13 KiB

Raw Permalink Blame History

Usage Guide

This guide provides examples and common workflows for using the Data Science for Beginners curriculum.

How to Use This Curriculum
Working with Lessons
Working with Jupyter Notebooks
Using the Quiz Application
Common Workflows
Tips for Self-Learners
Tips for Teachers

How to Use This Curriculum

This curriculum is designed to be flexible and can be used in multiple ways:

Self-paced learning: Work through lessons independently at your own speed
Classroom instruction: Use as a structured course with guided instruction
Study groups: Learn collaboratively with peers
Workshop format: Intensive short-term learning sessions

Working with Lessons

Each lesson follows a consistent structure to maximize learning:

Lesson Structure

Pre-lesson Quiz: Test your existing knowledge
Sketchnote (Optional): Visual summary of key concepts
Video (Optional): Supplemental video content
Written Lesson: Core concepts and explanations
Jupyter Notebook: Hands-on coding exercises
Assignment: Practice what you've learned
Post-lesson Quiz: Reinforce your understanding

Example Workflow for a Lesson

# ១. ទៅកាន់ថតមេរៀន
cd 1-Introduction/01-defining-data-science

# ២. អាន README.md
# បើក README.md នៅក្នុងកម្មវិធីរុករក ឬកម្មវិធីកែសម្រួលរបស់អ្នក

# ៣. ធ្វើការប្រលងមុនមេរៀន
# ចុចលើតំណភ្ជាប់ការប្រលងនៅក្នុង README

# ៤. បើកសៀវភៅកំណត់ត្រា Jupyter (បើមាន)
jupyter notebook

# ៥. បញ្ចប់លំហាត់ក្នុងសៀវភៅកំណត់ត្រា

# ៦. ធ្វើការងារផ្នែកដែលបានផ្ដល់

# ៧. ធ្វើការប្រលងបន្ទាប់ពីមេរៀន

Working with Jupyter Notebooks

Starting Jupyter

# បើកប្រព័ន្ធបរិស្ថាននិន្នាការរបស់អ្នក
source venv/bin/activate  # លើ macOS/Linux
# ឬ
venv\Scripts\activate  # លើ Windows

# ចាប់ផ្តើម Jupyter ពីឫសសារមន្ទីរ
jupyter notebook

Running Notebook Cells

Execute a cell: Press Shift + Enter or click the "Run" button
Execute all cells: Select "Cell" → "Run All" from the menu
Restart kernel: Select "Kernel" → "Restart" if you encounter issues

Example: Working with Data in a Notebook

# នាំចូលបណ្ណាល័យដែលត្រូវការ
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# ផ្ទុកទិន្នន័យ
df = pd.read_csv('data/sample.csv')

# ស្ទង់មើលទិន្នន័យ
df.head()
df.info()
df.describe()

# បង្កើតការមើលឃើញ
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()

Saving Your Work

Jupyter auto-saves periodically
Manually save: Press Ctrl + S (or Cmd + S on macOS)
Your progress is saved in the .ipynb file

Using the Quiz Application

Running the Quiz App Locally

# ចូលទៅកាន់ថតកម្មវិធីគ្រាប់សំណួរ
cd quiz-app

# ចាប់ផ្ដើមម៉ាស៊ីនមេអភិវឌ្ឍន៍
npm run serve

# ចូលប្រើនៅ http://localhost:8080

Taking Quizzes

Pre-lesson quizzes are linked at the top of each lesson
Post-lesson quizzes are linked at the bottom of each lesson
Each quiz has 3 questions
Quizzes are designed to reinforce learning, not to test exhaustively

Quiz Numbering

Quizzes are numbered 0-39 (40 total quizzes)
Each lesson typically has a pre and post quiz
Quiz URLs include the quiz number: https://ff-quizzes.netlify.app/en/ds/quiz/0

Common Workflows

Workflow 1: Complete Beginner Path

# 1. កំណត់បរិយាកាសរបស់អ្នក (មើល INSTALLATION.md)

# 2. ចាប់ផ្តើមជាមួយមេរៀនទី 1
cd 1-Introduction/01-defining-data-science

# 3. សម្រាប់មេរៀននីមួយៗ:
#    - ធ្វើការប្រលងមុនមេរៀន
#    - អានមាតិការបង្រៀន
#    - ធ្វើការលើសៀវភៅកំណត់ត្រា
#    - បញ្ចប់ការផ្តល់អនុសាសន៍
#    - ធ្វើការប្រលងបន្ទាប់មេរៀន

# 4. ចំណូវតាមរយៈមេរៀនទាំង 20 ដោយលំដាប់លំដោយ

Workflow 2: Topic-Specific Learning

If you're interested in a specific topic:

# ឧទាហរណ៍៖ ផ្ដោតលើការមើលឃើញទិន្នន័យ
cd 3-Data-Visualization

# សូមស្វែងយល់មេរៀន 9-13៖
# - មេរៀន 9៖ ការមើលឃើញបរិមាណ
# - មេរៀន 10៖ ការមើលឃើញការបែងចែក
# - មេរៀន 11៖ ការមើលឃើញអត្រា
# - មេរៀន 12៖ ការមើលឃើញទំនាក់ទំនង
# - មេរៀន 13៖ ការមើលឃើញមានអត្ថន័យ

Workflow 3: Project-Based Learning

# ១. ពិនិត្យមើលមេរៀន វដ្ដជីវិតវិទ្យាសាស្ត្រទិន្នន័យ (១៤-១៦)
cd 4-Data-Science-Lifecycle

# ២. ធ្វើការជាមួយឧទាហរណ៍ពិតប្រាកដ (មេរៀន ២០)
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# ៣. អនុវត្តគំនិតទៅលើគម្រោងផ្ទាល់ខ្លួនរបស់អ្នក

Workflow 4: Cloud-Based Data Science

# រៀនអំពីវិទ្យាសាស្ត្រទិន្នន័យពពក (មេរៀន ១៧-១៩)
cd 5-Data-Science-In-Cloud

# ១៧: ការណែនាំអំពីវិទ្យាសាស្ត្រទិន្នន័យពពក
# ១៨: ឧបករណ៍ ML កូដទាប
# ១៩: ស្ទូឌីយោ Azure Machine Learning

Tips for Self-Learners

Stay Organized

# បង្កើតសៀវភៅកំណត់ហេតុការសិក្សា
mkdir my-learning-journal

# សម្រាប់មេរៀននីមួយៗ បង្កើតកំណត់សម្គាល់
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

Practice Regularly

Set aside dedicated time each day or week
Complete at least one lesson per week
Review previous lessons periodically

Engage with the Community

Join the Discord community
Participate in #Data-Science-for-Beginners Channel in Discord Discord Discussions
Share your progress and ask questions

Build Your Own Projects

After completing lessons, apply concepts to personal projects:

# ឧទាហរណ៍៖ វិភាគទិន្នន័យរបស់អ្នកផ្ទាល់
import pandas as pd

# បញ្ចូលទិន្នន័យរបស់អ្នកផ្ទាល់
my_data = pd.read_csv('my-project/data.csv')

# អនុវត្តបច្ចេកទេសដែលបានរៀន
# - សម្អាតទិន្នន័យ (មេរៀនទី ៨)
# - វិភាគទិន្នន័យស្រាវជ្រាវ (មេរៀនទី ៧)
# - ការបង្ហាញតាមរូបភាព (មេរៀនទី ៩-១៣)
# - ការវិភាគ (មេរៀនទី ១៥)

Tips for Teachers

Classroom Setup

Review for-teachers.md for detailed guidance
Set up a shared environment (GitHub Classroom or Codespaces)
Establish a communication channel (Discord, Slack, or Teams)

Lesson Planning

Suggested 10-Week Schedule:

Week 1-2: Introduction (Lessons 1-4)
Week 3-4: Working with Data (Lessons 5-8)
Week 5-6: Data Visualization (Lessons 9-13)
Week 7-8: Data Science Lifecycle (Lessons 14-16)
Week 9: Cloud Data Science (Lessons 17-19)
Week 10: Real-World Applications & Final Projects (Lesson 20)

Running Docsify for Offline Access

# បម្រើឯកសារពិពណ៌នាទៅក្នុងមូលដ្ឋានសម្រាប់ការប្រើប្រាស់ថ្នាក់រៀន
docsify serve

# សិស្សអាចចូលប្រើបាននៅ localhost:3000
# មិនចាំបាច់មានអ៊ីនធឺណិតបន្ទាន់ក្រោយពេលបង្កើតដំបូង

Assignment Grading

Review student notebooks for completed exercises
Check for understanding through quiz scores
Evaluate final projects using data science lifecycle principles

Creating Assignments

# គំរូភារកិច្ចផ្ទាល់ខ្លួនឧទាហរណ៍
"""
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
"""

Working Offline

Download Resources

# អំពីចម្លងគ្រប់ផ្នែកទាំងអស់នៃឃ្លាំងទិន្នន័យ
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# ទាញយកសំណុំនៃទិន្នន័យជាមុន
# សំណុំនៃទិន្នន័យភាគច្រើនត្រូវបានបញ្ចូលក្នុងឃ្លាំងទិន្នន័យ

Run Documentation Locally

# បម្រុងជាមួយ Docsify
docsify serve

# ចូលប្រើនៅ localhost:3000

Run Quiz App Locally

cd quiz-app
npm run serve

Accessing Translated Content

Translations are available in 40+ languages:

# ចូលទៅកាន់មេរៀនបានបកប្រែ
cd translations/fr  # ភាសាបារាំង
cd translations/es  # ភាសាអេស្ប៉ាញ
cd translations/de  # ភាសាអាល្លឺម៉ង់
# ... និងច្រើនទៀត

Each translation maintains the same structure as the English version.

Additional Resources

Continue Learning

Microsoft Learn - Additional learning paths
Student Hub - Resources for students
Azure AI Foundry - Community forum

Getting Help

Check TROUBLESHOOTING.md for common issues
Search GitHub Issues
Join our Discord
Review CONTRIBUTING.md to report issues or contribute

ការព្រមាន៖ ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែដោយ AI Co-op Translator។ ខណៈពេលដែលយើងខិតខំប្រឹងប្រែងសម្រាប់ភាពត្រឹមត្រូវ សូមយល់ឱ្យបានច្បាស់ថា ការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមក្នុងភាសាដើមគួรถูกគេពិចារណាថាជាផ្លូវការនៃព័ត៌មាន។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយអ្នកជំនាញផ្ទាល់ខ្លួនត្រូវបានណែនាំ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសនៃព័ត៌មានដែលបណ្តាលមកពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។

13 KiB Raw Permalink Blame History