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
5.5 KiB
140 lines
5.5 KiB
# Przykłady Data Science dla Początkujących
|
|
|
|
Witamy w katalogu przykładów! Ta kolekcja prostych, dobrze skomentowanych przykładów została zaprojektowana, aby pomóc Ci rozpocząć przygodę z data science, nawet jeśli jesteś zupełnym nowicjuszem.
|
|
|
|
## 📚 Co znajdziesz tutaj
|
|
|
|
Każdy przykład jest samodzielny i zawiera:
|
|
- **Jasne komentarze** wyjaśniające każdy krok
|
|
- **Prosty, czytelny kod**, który pokazuje jeden koncept na raz
|
|
- **Kontekst z życia codziennego**, aby pomóc Ci zrozumieć, kiedy i dlaczego używać tych technik
|
|
- **Oczekiwany wynik**, abyś wiedział, czego szukać
|
|
|
|
## 🚀 Jak zacząć
|
|
|
|
### Wymagania wstępne
|
|
Przed uruchomieniem tych przykładów upewnij się, że masz:
|
|
- Zainstalowany Python 3.7 lub nowszy
|
|
- Podstawową wiedzę na temat uruchamiania skryptów w Pythonie
|
|
|
|
### Instalacja wymaganych bibliotek
|
|
```bash
|
|
pip install pandas numpy matplotlib
|
|
```
|
|
|
|
## 📖 Przegląd przykładów
|
|
|
|
### 1. Hello World - Styl Data Science
|
|
**Plik:** `01_hello_world_data_science.py`
|
|
|
|
Twój pierwszy program w data science! Nauczysz się:
|
|
- Ładować prosty zestaw danych
|
|
- Wyświetlać podstawowe informacje o danych
|
|
- Wydrukować swój pierwszy wynik w data science
|
|
|
|
Idealne dla absolutnych początkujących, którzy chcą zobaczyć swój pierwszy program w akcji.
|
|
|
|
---
|
|
|
|
### 2. Ładowanie i eksploracja danych
|
|
**Plik:** `02_loading_data.py`
|
|
|
|
Poznaj podstawy pracy z danymi:
|
|
- Odczyt danych z plików CSV
|
|
- Wyświetlanie pierwszych kilku wierszy zestawu danych
|
|
- Uzyskiwanie podstawowych statystyk o danych
|
|
- Zrozumienie typów danych
|
|
|
|
To często pierwszy krok w każdym projekcie data science!
|
|
|
|
---
|
|
|
|
### 3. Prosta analiza danych
|
|
**Plik:** `03_simple_analysis.py`
|
|
|
|
Wykonaj swoją pierwszą analizę danych:
|
|
- Oblicz podstawowe statystyki (średnia, mediana, dominanta)
|
|
- Znajdź wartości maksymalne i minimalne
|
|
- Policz wystąpienia wartości
|
|
- Filtruj dane na podstawie warunków
|
|
|
|
Zobacz, jak odpowiadać na proste pytania dotyczące danych.
|
|
|
|
---
|
|
|
|
### 4. Podstawy wizualizacji danych
|
|
**Plik:** `04_basic_visualization.py`
|
|
|
|
Stwórz swoje pierwsze wizualizacje:
|
|
- Wykonaj prosty wykres słupkowy
|
|
- Stwórz wykres liniowy
|
|
- Wygeneruj wykres kołowy
|
|
- Zapisz swoje wizualizacje jako obrazy
|
|
|
|
Naucz się komunikować swoje wnioski wizualnie!
|
|
|
|
---
|
|
|
|
### 5. Praca z prawdziwymi danymi
|
|
**Plik:** `05_real_world_example.py`
|
|
|
|
Połącz wszystko w kompletnym przykładzie:
|
|
- Załaduj prawdziwe dane z repozytorium
|
|
- Wyczyść i przygotuj dane
|
|
- Wykonaj analizę
|
|
- Stwórz znaczące wizualizacje
|
|
- Wyciągnij wnioski
|
|
|
|
Ten przykład pokazuje pełny przepływ pracy od początku do końca.
|
|
|
|
---
|
|
|
|
## 🎯 Jak korzystać z tych przykładów
|
|
|
|
1. **Zacznij od początku**: Przykłady są ponumerowane według stopnia trudności. Zacznij od `01_hello_world_data_science.py` i przechodź dalej.
|
|
|
|
2. **Czytaj komentarze**: Każdy plik zawiera szczegółowe komentarze wyjaśniające, co robi kod i dlaczego. Czytaj je uważnie!
|
|
|
|
3. **Eksperymentuj**: Spróbuj modyfikować kod. Co się stanie, jeśli zmienisz wartość? Psuj rzeczy i naprawiaj je - tak się uczysz!
|
|
|
|
4. **Uruchamiaj kod**: Wykonaj każdy przykład i obserwuj wynik. Porównaj go z tym, czego się spodziewałeś.
|
|
|
|
5. **Rozwijaj go**: Gdy zrozumiesz przykład, spróbuj go rozszerzyć swoimi pomysłami.
|
|
|
|
## 💡 Wskazówki dla początkujących
|
|
|
|
- **Nie spiesz się**: Poświęć czas na zrozumienie każdego przykładu, zanim przejdziesz do następnego
|
|
- **Przepisuj kod samodzielnie**: Nie kopiuj-wklejaj. Pisanie kodu pomaga w nauce i zapamiętywaniu
|
|
- **Szukaj nieznanych pojęć**: Jeśli zobaczysz coś, czego nie rozumiesz, poszukaj tego w internecie lub w głównych lekcjach
|
|
- **Zadawaj pytania**: Dołącz do [forum dyskusyjnego](https://github.com/microsoft/Data-Science-For-Beginners/discussions), jeśli potrzebujesz pomocy
|
|
- **Ćwicz regularnie**: Staraj się kodować codziennie, zamiast robić długie sesje raz w tygodniu
|
|
|
|
## 🔗 Kolejne kroki
|
|
|
|
Po ukończeniu tych przykładów jesteś gotowy, aby:
|
|
- Przejść przez główne lekcje programu nauczania
|
|
- Spróbować zadań w każdym folderze lekcji
|
|
- Eksplorować notatniki Jupyter dla bardziej szczegółowej nauki
|
|
- Tworzyć własne projekty data science
|
|
|
|
## 📚 Dodatkowe zasoby
|
|
|
|
- [Główny program nauczania](../README.md) - Kompletny kurs składający się z 20 lekcji
|
|
- [Dla nauczycieli](../for-teachers.md) - Korzystanie z tego programu w klasie
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Darmowe zasoby do nauki online
|
|
- [Dokumentacja Pythona](https://docs.python.org/3/) - Oficjalne odniesienie do Pythona
|
|
|
|
## 🤝 Współtworzenie
|
|
|
|
Znalazłeś błąd lub masz pomysł na nowy przykład? Zapraszamy do współtworzenia! Zobacz nasz [Przewodnik dla współtwórców](../CONTRIBUTING.md).
|
|
|
|
---
|
|
|
|
**Miłej nauki! 🎉**
|
|
|
|
Pamiętaj: Każdy ekspert kiedyś był początkującym. Rób wszystko krok po kroku i nie bój się popełniać błędów - są one częścią procesu nauki!
|
|
|
|
---
|
|
|
|
**Zastrzeżenie**:
|
|
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. |