## 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.