# Παραδείγματα Επιστήμης Δεδομένων για Αρχάριους Καλώς ήρθατε στον κατάλογο παραδειγμάτων! Αυτή η συλλογή από απλά, καλά σχολιασμένα παραδείγματα έχει σχεδιαστεί για να σας βοηθήσει να ξεκινήσετε με την επιστήμη δεδομένων, ακόμα κι αν είστε εντελώς αρχάριοι. ## 📚 Τι θα βρείτε εδώ Κάθε παράδειγμα είναι αυτοτελές και περιλαμβάνει: - **Καθαρά σχόλια** που εξηγούν κάθε βήμα - **Απλό, ευανάγνωστο κώδικα** που δείχνει μία έννοια τη φορά - **Πραγματικό πλαίσιο** για να κατανοήσετε πότε και γιατί να χρησιμοποιήσετε αυτές τις τεχνικές - **Αναμενόμενη έξοδο** ώστε να ξέρετε τι να περιμένετε ## 🚀 Ξεκινώντας ### Προαπαιτούμενα Πριν εκτελέσετε αυτά τα παραδείγματα, βεβαιωθείτε ότι έχετε: - Εγκατεστημένη την Python 3.7 ή νεότερη έκδοση - Βασική κατανόηση του πώς να εκτελείτε Python scripts ### Εγκατάσταση Απαραίτητων Βιβλιοθηκών ```bash pip install pandas numpy matplotlib ``` ## 📖 Επισκόπηση Παραδειγμάτων ### 1. Hello World - Στυλ Επιστήμης Δεδομένων **Αρχείο:** `01_hello_world_data_science.py` Το πρώτο σας πρόγραμμα επιστήμης δεδομένων! Μάθετε πώς να: - Φορτώσετε ένα απλό σύνολο δεδομένων - Εμφανίσετε βασικές πληροφορίες για τα δεδομένα σας - Εκτυπώσετε την πρώτη σας έξοδο επιστήμης δεδομένων Ιδανικό για απόλυτους αρχάριους που θέλουν να δουν το πρώτο τους πρόγραμμα επιστήμης δεδομένων σε δράση. --- ### 2. Φόρτωση και Εξερεύνηση Δεδομένων **Αρχείο:** `02_loading_data.py` Μάθετε τα βασικά της εργασίας με δεδομένα: - Διαβάστε δεδομένα από αρχεία CSV - Δείτε τις πρώτες γραμμές του συνόλου δεδομένων σας - Λάβετε βασικές στατιστικές πληροφορίες για τα δεδομένα σας - Κατανοήστε τους τύπους δεδομένων Αυτό είναι συχνά το πρώτο βήμα σε οποιοδήποτε έργο επιστήμης δεδομένων! --- ### 3. Απλή Ανάλυση Δεδομένων **Αρχείο:** `03_simple_analysis.py` Εκτελέστε την πρώτη σας ανάλυση δεδομένων: - Υπολογίστε βασικές στατιστικές (μέσος όρος, διάμεσος, επικρατούσα τιμή) - Βρείτε μέγιστες και ελάχιστες τιμές - Μετρήστε τις εμφανίσεις τιμών - Φιλτράρετε δεδομένα βάσει συνθηκών Δείτε πώς να απαντήσετε σε απλές ερωτήσεις για τα δεδομένα σας. --- ### 4. Βασικά της Οπτικοποίησης Δεδομένων **Αρχείο:** `04_basic_visualization.py` Δημιουργήστε τις πρώτες σας οπτικοποιήσεις: - Φτιάξτε ένα απλό γράφημα μπάρας - Δημιουργήστε ένα διάγραμμα γραμμών - Παράγετε ένα κυκλικό διάγραμμα - Αποθηκεύστε τις οπτικοποιήσεις σας ως εικόνες Μάθετε να επικοινωνείτε τα ευρήματά σας οπτικά! --- ### 5. Εργασία με Πραγματικά Δεδομένα **Αρχείο:** `05_real_world_example.py` Συνδυάστε τα όλα με ένα πλήρες παράδειγμα: - Φορτώστε πραγματικά δεδομένα από το αποθετήριο - Καθαρίστε και προετοιμάστε τα δεδομένα - Εκτελέστε ανάλυση - Δημιουργήστε ουσιαστικές οπτικοποιήσεις - Βγάλτε συμπεράσματα Αυτό το παράδειγμα σας δείχνει μια πλήρη ροή εργασίας από την αρχή μέχρι το τέλος. --- ## 🎯 Πώς να Χρησιμοποιήσετε Αυτά τα Παραδείγματα 1. **Ξεκινήστε από την αρχή**: Τα παραδείγματα είναι αριθμημένα με σειρά δυσκολίας. Ξεκινήστε με το `01_hello_world_data_science.py` και προχωρήστε σταδιακά. 2. **Διαβάστε τα σχόλια**: Κάθε αρχείο έχει λεπτομερή σχόλια που εξηγούν τι κάνει ο κώδικας και γιατί. Διαβάστε τα προσεκτικά! 3. **Πειραματιστείτε**: Δοκιμάστε να τροποποιήσετε τον κώδικα. Τι συμβαίνει αν αλλάξετε μια τιμή; Σπάστε τα πράγματα και διορθώστε τα - έτσι μαθαίνετε! 4. **Εκτελέστε τον κώδικα**: Εκτελέστε κάθε παράδειγμα και παρατηρήστε την έξοδο. Συγκρίνετέ την με αυτό που περιμένατε. 5. **Επεκτείνετε το παράδειγμα**: Μόλις κατανοήσετε ένα παράδειγμα, δοκιμάστε να το επεκτείνετε με τις δικές σας ιδέες. ## 💡 Συμβουλές για Αρχάριους - **Μην βιάζεστε**: Αφιερώστε χρόνο για να κατανοήσετε κάθε παράδειγμα πριν προχωρήσετε στο επόμενο - **Πληκτρολογήστε τον κώδικα μόνοι σας**: Μην κάνετε απλώς αντιγραφή-επικόλληση. Η πληκτρολόγηση σας βοηθά να μάθετε και να θυμάστε - **Αναζητήστε άγνωστες έννοιες**: Αν δείτε κάτι που δεν καταλαβαίνετε, ψάξτε το στο διαδίκτυο ή στα κύρια μαθήματα - **Κάντε ερωτήσεις**: Εγγραφείτε στο [φόρουμ συζητήσεων](https://github.com/microsoft/Data-Science-For-Beginners/discussions) αν χρειάζεστε βοήθεια - **Εξασκηθείτε τακτικά**: Προσπαθήστε να γράφετε κώδικα λίγο κάθε μέρα αντί για μεγάλες συνεδρίες μία φορά την εβδομάδα ## 🔗 Επόμενα Βήματα Αφού ολοκληρώσετε αυτά τα παραδείγματα, είστε έτοιμοι να: - Εργαστείτε στα κύρια μαθήματα του προγράμματος σπουδών - Δοκιμάσετε τις ασκήσεις σε κάθε φάκελο μαθήματος - Εξερευνήσετε τα Jupyter notebooks για πιο εις βάθος μάθηση - Δημιουργήσετε τα δικά σας έργα επιστήμης δεδομένων ## 📚 Πρόσθετοι Πόροι - [Κύριο Πρόγραμμα Σπουδών](../README.md) - Το πλήρες μάθημα 20 μαθημάτων - [Για Εκπαιδευτικούς](../for-teachers.md) - Χρήση αυτού του προγράμματος σπουδών στην τάξη σας - [Microsoft Learn](https://docs.microsoft.com/learn/) - Δωρεάν διαδικτυακοί πόροι μάθησης - [Τεκμηρίωση Python](https://docs.python.org/3/) - Επίσημη αναφορά Python ## 🤝 Συνεισφορά Βρήκατε κάποιο σφάλμα ή έχετε μια ιδέα για ένα νέο παράδειγμα; Καλωσορίζουμε τις συνεισφορές! Δείτε τον [Οδηγό Συνεισφοράς](../CONTRIBUTING.md). --- **Καλή Μάθηση! 🎉** Θυμηθείτε: Κάθε ειδικός υπήρξε κάποτε αρχάριος. Προχωρήστε βήμα-βήμα και μην φοβάστε να κάνετε λάθη - είναι μέρος της διαδικασίας μάθησης! --- **Αποποίηση ευθύνης**: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.