# ఉపయోగం గైడ్

ఈ గైడ్ డేటా సైన్స్ ఫర్ బిగినర్స్ పాఠ్యాంశం ఉపయోగించడానికి ఉదాహరణలు మరియు సాధారణ వర్క్‌ఫ్లోలను అందిస్తుంది.

## విషయ సూచిక

- [ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి](../..)
- [పాఠాలతో పని చేయడం](../..)
- [జుపిటర్ నోట్బుక్స్‌తో పని చేయడం](../..)
- [క్విజ్ అప్లికేషన్ ఉపయోగించడం](../..)
- [సాధారణ వర్క్‌ఫ్లోలు](../..)
- [స్వీయ-అభ్యాసకులకు సూచనలు](../..)
- [ఉపాధ్యాయులకు సూచనలు](../..)

## ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి

ఈ పాఠ్యాంశం అనేక విధాలుగా ఉపయోగించడానికి అనువుగా రూపొందించబడింది:

- **స్వీయ-గతిలో నేర్చుకోవడం**: మీ స్వంత వేగంతో పాఠాలను స్వతంత్రంగా పూర్తి చేయండి
- **తరగతి బోధన**: మార్గనిర్దేశక బోధనతో నిర్మిత కోర్సుగా ఉపయోగించండి
- **అధ్యయన సమూహాలు**: సహచరులతో కలిసి నేర్చుకోండి
- **వర్క్‌షాప్ ఫార్మాట్**: తీవ్రతరమైన తక్కువకాలిక నేర్చుకునే సెషన్లు

## పాఠాలతో పని చేయడం

ప్రతి పాఠం నేర్చుకోవడాన్ని గరిష్టం చేయడానికి ఒక సुस్పష్ట నిర్మాణాన్ని అనుసరిస్తుంది:

### పాఠ నిర్మాణం

1. **పాఠానికి ముందు క్విజ్**: మీ ప్రస్తుత జ్ఞానాన్ని పరీక్షించండి
2. **స్కెచ్‌నోట్** (ఐచ్ఛికం): ముఖ్యమైన భావనల దృశ్య సారాంశం
3. **వీడియో** (ఐచ్ఛికం): అదనపు వీడియో కంటెంట్
4. **వ్రాత పాఠం**: ప్రాథమిక భావనలు మరియు వివరణలు
5. **జుపిటర్ నోట్బుక్**: ప్రాక్టికల్ కోడింగ్ వ్యాయామాలు
6. **అసైన్‌మెంట్**: మీరు నేర్చుకున్నదాన్ని అభ్యాసించండి
7. **పాఠానికి తర్వాత క్విజ్**: మీ అర్థం చేసుకున్నదాన్ని బలోపేతం చేయండి

### పాఠానికి ఉదాహరణ వర్క్‌ఫ్లో

```bash
# 1. పాఠం డైరెక్టరీకి నావిగేట్ చేయండి
cd 1-Introduction/01-defining-data-science

# 2. README.md చదవండి
# README.md ను మీ బ్రౌజర్ లేదా ఎడిటర్‌లో తెరవండి

# 3. పూర్వ పాఠం క్విజ్ తీసుకోండి
# READMEలోని క్విజ్ లింక్‌పై క్లిక్ చేయండి

# 4. జూపిటర్ నోట్‌బుక్ (ఉపలబ్ధి ఉంటే) తెరవండి
jupyter notebook

# 5. నోట్‌బుక్‌లోని వ్యాయామాలు పూర్తి చేయండి

# 6. అసైన్‌మెంట్‌పై పని చేయండి

# 7. పాఠం తర్వాత క్విజ్ తీసుకోండి
```

## జుపిటర్ నోట్బుక్స్‌తో పని చేయడం

### జుపిటర్ ప్రారంభించడం

```bash
# మీ వర్చువల్ ఎన్విరాన్‌మెంట్‌ను సక్రియం చేయండి
source venv/bin/activate  # macOS/Linux పై
# లేదా
venv\Scripts\activate  # Windows పై

# రిపాజిటరీ రూట్ నుండి Jupyter ప్రారంభించండి
jupyter notebook
```

### నోట్బుక్ సెల్స్ నడపడం

1. **ఒక సెల్ నడపండి**: `Shift + Enter` నొక్కండి లేదా "Run" బటన్ క్లిక్ చేయండి
2. **అన్ని సెల్స్ నడపండి**: మెనూ నుండి "Cell" → "Run All" ఎంచుకోండి
3. **కర్నెల్ రీస్టార్ట్ చేయండి**: సమస్యలు ఎదురైతే "Kernel" → "Restart" ఎంచుకోండి

### ఉదాహరణ: నోట్బుక్‌లో డేటాతో పని చేయడం

```python
# అవసరమైన లైబ్రరీలను దిగుమతి చేసుకోండి
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# డేటాసెట్‌ను లోడ్ చేయండి
df = pd.read_csv('data/sample.csv')

# డేటాను అన్వేషించండి
df.head()
df.info()
df.describe()

# ఒక విజువలైజేషన్ సృష్టించండి
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()
```

### మీ పని సేవ్ చేయడం

- జుపిటర్ స్వయంచాలకంగా కాలానుగుణంగా సేవ్ చేస్తుంది
- మాన్యువల్‌గా సేవ్ చేయడానికి: `Ctrl + S` (లేదా macOSలో `Cmd + S`) నొక్కండి
- మీ పురోగతి `.ipynb` ఫైల్‌లో సేవ్ అవుతుంది

## క్విజ్ అప్లికేషన్ ఉపయోగించడం

### క్విజ్ యాప్‌ను లోకల్‌గా నడపడం

```bash
# క్విజ్ యాప్ డైరెక్టరీకి నావిగేట్ చేయండి
cd quiz-app

# డెవలప్‌మెంట్ సర్వర్ ప్రారంభించండి
npm run serve

# http://localhost:8080 వద్ద యాక్సెస్ చేయండి
```

### క్విజ్‌లు తీసుకోవడం

1. పాఠానికి ముందు క్విజ్‌లు ప్రతి పాఠం టాప్‌లో లింక్ చేయబడ్డాయి
2. పాఠానికి తర్వాత క్విజ్‌లు ప్రతి పాఠం దిగువన లింక్ చేయబడ్డాయి
3. ప్రతి క్విజ్‌లో 3 ప్రశ్నలు ఉంటాయి
4. క్విజ్‌లు నేర్చుకోవడాన్ని బలోపేతం చేయడానికి రూపొందించబడ్డాయి, పూర్తిగా పరీక్షించడానికి కాదు

### క్విజ్ సంఖ్యలు

- క్విజ్‌లు 0-39 వరకు సంఖ్యాబద్ధం చేయబడ్డాయి (మొత్తం 40 క్విజ్‌లు)
- ప్రతి పాఠానికి సాధారణంగా ఒక పూర్వ మరియు ఒక పశ్చాత్తాప క్విజ్ ఉంటుంది
- క్విజ్ URLలు క్విజ్ సంఖ్యను కలిగి ఉంటాయి: `https://ff-quizzes.netlify.app/en/ds/quiz/0`

## సాధారణ వర్క్‌ఫ్లోలు

### వర్క్‌ఫ్లో 1: పూర్తి ప్రారంభ దారి

```bash
# 1. మీ వాతావరణాన్ని సెట్ చేయండి (INSTALLATION.md చూడండి)

# 2. పాఠం 1 తో ప్రారంభించండి
cd 1-Introduction/01-defining-data-science

# 3. ప్రతి పాఠం కోసం:
#    - పాఠం ముందు క్విజ్ తీసుకోండి
#    - పాఠం విషయాన్ని చదవండి
#    - నోట్‌బుక్ ద్వారా పని చేయండి
#    - అసైన్‌మెంట్ పూర్తి చేయండి
#    - పాఠం తర్వాత క్విజ్ తీసుకోండి

# 4. అన్ని 20 పాఠాలను వరుసగా కొనసాగించండి
```

### వర్క్‌ఫ్లో 2: ప్రత్యేక అంశం నేర్చుకోవడం

మీకు ఒక ప్రత్యేక అంశం ఆసక్తి ఉంటే:

```bash
# ఉదాహరణ: డేటా విజువలైజేషన్ పై దృష్టి సారించండి
cd 3-Data-Visualization

# పాఠాలు 9-13 అన్వేషించండి:
# - పాఠం 9: పరిమాణాలను విజువలైజ్ చేయడం
# - పాఠం 10: పంపిణీలను విజువలైజ్ చేయడం
# - పాఠం 11: అనుపాతాలను విజువలైజ్ చేయడం
# - పాఠం 12: సంబంధాలను విజువలైజ్ చేయడం
# - పాఠం 13: అర్థవంతమైన విజువలైజేషన్లు
```

### వర్క్‌ఫ్లో 3: ప్రాజెక్ట్ ఆధారిత నేర్చుకోవడం

```bash
# 1. డేటా సైన్స్ లైఫ్‌సైకిల్ పాఠాలు (14-16) సమీక్షించండి
cd 4-Data-Science-Lifecycle

# 2. ఒక వాస్తవ ప్రపంచ ఉదాహరణపై పని చేయండి (పాఠం 20)
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# 3. మీ స్వంత ప్రాజెక్టుకు సూత్రాలను వర్తింపజేయండి
```

### వర్క్‌ఫ్లో 4: క్లౌడ్ ఆధారిత డేటా సైన్స్

```bash
# క్లౌడ్ డేటా సైన్స్ గురించి తెలుసుకోండి (పాఠాలు 17-19)
cd 5-Data-Science-In-Cloud

# 17: క్లౌడ్ డేటా సైన్స్ పరిచయం
# 18: లో-కోడ్ ఎంఎల్ టూల్స్
# 19: అజ్యూర్ మెషీన్ లెర్నింగ్ స్టూడియో
```

## స్వీయ-అభ్యాసకులకు సూచనలు

### సక్రమంగా ఉండండి

```bash
# ఒక అభ్యాస జర్నల్ సృష్టించండి
mkdir my-learning-journal

# ప్రతి పాఠం కోసం, గమనికలు సృష్టించండి
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md
```

### నియమితంగా అభ్యాసం చేయండి

- ప్రతి రోజు లేదా వారానికి ప్రత్యేక సమయం కేటాయించండి
- వారానికి కనీసం ఒక పాఠం పూర్తి చేయండి
- గత పాఠాలను కాలానుగుణంగా సమీక్షించండి

### కమ్యూనిటీతో పాల్గొనండి

- [Discord కమ్యూనిటీ](https://aka.ms/ds4beginners/discord)లో చేరండి
- Discordలో #Data-Science-for-Beginners ఛానెల్‌లో పాల్గొనండి [Discord చర్చలు](https://aka.ms/ds4beginners/discord)
- మీ పురోగతిని పంచుకోండి మరియు ప్రశ్నలు అడగండి

### మీ స్వంత ప్రాజెక్టులను నిర్మించండి

పాఠాలు పూర్తి చేసిన తర్వాత, భావనలను వ్యక్తిగత ప్రాజెక్టులకు వర్తించండి:

```python
# ఉదాహరణ: మీ స్వంత డేటాసెట్‌ను విశ్లేషించండి
import pandas as pd

# మీ స్వంత డేటాను లోడ్ చేయండి
my_data = pd.read_csv('my-project/data.csv')

# నేర్చుకున్న సాంకేతికతలను వర్తింపజేయండి
# - డేటా శుభ్రపరిచడం (పాఠం 8)
# - అన్వేషణాత్మక డేటా విశ్లేషణ (పాఠం 7)
# - విజువలైజేషన్ (పాఠాలు 9-13)
# - విశ్లేషణ (పాఠం 15)
```

## ఉపాధ్యాయులకు సూచనలు

### తరగతి సెటప్

1. వివరమైన మార్గదర్శకానికి [for-teachers.md](for-teachers.md) ను సమీక్షించండి
2. ఒక పంచుకున్న వాతావరణాన్ని ఏర్పాటు చేయండి (GitHub Classroom లేదా Codespaces)
3. ఒక కమ్యూనికేషన్ ఛానెల్‌ను ఏర్పాటు చేయండి (Discord, Slack, లేదా Teams)

### పాఠం ప్రణాళిక

**సూచించిన 10-వారం షెడ్యూల్:**

- **వారం 1-2**: పరిచయం (పాఠాలు 1-4)
- **వారం 3-4**: డేటాతో పని (పాఠాలు 5-8)
- **వారం 5-6**: డేటా విజువలైజేషన్ (పాఠాలు 9-13)
- **వారం 7-8**: డేటా సైన్స్ లైఫ్‌సైకిల్ (పాఠాలు 14-16)
- **వారం 9**: క్లౌడ్ డేటా సైన్స్ (పాఠాలు 17-19)
- **వారం 10**: వాస్తవ ప్రపంచ అనువర్తనాలు & తుది ప్రాజెక్టులు (పాఠం 20)

### ఆఫ్‌లైన్ యాక్సెస్ కోసం Docsify నడపడం

```bash
# తరగతి గదిలో ఉపయోగానికి స్థానికంగా డాక్యుమెంటేషన్ అందించండి
docsify serve

# విద్యార్థులు localhost:3000 వద్ద యాక్సెస్ చేయవచ్చు
# ప్రారంభ సెటప్ తర్వాత ఇంటర్నెట్ అవసరం లేదు
```

### అసైన్‌మెంట్ గ్రేడింగ్

- పూర్తి చేసిన వ్యాయామాల కోసం విద్యార్థి నోట్బుక్స్ సమీక్షించండి
- క్విజ్ స్కోర్ల ద్వారా అర్థం చేసుకున్నదాన్ని తనిఖీ చేయండి
- డేటా సైన్స్ లైఫ్‌సైకిల్ సూత్రాలను ఉపయోగించి తుది ప్రాజెక్టులను మూల్యాంకనం చేయండి

### అసైన్‌మెంట్లు సృష్టించడం

```python
# ఉదాహరణ కస్టమ్ అసైన్‌మెంట్ టెంప్లేట్
"""
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
"""
```

## ఆఫ్‌లైన్‌లో పని చేయడం

### వనరులను డౌన్లోడ్ చేయండి

```bash
# మొత్తం రిపోజిటరీని క్లోన్ చేయండి
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# ముందుగా డేటాసెట్‌లను డౌన్లోడ్ చేసుకోండి
# ఎక్కువ డేటాసెట్‌లు రిపోజిటరీలోనే ఉన్నాయి
```

### డాక్యుమెంటేషన్‌ను లోకల్‌గా నడపండి

```bash
# Docsify తో సేవ్ చేయండి
docsify serve

# localhost:3000 వద్ద యాక్సెస్ చేయండి
```

### క్విజ్ యాప్‌ను లోకల్‌గా నడపండి

```bash
cd quiz-app
npm run serve
```

## అనువదించిన కంటెంట్ యాక్సెస్ చేయడం

40+ భాషల్లో అనువాదాలు అందుబాటులో ఉన్నాయి:

```bash
# అనువదించిన పాఠాలను యాక్సెస్ చేయండి
cd translations/fr  # ఫ్రెంచ్
cd translations/es  # స్పానిష్
cd translations/de  # జర్మన్
# ... మరియు మరిన్ని
```

ప్రతి అనువాదం ఆంగ్ల సంస్కరణతో సమాన నిర్మాణాన్ని కలిగి ఉంటుంది.

## అదనపు వనరులు

### నేర్చుకోవడం కొనసాగించండి

- [Microsoft Learn](https://docs.microsoft.com/learn/) - అదనపు నేర్చుకునే మార్గాలు
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - విద్యార్థుల కోసం వనరులు
- [Azure AI Foundry](https://aka.ms/foundry/forum) - కమ్యూనిటీ ఫోరం

### సంబంధిత పాఠ్యాంశాలు

- [AI for Beginners](https://aka.ms/ai-beginners)
- [ML for Beginners](https://aka.ms/ml-beginners)
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
- [Generative AI for Beginners](https://aka.ms/genai-beginners)

## సహాయం పొందడం

- సాధారణ సమస్యల కోసం [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ను తనిఖీ చేయండి
- [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) లో శోధించండి
- మా [Discord](https://aka.ms/ds4beginners/discord)లో చేరండి
- సమస్యలను నివేదించడానికి లేదా సహకరించడానికి [CONTRIBUTING.md](CONTRIBUTING.md) ను సమీక్షించండి

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:  
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->