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.
142 lines
12 KiB
142 lines
12 KiB
# ప్రారంభికులకు అనుకూలమైన డేటా సైన్స్ ఉదాహరణలు
|
|
|
|
ఉదాహరణల డైరెక్టరీకి స్వాగతం! ఈ సులభమైన, బాగా వ్యాఖ్యానించిన ఉదాహరణల సేకరణ డేటా సైన్స్ ప్రారంభించడానికి మీకు సహాయపడేందుకు రూపొందించబడింది, మీరు పూర్తిగా కొత్తవారైనా సరే.
|
|
|
|
## 📚 మీరు ఇక్కడ ఏమి కనుగొంటారు
|
|
|
|
ప్రతి ఉదాహరణ స్వతంత్రంగా ఉంటుంది మరియు ఇందులో ఉంటుంది:
|
|
- **ప్రతి దశను వివరించే స్పష్టమైన వ్యాఖ్యలు**
|
|
- **ఒక్కో సారి ఒక కాన్సెప్ట్ను చూపించే సులభమైన, చదవదగిన కోడ్**
|
|
- **ఈ సాంకేతికతలను ఎప్పుడు మరియు ఎందుకు ఉపయోగించాలో అర్థం చేసుకోవడానికి వాస్తవ ప్రపంచ సందర్భం**
|
|
- **మీరు ఏమి చూడాలో తెలుసుకునేందుకు ఆశించిన అవుట్పుట్**
|
|
|
|
## 🚀 ప్రారంభించడం
|
|
|
|
### ముందస్తు అవసరాలు
|
|
ఈ ఉదాహరణలను నడపడానికి ముందు, మీరు కలిగి ఉండాలి:
|
|
- Python 3.7 లేదా అంతకంటే పైగా ఇన్స్టాల్ చేయబడింది
|
|
- Python స్క్రిప్టులను ఎలా నడపాలో ప్రాథమిక అవగాహన
|
|
|
|
### అవసరమైన లైబ్రరీలను ఇన్స్టాల్ చేయడం
|
|
```bash
|
|
pip install pandas numpy matplotlib
|
|
```
|
|
|
|
## 📖 ఉదాహరణల అవలోకనం
|
|
|
|
### 1. హలో వరల్డ్ - డేటా సైన్స్ శైలి
|
|
**ఫైల్:** `01_hello_world_data_science.py`
|
|
|
|
మీ మొదటి డేటా సైన్స్ ప్రోగ్రామ్! నేర్చుకోండి:
|
|
- సులభమైన డేటాసెట్ను లోడ్ చేయడం
|
|
- మీ డేటా గురించి ప్రాథమిక సమాచారం ప్రదర్శించడం
|
|
- మీ మొదటి డేటా సైన్స్ అవుట్పుట్ను ప్రింట్ చేయడం
|
|
|
|
పూర్తిగా కొత్తవారికి ఇది వారి మొదటి డేటా సైన్స్ ప్రోగ్రామ్ను ప్రత్యక్షంగా చూడటానికి సరైనది.
|
|
|
|
---
|
|
|
|
### 2. డేటాను లోడ్ చేసి అన్వేషించడం
|
|
**ఫైల్:** `02_loading_data.py`
|
|
|
|
డేటాతో పని చేసే ప్రాథమిక విషయాలు నేర్చుకోండి:
|
|
- CSV ఫైళ్ల నుండి డేటాను చదవడం
|
|
- మీ డేటాసెట్ యొక్క మొదటి కొన్ని వరుసలను చూడడం
|
|
- మీ డేటా గురించి ప్రాథమిక గణాంకాలు పొందడం
|
|
- డేటా రకాల్ని అర్థం చేసుకోవడం
|
|
|
|
ఇది సాధారణంగా ఏ డేటా సైన్స్ ప్రాజెక్ట్లో మొదటి దశ!
|
|
|
|
---
|
|
|
|
### 3. సులభమైన డేటా విశ్లేషణ
|
|
**ఫైల్:** `03_simple_analysis.py`
|
|
|
|
మీ మొదటి డేటా విశ్లేషణను చేయండి:
|
|
- ప్రాథమిక గణాంకాలు (సగటు, మధ్య విలువ, మోడ్) లెక్కించడం
|
|
- గరిష్ట మరియు కనిష్ట విలువలను కనుగొనడం
|
|
- విలువల సంభవాలను లెక్కించడం
|
|
- షరతుల ఆధారంగా డేటాను ఫిల్టర్ చేయడం
|
|
|
|
మీ డేటా గురించి సులభమైన ప్రశ్నలకు ఎలా సమాధానం చెప్పాలో చూడండి.
|
|
|
|
---
|
|
|
|
### 4. డేటా విజువలైజేషన్ ప్రాథమికాలు
|
|
**ఫైల్:** `04_basic_visualization.py`
|
|
|
|
మీ మొదటి విజువలైజేషన్లను సృష్టించండి:
|
|
- సులభమైన బార్ చార్ట్ తయారు చేయండి
|
|
- లైన్ ప్లాట్ సృష్టించండి
|
|
- పై చార్ట్ రూపొందించండి
|
|
- మీ విజువలైజేషన్లను చిత్రాలుగా సేవ్ చేయండి
|
|
|
|
మీ కనుగొన్న విషయాలను దృశ్యంగా ఎలా తెలియజేయాలో నేర్చుకోండి!
|
|
|
|
---
|
|
|
|
### 5. వాస్తవ డేటాతో పని చేయడం
|
|
**ఫైల్:** `05_real_world_example.py`
|
|
|
|
మొత్తం ఉదాహరణతో అన్ని దశలను కలిపి చేయండి:
|
|
- రిపాజిటరీ నుండి వాస్తవ డేటాను లోడ్ చేయండి
|
|
- డేటాను శుభ్రపరచి సిద్ధం చేయండి
|
|
- విశ్లేషణ చేయండి
|
|
- అర్థవంతమైన విజువలైజేషన్లు సృష్టించండి
|
|
- తేలికపాటి నిర్ణయాలు తీసుకోండి
|
|
|
|
ఈ ఉదాహరణ ప్రారంభం నుండి ముగింపు వరకు పూర్తి వర్క్ఫ్లో చూపిస్తుంది.
|
|
|
|
---
|
|
|
|
## 🎯 ఈ ఉదాహరణలను ఎలా ఉపయోగించాలి
|
|
|
|
1. **ప్రారంభం నుండి మొదలుపెట్టండి**: ఉదాహరణలు కష్టతరతలో సంఖ్యాబద్ధం చేయబడ్డాయి. `01_hello_world_data_science.py` తో మొదలుపెట్టి ముందుకు సాగండి.
|
|
|
|
2. **వ్యాఖ్యలను చదవండి**: ప్రతి ఫైల్లో కోడ్ ఏమి చేస్తుందో మరియు ఎందుకు చేస్తుందో వివరించే వ్యాఖ్యలు ఉంటాయి. వాటిని జాగ్రత్తగా చదవండి!
|
|
|
|
3. **ప్రయోగాలు చేయండి**: కోడ్ను మార్చి చూడండి. ఒక విలువ మార్చితే ఏమవుతుంది? తప్పులు చేయండి, వాటిని సరిచేయండి - ఇదే నేర్చుకునే విధానం!
|
|
|
|
4. **కోడ్ నడపండి**: ప్రతి ఉదాహరణను అమలు చేసి అవుట్పుట్ను గమనించండి. మీరు ఆశించినదితో పోల్చండి.
|
|
|
|
5. **దీనిపై అభివృద్ధి చేయండి**: ఒక ఉదాహరణను అర్థం చేసుకున్న తర్వాత, దానిని మీ స్వంత ఆలోచనలతో విస్తరించండి.
|
|
|
|
## 💡 ప్రారంభికులకు సూచనలు
|
|
|
|
- **అలసిపోకండి**: ప్రతి ఉదాహరణను అర్థం చేసుకోవడానికి సమయం తీసుకోండి, తర్వాత తదుపరి దానికి వెళ్లండి
|
|
- **కోడ్ను స్వయంగా టైప్ చేయండి**: కాపీ-పేస్ట్ చేయకండి. టైపింగ్ చేయడం మీకు నేర్చుకోవడంలో మరియు గుర్తుంచుకోవడంలో సహాయపడుతుంది
|
|
- **అజ్ఞాత కాన్సెప్ట్లను వెతకండి**: మీరు అర్థం చేసుకోలేని ఏదైనా ఉంటే, ఆన్లైన్లో లేదా ప్రధాన పాఠాలలో వెతకండి
|
|
- **ప్రశ్నలు అడగండి**: సహాయం కావాలంటే [చర్చా ఫోరం](https://github.com/microsoft/Data-Science-For-Beginners/discussions) లో చేరండి
|
|
- **నియమితంగా అభ్యాసం చేయండి**: వారానికి ఒకసారి పెద్ద సెషన్ల కంటే ప్రతిరోజూ కొంత కోడ్ చేయడానికి ప్రయత్నించండి
|
|
|
|
## 🔗 తదుపరి దశలు
|
|
|
|
ఈ ఉదాహరణలను పూర్తి చేసిన తర్వాత, మీరు సిద్ధంగా ఉంటారు:
|
|
- ప్రధాన పాఠ్యాంశాల ద్వారా పని చేయడానికి
|
|
- ప్రతి పాఠం ఫోల్డర్లో అసైన్మెంట్లను ప్రయత్నించడానికి
|
|
- మరింత లోతైన నేర్చుకోవడానికి జూపిటర్ నోట్బుక్స్ను అన్వేషించడానికి
|
|
- మీ స్వంత డేటా సైన్స్ ప్రాజెక్టులను సృష్టించడానికి
|
|
|
|
## 📚 అదనపు వనరులు
|
|
|
|
- [ప్రధాన పాఠ్యాంశం](../README.md) - పూర్తి 20-పాఠాల కోర్సు
|
|
- [ఉపాధ్యాయుల కోసం](../for-teachers.md) - ఈ పాఠ్యాంశాన్ని మీ తరగతిలో ఉపయోగించడం
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - ఉచిత ఆన్లైన్ నేర్చుకునే వనరులు
|
|
- [Python డాక్యుమెంటేషన్](https://docs.python.org/3/) - అధికారిక Python సూచిక
|
|
|
|
## 🤝 సహకారం
|
|
|
|
ఏదైనా బగ్ కనుగొన్నారా లేదా కొత్త ఉదాహరణకు ఆలోచన ఉందా? మేము సహకారాలను స్వాగతిస్తున్నాము! దయచేసి మా [సహకార మార్గదర్శకాన్ని](../CONTRIBUTING.md) చూడండి.
|
|
|
|
---
|
|
|
|
**సంతోషంగా నేర్చుకోండి! 🎉**
|
|
|
|
గుర్తుంచుకోండి: ప్రతి నిపుణుడు ఒకప్పుడు ప్రారంభికుడే. ఒక్కో దశలో ఒకట씩 తీసుకోండి, తప్పులు చేయడాన్ని భయపడకండి - అవి నేర్చుకునే ప్రక్రియలో భాగమే!
|
|
|
|
---
|
|
|
|
<!-- 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. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |