|
|
# Παραδείγματα Επιστήμης Δεδομένων για Αρχάριους
|
|
|
|
|
|
Καλώς ήρθατε στον κατάλογο παραδειγμάτων! Αυτή η συλλογή από απλά, καλά σχολιασμένα παραδείγματα έχει σχεδιαστεί για να σας βοηθήσει να ξεκινήσετε με την επιστήμη δεδομένων, ακόμα κι αν είστε εντελώς αρχάριοι.
|
|
|
|
|
|
## 📚 Τι θα βρείτε εδώ
|
|
|
|
|
|
Κάθε παράδειγμα είναι αυτοτελές και περιλαμβάνει:
|
|
|
- **Καθαρά σχόλια** που εξηγούν κάθε βήμα
|
|
|
- **Απλό, ευανάγνωστο κώδικα** που δείχνει μία έννοια τη φορά
|
|
|
- **Πραγματικό πλαίσιο** για να κατανοήσετε πότε και γιατί να χρησιμοποιήσετε αυτές τις τεχνικές
|
|
|
- **Αναμενόμενη έξοδο** ώστε να ξέρετε τι να περιμένετε
|
|
|
|
|
|
## 🚀 Ξεκινώντας
|
|
|
|
|
|
### Προαπαιτούμενα
|
|
|
Πριν εκτελέσετε αυτά τα παραδείγματα, βεβαιωθείτε ότι έχετε:
|
|
|
- Εγκατεστημένη την Python 3.7 ή νεότερη έκδοση
|
|
|
- Βασική κατανόηση του πώς να εκτελείτε Python scripts
|
|
|
|
|
|
### Εγκατάσταση Απαραίτητων Βιβλιοθηκών
|
|
|
```bash
|
|
|
pip install pandas numpy matplotlib
|
|
|
```
|
|
|
|
|
|
## 📖 Επισκόπηση Παραδειγμάτων
|
|
|
|
|
|
### 1. Hello World - Στυλ Επιστήμης Δεδομένων
|
|
|
**Αρχείο:** `01_hello_world_data_science.py`
|
|
|
|
|
|
Το πρώτο σας πρόγραμμα επιστήμης δεδομένων! Μάθετε πώς να:
|
|
|
- Φορτώσετε ένα απλό σύνολο δεδομένων
|
|
|
- Εμφανίσετε βασικές πληροφορίες για τα δεδομένα σας
|
|
|
- Εκτυπώσετε την πρώτη σας έξοδο επιστήμης δεδομένων
|
|
|
|
|
|
Ιδανικό για απόλυτους αρχάριους που θέλουν να δουν το πρώτο τους πρόγραμμα επιστήμης δεδομένων σε δράση.
|
|
|
|
|
|
---
|
|
|
|
|
|
### 2. Φόρτωση και Εξερεύνηση Δεδομένων
|
|
|
**Αρχείο:** `02_loading_data.py`
|
|
|
|
|
|
Μάθετε τα βασικά της εργασίας με δεδομένα:
|
|
|
- Διαβάστε δεδομένα από αρχεία CSV
|
|
|
- Δείτε τις πρώτες γραμμές του συνόλου δεδομένων σας
|
|
|
- Λάβετε βασικές στατιστικές πληροφορίες για τα δεδομένα σας
|
|
|
- Κατανοήστε τους τύπους δεδομένων
|
|
|
|
|
|
Αυτό είναι συχνά το πρώτο βήμα σε οποιοδήποτε έργο επιστήμης δεδομένων!
|
|
|
|
|
|
---
|
|
|
|
|
|
### 3. Απλή Ανάλυση Δεδομένων
|
|
|
**Αρχείο:** `03_simple_analysis.py`
|
|
|
|
|
|
Εκτελέστε την πρώτη σας ανάλυση δεδομένων:
|
|
|
- Υπολογίστε βασικές στατιστικές (μέσος όρος, διάμεσος, επικρατούσα τιμή)
|
|
|
- Βρείτε μέγιστες και ελάχιστες τιμές
|
|
|
- Μετρήστε τις εμφανίσεις τιμών
|
|
|
- Φιλτράρετε δεδομένα βάσει συνθηκών
|
|
|
|
|
|
Δείτε πώς να απαντήσετε σε απλές ερωτήσεις για τα δεδομένα σας.
|
|
|
|
|
|
---
|
|
|
|
|
|
### 4. Βασικά της Οπτικοποίησης Δεδομένων
|
|
|
**Αρχείο:** `04_basic_visualization.py`
|
|
|
|
|
|
Δημιουργήστε τις πρώτες σας οπτικοποιήσεις:
|
|
|
- Φτιάξτε ένα απλό γράφημα μπάρας
|
|
|
- Δημιουργήστε ένα διάγραμμα γραμμών
|
|
|
- Παράγετε ένα κυκλικό διάγραμμα
|
|
|
- Αποθηκεύστε τις οπτικοποιήσεις σας ως εικόνες
|
|
|
|
|
|
Μάθετε να επικοινωνείτε τα ευρήματά σας οπτικά!
|
|
|
|
|
|
---
|
|
|
|
|
|
### 5. Εργασία με Πραγματικά Δεδομένα
|
|
|
**Αρχείο:** `05_real_world_example.py`
|
|
|
|
|
|
Συνδυάστε τα όλα με ένα πλήρες παράδειγμα:
|
|
|
- Φορτώστε πραγματικά δεδομένα από το αποθετήριο
|
|
|
- Καθαρίστε και προετοιμάστε τα δεδομένα
|
|
|
- Εκτελέστε ανάλυση
|
|
|
- Δημιουργήστε ουσιαστικές οπτικοποιήσεις
|
|
|
- Βγάλτε συμπεράσματα
|
|
|
|
|
|
Αυτό το παράδειγμα σας δείχνει μια πλήρη ροή εργασίας από την αρχή μέχρι το τέλος.
|
|
|
|
|
|
---
|
|
|
|
|
|
## 🎯 Πώς να Χρησιμοποιήσετε Αυτά τα Παραδείγματα
|
|
|
|
|
|
1. **Ξεκινήστε από την αρχή**: Τα παραδείγματα είναι αριθμημένα με σειρά δυσκολίας. Ξεκινήστε με το `01_hello_world_data_science.py` και προχωρήστε σταδιακά.
|
|
|
|
|
|
2. **Διαβάστε τα σχόλια**: Κάθε αρχείο έχει λεπτομερή σχόλια που εξηγούν τι κάνει ο κώδικας και γιατί. Διαβάστε τα προσεκτικά!
|
|
|
|
|
|
3. **Πειραματιστείτε**: Δοκιμάστε να τροποποιήσετε τον κώδικα. Τι συμβαίνει αν αλλάξετε μια τιμή; Σπάστε τα πράγματα και διορθώστε τα - έτσι μαθαίνετε!
|
|
|
|
|
|
4. **Εκτελέστε τον κώδικα**: Εκτελέστε κάθε παράδειγμα και παρατηρήστε την έξοδο. Συγκρίνετέ την με αυτό που περιμένατε.
|
|
|
|
|
|
5. **Επεκτείνετε το παράδειγμα**: Μόλις κατανοήσετε ένα παράδειγμα, δοκιμάστε να το επεκτείνετε με τις δικές σας ιδέες.
|
|
|
|
|
|
## 💡 Συμβουλές για Αρχάριους
|
|
|
|
|
|
- **Μην βιάζεστε**: Αφιερώστε χρόνο για να κατανοήσετε κάθε παράδειγμα πριν προχωρήσετε στο επόμενο
|
|
|
- **Πληκτρολογήστε τον κώδικα μόνοι σας**: Μην κάνετε απλώς αντιγραφή-επικόλληση. Η πληκτρολόγηση σας βοηθά να μάθετε και να θυμάστε
|
|
|
- **Αναζητήστε άγνωστες έννοιες**: Αν δείτε κάτι που δεν καταλαβαίνετε, ψάξτε το στο διαδίκτυο ή στα κύρια μαθήματα
|
|
|
- **Κάντε ερωτήσεις**: Εγγραφείτε στο [φόρουμ συζητήσεων](https://github.com/microsoft/Data-Science-For-Beginners/discussions) αν χρειάζεστε βοήθεια
|
|
|
- **Εξασκηθείτε τακτικά**: Προσπαθήστε να γράφετε κώδικα λίγο κάθε μέρα αντί για μεγάλες συνεδρίες μία φορά την εβδομάδα
|
|
|
|
|
|
## 🔗 Επόμενα Βήματα
|
|
|
|
|
|
Αφού ολοκληρώσετε αυτά τα παραδείγματα, είστε έτοιμοι να:
|
|
|
- Εργαστείτε στα κύρια μαθήματα του προγράμματος σπουδών
|
|
|
- Δοκιμάσετε τις ασκήσεις σε κάθε φάκελο μαθήματος
|
|
|
- Εξερευνήσετε τα Jupyter notebooks για πιο εις βάθος μάθηση
|
|
|
- Δημιουργήσετε τα δικά σας έργα επιστήμης δεδομένων
|
|
|
|
|
|
## 📚 Πρόσθετοι Πόροι
|
|
|
|
|
|
- [Κύριο Πρόγραμμα Σπουδών](../README.md) - Το πλήρες μάθημα 20 μαθημάτων
|
|
|
- [Για Εκπαιδευτικούς](../for-teachers.md) - Χρήση αυτού του προγράμματος σπουδών στην τάξη σας
|
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - Δωρεάν διαδικτυακοί πόροι μάθησης
|
|
|
- [Τεκμηρίωση Python](https://docs.python.org/3/) - Επίσημη αναφορά Python
|
|
|
|
|
|
## 🤝 Συνεισφορά
|
|
|
|
|
|
Βρήκατε κάποιο σφάλμα ή έχετε μια ιδέα για ένα νέο παράδειγμα; Καλωσορίζουμε τις συνεισφορές! Δείτε τον [Οδηγό Συνεισφοράς](../CONTRIBUTING.md).
|
|
|
|
|
|
---
|
|
|
|
|
|
**Καλή Μάθηση! 🎉**
|
|
|
|
|
|
Θυμηθείτε: Κάθε ειδικός υπήρξε κάποτε αρχάριος. Προχωρήστε βήμα-βήμα και μην φοβάστε να κάνετε λάθη - είναι μέρος της διαδικασίας μάθησης!
|
|
|
|
|
|
---
|
|
|
|
|
|
**Αποποίηση ευθύνης**:
|
|
|
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης. |
