## För Lärare Vill du använda denna läroplan i ditt klassrum? Varsågod! Faktum är att du kan använda den direkt på GitHub genom att använda GitHub Classroom. För att göra det, gör en fork av detta repo. Du kommer att behöva skapa ett repo för varje lektion, så du måste extrahera varje mapp till ett separat repo. På så sätt kan [GitHub Classroom](https://classroom.github.com/classrooms) hantera varje lektion separat. Dessa [fullständiga instruktioner](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ger dig en idé om hur du kan sätta upp ditt klassrum. ## Använda repot som det är Om du vill använda detta repo som det är, utan att använda GitHub Classroom, går det också bra. Du behöver då kommunicera med dina elever om vilken lektion ni ska arbeta med tillsammans. I ett onlineformat (Zoom, Teams eller annat) kan du skapa grupprum för frågesporterna och handleda eleverna för att hjälpa dem att förbereda sig för att lära. Sedan kan du bjuda in eleverna att delta i frågesporterna och skicka in sina svar som "issues" vid en viss tidpunkt. Du kan göra samma sak med uppgifter, om du vill att eleverna ska arbeta tillsammans öppet. Om du föredrar ett mer privat format, be dina elever att göra en fork av läroplanen, lektion för lektion, till sina egna privata GitHub-repos och ge dig åtkomst. Då kan de slutföra frågesporter och uppgifter privat och skicka in dem till dig via issues i ditt klassrumsrepo. Det finns många sätt att få detta att fungera i ett onlineklassrum. Låt oss gärna veta vad som fungerar bäst för dig! ## Innehåll i denna läroplan: 20 lektioner, 40 frågesporter och 20 uppgifter. Sketchnotes följer med lektionerna för visuella elever. Många lektioner finns tillgängliga både i Python och R och kan genomföras med Jupyter notebooks i VS Code. Läs mer om hur du sätter upp ditt klassrum för att använda denna teknikstack: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. Alla sketchnotes, inklusive en storformatsposter, finns i [denna mapp](../../sketchnotes). Du kan också köra denna läroplan som en fristående, offlinevänlig webbplats genom att använda [Docsify](https://docsify.js.org/#/). [Installera Docsify](https://docsify.js.org/#/quickstart) på din lokala maskin, och skriv sedan `docsify serve` i rotmappen av din lokala kopia av detta repo. Webbplatsen kommer att köras på port 3000 på din localhost: `localhost:3000`. En offlinevänlig version av läroplanen öppnas som en fristående webbsida: https://localhost:3000 Lektionerna är grupperade i 6 delar: - 1: Introduktion - 1: Definiera Data Science - 2: Etik - 3: Definiera Data - 4: Översikt av Sannolikhet och Statistik - 2: Arbeta med Data - 5: Relationsdatabaser - 6: Icke-relationsdatabaser - 7: Python - 8: Databeredning - 3: Datavisualisering - 9: Visualisering av Kvantiteter - 10: Visualisering av Fördelningar - 11: Visualisering av Proportioner - 12: Visualisering av Relationer - 13: Meningsfulla Visualiseringar - 4: Data Science Livscykel - 14: Introduktion - 15: Analys - 16: Kommunikation - 5: Data Science i Molnet - 17: Introduktion - 18: Lågkodsalternativ - 19: Azure - 6: Data Science i Verkligheten - 20: Översikt ## Ge oss dina tankar! Vi vill att denna läroplan ska fungera för dig och dina elever. Ge oss gärna feedback i diskussionsforumet! Känn dig fri att skapa ett klassrumsområde i diskussionsforumet för dina elever. --- **Ansvarsfriskrivning**: Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.