|
|
# Οδηγός Χρήσης
|
|
|
|
|
|
Αυτός ο οδηγός παρέχει παραδείγματα και κοινές ροές εργασίας για τη χρήση του προγράμματος σπουδών "Data Science for Beginners".
|
|
|
|
|
|
## Πίνακας Περιεχομένων
|
|
|
|
|
|
- [Πώς να Χρησιμοποιήσετε Αυτό το Πρόγραμμα Σπουδών](../..)
|
|
|
- [Εργασία με Μαθήματα](../..)
|
|
|
- [Εργασία με Jupyter Notebooks](../..)
|
|
|
- [Χρήση της Εφαρμογής Κουίζ](../..)
|
|
|
- [Κοινές Ροές Εργασίας](../..)
|
|
|
- [Συμβουλές για Αυτοδίδακτους](../..)
|
|
|
- [Συμβουλές για Δασκάλους](../..)
|
|
|
|
|
|
## Πώς να Χρησιμοποιήσετε Αυτό το Πρόγραμμα Σπουδών
|
|
|
|
|
|
Αυτό το πρόγραμμα σπουδών έχει σχεδιαστεί για να είναι ευέλικτο και μπορεί να χρησιμοποιηθεί με πολλούς τρόπους:
|
|
|
|
|
|
- **Αυτοκαθοδηγούμενη μάθηση**: Εργαστείτε ανεξάρτητα με τα μαθήματα με τον δικό σας ρυθμό
|
|
|
- **Διδασκαλία στην τάξη**: Χρησιμοποιήστε το ως δομημένο μάθημα με καθοδηγούμενη διδασκαλία
|
|
|
- **Ομάδες μελέτης**: Μάθετε συνεργατικά με συναδέλφους
|
|
|
- **Μορφή εργαστηρίου**: Εντατικές συνεδρίες μάθησης μικρής διάρκειας
|
|
|
|
|
|
## Εργασία με Μαθήματα
|
|
|
|
|
|
Κάθε μάθημα ακολουθεί μια συνεπή δομή για τη μέγιστη μάθηση:
|
|
|
|
|
|
### Δομή Μαθήματος
|
|
|
|
|
|
1. **Κουίζ πριν το μάθημα**: Δοκιμάστε τις υπάρχουσες γνώσεις σας
|
|
|
2. **Σχεδιάγραμμα** (Προαιρετικό): Οπτική περίληψη βασικών εννοιών
|
|
|
3. **Βίντεο** (Προαιρετικό): Συμπληρωματικό βίντεο περιεχόμενο
|
|
|
4. **Γραπτό Μάθημα**: Βασικές έννοιες και εξηγήσεις
|
|
|
5. **Jupyter Notebook**: Ασκήσεις προγραμματισμού
|
|
|
6. **Εργασία**: Εξασκηθείτε σε όσα μάθατε
|
|
|
7. **Κουίζ μετά το μάθημα**: Ενισχύστε την κατανόησή σας
|
|
|
|
|
|
### Παράδειγμα Ροής Εργασίας για ένα Μάθημα
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
## Εργασία με Jupyter Notebooks
|
|
|
|
|
|
### Ξεκινώντας το 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
|
|
|
```
|
|
|
|
|
|
### Εκτέλεση Κελιών Notebook
|
|
|
|
|
|
1. **Εκτέλεση κελιού**: Πατήστε `Shift + Enter` ή κάντε κλικ στο κουμπί "Run"
|
|
|
2. **Εκτέλεση όλων των κελιών**: Επιλέξτε "Cell" → "Run All" από το μενού
|
|
|
3. **Επανεκκίνηση πυρήνα**: Επιλέξτε "Kernel" → "Restart" αν αντιμετωπίσετε προβλήματα
|
|
|
|
|
|
### Παράδειγμα: Εργασία με Δεδομένα σε 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()
|
|
|
```
|
|
|
|
|
|
### Αποθήκευση της Εργασίας σας
|
|
|
|
|
|
- Το Jupyter αποθηκεύει αυτόματα περιοδικά
|
|
|
- Χειροκίνητη αποθήκευση: Πατήστε `Ctrl + S` (ή `Cmd + S` σε macOS)
|
|
|
- Η πρόοδός σας αποθηκεύεται στο αρχείο `.ipynb`
|
|
|
|
|
|
## Χρήση της Εφαρμογής Κουίζ
|
|
|
|
|
|
### Εκτέλεση της Εφαρμογής Κουίζ Τοπικά
|
|
|
|
|
|
```bash
|
|
|
# Navigate to quiz app directory
|
|
|
cd quiz-app
|
|
|
|
|
|
# Start the development server
|
|
|
npm run serve
|
|
|
|
|
|
# Access at http://localhost:8080
|
|
|
```
|
|
|
|
|
|
### Συμμετοχή σε Κουίζ
|
|
|
|
|
|
1. Τα κουίζ πριν το μάθημα συνδέονται στην αρχή κάθε μαθήματος
|
|
|
2. Τα κουίζ μετά το μάθημα συνδέονται στο τέλος κάθε μαθήματος
|
|
|
3. Κάθε κουίζ έχει 3 ερωτήσεις
|
|
|
4. Τα κουίζ έχουν σχεδιαστεί για να ενισχύουν τη μάθηση, όχι για εξαντλητική αξιολόγηση
|
|
|
|
|
|
### Αρίθμηση Κουίζ
|
|
|
|
|
|
- Τα κουίζ αριθμούνται από 0-39 (40 συνολικά κουίζ)
|
|
|
- Κάθε μάθημα συνήθως έχει ένα κουίζ πριν και μετά
|
|
|
- Οι διευθύνσεις URL των κουίζ περιλαμβάνουν τον αριθμό του κουίζ: `https://ff-quizzes.netlify.app/en/ds/quiz/0`
|
|
|
|
|
|
## Κοινές Ροές Εργασίας
|
|
|
|
|
|
### Ροή Εργασίας 1: Διαδρομή για Απόλυτους Αρχάριους
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
### Ροή Εργασίας 2: Μάθηση με Ειδικό Θέμα
|
|
|
|
|
|
Αν σας ενδιαφέρει ένα συγκεκριμένο θέμα:
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
### Ροή Εργασίας 3: Μάθηση με Βάση Έργα
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
### Ροή Εργασίας 4: Επιστήμη Δεδομένων στο Cloud
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
## Συμβουλές για Αυτοδίδακτους
|
|
|
|
|
|
### Οργανωθείτε
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
### Εξασκηθείτε Τακτικά
|
|
|
|
|
|
- Αφιερώστε συγκεκριμένο χρόνο κάθε μέρα ή εβδομάδα
|
|
|
- Ολοκληρώστε τουλάχιστον ένα μάθημα την εβδομάδα
|
|
|
- Επανεξετάστε προηγούμενα μαθήματα περιοδικά
|
|
|
|
|
|
### Εμπλακείτε με την Κοινότητα
|
|
|
|
|
|
- Γίνετε μέλος της [κοινότητας Discord](https://aka.ms/ds4beginners/discord)
|
|
|
- Συμμετέχετε στο κανάλι #Data-Science-for-Beginners στο Discord [Συζητήσεις Discord](https://aka.ms/ds4beginners/discord)
|
|
|
- Μοιραστείτε την πρόοδό σας και κάντε ερωτήσεις
|
|
|
|
|
|
### Δημιουργήστε Δικά σας Έργα
|
|
|
|
|
|
Αφού ολοκληρώσετε τα μαθήματα, εφαρμόστε τις έννοιες σε προσωπικά έργα:
|
|
|
|
|
|
```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)
|
|
|
```
|
|
|
|
|
|
## Συμβουλές για Δασκάλους
|
|
|
|
|
|
### Ρύθμιση Τάξης
|
|
|
|
|
|
1. Ανατρέξτε στο [for-teachers.md](for-teachers.md) για λεπτομερείς οδηγίες
|
|
|
2. Ρυθμίστε ένα κοινό περιβάλλον (GitHub Classroom ή Codespaces)
|
|
|
3. Δημιουργήστε ένα κανάλι επικοινωνίας (Discord, Slack ή Teams)
|
|
|
|
|
|
### Σχεδιασμός Μαθημάτων
|
|
|
|
|
|
**Προτεινόμενο Πρόγραμμα 10 Εβδομάδων:**
|
|
|
|
|
|
- **Εβδομάδα 1-2**: Εισαγωγή (Μαθήματα 1-4)
|
|
|
- **Εβδομάδα 3-4**: Εργασία με Δεδομένα (Μαθήματα 5-8)
|
|
|
- **Εβδομάδα 5-6**: Οπτικοποίηση Δεδομένων (Μαθήματα 9-13)
|
|
|
- **Εβδομάδα 7-8**: Κύκλος Ζωής Επιστήμης Δεδομένων (Μαθήματα 14-16)
|
|
|
- **Εβδομάδα 9**: Επιστήμη Δεδομένων στο Cloud (Μαθήματα 17-19)
|
|
|
- **Εβδομάδα 10**: Εφαρμογές στον Πραγματικό Κόσμο & Τελικά Έργα (Μάθημα 20)
|
|
|
|
|
|
### Εκτέλεση του Docsify για Πρόσβαση Χωρίς Σύνδεση
|
|
|
|
|
|
```bash
|
|
|
# Serve documentation locally for classroom use
|
|
|
docsify serve
|
|
|
|
|
|
# Students can access at localhost:3000
|
|
|
# No internet required after initial setup
|
|
|
```
|
|
|
|
|
|
### Βαθμολόγηση Εργασιών
|
|
|
|
|
|
- Ελέγξτε τα notebooks των μαθητών για ολοκληρωμένες ασκήσεις
|
|
|
- Ελέγξτε την κατανόηση μέσω των βαθμολογιών κουίζ
|
|
|
- Αξιολογήστε τα τελικά έργα χρησιμοποιώντας τις αρχές του κύκλου ζωής της επιστήμης δεδομένων
|
|
|
|
|
|
### Δημιουργία Εργασιών
|
|
|
|
|
|
```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
|
|
|
"""
|
|
|
```
|
|
|
|
|
|
## Εργασία Χωρίς Σύνδεση
|
|
|
|
|
|
### Λήψη Πόρων
|
|
|
|
|
|
```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
|
|
|
```
|
|
|
|
|
|
### Εκτέλεση Τεκμηρίωσης Τοπικά
|
|
|
|
|
|
```bash
|
|
|
# Serve with Docsify
|
|
|
docsify serve
|
|
|
|
|
|
# Access at localhost:3000
|
|
|
```
|
|
|
|
|
|
### Εκτέλεση Εφαρμογής Κουίζ Τοπικά
|
|
|
|
|
|
```bash
|
|
|
cd quiz-app
|
|
|
npm run serve
|
|
|
```
|
|
|
|
|
|
## Πρόσβαση σε Μεταφρασμένο Περιεχόμενο
|
|
|
|
|
|
Οι μεταφράσεις είναι διαθέσιμες σε 40+ γλώσσες:
|
|
|
|
|
|
```bash
|
|
|
# Access translated lessons
|
|
|
cd translations/fr # French
|
|
|
cd translations/es # Spanish
|
|
|
cd translations/de # German
|
|
|
# ... and many more
|
|
|
```
|
|
|
|
|
|
Κάθε μετάφραση διατηρεί την ίδια δομή με την αγγλική έκδοση.
|
|
|
|
|
|
## Πρόσθετοι Πόροι
|
|
|
|
|
|
### Συνεχίστε τη Μάθηση
|
|
|
|
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Πρόσθετες διαδρομές μάθησης
|
|
|
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - Πόροι για μαθητές
|
|
|
- [Azure AI Foundry](https://aka.ms/foundry/forum) - Φόρουμ κοινότητας
|
|
|
|
|
|
### Σχετικά Προγράμματα Σπουδών
|
|
|
|
|
|
- [AI for Beginners](https://aka.ms/ai-beginners)
|
|
|
- [ML for Beginners](https://aka.ms/ml-beginners)
|
|
|
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
|
|
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
|
|
|
|
|
## Λήψη Βοήθειας
|
|
|
|
|
|
- Ελέγξτε το [TROUBLESHOOTING.md](TROUBLESHOOTING.md) για κοινά προβλήματα
|
|
|
- Αναζητήστε [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues)
|
|
|
- Γίνετε μέλος του [Discord](https://aka.ms/ds4beginners/discord)
|
|
|
- Ανατρέξτε στο [CONTRIBUTING.md](CONTRIBUTING.md) για να αναφέρετε προβλήματα ή να συνεισφέρετε
|
|
|
|
|
|
---
|
|
|
|
|
|
**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 λάθη 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. |
