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.
365 lines
9.7 KiB
365 lines
9.7 KiB
# Przewodnik użytkowania
|
|
|
|
Ten przewodnik zawiera przykłady i typowe procesy pracy związane z korzystaniem z programu nauczania "Data Science for Beginners".
|
|
|
|
## Spis treści
|
|
|
|
- [Jak korzystać z tego programu nauczania](../..)
|
|
- [Praca z lekcjami](../..)
|
|
- [Praca z Jupyter Notebooks](../..)
|
|
- [Korzystanie z aplikacji quizowej](../..)
|
|
- [Typowe procesy pracy](../..)
|
|
- [Wskazówki dla samouków](../..)
|
|
- [Wskazówki dla nauczycieli](../..)
|
|
|
|
## Jak korzystać z tego programu nauczania
|
|
|
|
Ten program nauczania został zaprojektowany tak, aby był elastyczny i można go używać na różne sposoby:
|
|
|
|
- **Nauka we własnym tempie**: Pracuj nad lekcjami samodzielnie, w swoim własnym tempie
|
|
- **Instrukcja w klasie**: Używaj jako strukturalnego kursu z prowadzeniem nauczyciela
|
|
- **Grupy studenckie**: Ucz się wspólnie z rówieśnikami
|
|
- **Format warsztatowy**: Intensywne sesje nauki w krótkim czasie
|
|
|
|
## Praca z lekcjami
|
|
|
|
Każda lekcja ma spójną strukturę, aby maksymalizować efektywność nauki:
|
|
|
|
### Struktura lekcji
|
|
|
|
1. **Quiz przed lekcją**: Sprawdź swoją dotychczasową wiedzę
|
|
2. **Sketchnote** (Opcjonalne): Wizualne podsumowanie kluczowych pojęć
|
|
3. **Wideo** (Opcjonalne): Dodatkowe materiały wideo
|
|
4. **Lekcja pisemna**: Podstawowe pojęcia i wyjaśnienia
|
|
5. **Jupyter Notebook**: Ćwiczenia praktyczne z kodowaniem
|
|
6. **Zadanie**: Praktyka zdobytej wiedzy
|
|
7. **Quiz po lekcji**: Utrwal swoją wiedzę
|
|
|
|
### Przykładowy proces pracy z lekcją
|
|
|
|
```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
|
|
```
|
|
|
|
## Praca z Jupyter Notebooks
|
|
|
|
### Uruchamianie 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
|
|
```
|
|
|
|
### Uruchamianie komórek w notebooku
|
|
|
|
1. **Uruchom komórkę**: Naciśnij `Shift + Enter` lub kliknij przycisk "Run"
|
|
2. **Uruchom wszystkie komórki**: Wybierz "Cell" → "Run All" z menu
|
|
3. **Restartuj kernel**: Wybierz "Kernel" → "Restart", jeśli napotkasz problemy
|
|
|
|
### Przykład: Praca z danymi w notebooku
|
|
|
|
```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()
|
|
```
|
|
|
|
### Zapisywanie pracy
|
|
|
|
- Jupyter automatycznie zapisuje co jakiś czas
|
|
- Ręczne zapisywanie: Naciśnij `Ctrl + S` (lub `Cmd + S` na macOS)
|
|
- Twój postęp jest zapisywany w pliku `.ipynb`
|
|
|
|
## Korzystanie z aplikacji quizowej
|
|
|
|
### Uruchamianie aplikacji quizowej lokalnie
|
|
|
|
```bash
|
|
# Navigate to quiz app directory
|
|
cd quiz-app
|
|
|
|
# Start the development server
|
|
npm run serve
|
|
|
|
# Access at http://localhost:8080
|
|
```
|
|
|
|
### Rozwiązywanie quizów
|
|
|
|
1. Quizy przed lekcją są podlinkowane na początku każdej lekcji
|
|
2. Quizy po lekcji są podlinkowane na końcu każdej lekcji
|
|
3. Każdy quiz zawiera 3 pytania
|
|
4. Quizy mają na celu utrwalenie wiedzy, a nie wyczerpujące testowanie
|
|
|
|
### Numeracja quizów
|
|
|
|
- Quizy są numerowane od 0 do 39 (łącznie 40 quizów)
|
|
- Każda lekcja zazwyczaj ma quiz przed i po lekcji
|
|
- URL quizów zawiera numer quizu: `https://ff-quizzes.netlify.app/en/ds/quiz/0`
|
|
|
|
## Typowe procesy pracy
|
|
|
|
### Proces 1: Ścieżka dla zupełnie początkujących
|
|
|
|
```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
|
|
```
|
|
|
|
### Proces 2: Nauka tematyczna
|
|
|
|
Jeśli interesuje Cię konkretny temat:
|
|
|
|
```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
|
|
```
|
|
|
|
### Proces 3: Nauka oparta na projektach
|
|
|
|
```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
|
|
```
|
|
|
|
### Proces 4: Data Science w chmurze
|
|
|
|
```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
|
|
```
|
|
|
|
## Wskazówki dla samouków
|
|
|
|
### Organizacja pracy
|
|
|
|
```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
|
|
```
|
|
|
|
### Regularna praktyka
|
|
|
|
- Przeznacz dedykowany czas każdego dnia lub tygodnia
|
|
- Ukończ co najmniej jedną lekcję tygodniowo
|
|
- Okresowo przeglądaj wcześniejsze lekcje
|
|
|
|
### Zaangażowanie w społeczność
|
|
|
|
- Dołącz do [społeczności Discord](https://aka.ms/ds4beginners/discord)
|
|
- Uczestnicz w kanale #Data-Science-for-Beginners na Discord [Dyskusje na Discord](https://aka.ms/ds4beginners/discord)
|
|
- Dziel się postępami i zadawaj pytania
|
|
|
|
### Tworzenie własnych projektów
|
|
|
|
Po ukończeniu lekcji zastosuj zdobyte pojęcia w projektach osobistych:
|
|
|
|
```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)
|
|
```
|
|
|
|
## Wskazówki dla nauczycieli
|
|
|
|
### Przygotowanie klasy
|
|
|
|
1. Przejrzyj [for-teachers.md](for-teachers.md) dla szczegółowych wskazówek
|
|
2. Skonfiguruj wspólne środowisko (GitHub Classroom lub Codespaces)
|
|
3. Ustal kanał komunikacji (Discord, Slack lub Teams)
|
|
|
|
### Planowanie lekcji
|
|
|
|
**Proponowany harmonogram 10-tygodniowy:**
|
|
|
|
- **Tydzień 1-2**: Wprowadzenie (Lekcje 1-4)
|
|
- **Tydzień 3-4**: Praca z danymi (Lekcje 5-8)
|
|
- **Tydzień 5-6**: Wizualizacja danych (Lekcje 9-13)
|
|
- **Tydzień 7-8**: Cykl życia Data Science (Lekcje 14-16)
|
|
- **Tydzień 9**: Data Science w chmurze (Lekcje 17-19)
|
|
- **Tydzień 10**: Zastosowania w rzeczywistości i projekty końcowe (Lekcja 20)
|
|
|
|
### Uruchamianie Docsify dla dostępu offline
|
|
|
|
```bash
|
|
# Serve documentation locally for classroom use
|
|
docsify serve
|
|
|
|
# Students can access at localhost:3000
|
|
# No internet required after initial setup
|
|
```
|
|
|
|
### Ocena zadań
|
|
|
|
- Przeglądaj notatniki uczniów pod kątem ukończonych ćwiczeń
|
|
- Sprawdzaj zrozumienie na podstawie wyników quizów
|
|
- Oceniaj projekty końcowe, stosując zasady cyklu życia Data Science
|
|
|
|
### Tworzenie zadań
|
|
|
|
```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
|
|
"""
|
|
```
|
|
|
|
## Praca offline
|
|
|
|
### Pobieranie zasobów
|
|
|
|
```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
|
|
```
|
|
|
|
### Uruchamianie dokumentacji lokalnie
|
|
|
|
```bash
|
|
# Serve with Docsify
|
|
docsify serve
|
|
|
|
# Access at localhost:3000
|
|
```
|
|
|
|
### Uruchamianie aplikacji quizowej lokalnie
|
|
|
|
```bash
|
|
cd quiz-app
|
|
npm run serve
|
|
```
|
|
|
|
## Dostęp do przetłumaczonej treści
|
|
|
|
Tłumaczenia są dostępne w ponad 40 językach:
|
|
|
|
```bash
|
|
# Access translated lessons
|
|
cd translations/fr # French
|
|
cd translations/es # Spanish
|
|
cd translations/de # German
|
|
# ... and many more
|
|
```
|
|
|
|
Każde tłumaczenie zachowuje tę samą strukturę co wersja angielska.
|
|
|
|
## Dodatkowe zasoby
|
|
|
|
### Kontynuacja nauki
|
|
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Dodatkowe ścieżki nauki
|
|
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - Zasoby dla studentów
|
|
- [Azure AI Foundry](https://aka.ms/foundry/forum) - Forum społecznościowe
|
|
|
|
### Powiązane programy nauczania
|
|
|
|
- [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)
|
|
|
|
## Uzyskiwanie pomocy
|
|
|
|
- Sprawdź [TROUBLESHOOTING.md](TROUBLESHOOTING.md) dla typowych problemów
|
|
- Przeszukaj [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues)
|
|
- Dołącz do naszego [Discord](https://aka.ms/ds4beginners/discord)
|
|
- Przejrzyj [CONTRIBUTING.md](CONTRIBUTING.md), aby zgłaszać problemy lub wnosić wkład
|
|
|
|
---
|
|
|
|
**Zastrzeżenie**:
|
|
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż staramy się zapewnić dokładność, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. |