює цінність науки про дані у фінансовій галузі з такими застосуваннями, як моделювання ризиків і виявлення шахрайства, сегментація клієнтів, прогнозування в реальному часі та системи рекомендацій. Прогнозна аналітика також сприяє критичним заходам, таким як [кредитні рейтинги](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit). + +- [Наука про дані в охороні здоров'я](https://data-flair.training/blogs/data-science-in-healthcare/) - висвітлює такі застосування, як медична візуалізація (наприклад, МРТ, рентген, КТ-сканування), геноміка (секвенування ДНК), розробка ліків (оцінка ризиків, прогноз успіху), прогнозна аналітика (догляд за пацієнтами та логістика постачання), відстеження та профілактика хвороб тощо. + +![Застосування науки про дані в реальному світі](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.uk.png) Джерело зображення: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) + +На рисунку показано інші галузі та приклади застосування методів науки про дані. Хочете дослідити інші застосування? Перегляньте розділ [Огляд і самостійне навчання](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) нижче. + +## Наука про дані + Дослідження + +| ![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Наука про дані та дослідження - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +Хоча реальні застосування часто зосереджуються на масштабних випадках використання в індустрії, _дослідницькі_ застосування та проєкти можуть бути корисними з двох перспектив: + +- _можливості для інновацій_ - дослідження швидкого прототипування передових концепцій і тестування користувацького досвіду для додатків наступного покоління. +- _виклики впровадження_ - вивчення потенційних шкод або непередбачених наслідків технологій науки про дані в реальних контекстах. + +Для студентів ці дослідницькі проєкти можуть забезпечити як навчальні, так і можливості для співпраці, що покращить ваше розуміння теми та розширить вашу обізнаність і взаємодію з відповідними людьми або командами, які працюють у цікавих для вас сферах. Тож як виглядають дослідницькі проєкти і як вони можуть вплинути? + +Розглянемо один приклад - [Дослідження Gender Shades MIT](http://gendershades.org/overview.html) від Джой Буоламвіні (MIT Media Labs) із [знаковою дослідницькою статтею](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf), співавтором якої була Тімніт Гебру (тоді в Microsoft Research), що зосереджувалася на: + +- **Що:** Метою дослідницького проєкту було _оцінити упередження, присутні в алгоритмах і наборах даних автоматизованого аналізу облич_, на основі статі та типу шкіри. +- **Чому:** Аналіз облич використовується в таких сферах, як правоохоронні органи, безпека в аеропортах, системи найму тощо - контексти, де неточні класифікації (наприклад, через упередження) можуть спричинити потенційні економічні та соціальні шкоди для постраждалих осіб або груп. Розуміння (та усунення або пом'якшення) упереджень є ключем до справедливості у використанні. +- **Як:** Дослідники визнали, що існуючі еталони використовували переважно світлошкірих суб'єктів, і створили новий набір даних (1000+ зображень), який був _більш збалансованим_ за статтю та типом шкіри. Набір даних використовувався для оцінки точності трьох продуктів класифікації статі (від Microsoft, IBM і Face++). + +Результати показали, що хоча загальна точність класифікації була хорошою, спостерігалася помітна різниця в рівнях помилок між різними підгрупами - з **помилковою класифікацією статі**, яка була вищою для жінок або осіб із темнішим типом шкіри, що свідчить про упередження. + +**Основні результати:** Підвищення обізнаності про те, що наука про дані потребує більш _репрезентативних наборів даних_ (збалансованих підгруп) і більш _інклюзивних команд_ (різноманітних за походженням), щоб раніше розпізнавати та усувати або пом'якшувати такі упередження в рішеннях штучного інтелекту. Такі дослідницькі зусилля також є важливими для багатьох організацій, які визначають принципи та практики _відповідального штучного інтелекту_, щоб покращити справедливість у своїх продуктах і процесах штучного інтелекту. + +**Хочете дізнатися про відповідні дослідницькі зусилля в Microsoft?** + +- Ознайомтеся з [Дослідницькими проєктами Microsoft](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) у сфері штучного інтелекту. +- Досліджуйте студентські проєкти з [Літньої школи науки про дані Microsoft Research](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/). +- Ознайомтеся з проєктом [Fairlearn](https://fairlearn.org/) та ініціативами [Відповідального штучного інтелекту](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6). + +## Наука про дані + Гуманітарні науки + +| ![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Наука про дані та цифрові гуманітарні науки - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +Цифрові гуманітарні науки [визначаються](https://digitalhumanities.stanford.edu/about-dh-stanford) як "сукупність практик і підходів, що поєднують обчислювальні методи з гуманітарними дослідженнями". [Проєкти Стенфорда](https://digitalhumanities.stanford.edu/projects), такі як _"перезавантаження історії"_ і _"поетичне мислення"_, ілюструють зв'язок між [цифровими гуманітарними науками та наукою про дані](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - підкреслюючи такі методи, як аналіз мереж, візуалізація інформації, просторовий і текстовий аналіз, які допомагають нам переглядати історичні та літературні набори даних, щоб отримати нові інсайти та перспективи. + +*Хочете дослідити та розширити проєкт у цій сфері?* + +Ознайомтеся з ["Емілі Дікінсон і метр настрою"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - чудовим прикладом від [Джен Лупер](https://twitter.com/jenlooper), який запитує, як ми можемо використовувати науку про дані, щоб переглянути знайому поезію та переоцінити її значення і внесок автора в нових контекстах. Наприклад, _чи можемо ми передбачити сезон, у який був написаний вірш, аналізуючи його тон або настрій_ - і що це говорить нам про стан автора в той період? + +Щоб відповісти на це запитання, ми слідуємо етапам життєвого циклу науки про дані: +- [`Отримання даних`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - для збору відповідного набору даних для аналізу. Варіанти включають використання API (наприклад, [Poetry DB API](https://poetrydb.org/index.html)) або скрапінг веб-сторінок (наприклад, [Проєкт Гутенберг](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) за допомогою інструментів, таких як [Scrapy](https://scrapy.org/). +- [`Очищення даних`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - пояснює, як текст може бути відформатований, очищений і спрощений за допомогою базових інструментів, таких як Visual Studio Code і Microsoft Excel. +- [`Аналіз даних`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - пояснює, як ми можемо імпортувати набір даних у "ноутбуки" для аналізу за допомогою Python-пакетів (таких як pandas, numpy і matplotlib) для організації та візуалізації даних. +- [`Аналіз настрою`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - пояснює, як ми можемо інтегрувати хмарні сервіси, такі як Text Analytics, використовуючи інструменти з низьким кодом, такі як [Power Automate](https://flow.microsoft.com/en-us/) для автоматизованих робочих процесів обробки даних. + +Використовуючи цей робочий процес, ми можемо дослідити сезонні впливи на настрій віршів і допомогти нам сформувати власні перспективи щодо автора. Спробуйте самі - а потім розширте ноутбук, щоб поставити інші запитання або візуалізувати дані новими способами! + +> Ви можете використовувати деякі інструменти з [набору інструментів цифрових гуманітарних наук](https://github.com/Digital-Humanities-Toolkit), щоб досліджувати ці напрямки. + +## Наука про дані + Сталий розвиток + +| ![Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| Наука про дані та сталий розвиток - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +[Порядок денний сталого розвитку до 2030 року](https://sdgs.un.org/2030agenda) - прийнятий усіма членами ООН у 2015 році - визначає 17 цілей, включаючи ті, що зосереджуються на **захисті планети** від деградації та впливу зміни клімату. Ініціатива [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) підтримує ці цілі, досліджуючи способи, якими технологічні рішення можуть сприяти створенню більш сталого майбутнього з [фокусом на 4 цілі](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - бути вуглецево негативними, водно позитивними, безвідходними та біорізноманітними до 2030 року. + +Вирішення цих викликів у масштабний і своєчасний спосіб вимагає +**Проєкт Planetary Computer наразі перебуває в режимі попереднього перегляду (станом на вересень 2021 року)** - ось як ви можете почати роботу, щоб сприяти сталим рішенням за допомогою науки про дані. + +* [Запросіть доступ](https://planetarycomputer.microsoft.com/account/request), щоб розпочати дослідження та зв’язатися з однодумцями. +* [Ознайомтеся з документацією](https://planetarycomputer.microsoft.com/docs/overview/about), щоб зрозуміти підтримувані набори даних та API. +* Досліджуйте застосунки, такі як [Моніторинг екосистем](https://analytics-lab.org/ecosystemmonitoring/), для натхнення на створення ідей для застосунків. + +Подумайте, як ви можете використовувати візуалізацію даних, щоб виявляти або підсилювати важливі інсайти в таких сферах, як зміна клімату та вирубка лісів. Або подумайте, як ці інсайти можуть бути використані для створення нових користувацьких досвідів, які мотивують до змін у поведінці для більш сталого способу життя. + +## Наука про дані + Студенти + +Ми говорили про реальні застосування в індустрії та дослідженнях, а також досліджували приклади застосування науки про дані в цифрових гуманітарних науках і сталому розвитку. Тож як ви можете розвивати свої навички та ділитися своїм досвідом як початківці в науці про дані? + +Ось кілька прикладів студентських проєктів у сфері науки про дані, які можуть вас надихнути. + + * [Літня школа науки про дані MSR](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) із проєктами на [GitHub](https://github.com/msr-ds3), які досліджують такі теми, як: + - [Расова упередженість у застосуванні сили поліцією](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) + - [Надійність системи метро Нью-Йорка](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) + * [Оцифрування матеріальної культури: Дослідження соціально-економічних розподілів у Сіркапі](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - від [Орнелли Алтунян](https://twitter.com/ornelladotcom) та команди з Клермонта, використовуючи [ArcGIS StoryMaps](https://storymaps.arcgis.com/). + +## 🚀 Виклик + +Шукайте статті, які рекомендують проєкти з науки про дані, що підходять для початківців, наприклад, [ці 50 тем](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [ці 21 ідею проєктів](https://www.intellspot.com/data-science-project-ideas) або [ці 16 проєктів із вихідним кодом](https://data-flair.training/blogs/data-science-project-ideas/), які ви можете розібрати та адаптувати. І не забудьте вести блог про свої навчальні подорожі та ділитися своїми інсайтами з усіма нами. + +## Післялекційна вікторина + +[Післялекційна вікторина](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) + +## Огляд і самостійне навчання + +Хочете дослідити більше варіантів використання? Ось кілька відповідних статей: + * [17 застосувань і прикладів науки про дані](https://builtin.com/data-science/data-science-applications-examples) - липень 2021 + * [11 вражаючих застосувань науки про дані в реальному світі](https://myblindbird.com/data-science-applications-real-world/) - травень 2021 + * [Наука про дані в реальному світі](https://towardsdatascience.com/data-science-in-the-real-world/home) - збірка статей + * Наука про дані в: [освіті](https://data-flair.training/blogs/data-science-in-education/), [сільському господарстві](https://data-flair.training/blogs/data-science-in-agriculture/), [фінансах](https://data-flair.training/blogs/data-science-in-finance/), [кіноіндустрії](https://data-flair.training/blogs/data-science-at-movies/) та інших сферах. + +## Завдання + +[Досліджуйте набір даних Planetary Computer](assignment.md) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/uk/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..1cf5271d --- /dev/null +++ b/translations/uk/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,50 @@ + +# Дослідження набору даних Planetary Computer + +## Інструкції + +У цьому уроці ми обговорювали різні сфери застосування науки про дані, детально розглядаючи приклади, пов’язані з дослідженнями, сталим розвитком і цифровими гуманітарними науками. У цьому завданні ви детальніше дослідите один із цих прикладів і застосуєте свої знання про візуалізацію та аналіз даних, щоб отримати висновки про дані, пов’язані зі сталим розвитком. + +Проєкт [Planetary Computer](https://planetarycomputer.microsoft.com/) має набори даних і API, до яких можна отримати доступ за допомогою облікового запису — подайте запит на доступ, якщо хочете спробувати бонусний етап завдання. Сайт також пропонує функцію [Explorer](https://planetarycomputer.microsoft.com/explore), яку можна використовувати без створення облікового запису. + +`Кроки:` +Інтерфейс Explorer (показаний на скріншоті нижче) дозволяє вибрати набір даних (з наданих варіантів), попередньо налаштований запит (для фільтрації даних) і варіант візуалізації (для створення відповідної графіки). У цьому завданні ваша задача: + + 1. Прочитати [документацію Explorer](https://planetarycomputer.microsoft.com/docs/overview/explorer/) — зрозуміти доступні опції. + 2. Дослідити [Каталог](https://planetarycomputer.microsoft.com/catalog) наборів даних — дізнатися про їхнє призначення. + 3. Використати Explorer — вибрати цікавий набір даних, обрати відповідний запит і варіант візуалізації. + +![The Planetary Computer Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.uk.png) + +`Ваше завдання:` +Тепер вивчіть візуалізацію, яка з’явиться у браузері, і дайте відповіді на наступні запитання: + * Які _характеристики_ має набір даних? + * Які _висновки_ або результати надає візуалізація? + * Які _наслідки_ цих висновків для цілей сталого розвитку проєкту? + * Які _обмеження_ має візуалізація (тобто, які висновки ви не змогли отримати)? + * Якби ви отримали сирі дані, які _альтернативні візуалізації_ ви б створили і чому? + +`Бонусні бали:` +Подайте заявку на створення облікового запису — і увійдіть після її схвалення. + * Використайте опцію _Launch Hub_, щоб відкрити сирі дані в Notebook. + * Досліджуйте дані інтерактивно та реалізуйте альтернативні візуалізації, які ви придумали. + * Тепер проаналізуйте ваші власні візуалізації — чи вдалося вам отримати ті висновки, які ви пропустили раніше? + +## Критерії оцінювання + +Відмінно | Достатньо | Потребує покращення +--- | --- | -- | +Відповіді на всі п’ять основних запитань. Студент чітко визначив, як поточні та альтернативні візуалізації можуть надати висновки щодо цілей або результатів сталого розвитку. | Студент відповів принаймні на три основні запитання детально, показуючи практичний досвід роботи з Explorer. | Студент не відповів на кілька запитань або надав недостатньо деталей, що свідчить про відсутність значущої спроби виконати проєкт. | + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/6-Data-Science-In-Wild/README.md b/translations/uk/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..cda591f7 --- /dev/null +++ b/translations/uk/6-Data-Science-In-Wild/README.md @@ -0,0 +1,25 @@ + +# Наука про дані в реальному світі + +Практичне застосування науки про дані в різних галузях. + +### Теми + +1. [Наука про дані в реальному світі](20-Real-World-Examples/README.md) + +### Подяки + +Написано з ❤️ [Нітією Нарасімхан](https://twitter.com/nitya) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/CODE_OF_CONDUCT.md b/translations/uk/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..3da26564 --- /dev/null +++ b/translations/uk/CODE_OF_CONDUCT.md @@ -0,0 +1,23 @@ + +# Кодекс поведінки з відкритим кодом Microsoft + +Цей проєкт прийняв [Кодекс поведінки з відкритим кодом Microsoft](https://opensource.microsoft.com/codeofconduct/). + +Ресурси: + +- [Кодекс поведінки з відкритим кодом Microsoft](https://opensource.microsoft.com/codeofconduct/) +- [Часті запитання про Кодекс поведінки](https://opensource.microsoft.com/codeofconduct/faq/) +- Звертайтеся на [opencode@microsoft.com](mailto:opencode@microsoft.com) з питаннями або занепокоєннями + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/CONTRIBUTING.md b/translations/uk/CONTRIBUTING.md new file mode 100644 index 00000000..2e71e1b6 --- /dev/null +++ b/translations/uk/CONTRIBUTING.md @@ -0,0 +1,23 @@ + +# Участь у проекті + +Цей проєкт вітає внески та пропозиції. Більшість внесків вимагають від вас погодитися з Угодою про ліцензування внесків (Contributor License Agreement, CLA), яка підтверджує, що ви маєте право і дійсно надаєте нам права на використання вашого внеску. Для деталей відвідайте https://cla.microsoft.com. + +Коли ви надсилаєте pull request, бот CLA автоматично визначить, чи потрібно вам надати CLA, і відповідно позначить PR (наприклад, міткою, коментарем). Просто дотримуйтесь інструкцій, наданих ботом. Вам потрібно буде зробити це лише один раз для всіх репозиторіїв, які використовують нашу CLA. + +Цей проєкт прийняв [Кодекс поведінки з відкритим кодом Microsoft](https://opensource.microsoft.com/codeofconduct/). +Для отримання додаткової інформації перегляньте [FAQ щодо Кодексу поведінки](https://opensource.microsoft.com/codeofconduct/faq/) +або зв'яжіться з [opencode@microsoft.com](mailto:opencode@microsoft.com) для будь-яких додаткових запитань чи коментарів. + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/README.md b/translations/uk/README.md new file mode 100644 index 00000000..da8b3c7f --- /dev/null +++ b/translations/uk/README.md @@ -0,0 +1,156 @@ + +# Основи науки про дані - Навчальна програма + +Azure Cloud Advocates у Microsoft раді запропонувати 10-тижневу, 20-урокову навчальну програму, присвячену науці про дані. Кожен урок включає тести перед і після заняття, письмові інструкції для виконання уроку, рішення та завдання. Наш підхід, заснований на проєктах, дозволяє навчатися через створення, що є перевіреним способом закріплення нових навичок. + +**Щиро дякуємо нашим авторам:** [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). + +**🙏 Особлива подяка 🙏 нашим [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) авторам, рецензентам та учасникам контенту,** зокрема 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/) + +|![Скетчнот від @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.uk.png)| +|:---:| +| Наука про дані для початківців - _Скетчнот від [@nitya](https://twitter.com/nitya)_ | + +### 🌐 Підтримка багатомовності + +#### Підтримується через GitHub Action (Автоматично та завжди актуально) + +[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](./README.md) | [Burmese (Myanmar)](../my/README.md) + +**Якщо ви хочете додати підтримку інших мов, список доступних мов наведено [тут](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)** + +#### Приєднуйтесь до нашої спільноти +[![Azure AI Discord](https://dcbadge.limes.pink/api/server/kzRShWzttr)](https://discord.gg/kzRShWzttr) + +# Ви студент? + +Почніть з наступних ресурсів: + +- [Сторінка Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) На цій сторінці ви знайдете ресурси для початківців, студентські пакети та навіть способи отримати безкоштовний сертифікат. Це сторінка, яку варто додати в закладки та час від часу перевіряти, оскільки ми змінюємо контент щонайменше щомісяця. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Приєднуйтесь до глобальної спільноти студентів-амбасадорів, це може бути вашим шляхом до Microsoft. + +# Початок роботи + +> **Вчителі**: ми [додали кілька пропозицій](for-teachers.md) щодо використання цієї навчальної програми. Нам буде цікаво отримати ваші відгуки [у нашому форумі обговорень](https://github.com/microsoft/Data-Science-For-Beginners/discussions)! + +> **[Студенти](https://aka.ms/student-page)**: щоб використовувати цю навчальну програму самостійно, зробіть форк усього репозиторію та виконуйте вправи самостійно, починаючи з тесту перед лекцією. Потім прочитайте лекцію та виконайте решту завдань. Спробуйте створювати проєкти, розуміючи уроки, а не копіюючи код рішення; однак цей код доступний у папках /solutions у кожному проєктно-орієнтованому уроці. Ще одна ідея — створити навчальну групу з друзями та проходити контент разом. Для подальшого навчання ми рекомендуємо [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum). + +## Знайомтесь із командою + +[![Промо-відео](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video") + +**Gif створено** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal) + +> 🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт і людей, які його створили! + +## Педагогіка + +Ми обрали два педагогічні принципи під час створення цієї навчальної програми: забезпечення її орієнтованості на проєкти та включення частих тестів. До кінця цієї серії студенти засвоять основні принципи науки про дані, включаючи етичні концепції, підготовку даних, різні способи роботи з даними, візуалізацію даних, аналіз даних, реальні приклади використання науки про дані тощо. + +Крім того, тест з низькими ставками перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення матеріалу. Ця навчальна програма була розроблена як гнучка та цікава і може бути пройдена повністю або частково. Проєкти починаються з простих і стають дедалі складнішими до кінця 10-тижневого циклу. +> Знайдіть наші [Правила поведінки](CODE_OF_CONDUCT.md), [Рекомендації щодо внеску](CONTRIBUTING.md), [Рекомендації щодо перекладу](TRANSLATIONS.md). Ми раді вашим конструктивним відгукам! +## Кожен урок включає: + +- Опціональний скетчноут +- Опціональне додаткове відео +- Розігрівний тест перед уроком +- Письмовий урок +- Для уроків, заснованих на проєктах, покрокові інструкції зі створення проєкту +- Перевірка знань +- Виклик +- Додаткове читання +- Завдання +- [Тест після уроку](https://ff-quizzes.netlify.app/en/) + +> **Примітка щодо тестів**: Усі тести знаходяться в папці Quiz-App, загалом 40 тестів по три запитання кожен. Вони пов’язані з уроками, але додаток для тестів можна запустити локально або розгорнути в Azure; дотримуйтесь інструкцій у папці `quiz-app`. Тести поступово локалізуються. + +## Уроки + +|![ Скетчноут від @sketchthedocs https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.uk.png)| +|:---:| +| Data Science For Beginners: Дорожня карта - _Скетчноут від [@nitya](https://twitter.com/nitya)_ | + +| Номер уроку | Тема | Групування уроків | Навчальні цілі | Посилання на урок | Автор | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | Визначення науки про дані | [Вступ](1-Introduction/README.md) | Вивчення основних концепцій науки про дані та її зв’язку зі штучним інтелектом, машинним навчанням і великими даними. | [урок](1-Introduction/01-defining-data-science/README.md) [відео](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) | +| 02 | Етика науки про дані | [Вступ](1-Introduction/README.md) | Концепції, виклики та рамки етики даних. | [урок](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) | +| 03 | Визначення даних | [Вступ](1-Introduction/README.md) | Як класифікуються дані та їхні основні джерела. | [урок](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 04 | Вступ до статистики та ймовірності | [Вступ](1-Introduction/README.md) | Математичні методи ймовірності та статистики для розуміння даних. | [урок](1-Introduction/04-stats-and-probability/README.md) [відео](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) | +| 05 | Робота з реляційними даними | [Робота з даними](2-Working-With-Data/README.md) | Вступ до реляційних даних і основи їх дослідження та аналізу за допомогою мови SQL (вимовляється як "сі-квел"). | [урок](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | | +| 06 | Робота з NoSQL-даними | [Робота з даними](2-Working-With-Data/README.md) | Вступ до нереляційних даних, їх різновидів і основи аналізу документних баз даних. | [урок](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)| +| 07 | Робота з Python | [Робота з даними](2-Working-With-Data/README.md) | Основи використання Python для дослідження даних за допомогою бібліотек, таких як Pandas. Рекомендується базове розуміння програмування на Python. | [урок](2-Working-With-Data/07-python/README.md) [відео](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) | +| 08 | Підготовка даних | [Робота з даними](2-Working-With-Data/README.md) | Теми щодо методів очищення та трансформації даних для вирішення проблем із відсутніми, неточними або неповними даними. | [урок](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) | +| 09 | Візуалізація кількісних даних | [Візуалізація даних](3-Data-Visualization/README.md) | Як використовувати Matplotlib для візуалізації даних про птахів 🦆 | [урок](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) | +| 10 | Візуалізація розподілу даних | [Візуалізація даних](3-Data-Visualization/README.md) | Візуалізація спостережень і трендів у межах інтервалу. | [урок](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 11 | Візуалізація пропорцій | [Візуалізація даних](3-Data-Visualization/README.md) | Візуалізація дискретних і згрупованих відсотків. | [урок](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) | +| 12 | Візуалізація взаємозв’язків | [Візуалізація даних](3-Data-Visualization/README.md) | Візуалізація зв’язків і кореляцій між наборами даних і їх змінними. | [урок](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) | +| 13 | Змістовні візуалізації | [Візуалізація даних](3-Data-Visualization/README.md) | Техніки та рекомендації для створення візуалізацій, які допомагають ефективно вирішувати проблеми та отримувати інсайти. | [урок](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) | +| 14 | Вступ до життєвого циклу науки про дані | [Життєвий цикл](4-Data-Science-Lifecycle/README.md) | Вступ до життєвого циклу науки про дані та його першого етапу — отримання та вилучення даних. | [урок](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) | +| 15 | Аналіз | [Життєвий цикл](4-Data-Science-Lifecycle/README.md) | Ця фаза життєвого циклу науки про дані зосереджена на методах аналізу даних. | [урок](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | | +| 16 | Комунікація | [Життєвий цикл](4-Data-Science-Lifecycle/README.md) | Ця фаза життєвого циклу науки про дані зосереджена на представленні інсайтів із даних у зрозумілому для прийняття рішень форматі. | [урок](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | | +| 17 | Наука про дані в хмарі | [Хмарні дані](5-Data-Science-In-Cloud/README.md) | Ця серія уроків знайомить із наукою про дані в хмарі та її перевагами. | [урок](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) та [Maud](https://twitter.com/maudstweets) | +| 18 | Наука про дані в хмарі | [Хмарні дані](5-Data-Science-In-Cloud/README.md) | Навчання моделей за допомогою інструментів Low Code. |[урок](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) та [Maud](https://twitter.com/maudstweets) | +| 19 | Наука про дані в хмарі | [Хмарні дані](5-Data-Science-In-Cloud/README.md) | Розгортання моделей за допомогою Azure Machine Learning Studio. | [урок](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) та [Maud](https://twitter.com/maudstweets) | +| 20 | Наука про дані в реальному світі | [У реальному світі](6-Data-Science-In-Wild/README.md) | Проєкти, засновані на науці про дані, у реальному світі. | [урок](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) | + +## GitHub Codespaces + +Дотримуйтесь цих кроків, щоб відкрити цей приклад у Codespace: +1. Натисніть на випадаюче меню Code і виберіть опцію Open with Codespaces. +2. Виберіть + New codespace внизу панелі. +Для отримання додаткової інформації ознайомтеся з [документацією GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace). + +## VSCode Remote - Containers + +Дотримуйтесь цих кроків, щоб відкрити цей репозиторій у контейнері за допомогою вашого локального комп’ютера та VSCode, використовуючи розширення VS Code Remote - Containers: + +1. Якщо ви вперше використовуєте контейнер для розробки, переконайтеся, що ваша система відповідає вимогам (наприклад, встановлено Docker) у [документації для початківців](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started). + +Щоб використовувати цей репозиторій, ви можете або відкрити його в ізольованому томі Docker: + +**Примітка**: У фоновому режимі буде використано команду Remote-Containers: **Clone Repository in Container Volume...**, щоб клонувати вихідний код у том Docker замість локальної файлової системи. [Томи](https://docs.docker.com/storage/volumes/) є рекомендованим механізмом для збереження даних контейнера. + +Або відкрийте локально клоновану чи завантажену версію репозиторію: + +- Клонуйте цей репозиторій у вашу локальну файлову систему. +- Натисніть F1 і виберіть команду **Remote-Containers: Open Folder in Container...**. +- Виберіть клоновану копію цієї папки, дочекайтеся запуску контейнера та спробуйте. + +## Офлайн-доступ + +Ви можете запустити цю документацію офлайн за допомогою [Docsify](https://docsify.js.org/#/). Форкніть цей репозиторій, [встановіть Docsify](https://docsify.js.org/#/quickstart) на ваш локальний комп’ютер, а потім у кореневій папці цього репозиторію введіть `docsify serve`. Вебсайт буде доступний на порту 3000 вашого localhost: `localhost:3000`. + +> Примітка: блокноти не будуть відображатися через Docsify, тому, якщо вам потрібно запустити блокнот, зробіть це окремо у VS Code, використовуючи Python kernel. + +## Інші навчальні програми + +Наша команда створює інші навчальні програми! Ознайомтеся з: + +- [Generative AI for Beginners](https://aka.ms/genai-beginners) +- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) +- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript) +- [Generative AI with Java](https://aka.ms/genaijava) +- [AI for Beginners](https://aka.ms/ai-beginners) +- [Data Science for Beginners](https://aka.ms/datascience-beginners) +- [ML for Beginners](https://aka.ms/ml-beginners) +- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) +- [Web Dev for Beginners](https://aka.ms/webdev-beginners) +- [IoT for Beginners](https://aka.ms/iot-beginners) +- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners) +- [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) +- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) +- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/SECURITY.md b/translations/uk/SECURITY.md new file mode 100644 index 00000000..46d06bab --- /dev/null +++ b/translations/uk/SECURITY.md @@ -0,0 +1,51 @@ + +## Безпека + +Microsoft серйозно ставиться до безпеки наших програмних продуктів і послуг, включаючи всі репозиторії вихідного коду, які керуються через наші організації на GitHub, такі як [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) та [наші організації на GitHub](https://opensource.microsoft.com/). + +Якщо ви вважаєте, що знайшли вразливість у безпеці в будь-якому репозиторії, що належить Microsoft, яка відповідає [визначенню вразливості безпеки Microsoft](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), будь ласка, повідомте нам про це, як описано нижче. + +## Повідомлення про проблеми безпеки + +**Будь ласка, не повідомляйте про вразливості безпеки через публічні проблеми на GitHub.** + +Натомість повідомте про них до Центру реагування на безпеку Microsoft (MSRC) за адресою [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report). + +Якщо ви віддаєте перевагу надсилати повідомлення без входу в систему, надішліть електронний лист на [secure@microsoft.com](mailto:secure@microsoft.com). Якщо можливо, зашифруйте ваше повідомлення за допомогою нашого PGP-ключа; завантажте його зі сторінки [Microsoft Security Response Center PGP Key](https://www.microsoft.com/en-us/msrc/pgp-key-msrc). + +Ви повинні отримати відповідь протягом 24 годин. Якщо з якоїсь причини ви не отримали відповіді, будь ласка, надішліть повторний лист, щоб переконатися, що ми отримали ваше початкове повідомлення. Додаткову інформацію можна знайти на [microsoft.com/msrc](https://www.microsoft.com/msrc). + +Будь ласка, включіть запитану інформацію, зазначену нижче (наскільки це можливо), щоб допомогти нам краще зрозуміти природу та масштаб можливої проблеми: + + * Тип проблеми (наприклад, переповнення буфера, SQL-ін'єкція, міжсайтовий скриптинг тощо) + * Повні шляхи до файлів вихідного коду, пов'язаних із проявом проблеми + * Місцезнаходження ураженого вихідного коду (тег/гілка/коміт або пряме посилання) + * Будь-яка спеціальна конфігурація, необхідна для відтворення проблеми + * Покрокові інструкції для відтворення проблеми + * Код доказу концепції або експлойт (якщо можливо) + * Вплив проблеми, включаючи те, як зловмисник може використати проблему + +Ця інформація допоможе нам швидше обробити ваш звіт. + +Якщо ви повідомляєте про проблему в рамках програми винагород за вразливості, більш повні звіти можуть сприяти отриманню вищої винагороди. Будь ласка, відвідайте сторінку [Програма винагород Microsoft за вразливості](https://microsoft.com/msrc/bounty) для отримання додаткової інформації про наші активні програми. + +## Бажані мови + +Ми віддаємо перевагу, щоб усі повідомлення були англійською мовою. + +## Політика + +Microsoft дотримується принципу [Координованого розкриття вразливостей](https://www.microsoft.com/en-us/msrc/cvd). + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/SUPPORT.md b/translations/uk/SUPPORT.md new file mode 100644 index 00000000..21dd862e --- /dev/null +++ b/translations/uk/SUPPORT.md @@ -0,0 +1,24 @@ + +# Підтримка +## Як повідомити про проблеми та отримати допомогу + +Цей проєкт використовує GitHub Issues для відстеження помилок і запитів на нові функції. Будь ласка, перед тим як створювати нову проблему, перевірте наявні, щоб уникнути дублікатів. Для нових проблем створіть нову проблему з описом помилки або запиту на функцію. + +Для отримання допомоги та питань щодо використання цього проєкту створіть проблему. + +## Політика підтримки Microsoft + +Підтримка цього репозиторію обмежується ресурсами, зазначеними вище. + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/docs/_sidebar.md b/translations/uk/docs/_sidebar.md new file mode 100644 index 00000000..acbca243 --- /dev/null +++ b/translations/uk/docs/_sidebar.md @@ -0,0 +1,40 @@ + +- Вступ + - [Визначення науки про дані](../1-Introduction/01-defining-data-science/README.md) + - [Етика науки про дані](../1-Introduction/02-ethics/README.md) + - [Визначення даних](../1-Introduction/03-defining-data/README.md) + - [Ймовірність і статистика](../1-Introduction/04-stats-and-probability/README.md) +- Робота з даними + - [Реляційні бази даних](../2-Working-With-Data/05-relational-databases/README.md) + - [Нереляційні бази даних](../2-Working-With-Data/06-non-relational/README.md) + - [Python](../2-Working-With-Data/07-python/README.md) + - [Підготовка даних](../2-Working-With-Data/08-data-preparation/README.md) +- Візуалізація даних + - [Візуалізація кількісних даних](../3-Data-Visualization/09-visualization-quantities/README.md) + - [Візуалізація розподілів](../3-Data-Visualization/10-visualization-distributions/README.md) + - [Візуалізація пропорцій](../3-Data-Visualization/11-visualization-proportions/README.md) + - [Візуалізація взаємозв’язків](../3-Data-Visualization/12-visualization-relationships/README.md) + - [Змістовні візуалізації](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- Життєвий цикл науки про дані + - [Вступ](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [Аналіз](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [Комунікація](../4-Data-Science-Lifecycle/16-communication/README.md) +- Наука про дані в хмарі + - [Вступ](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md) +- Наука про дані в реальному світі + - [Наука про дані в реальному світі](../6-Data-Science-In-Wild/README.md) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/for-teachers.md b/translations/uk/for-teachers.md new file mode 100644 index 00000000..9edfc986 --- /dev/null +++ b/translations/uk/for-teachers.md @@ -0,0 +1,78 @@ + +## Для викладачів + +Хочете використовувати цю навчальну програму у своєму класі? Будь ласка, не соромтеся! + +Насправді, ви можете використовувати її безпосередньо в GitHub, скориставшись GitHub Classroom. + +Для цього зробіть форк цього репозиторію. Вам потрібно буде створити окремий репозиторій для кожного уроку, тому необхідно витягнути кожну папку в окремий репозиторій. Таким чином, [GitHub Classroom](https://classroom.github.com/classrooms) зможе обробляти кожен урок окремо. + +Ці [детальні інструкції](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) допоможуть вам зрозуміти, як налаштувати ваш клас. + +## Використання репозиторію в поточному вигляді + +Якщо ви хочете використовувати цей репозиторій у його поточному стані, без використання GitHub Classroom, це також можливо. Вам потрібно буде повідомити своїм студентам, над яким уроком працювати разом. + +В онлайн-форматі (Zoom, Teams або інші) ви можете створювати кімнати для обговорень для проходження вікторин і наставляти студентів, щоб підготувати їх до навчання. Потім запросіть студентів пройти вікторини та подати свої відповіді у вигляді 'issues' у певний час. Ви можете зробити те саме із завданнями, якщо хочете, щоб студенти працювали спільно у відкритому середовищі. + +Якщо ви віддаєте перевагу більш приватному формату, попросіть своїх студентів форкнути навчальну програму, урок за уроком, у свої власні приватні репозиторії GitHub і надати вам доступ. Тоді вони зможуть проходити вікторини та виконувати завдання приватно, подаючи їх вам через issues у вашому класному репозиторії. + +Існує багато способів організувати це в онлайн-класі. Будь ласка, повідомте нам, що працює найкраще для вас! + +## Що включено в цю навчальну програму: + +20 уроків, 40 вікторин і 20 завдань. До уроків додаються скетчноути для візуальних учнів. Багато уроків доступні як для Python, так і для R, і їх можна виконувати за допомогою Jupyter notebooks у VS Code. Дізнайтеся більше про те, як налаштувати свій клас для використання цього технічного стеку: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +Усі скетчноути, включаючи постер великого формату, знаходяться в [цій папці](../../sketchnotes). + +Вся навчальна програма доступна [у форматі PDF](../../pdf/readme.pdf). + +Ви також можете запустити цю навчальну програму як автономний, офлайн-дружній вебсайт, використовуючи [Docsify](https://docsify.js.org/#/). [Встановіть Docsify](https://docsify.js.org/#/quickstart) на свій локальний комп'ютер, а потім у кореневій папці вашої локальної копії цього репозиторію введіть `docsify serve`. Вебсайт буде доступний на порту 3000 вашого localhost: `localhost:3000`. + +Офлайн-дружня версія навчальної програми відкриється як автономна вебсторінка: https://localhost:3000 + +Уроки згруповані в 6 частин: + +- 1: Вступ + - 1: Визначення науки про дані + - 2: Етика + - 3: Визначення даних + - 4: Огляд ймовірностей і статистики +- 2: Робота з даними + - 5: Реляційні бази даних + - 6: Нереляційні бази даних + - 7: Python + - 8: Підготовка даних +- 3: Візуалізація даних + - 9: Візуалізація кількостей + - 10: Візуалізація розподілів + - 11: Візуалізація пропорцій + - 12: Візуалізація взаємозв'язків + - 13: Змістовні візуалізації +- 4: Життєвий цикл науки про дані + - 14: Вступ + - 15: Аналіз + - 16: Комунікація +- 5: Наука про дані в хмарі + - 17: Вступ + - 18: Низькокодові опції + - 19: Azure +- 6: Наука про дані в реальному світі + - 20: Огляд + +## Поділіться своїми думками! + +Ми хочемо, щоб ця навчальна програма працювала для вас і ваших студентів. Будь ласка, залишайте свої відгуки на дошках обговорень! Не соромтеся створювати класну зону на дошках обговорень для ваших студентів. + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/quiz-app/README.md b/translations/uk/quiz-app/README.md new file mode 100644 index 00000000..b333a9de --- /dev/null +++ b/translations/uk/quiz-app/README.md @@ -0,0 +1,139 @@ + +# Вікторини + +Ці вікторини є попередніми та підсумковими тестами для курсу з науки про дані за посиланням https://aka.ms/datascience-beginners + +## Додавання перекладеного набору вікторин + +Додайте переклад вікторини, створивши відповідні структури вікторин у папках `assets/translations`. Оригінальні вікторини знаходяться в `assets/translations/en`. Вікторини розділені на кілька груп. Переконайтеся, що нумерація відповідає правильному розділу вікторини. У цьому курсі всього 40 вікторин, починаючи з 0. + +Після редагування перекладів відредагуйте файл index.js у папці перекладу, щоб імпортувати всі файли відповідно до конвенцій у `en`. + +Відредагуйте файл `index.js` у `assets/translations`, щоб імпортувати нові перекладені файли. + +Потім відредагуйте випадаючий список у `App.vue` у цьому додатку, щоб додати вашу мову. Зіставте локалізоване скорочення з назвою папки для вашої мови. + +Нарешті, відредагуйте всі посилання на вікторини в перекладених уроках, якщо вони існують, щоб включити цю локалізацію як параметр запиту: наприклад, `?loc=fr`. + +## Налаштування проєкту + +``` +npm install +``` + +### Компіляція та гаряче перезавантаження для розробки + +``` +npm run serve +``` + +### Компіляція та мінімізація для продакшну + +``` +npm run build +``` + +### Перевірка та виправлення файлів + +``` +npm run lint +``` + +### Налаштування конфігурації + +Дивіться [Довідник з конфігурації](https://cli.vuejs.org/config/). + +Подяка: Дякуємо за оригінальну версію цього додатку для вікторин: https://github.com/arpan45/simple-quiz-vue + +## Розгортання на Azure + +Ось покрокова інструкція, яка допоможе вам розпочати: + +1. Форкніть GitHub-репозиторій +Переконайтеся, що код вашого статичного веб-додатку знаходиться у вашому GitHub-репозиторії. Форкніть цей репозиторій. + +2. Створіть статичний веб-додаток на Azure +- Створіть [обліковий запис Azure](http://azure.microsoft.com) +- Перейдіть до [порталу Azure](https://portal.azure.com) +- Натисніть "Створити ресурс" і знайдіть "Static Web App". +- Натисніть "Створити". + +3. Налаштуйте статичний веб-додаток +- Основне: + - Підписка: Виберіть вашу підписку Azure. + - Група ресурсів: Створіть нову групу ресурсів або використайте існуючу. + - Назва: Вкажіть назву для вашого статичного веб-додатку. + - Регіон: Виберіть регіон, найближчий до ваших користувачів. + +- #### Деталі розгортання: + - Джерело: Виберіть "GitHub". + - Обліковий запис GitHub: Авторизуйте Azure для доступу до вашого облікового запису GitHub. + - Організація: Виберіть вашу організацію GitHub. + - Репозиторій: Виберіть репозиторій, що містить ваш статичний веб-додаток. + - Гілка: Виберіть гілку, з якої ви хочете розгортати. + +- #### Деталі збірки: + - Пресети збірки: Виберіть фреймворк, на якому побудовано ваш додаток (наприклад, React, Angular, Vue тощо). + - Розташування додатку: Вкажіть папку, що містить код вашого додатку (наприклад, /, якщо він знаходиться в корені). + - Розташування API: Якщо у вас є API, вкажіть його розташування (необов’язково). + - Розташування вихідних файлів: Вкажіть папку, де генерується вихідний код збірки (наприклад, build або dist). + +4. Перевірте та створіть +Перевірте ваші налаштування та натисніть "Створити". Azure налаштує необхідні ресурси та створить GitHub Actions workflow у вашому репозиторії. + +5. GitHub Actions Workflow +Azure автоматично створить файл GitHub Actions workflow у вашому репозиторії (.github/workflows/azure-static-web-apps-.yml). Цей workflow буде відповідати за процес збірки та розгортання. + +6. Моніторинг розгортання +Перейдіть на вкладку "Actions" у вашому репозиторії GitHub. +Ви повинні побачити запущений workflow. Цей workflow збере та розгорне ваш статичний веб-додаток на Azure. +Після завершення workflow ваш додаток буде доступний за наданою URL-адресою Azure. + +### Приклад файлу Workflow + +Ось приклад того, як може виглядати файл GitHub Actions workflow: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### Додаткові ресурси +- [Документація Azure Static Web Apps](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [Документація GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + +**Відмова від відповідальності**: +Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу. \ No newline at end of file diff --git a/translations/uk/sketchnotes/README.md b/translations/uk/sketchnotes/README.md new file mode 100644 index 00000000..a8013151 --- /dev/null +++ b/translations/uk/sketchnotes/README.md @@ -0,0 +1,21 @@ + +Знайдіть усі скетчноути тут! + +## Авторство + +Нітія Нарасімхан, художниця + +![скетчноут дорожньої карти](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.uk.png) + +--- + +**Відмова від відповідальності**: +Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу. \ No newline at end of file