# Guia de Utilização Este guia fornece exemplos e fluxos de trabalho comuns para utilizar o currículo de Ciência de Dados para Iniciantes. ## Índice - [Como Utilizar Este Currículo](../..) - [Trabalhar com as Lições](../..) - [Trabalhar com Jupyter Notebooks](../..) - [Utilizar a Aplicação de Questionários](../..) - [Fluxos de Trabalho Comuns](../..) - [Dicas para Autoaprendizes](../..) - [Dicas para Professores](../..) ## Como Utilizar Este Currículo Este currículo foi concebido para ser flexível e pode ser utilizado de várias formas: - **Aprendizagem autónoma**: Trabalhe nas lições de forma independente ao seu próprio ritmo - **Instrução em sala de aula**: Utilize como um curso estruturado com orientação - **Grupos de estudo**: Aprenda colaborativamente com colegas - **Formato de workshop**: Sessões intensivas de aprendizagem de curto prazo ## Trabalhar com as Lições Cada lição segue uma estrutura consistente para maximizar a aprendizagem: ### Estrutura da Lição 1. **Questionário pré-lição**: Teste os seus conhecimentos existentes 2. **Sketchnote** (Opcional): Resumo visual dos conceitos principais 3. **Vídeo** (Opcional): Conteúdo suplementar em vídeo 4. **Lição escrita**: Conceitos principais e explicações 5. **Jupyter Notebook**: Exercícios práticos de programação 6. **Tarefa**: Pratique o que aprendeu 7. **Questionário pós-lição**: Reforce a sua compreensão ### Exemplo de Fluxo de Trabalho para uma Lição ```bash # 1. Navigate to the lesson directory cd 1-Introduction/01-defining-data-science # 2. Read the README.md # Open README.md in your browser or editor # 3. Take the pre-lesson quiz # Click the quiz link in the README # 4. Open the Jupyter notebook (if available) jupyter notebook # 5. Complete the exercises in the notebook # 6. Work on the assignment # 7. Take the post-lesson quiz ``` ## Trabalhar com Jupyter Notebooks ### Iniciar o Jupyter ```bash # Activate your virtual environment source venv/bin/activate # On macOS/Linux # OR venv\Scripts\activate # On Windows # Start Jupyter from the repository root jupyter notebook ``` ### Executar Células do Notebook 1. **Executar uma célula**: Pressione `Shift + Enter` ou clique no botão "Run" 2. **Executar todas as células**: Selecione "Cell" → "Run All" no menu 3. **Reiniciar kernel**: Selecione "Kernel" → "Restart" se encontrar problemas ### Exemplo: Trabalhar com Dados num Notebook ```python # Import required libraries import pandas as pd import numpy as np import matplotlib.pyplot as plt # Load a dataset df = pd.read_csv('data/sample.csv') # Explore the data df.head() df.info() df.describe() # Create a visualization plt.figure(figsize=(10, 6)) plt.plot(df['column_name']) plt.title('Sample Visualization') plt.xlabel('X-axis Label') plt.ylabel('Y-axis Label') plt.show() ``` ### Guardar o Seu Trabalho - O Jupyter guarda automaticamente periodicamente - Guardar manualmente: Pressione `Ctrl + S` (ou `Cmd + S` no macOS) - O seu progresso é guardado no ficheiro `.ipynb` ## Utilizar a Aplicação de Questionários ### Executar a Aplicação de Questionários Localmente ```bash # Navigate to quiz app directory cd quiz-app # Start the development server npm run serve # Access at http://localhost:8080 ``` ### Realizar Questionários 1. Os questionários pré-lição estão ligados no início de cada lição 2. Os questionários pós-lição estão ligados no final de cada lição 3. Cada questionário tem 3 perguntas 4. Os questionários são concebidos para reforçar a aprendizagem, não para testar exaustivamente ### Numeração dos Questionários - Os questionários estão numerados de 0 a 39 (40 questionários no total) - Cada lição geralmente tem um questionário pré e pós - Os URLs dos questionários incluem o número do questionário: `https://ff-quizzes.netlify.app/en/ds/quiz/0` ## Fluxos de Trabalho Comuns ### Fluxo de Trabalho 1: Caminho para Iniciantes ```bash # 1. Set up your environment (see INSTALLATION.md) # 2. Start with Lesson 1 cd 1-Introduction/01-defining-data-science # 3. For each lesson: # - Take pre-lesson quiz # - Read the lesson content # - Work through the notebook # - Complete the assignment # - Take post-lesson quiz # 4. Progress through all 20 lessons sequentially ``` ### Fluxo de Trabalho 2: Aprendizagem Específica por Tópico Se estiver interessado num tópico específico: ```bash # Example: Focus on Data Visualization cd 3-Data-Visualization # Explore lessons 9-13: # - Lesson 9: Visualizing Quantities # - Lesson 10: Visualizing Distributions # - Lesson 11: Visualizing Proportions # - Lesson 12: Visualizing Relationships # - Lesson 13: Meaningful Visualizations ``` ### Fluxo de Trabalho 3: Aprendizagem Baseada em Projetos ```bash # 1. Review the Data Science Lifecycle lessons (14-16) cd 4-Data-Science-Lifecycle # 2. Work through a real-world example (Lesson 20) cd ../6-Data-Science-In-Wild/20-Real-World-Examples # 3. Apply concepts to your own project ``` ### Fluxo de Trabalho 4: Ciência de Dados na Nuvem ```bash # Learn about cloud data science (Lessons 17-19) cd 5-Data-Science-In-Cloud # 17: Introduction to Cloud Data Science # 18: Low-Code ML Tools # 19: Azure Machine Learning Studio ``` ## Dicas para Autoaprendizes ### Mantenha-se Organizado ```bash # Create a learning journal mkdir my-learning-journal # For each lesson, create notes echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md ``` ### Pratique Regularmente - Reserve tempo dedicado diariamente ou semanalmente - Complete pelo menos uma lição por semana - Revise lições anteriores periodicamente ### Envolva-se com a Comunidade - Junte-se à [comunidade Discord](https://aka.ms/ds4beginners/discord) - Participe no canal #Data-Science-for-Beginners no Discord [Discussões no Discord](https://aka.ms/ds4beginners/discord) - Partilhe o seu progresso e faça perguntas ### Crie os Seus Próprios Projetos Depois de completar as lições, aplique os conceitos em projetos pessoais: ```python # Example: Analyze your own dataset import pandas as pd # Load your own data my_data = pd.read_csv('my-project/data.csv') # Apply techniques learned # - Data cleaning (Lesson 8) # - Exploratory data analysis (Lesson 7) # - Visualization (Lessons 9-13) # - Analysis (Lesson 15) ``` ## Dicas para Professores ### Configuração da Sala de Aula 1. Revise [for-teachers.md](for-teachers.md) para orientações detalhadas 2. Configure um ambiente partilhado (GitHub Classroom ou Codespaces) 3. Estabeleça um canal de comunicação (Discord, Slack ou Teams) ### Planeamento de Lições **Cronograma sugerido de 10 semanas:** - **Semana 1-2**: Introdução (Lições 1-4) - **Semana 3-4**: Trabalhar com Dados (Lições 5-8) - **Semana 5-6**: Visualização de Dados (Lições 9-13) - **Semana 7-8**: Ciclo de Vida da Ciência de Dados (Lições 14-16) - **Semana 9**: Ciência de Dados na Nuvem (Lições 17-19) - **Semana 10**: Aplicações Reais & Projetos Finais (Lição 20) ### Executar Docsify para Acesso Offline ```bash # Serve documentation locally for classroom use docsify serve # Students can access at localhost:3000 # No internet required after initial setup ``` ### Avaliação de Tarefas - Revise os notebooks dos alunos para verificar os exercícios concluídos - Verifique a compreensão através dos resultados dos questionários - Avalie os projetos finais utilizando os princípios do ciclo de vida da ciência de dados ### Criar Tarefas ```python # Example custom assignment template """ Assignment: [Topic] Objective: [Learning goal] Dataset: [Provide or have students find one] Tasks: 1. Load and explore the dataset 2. Clean and prepare the data 3. Create at least 3 visualizations 4. Perform analysis 5. Communicate findings Deliverables: - Jupyter notebook with code and explanations - Written summary of findings """ ``` ## Trabalhar Offline ### Transferir Recursos ```bash # Clone the entire repository git clone https://github.com/microsoft/Data-Science-For-Beginners.git # Download datasets in advance # Most datasets are included in the repository ``` ### Executar Documentação Localmente ```bash # Serve with Docsify docsify serve # Access at localhost:3000 ``` ### Executar Aplicação de Questionários Localmente ```bash cd quiz-app npm run serve ``` ## Aceder a Conteúdo Traduzido As traduções estão disponíveis em mais de 40 idiomas: ```bash # Access translated lessons cd translations/fr # French cd translations/es # Spanish cd translations/de # German # ... and many more ``` Cada tradução mantém a mesma estrutura da versão em inglês. ## Recursos Adicionais ### Continuar a Aprender - [Microsoft Learn](https://docs.microsoft.com/learn/) - Caminhos de aprendizagem adicionais - [Student Hub](https://docs.microsoft.com/learn/student-hub) - Recursos para estudantes - [Azure AI Foundry](https://aka.ms/foundry/forum) - Fórum da comunidade ### Currículos Relacionados - [AI para Iniciantes](https://aka.ms/ai-beginners) - [ML para Iniciantes](https://aka.ms/ml-beginners) - [Desenvolvimento Web para Iniciantes](https://aka.ms/webdev-beginners) - [IA Generativa para Iniciantes](https://aka.ms/genai-beginners) ## Obter Ajuda - Consulte [TROUBLESHOOTING.md](TROUBLESHOOTING.md) para problemas comuns - Pesquise [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) - Junte-se ao nosso [Discord](https://aka.ms/ds4beginners/discord) - Revise [CONTRIBUTING.md](CONTRIBUTING.md) para reportar problemas ou contribuir --- **Aviso**: Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.