<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
  "translation_date": "2025-08-25T16:09:33+00:00",
  "source_file": "for-teachers.md",
  "language_code": "ja"
}
-->
## 教育者の皆様へ

このカリキュラムを教室で使用してみませんか？ぜひご活用ください！

実際、GitHub Classroomを使えば、GitHub上でこのカリキュラムを利用することができます。

そのためには、このリポジトリをフォークしてください。各レッスンごとにリポジトリを作成する必要があるため、各フォルダーを個別のリポジトリに分ける必要があります。そうすることで、[GitHub Classroom](https://classroom.github.com/classrooms)が各レッスンを個別に認識できるようになります。

こちらの[詳細な手順](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/)を参考にして、教室のセットアップ方法をご確認ください。

## リポジトリをそのまま使用する場合

GitHub Classroomを使用せずに、このリポジトリをそのまま利用したい場合も可能です。その場合、どのレッスンを一緒に進めるかを学生に伝える必要があります。

オンライン形式（Zoom、Teams、その他）では、クイズ用にブレイクアウトルームを作成し、学生が学習の準備を整えられるように指導することができます。その後、クイズに参加して、一定の時間内に回答を「issue」として提出するよう学生に依頼してください。同様に、課題についても、学生がオープンな環境で共同作業を行う場合に適用できます。

よりプライベートな形式を希望する場合は、学生にカリキュラムをレッスンごとにフォークし、自分のGitHubリポジトリ（プライベートリポジトリ）に保存するよう依頼し、あなたにアクセス権を付与してもらいます。これにより、学生はクイズや課題をプライベートに完了し、教室用リポジトリのissueを通じて提出することができます。

オンライン教室形式でこのカリキュラムを活用する方法はさまざまです。ぜひ、最適な方法を教えてください！

## このカリキュラムに含まれる内容：

20のレッスン、40のクイズ、20の課題が含まれています。視覚的な学習者のために、レッスンにはスケッチノートが付属しています。多くのレッスンはPythonとRの両方で利用可能で、VS CodeのJupyterノートブックを使用して完了できます。この技術スタックを使用するための教室のセットアップ方法についてはこちらをご覧ください：https://code.visualstudio.com/docs/datascience/jupyter-notebooks。

すべてのスケッチノート（大判ポスターを含む）は[このフォルダー](../../sketchnotes)にあります。

カリキュラム全体は[PDF形式](../../pdf/readme.pdf)でも利用可能です。

また、このカリキュラムをスタンドアロンのオフライン対応ウェブサイトとして実行することもできます。[Docsify](https://docsify.js.org/#/)を使用してください。[Docsifyをインストール](https://docsify.js.org/#/quickstart)し、このリポジトリのローカルコピーのルートフォルダーで`docsify serve`と入力します。ウェブサイトはローカルホストのポート3000で提供されます：`localhost:3000`。

オフライン対応のカリキュラムは、スタンドアロンのウェブページとして開きます：https://localhost:3000

レッスンは6つのパートに分かれています：

- 1: 導入
    - 1: データサイエンスの定義
    - 2: 倫理
    - 3: データの定義
    - 4: 確率と統計の概要
- 2: データの取り扱い
    - 5: リレーショナルデータベース
    - 6: 非リレーショナルデータベース
    - 7: Python
    - 8: データ準備
- 3: データの可視化
    - 9: 数量の可視化
    - 10: 分布の可視化
    - 11: 比率の可視化
    - 12: 関係性の可視化
    - 13: 意味のある可視化
- 4: データサイエンスライフサイクル
    - 14: 導入
    - 15: 分析
    - 16: コミュニケーション
- 5: クラウドでのデータサイエンス
    - 17: 導入
    - 18: ローコードオプション
    - 19: Azure
- 6: 実社会でのデータサイエンス
    - 20: 概要

## ご意見をお聞かせください！

このカリキュラムがあなたや学生にとって役立つものになるようにしたいと考えています。ぜひディスカッションボードでフィードバックをお寄せください！学生向けのディスカッションボードエリアを作成することも自由です。

**免責事項**:  
この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知ください。元の言語で記載された文書が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤解釈について、当方は責任を負いません。