Data-Science-For-Beginners/translations/el/examples/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "9bef7fd96c8f262339933117d9b3e342",
  "translation_date": "2025-10-03T13:02:18+00:00",
  "source_file": "examples/README.md",
  "language_code": "el"
}
-->
# 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.