<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "f7440be10c17a8a9262713af3d2818a9",
  "translation_date": "2025-09-06T19:57:16+00:00",
  "source_file": "for-teachers.md",
  "language_code": "th"
}
-->
## สำหรับผู้สอน

คุณต้องการใช้หลักสูตรนี้ในห้องเรียนของคุณหรือไม่? เชิญใช้ได้เลย!

ในความเป็นจริง คุณสามารถใช้หลักสูตรนี้บน GitHub ได้โดยตรงผ่าน GitHub Classroom

วิธีการคือ ให้คุณ fork repo นี้ คุณจะต้องสร้าง repo สำหรับแต่ละบทเรียน ดังนั้นคุณจะต้องแยกแต่ละโฟลเดอร์ออกมาเป็น repo แยกต่างหาก ด้วยวิธีนี้ [GitHub Classroom](https://classroom.github.com/classrooms) จะสามารถจัดการแต่ละบทเรียนได้แยกกัน

คำแนะนำแบบละเอียด [full instructions](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) จะช่วยให้คุณเข้าใจวิธีการตั้งค่าห้องเรียนของคุณ

## การใช้ repo ตามที่เป็นอยู่

หากคุณต้องการใช้ repo นี้ในรูปแบบปัจจุบัน โดยไม่ใช้ GitHub Classroom ก็สามารถทำได้เช่นกัน คุณจะต้องสื่อสารกับนักเรียนว่าควรทำบทเรียนใดร่วมกัน

ในรูปแบบออนไลน์ (เช่น Zoom, Teams หรืออื่นๆ) คุณอาจสร้างห้องย่อยสำหรับการทำแบบทดสอบ และให้คำแนะนำแก่นักเรียนเพื่อเตรียมพร้อมสำหรับการเรียนรู้ จากนั้นเชิญนักเรียนทำแบบทดสอบและส่งคำตอบในรูปแบบ 'issues' ในเวลาที่กำหนด คุณอาจใช้วิธีเดียวกันกับงานมอบหมาย หากคุณต้องการให้นักเรียนทำงานร่วมกันในที่สาธารณะ

หากคุณต้องการรูปแบบที่เป็นส่วนตัวมากขึ้น ให้ขอให้นักเรียน fork หลักสูตรนี้ทีละบทเรียนไปยัง GitHub repo ส่วนตัวของพวกเขา และให้สิทธิ์คุณเข้าถึง จากนั้นพวกเขาสามารถทำแบบทดสอบและงานมอบหมายในแบบส่วนตัว และส่งให้คุณผ่าน issues ใน repo ห้องเรียนของคุณ

มีหลายวิธีที่จะทำให้การเรียนการสอนในห้องเรียนออนไลน์นี้ได้ผล โปรดแจ้งให้เราทราบว่าวิธีใดเหมาะสมที่สุดสำหรับคุณ!

## สิ่งที่รวมอยู่ในหลักสูตรนี้:

20 บทเรียน, 40 แบบทดสอบ, และ 20 งานมอบหมาย มีภาพสเก็ตช์โน้ตประกอบบทเรียนสำหรับผู้เรียนที่ชอบการเรียนรู้แบบภาพ บทเรียนหลายบทมีให้เลือกทั้งในภาษา Python และ R และสามารถทำได้โดยใช้ Jupyter notebooks ใน VS Code เรียนรู้เพิ่มเติมเกี่ยวกับวิธีการตั้งค่าห้องเรียนของคุณเพื่อใช้เทคโนโลยีนี้ได้ที่: https://code.visualstudio.com/docs/datascience/jupyter-notebooks

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

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

เวอร์ชันออฟไลน์ของหลักสูตรจะเปิดในรูปแบบเว็บเพจแบบสแตนด์อโลน: https://localhost:3000

บทเรียนถูกจัดกลุ่มเป็น 6 ส่วน:

- 1: บทนำ
    - 1: การนิยามวิทยาศาสตร์ข้อมูล
    - 2: จริยธรรม
    - 3: การนิยามข้อมูล
    - 4: ภาพรวมของความน่าจะเป็นและสถิติ
- 2: การทำงานกับข้อมูล
    - 5: ฐานข้อมูลเชิงสัมพันธ์
    - 6: ฐานข้อมูลแบบไม่เชิงสัมพันธ์
    - 7: Python
    - 8: การเตรียมข้อมูล
- 3: การแสดงผลข้อมูล
    - 9: การแสดงผลเชิงปริมาณ
    - 10: การแสดงผลการกระจาย
    - 11: การแสดงผลสัดส่วน
    - 12: การแสดงผลความสัมพันธ์
    - 13: การแสดงผลที่มีความหมาย
- 4: วงจรชีวิตของวิทยาศาสตร์ข้อมูล
    - 14: บทนำ
    - 15: การวิเคราะห์
    - 16: การสื่อสาร
- 5: วิทยาศาสตร์ข้อมูลบนคลาวด์
    - 17: บทนำ
    - 18: ตัวเลือกแบบ Low-Code
    - 19: Azure
- 6: วิทยาศาสตร์ข้อมูลในโลกจริง
    - 20: ภาพรวม

## โปรดบอกความคิดเห็นของคุณ!

เราต้องการทำให้หลักสูตรนี้เหมาะสมกับคุณและนักเรียนของคุณ โปรดให้ข้อเสนอแนะในกระดานสนทนา! คุณสามารถสร้างพื้นที่ห้องเรียนในกระดานสนทนาเพื่อให้นักเรียนของคุณใช้งานได้

---

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