# Kezdőbarát Adattudományi Példák Üdvözlünk a példák könyvtárában! Ez a gyűjtemény egyszerű, jól kommentált példákat tartalmaz, amelyek segítenek elkezdeni az adattudományt, még akkor is, ha teljesen kezdő vagy. ## 📚 Mit Találsz Itt? Minden példa önállóan használható, és tartalmazza: - **Érthető kommentek**, amelyek minden lépést elmagyaráznak - **Egyszerű, könnyen olvasható kód**, amely egy-egy fogalmat mutat be - **Valós életből vett kontextus**, hogy megértsd, mikor és miért használjuk ezeket a technikákat - **Várható kimenet**, hogy tudd, mit kell keresned ## 🚀 Első Lépések ### Előfeltételek Mielőtt futtatnád a példákat, győződj meg róla, hogy: - Telepítve van a Python 3.7 vagy újabb verziója - Alapvető ismeretekkel rendelkezel a Python szkriptek futtatásáról ### Szükséges Könyvtárak Telepítése ```bash pip install pandas numpy matplotlib ``` ## 📖 Példák Áttekintése ### 1. Hello World - Adattudomány Stílusban **Fájl:** `01_hello_world_data_science.py` Az első adattudományi programod! Megtanulhatod: - Hogyan tölts be egy egyszerű adatállományt - Hogyan jeleníts meg alapvető információkat az adataidról - Hogyan készítsd el az első adattudományi kimenetedet Tökéletes kezdőknek, akik szeretnék látni az első adattudományi programjuk működését. --- ### 2. Adatok Betöltése és Felfedezése **Fájl:** `02_loading_data.py` Ismerd meg az adatokkal való munka alapjait: - Adatok beolvasása CSV fájlokból - Az adatállomány első néhány sorának megtekintése - Alapvető statisztikák az adataidról - Adattípusok megértése Ez gyakran az első lépés bármely adattudományi projektben! --- ### 3. Egyszerű Adatelemzés **Fájl:** `03_simple_analysis.py` Végezd el az első adatelemzésedet: - Alapvető statisztikák kiszámítása (átlag, medián, módusz) - Maximum és minimum értékek keresése - Értékek előfordulásának számlálása - Adatok szűrése feltételek alapján Lásd, hogyan válaszolhatsz egyszerű kérdésekre az adataiddal kapcsolatban. --- ### 4. Adatok Vizualizációjának Alapjai **Fájl:** `04_basic_visualization.py` Készítsd el az első vizualizációidat: - Egyszerű oszlopdiagram készítése - Vonaldiagram létrehozása - Kördiagram generálása - Vizualizációk mentése képként Tanuld meg, hogyan kommunikálhatod az eredményeidet vizuálisan! --- ### 5. Munka Valós Adatokkal **Fájl:** `05_real_world_example.py` Rakd össze mindent egy teljes példában: - Valós adatok betöltése a tárolóból - Adatok tisztítása és előkészítése - Elemzés végrehajtása - Jelentős vizualizációk készítése - Következtetések levonása Ez a példa bemutatja a teljes munkafolyamatot az elejétől a végéig. --- ## 🎯 Hogyan Használd Ezeket a Példákat 1. **Kezdd az elején**: A példák nehézségi sorrendben vannak számozva. Kezdd a `01_hello_world_data_science.py` fájllal, és haladj sorban. 2. **Olvasd el a kommenteket**: Minden fájl részletes kommenteket tartalmaz, amelyek elmagyarázzák, mit csinál a kód és miért. Olvasd el őket figyelmesen! 3. **Kísérletezz**: Próbáld meg módosítani a kódot. Mi történik, ha megváltoztatsz egy értéket? Törd össze a dolgokat, majd javítsd meg őket - így tanulsz! 4. **Futtasd a kódot**: Hajtsd végre minden példát, és figyeld meg a kimenetet. Hasonlítsd össze azzal, amit vártál. 5. **Építs rá**: Miután megértettél egy példát, próbáld meg kiegészíteni saját ötleteiddel. ## 💡 Tippek Kezdőknek - **Ne siess**: Szánj időt minden példa megértésére, mielőtt továbblépnél - **Írd be magad a kódot**: Ne csak másold-beilleszd. Az írás segít tanulni és emlékezni - **Keress rá az ismeretlen fogalmakra**: Ha valami olyat látsz, amit nem értesz, keress rá online vagy a fő leckékben - **Tegyél fel kérdéseket**: Csatlakozz a [vitafórumhoz](https://github.com/microsoft/Data-Science-For-Beginners/discussions), ha segítségre van szükséged - **Gyakorolj rendszeresen**: Próbálj meg minden nap egy kicsit kódolni, ahelyett hogy hetente egyszer hosszú üléseket tartanál ## 🔗 Következő Lépések Miután befejezted ezeket a példákat, készen állsz: - A fő tananyag leckéinek feldolgozására - A leckék mappáiban található feladatok kipróbálására - A Jupyter notebookok felfedezésére mélyebb tanulás érdekében - Saját adattudományi projektek létrehozására ## 📚 További Források - [Fő Tananyag](../README.md) - A teljes 20 leckés kurzus - [Tanároknak](../for-teachers.md) - Hogyan használhatod ezt a tananyagot az osztályteremben - [Microsoft Learn](https://docs.microsoft.com/learn/) - Ingyenes online tanulási források - [Python Dokumentáció](https://docs.python.org/3/) - Hivatalos Python referencia ## 🤝 Közreműködés Találtál egy hibát, vagy van ötleted egy új példára? Szívesen fogadjuk a közreműködéseket! Kérlek, nézd meg a [Közreműködési Útmutatót](../CONTRIBUTING.md). --- **Jó tanulást! 🎉** Ne feledd: Minden szakértő egyszer kezdő volt. Haladj lépésről lépésre, és ne félj hibázni - ez a tanulási folyamat része! --- **Felelősség kizárása**: Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordítási szolgáltatás segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.