<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
  "translation_date": "2025-08-26T20:43:04+00:00",
  "source_file": "for-teachers.md",
  "language_code": "th"
}
-->
## สำหรับครูผู้สอน

คุณต้องการใช้หลักสูตรนี้ในห้องเรียนของคุณหรือไม่? ใช้ได้เลย!

ในความเป็นจริง คุณสามารถใช้มันผ่าน GitHub โดยใช้ GitHub Classroom

วิธีการคือ ให้คุณ fork repo นี้ คุณจะต้องสร้าง repo สำหรับแต่ละบทเรียน ดังนั้นคุณจะต้องแยกแต่ละโฟลเดอร์ออกเป็น repo แยกต่างหาก เพื่อให้ [GitHub Classroom](https://classroom.github.com/classrooms) สามารถเลือกแต่ละบทเรียนได้อย่างอิสระ

[คำแนะนำฉบับเต็ม](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) นี้จะช่วยให้คุณเข้าใจวิธีการตั้งค่าห้องเรียนของคุณ

## การใช้ repo ในรูปแบบปัจจุบัน

หากคุณต้องการใช้ repo นี้ในรูปแบบที่เป็นอยู่ โดยไม่ใช้ GitHub Classroom ก็สามารถทำได้เช่นกัน คุณจะต้องสื่อสารกับนักเรียนว่าควรทำงานในบทเรียนใดร่วมกัน

ในรูปแบบออนไลน์ (Zoom, Teams หรืออื่น ๆ) คุณอาจสร้างห้องย่อยสำหรับการทำแบบทดสอบ และช่วยแนะนำนักเรียนเพื่อเตรียมตัวเรียนรู้ จากนั้นเชิญนักเรียนเข้าทำแบบทดสอบและส่งคำตอบในรูปแบบ 'issues' ในเวลาที่กำหนด คุณอาจทำแบบเดียวกันกับงานที่มอบหมาย หากคุณต้องการให้นักเรียนทำงานร่วมกันในที่เปิดเผย

หากคุณต้องการรูปแบบที่เป็นส่วนตัวมากขึ้น ให้ขอให้นักเรียน fork หลักสูตรนี้ บทเรียนต่อบทเรียน ไปยัง repo GitHub ของพวกเขาเองในรูปแบบ private repo และให้สิทธิ์การเข้าถึงแก่คุณ จากนั้นพวกเขาสามารถทำแบบทดสอบและงานที่มอบหมายในรูปแบบส่วนตัว และส่งให้คุณผ่าน issues ใน repo ห้องเรียนของคุณ

มีหลายวิธีที่จะทำให้การเรียนการสอนในรูปแบบออนไลน์นี้ได้ผล กรุณาแจ้งให้เราทราบว่าวิธีใดที่เหมาะสมที่สุดสำหรับคุณ!

## สิ่งที่รวมอยู่ในหลักสูตรนี้:

20 บทเรียน, 40 แบบทดสอบ, และ 20 งานที่มอบหมาย มีภาพสเก็ตโน้ตประกอบบทเรียนสำหรับผู้เรียนที่ชอบการเรียนรู้ด้วยภาพ บทเรียนหลายบทมีให้เลือกทั้งใน Python และ R และสามารถทำได้โดยใช้ Jupyter notebooks ใน VS Code เรียนรู้เพิ่มเติมเกี่ยวกับวิธีการตั้งค่าห้องเรียนของคุณเพื่อใช้เทคโนโลยีนี้: https://code.visualstudio.com/docs/datascience/jupyter-notebooks

ภาพสเก็ตโน้ตทั้งหมด รวมถึงโปสเตอร์ขนาดใหญ่ อยู่ใน [โฟลเดอร์นี้](../../sketchnotes)

หลักสูตรทั้งหมดมีให้ในรูปแบบ [PDF](../../pdf/readme.pdf)

คุณยังสามารถเรียกใช้หลักสูตรนี้ในรูปแบบเว็บไซต์ที่ใช้งานแบบออฟไลน์ได้โดยใช้ [Docsify](https://docsify.js.org/#/) [ติดตั้ง Docsify](https://docsify.js.org/#/quickstart) บนเครื่องของคุณ จากนั้นในโฟลเดอร์ root ของ repo ที่คุณคัดลอกมา ให้พิมพ์ `docsify serve` เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บน localhost ของคุณ: `localhost:3000`

เวอร์ชันที่ใช้งานแบบออฟไลน์ของหลักสูตรจะเปิดในรูปแบบหน้าเว็บแบบ standalone: https://localhost:3000

บทเรียนถูกจัดกลุ่มเป็น 6 ส่วน:

- 1: บทนำ
    - 1: การนิยามวิทยาศาสตร์ข้อมูล
    - 2: จริยธรรม
    - 3: การนิยามข้อมูล
    - 4: ภาพรวมของความน่าจะเป็นและสถิติ
- 2: การทำงานกับข้อมูล
    - 5: ฐานข้อมูลเชิงสัมพันธ์
    - 6: ฐานข้อมูลที่ไม่ใช่เชิงสัมพันธ์
    - 7: Python
    - 8: การเตรียมข้อมูล
- 3: การแสดงผลข้อมูล
    - 9: การแสดงผลปริมาณ
    - 10: การแสดงผลการกระจาย
    - 11: การแสดงผลสัดส่วน
    - 12: การแสดงผลความสัมพันธ์
    - 13: การแสดงผลที่มีความหมาย
- 4: วงจรชีวิตของวิทยาศาสตร์ข้อมูล
    - 14: บทนำ
    - 15: การวิเคราะห์
    - 16: การสื่อสาร
- 5: วิทยาศาสตร์ข้อมูลในระบบคลาวด์
    - 17: บทนำ
    - 18: ตัวเลือกที่ใช้โค้ดน้อย
    - 19: Azure
- 6: วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง
    - 20: ภาพรวม

## กรุณาให้ความคิดเห็นของคุณ!

เราต้องการทำให้หลักสูตรนี้เหมาะสมกับคุณและนักเรียนของคุณ กรุณาให้ข้อเสนอแนะในกระดานสนทนา! คุณสามารถสร้างพื้นที่ห้องเรียนในกระดานสนทนาเพื่อให้นักเรียนของคุณใช้งานได้

---

**ข้อจำกัดความรับผิดชอบ**:  
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามอย่างเต็มที่เพื่อให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้