Data-Science-For-Beginners/translations/te/for-teachers.md

## For Educators

మీ తరగతిలో ఈ పాఠ్యాంశాన్ని ఉపయోగించాలనుకుంటున్నారా? దయచేసి స్వేచ్ఛగా ఉపయోగించండి!

వాస్తవానికి, మీరు GitHub Classroom ఉపయోగించి GitHub లోనే దీన్ని ఉపయోగించవచ్చు.

అందుకోసం, ఈ రిపోను ఫోర్క్ చేయండి. ప్రతి పాఠం కోసం ఒక రిపో సృష్టించాల్సి ఉంటుంది, కాబట్టి ప్రతి ఫోల్డర్‌ను వేరే రిపోగా విడగొట్టాలి. అలా చేస్తే, [GitHub Classroom](https://classroom.github.com/classrooms) ప్రతి పాఠాన్ని వేరుగా ఎంచుకోగలదు.

ఈ [పూర్తి సూచనలు](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) మీ తరగతిని ఎలా ఏర్పాటు చేయాలో మీకు ఆలోచన ఇస్తాయి.

## Using the repo as is

మీరు GitHub Classroom ఉపయోగించకుండా ఈ రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించాలనుకుంటే, అది కూడా చేయవచ్చు. మీరు మీ విద్యార్థులతో ఏ పాఠం మీద కలిసి పని చేయాలో కమ్యూనికేట్ చేయాలి.

ఆన్‌లైన్ ఫార్మాట్‌లో (Zoom, Teams, లేదా ఇతర) మీరు క్విజ్‌ల కోసం బ్రేక్‌అవుట్ రూమ్‌లు ఏర్పాటు చేసి, విద్యార్థులను నేర్చుకునేందుకు సన్నద్ధం చేయడానికి మెంటర్ చేయవచ్చు. ఆపై విద్యార్థులను క్విజ్‌లకు ఆహ్వానించి, వారి సమాధానాలను ఒక నిర్దిష్ట సమయంలో 'issues'గా సమర్పించమని చెప్పవచ్చు. మీరు విద్యార్థులు కలిసి పని చేయాలని అనుకుంటే, అసైన్‌మెంట్‌లతో కూడా ఇదే విధంగా చేయవచ్చు.

మీకు ప్రైవేట్ ఫార్మాట్ ఇష్టమైతే, విద్యార్థులు పాఠ్యాంశాన్ని ఒక్కో పాఠం వారీగా వారి స్వంత GitHub రిపోస్‌గా ఫోర్క్ చేసి, ప్రైవేట్ రిపోస్‌గా ఉంచి, మీకు యాక్సెస్ ఇవ్వమని చెప్పండి. అప్పుడు వారు క్విజ్‌లు మరియు అసైన్‌మెంట్‌లను ప్రైవేట్‌గా పూర్తి చేసి, మీ క్లాస్‌రూమ్ రిపోలో issues ద్వారా సమర్పించవచ్చు.

ఆన్‌లైన్ తరగతి ఫార్మాట్‌లో దీన్ని పనిచేయించడానికి అనేక మార్గాలు ఉన్నాయి. మీకు ఏది బాగా పనిచేస్తుందో మాకు తెలియజేయండి!

## Included in this curriculum:

20 పాఠాలు, 40 క్విజ్‌లు, మరియు 20 అసైన్‌మెంట్‌లు. విజువల్ లెర్నర్స్ కోసం పాఠాలతో పాటు స్కెచ్‌నోట్లు ఉన్నాయి. చాలా పాఠాలు Python మరియు R రెండింటిలో అందుబాటులో ఉన్నాయి మరియు VS Code లో Jupyter నోట్బుక్స్ ఉపయోగించి పూర్తి చేయవచ్చు. ఈ టెక్ స్టాక్‌ను ఉపయోగించడానికి మీ తరగతిని ఎలా ఏర్పాటు చేయాలో తెలుసుకోండి: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.

అన్ని స్కెచ్‌నోట్లు, పెద్ద ఫార్మాట్ పోస్టర్ సహా, [ఈ ఫోల్డర్‌లో](../../sketchnotes) ఉన్నాయి.

మీరు ఈ పాఠ్యాంశాన్ని స్టాండలోన్, ఆఫ్‌లైన్-ఫ్రెండ్లీ వెబ్‌సైట్‌గా కూడా నడిపించవచ్చు [Docsify](https://docsify.js.org/#/) ఉపయోగించి. మీ స్థానిక యంత్రంలో [Docsifyని ఇన్‌స్టాల్](https://docsify.js.org/#/quickstart) చేసి, ఈ రిపో యొక్క రూట్ ఫోల్డర్‌లో `docsify serve` టైప్ చేయండి. వెబ్‌సైట్ మీ స్థానిక హోస్ట్‌లో పోర్ట్ 3000 పై సర్వ్ అవుతుంది: `localhost:3000`.

పాఠ్యాంశం యొక్క ఆఫ్‌లైన్-ఫ్రెండ్లీ వెర్షన్ స్టాండలోన్ వెబ్ పేజీగా తెరుస్తుంది: https://localhost:3000

పాఠాలు 6 భాగాలుగా విభజించబడ్డాయి:

- 1: పరిచయం
    - 1: డేటా సైన్స్ నిర్వచనం
    - 2: నైతికత
    - 3: డేటా నిర్వచనం
    - 4: ప్రాబబిలిటీ మరియు స్టాటిస్టిక్స్ అవలోకనం
- 2: డేటాతో పని చేయడం
    - 5: రిలేషనల్ డేటాబేసులు
    - 6: నాన్-రిలేషనల్ డేటాబేసులు
    - 7: Python
    - 8: డేటా ప్రిపరేషన్
- 3: డేటా విజువలైజేషన్
    - 9: పరిమాణాల విజువలైజేషన్
    - 10: పంపిణీల విజువలైజేషన్
    - 11: అనుపాతాల విజువలైజేషన్
    - 12: సంబంధాల విజువలైజేషన్
    - 13: అర్థవంతమైన విజువలైజేషన్లు
- 4: డేటా సైన్స్ లైఫ్‌సైకిల్
    - 14: పరిచయం
    - 15: విశ్లేషణ
    - 16: కమ్యూనికేషన్
- 5: క్లౌడ్‌లో డేటా సైన్స్
    - 17: పరిచయం
    - 18: లో-కోడ్ ఎంపికలు
    - 19: Azure
- 6: వన్యప్రదేశంలో డేటా సైన్స్
    - 20: అవలోకనం

## Please give us your thoughts!

మేము ఈ పాఠ్యాంశాన్ని మీకు మరియు మీ విద్యార్థులకు ఉపయోగపడేలా చేయాలనుకుంటున్నాము. దయచేసి చర్చా బోర్డుల్లో మాకు అభిప్రాయం ఇవ్వండి! మీ విద్యార్థుల కోసం చర్చా బోర్డుల్లో క్లాస్‌రూమ్ ప్రాంతం సృష్టించడానికి స్వేచ్ఛగా ఉండండి.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:  
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->