You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
374 lines
10 KiB
374 lines
10 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "f546349678757508d69ce9e1d2688446",
|
|
"translation_date": "2025-10-03T15:00:52+00:00",
|
|
"source_file": "USAGE.md",
|
|
"language_code": "pt"
|
|
}
|
|
-->
|
|
# Guia de Utilização
|
|
|
|
Este guia fornece exemplos e fluxos de trabalho comuns para utilizar o currículo de Ciência de Dados para Iniciantes.
|
|
|
|
## Índice
|
|
|
|
- [Como Utilizar Este Currículo](../..)
|
|
- [Trabalhar com as Lições](../..)
|
|
- [Trabalhar com Jupyter Notebooks](../..)
|
|
- [Utilizar a Aplicação de Questionários](../..)
|
|
- [Fluxos de Trabalho Comuns](../..)
|
|
- [Dicas para Autoaprendizes](../..)
|
|
- [Dicas para Professores](../..)
|
|
|
|
## Como Utilizar Este Currículo
|
|
|
|
Este currículo foi concebido para ser flexível e pode ser utilizado de várias formas:
|
|
|
|
- **Aprendizagem autónoma**: Trabalhe nas lições de forma independente ao seu próprio ritmo
|
|
- **Instrução em sala de aula**: Utilize como um curso estruturado com orientação
|
|
- **Grupos de estudo**: Aprenda colaborativamente com colegas
|
|
- **Formato de workshop**: Sessões intensivas de aprendizagem de curto prazo
|
|
|
|
## Trabalhar com as Lições
|
|
|
|
Cada lição segue uma estrutura consistente para maximizar a aprendizagem:
|
|
|
|
### Estrutura da Lição
|
|
|
|
1. **Questionário pré-lição**: Teste os seus conhecimentos existentes
|
|
2. **Sketchnote** (Opcional): Resumo visual dos conceitos principais
|
|
3. **Vídeo** (Opcional): Conteúdo suplementar em vídeo
|
|
4. **Lição escrita**: Conceitos principais e explicações
|
|
5. **Jupyter Notebook**: Exercícios práticos de programação
|
|
6. **Tarefa**: Pratique o que aprendeu
|
|
7. **Questionário pós-lição**: Reforce a sua compreensão
|
|
|
|
### Exemplo de Fluxo de Trabalho para uma Lição
|
|
|
|
```bash
|
|
# 1. Navigate to the lesson directory
|
|
cd 1-Introduction/01-defining-data-science
|
|
|
|
# 2. Read the README.md
|
|
# Open README.md in your browser or editor
|
|
|
|
# 3. Take the pre-lesson quiz
|
|
# Click the quiz link in the README
|
|
|
|
# 4. Open the Jupyter notebook (if available)
|
|
jupyter notebook
|
|
|
|
# 5. Complete the exercises in the notebook
|
|
|
|
# 6. Work on the assignment
|
|
|
|
# 7. Take the post-lesson quiz
|
|
```
|
|
|
|
## Trabalhar com Jupyter Notebooks
|
|
|
|
### Iniciar o Jupyter
|
|
|
|
```bash
|
|
# Activate your virtual environment
|
|
source venv/bin/activate # On macOS/Linux
|
|
# OR
|
|
venv\Scripts\activate # On Windows
|
|
|
|
# Start Jupyter from the repository root
|
|
jupyter notebook
|
|
```
|
|
|
|
### Executar Células do Notebook
|
|
|
|
1. **Executar uma célula**: Pressione `Shift + Enter` ou clique no botão "Run"
|
|
2. **Executar todas as células**: Selecione "Cell" → "Run All" no menu
|
|
3. **Reiniciar kernel**: Selecione "Kernel" → "Restart" se encontrar problemas
|
|
|
|
### Exemplo: Trabalhar com Dados num Notebook
|
|
|
|
```python
|
|
# Import required libraries
|
|
import pandas as pd
|
|
import numpy as np
|
|
import matplotlib.pyplot as plt
|
|
|
|
# Load a dataset
|
|
df = pd.read_csv('data/sample.csv')
|
|
|
|
# Explore the data
|
|
df.head()
|
|
df.info()
|
|
df.describe()
|
|
|
|
# Create a visualization
|
|
plt.figure(figsize=(10, 6))
|
|
plt.plot(df['column_name'])
|
|
plt.title('Sample Visualization')
|
|
plt.xlabel('X-axis Label')
|
|
plt.ylabel('Y-axis Label')
|
|
plt.show()
|
|
```
|
|
|
|
### Guardar o Seu Trabalho
|
|
|
|
- O Jupyter guarda automaticamente periodicamente
|
|
- Guardar manualmente: Pressione `Ctrl + S` (ou `Cmd + S` no macOS)
|
|
- O seu progresso é guardado no ficheiro `.ipynb`
|
|
|
|
## Utilizar a Aplicação de Questionários
|
|
|
|
### Executar a Aplicação de Questionários Localmente
|
|
|
|
```bash
|
|
# Navigate to quiz app directory
|
|
cd quiz-app
|
|
|
|
# Start the development server
|
|
npm run serve
|
|
|
|
# Access at http://localhost:8080
|
|
```
|
|
|
|
### Realizar Questionários
|
|
|
|
1. Os questionários pré-lição estão ligados no início de cada lição
|
|
2. Os questionários pós-lição estão ligados no final de cada lição
|
|
3. Cada questionário tem 3 perguntas
|
|
4. Os questionários são concebidos para reforçar a aprendizagem, não para testar exaustivamente
|
|
|
|
### Numeração dos Questionários
|
|
|
|
- Os questionários estão numerados de 0 a 39 (40 questionários no total)
|
|
- Cada lição geralmente tem um questionário pré e pós
|
|
- Os URLs dos questionários incluem o número do questionário: `https://ff-quizzes.netlify.app/en/ds/quiz/0`
|
|
|
|
## Fluxos de Trabalho Comuns
|
|
|
|
### Fluxo de Trabalho 1: Caminho para Iniciantes
|
|
|
|
```bash
|
|
# 1. Set up your environment (see INSTALLATION.md)
|
|
|
|
# 2. Start with Lesson 1
|
|
cd 1-Introduction/01-defining-data-science
|
|
|
|
# 3. For each lesson:
|
|
# - Take pre-lesson quiz
|
|
# - Read the lesson content
|
|
# - Work through the notebook
|
|
# - Complete the assignment
|
|
# - Take post-lesson quiz
|
|
|
|
# 4. Progress through all 20 lessons sequentially
|
|
```
|
|
|
|
### Fluxo de Trabalho 2: Aprendizagem Específica por Tópico
|
|
|
|
Se estiver interessado num tópico específico:
|
|
|
|
```bash
|
|
# Example: Focus on Data Visualization
|
|
cd 3-Data-Visualization
|
|
|
|
# Explore lessons 9-13:
|
|
# - Lesson 9: Visualizing Quantities
|
|
# - Lesson 10: Visualizing Distributions
|
|
# - Lesson 11: Visualizing Proportions
|
|
# - Lesson 12: Visualizing Relationships
|
|
# - Lesson 13: Meaningful Visualizations
|
|
```
|
|
|
|
### Fluxo de Trabalho 3: Aprendizagem Baseada em Projetos
|
|
|
|
```bash
|
|
# 1. Review the Data Science Lifecycle lessons (14-16)
|
|
cd 4-Data-Science-Lifecycle
|
|
|
|
# 2. Work through a real-world example (Lesson 20)
|
|
cd ../6-Data-Science-In-Wild/20-Real-World-Examples
|
|
|
|
# 3. Apply concepts to your own project
|
|
```
|
|
|
|
### Fluxo de Trabalho 4: Ciência de Dados na Nuvem
|
|
|
|
```bash
|
|
# Learn about cloud data science (Lessons 17-19)
|
|
cd 5-Data-Science-In-Cloud
|
|
|
|
# 17: Introduction to Cloud Data Science
|
|
# 18: Low-Code ML Tools
|
|
# 19: Azure Machine Learning Studio
|
|
```
|
|
|
|
## Dicas para Autoaprendizes
|
|
|
|
### Mantenha-se Organizado
|
|
|
|
```bash
|
|
# Create a learning journal
|
|
mkdir my-learning-journal
|
|
|
|
# For each lesson, create notes
|
|
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md
|
|
```
|
|
|
|
### Pratique Regularmente
|
|
|
|
- Reserve tempo dedicado diariamente ou semanalmente
|
|
- Complete pelo menos uma lição por semana
|
|
- Revise lições anteriores periodicamente
|
|
|
|
### Envolva-se com a Comunidade
|
|
|
|
- Junte-se à [comunidade Discord](https://aka.ms/ds4beginners/discord)
|
|
- Participe no canal #Data-Science-for-Beginners no Discord [Discussões no Discord](https://aka.ms/ds4beginners/discord)
|
|
- Partilhe o seu progresso e faça perguntas
|
|
|
|
### Crie os Seus Próprios Projetos
|
|
|
|
Depois de completar as lições, aplique os conceitos em projetos pessoais:
|
|
|
|
```python
|
|
# Example: Analyze your own dataset
|
|
import pandas as pd
|
|
|
|
# Load your own data
|
|
my_data = pd.read_csv('my-project/data.csv')
|
|
|
|
# Apply techniques learned
|
|
# - Data cleaning (Lesson 8)
|
|
# - Exploratory data analysis (Lesson 7)
|
|
# - Visualization (Lessons 9-13)
|
|
# - Analysis (Lesson 15)
|
|
```
|
|
|
|
## Dicas para Professores
|
|
|
|
### Configuração da Sala de Aula
|
|
|
|
1. Revise [for-teachers.md](for-teachers.md) para orientações detalhadas
|
|
2. Configure um ambiente partilhado (GitHub Classroom ou Codespaces)
|
|
3. Estabeleça um canal de comunicação (Discord, Slack ou Teams)
|
|
|
|
### Planeamento de Lições
|
|
|
|
**Cronograma sugerido de 10 semanas:**
|
|
|
|
- **Semana 1-2**: Introdução (Lições 1-4)
|
|
- **Semana 3-4**: Trabalhar com Dados (Lições 5-8)
|
|
- **Semana 5-6**: Visualização de Dados (Lições 9-13)
|
|
- **Semana 7-8**: Ciclo de Vida da Ciência de Dados (Lições 14-16)
|
|
- **Semana 9**: Ciência de Dados na Nuvem (Lições 17-19)
|
|
- **Semana 10**: Aplicações Reais & Projetos Finais (Lição 20)
|
|
|
|
### Executar Docsify para Acesso Offline
|
|
|
|
```bash
|
|
# Serve documentation locally for classroom use
|
|
docsify serve
|
|
|
|
# Students can access at localhost:3000
|
|
# No internet required after initial setup
|
|
```
|
|
|
|
### Avaliação de Tarefas
|
|
|
|
- Revise os notebooks dos alunos para verificar os exercícios concluídos
|
|
- Verifique a compreensão através dos resultados dos questionários
|
|
- Avalie os projetos finais utilizando os princípios do ciclo de vida da ciência de dados
|
|
|
|
### Criar Tarefas
|
|
|
|
```python
|
|
# Example custom assignment template
|
|
"""
|
|
Assignment: [Topic]
|
|
|
|
Objective: [Learning goal]
|
|
|
|
Dataset: [Provide or have students find one]
|
|
|
|
Tasks:
|
|
1. Load and explore the dataset
|
|
2. Clean and prepare the data
|
|
3. Create at least 3 visualizations
|
|
4. Perform analysis
|
|
5. Communicate findings
|
|
|
|
Deliverables:
|
|
- Jupyter notebook with code and explanations
|
|
- Written summary of findings
|
|
"""
|
|
```
|
|
|
|
## Trabalhar Offline
|
|
|
|
### Transferir Recursos
|
|
|
|
```bash
|
|
# Clone the entire repository
|
|
git clone https://github.com/microsoft/Data-Science-For-Beginners.git
|
|
|
|
# Download datasets in advance
|
|
# Most datasets are included in the repository
|
|
```
|
|
|
|
### Executar Documentação Localmente
|
|
|
|
```bash
|
|
# Serve with Docsify
|
|
docsify serve
|
|
|
|
# Access at localhost:3000
|
|
```
|
|
|
|
### Executar Aplicação de Questionários Localmente
|
|
|
|
```bash
|
|
cd quiz-app
|
|
npm run serve
|
|
```
|
|
|
|
## Aceder a Conteúdo Traduzido
|
|
|
|
As traduções estão disponíveis em mais de 40 idiomas:
|
|
|
|
```bash
|
|
# Access translated lessons
|
|
cd translations/fr # French
|
|
cd translations/es # Spanish
|
|
cd translations/de # German
|
|
# ... and many more
|
|
```
|
|
|
|
Cada tradução mantém a mesma estrutura da versão em inglês.
|
|
|
|
## Recursos Adicionais
|
|
|
|
### Continuar a Aprender
|
|
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Caminhos de aprendizagem adicionais
|
|
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - Recursos para estudantes
|
|
- [Azure AI Foundry](https://aka.ms/foundry/forum) - Fórum da comunidade
|
|
|
|
### Currículos Relacionados
|
|
|
|
- [AI para Iniciantes](https://aka.ms/ai-beginners)
|
|
- [ML para Iniciantes](https://aka.ms/ml-beginners)
|
|
- [Desenvolvimento Web para Iniciantes](https://aka.ms/webdev-beginners)
|
|
- [IA Generativa para Iniciantes](https://aka.ms/genai-beginners)
|
|
|
|
## Obter Ajuda
|
|
|
|
- Consulte [TROUBLESHOOTING.md](TROUBLESHOOTING.md) para problemas comuns
|
|
- Pesquise [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues)
|
|
- Junte-se ao nosso [Discord](https://aka.ms/ds4beginners/discord)
|
|
- Revise [CONTRIBUTING.md](CONTRIBUTING.md) para reportar problemas ou contribuir
|
|
|
|
---
|
|
|
|
**Aviso**:
|
|
Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução. |