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.
140 lines
5.3 KiB
140 lines
5.3 KiB
# Příklady pro začátečníky v datové vědě
|
|
|
|
Vítejte v adresáři příkladů! Tato sbírka jednoduchých, dobře okomentovaných příkladů je navržena tak, aby vám pomohla začít s datovou vědou, i když jste úplný začátečník.
|
|
|
|
## 📚 Co zde najdete
|
|
|
|
Každý příklad je samostatný a obsahuje:
|
|
- **Jasné komentáře** vysvětlující každý krok
|
|
- **Jednoduchý, čitelný kód**, který demonstruje jeden koncept najednou
|
|
- **Reálný kontext**, který vám pomůže pochopit, kdy a proč tyto techniky použít
|
|
- **Očekávaný výstup**, abyste věděli, co hledat
|
|
|
|
## 🚀 Jak začít
|
|
|
|
### Předpoklady
|
|
Než spustíte tyto příklady, ujistěte se, že máte:
|
|
- Nainstalovaný Python 3.7 nebo vyšší
|
|
- Základní znalosti o tom, jak spouštět Python skripty
|
|
|
|
### Instalace potřebných knihoven
|
|
```bash
|
|
pip install pandas numpy matplotlib
|
|
```
|
|
|
|
## 📖 Přehled příkladů
|
|
|
|
### 1. Hello World - styl datové vědy
|
|
**Soubor:** `01_hello_world_data_science.py`
|
|
|
|
Váš první program v datové vědě! Naučíte se:
|
|
- Načíst jednoduchý dataset
|
|
- Zobrazit základní informace o vašich datech
|
|
- Vytisknout váš první výstup z datové vědy
|
|
|
|
Ideální pro úplné začátečníky, kteří chtějí vidět svůj první program v datové vědě v akci.
|
|
|
|
---
|
|
|
|
### 2. Načítání a zkoumání dat
|
|
**Soubor:** `02_loading_data.py`
|
|
|
|
Naučte se základy práce s daty:
|
|
- Čtení dat z CSV souborů
|
|
- Zobrazení prvních několika řádků vašeho datasetu
|
|
- Získání základních statistik o vašich datech
|
|
- Porozumění datovým typům
|
|
|
|
Toto je často první krok v jakémkoli projektu datové vědy!
|
|
|
|
---
|
|
|
|
### 3. Jednoduchá analýza dat
|
|
**Soubor:** `03_simple_analysis.py`
|
|
|
|
Proveďte svou první analýzu dat:
|
|
- Vypočítejte základní statistiky (průměr, medián, modus)
|
|
- Najděte maximální a minimální hodnoty
|
|
- Spočítejte výskyty hodnot
|
|
- Filtrování dat na základě podmínek
|
|
|
|
Zjistěte, jak odpovědět na jednoduché otázky o vašich datech.
|
|
|
|
---
|
|
|
|
### 4. Základy vizualizace dat
|
|
**Soubor:** `04_basic_visualization.py`
|
|
|
|
Vytvořte své první vizualizace:
|
|
- Vytvořte jednoduchý sloupcový graf
|
|
- Vytvořte čárový graf
|
|
- Generujte koláčový graf
|
|
- Uložte své vizualizace jako obrázky
|
|
|
|
Naučte se vizuálně komunikovat své poznatky!
|
|
|
|
---
|
|
|
|
### 5. Práce s reálnými daty
|
|
**Soubor:** `05_real_world_example.py`
|
|
|
|
Spojte vše dohromady v kompletním příkladu:
|
|
- Načtěte reálná data z repozitáře
|
|
- Vyčistěte a připravte data
|
|
- Proveďte analýzu
|
|
- Vytvořte smysluplné vizualizace
|
|
- Vyvoďte závěry
|
|
|
|
Tento příklad vám ukáže kompletní pracovní postup od začátku do konce.
|
|
|
|
---
|
|
|
|
## 🎯 Jak používat tyto příklady
|
|
|
|
1. **Začněte od začátku**: Příklady jsou očíslovány podle obtížnosti. Začněte s `01_hello_world_data_science.py` a postupujte dál.
|
|
|
|
2. **Čtěte komentáře**: Každý soubor obsahuje podrobné komentáře vysvětlující, co kód dělá a proč. Čtěte je pozorně!
|
|
|
|
3. **Experimentujte**: Zkuste upravit kód. Co se stane, když změníte hodnotu? Rozbijte věci a opravte je - tak se učíte!
|
|
|
|
4. **Spusťte kód**: Spusťte každý příklad a sledujte výstup. Porovnejte ho s tím, co jste očekávali.
|
|
|
|
5. **Rozšiřte ho**: Jakmile pochopíte příklad, zkuste ho rozšířit svými vlastními nápady.
|
|
|
|
## 💡 Tipy pro začátečníky
|
|
|
|
- **Nespěchejte**: Věnujte čas pochopení každého příkladu, než přejdete k dalšímu
|
|
- **Pište kód sami**: Nekopírujte jen kód. Psání vám pomůže se učit a zapamatovat si
|
|
- **Vyhledejte neznámé koncepty**: Pokud narazíte na něco, čemu nerozumíte, vyhledejte to online nebo v hlavních lekcích
|
|
- **Ptejte se**: Připojte se k [diskusnímu fóru](https://github.com/microsoft/Data-Science-For-Beginners/discussions), pokud potřebujete pomoc
|
|
- **Pravidelně cvičte**: Snažte se kódovat trochu každý den, místo dlouhých sezení jednou týdně
|
|
|
|
## 🔗 Další kroky
|
|
|
|
Po dokončení těchto příkladů jste připraveni:
|
|
- Projít hlavní lekce kurikula
|
|
- Vyzkoušet úkoly v každé složce lekce
|
|
- Prozkoumat Jupyter notebooky pro hlubší učení
|
|
- Vytvořit své vlastní projekty v datové vědě
|
|
|
|
## 📚 Další zdroje
|
|
|
|
- [Hlavní kurikulum](../README.md) - Kompletní kurz o 20 lekcích
|
|
- [Pro učitele](../for-teachers.md) - Použití tohoto kurikula ve třídě
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Bezplatné online vzdělávací zdroje
|
|
- [Dokumentace Pythonu](https://docs.python.org/3/) - Oficiální reference Pythonu
|
|
|
|
## 🤝 Přispívání
|
|
|
|
Našli jste chybu nebo máte nápad na nový příklad? Uvítáme příspěvky! Podívejte se na náš [Průvodce přispíváním](../CONTRIBUTING.md).
|
|
|
|
---
|
|
|
|
**Šťastné učení! 🎉**
|
|
|
|
Pamatujte: Každý expert byl kdysi začátečník. Postupujte krok za krokem a nebojte se dělat chyby - jsou součástí procesu učení!
|
|
|
|
---
|
|
|
|
**Prohlášení**:
|
|
Tento dokument byl přeložen pomocí služby AI pro překlady [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho rodném jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu. |