|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "87f157ea00d36c1d12c14390d9852b50",
|
|
|
"translation_date": "2025-08-26T20:42:47+00:00",
|
|
|
"source_file": "for-teachers.md",
|
|
|
"language_code": "el"
|
|
|
}
|
|
|
-->
|
|
|
## Για Εκπαιδευτικούς
|
|
|
|
|
|
Θα θέλατε να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών στην τάξη σας; Μη διστάσετε!
|
|
|
|
|
|
Στην πραγματικότητα, μπορείτε να το χρησιμοποιήσετε απευθείας μέσα στο GitHub, χρησιμοποιώντας το GitHub Classroom.
|
|
|
|
|
|
Για να το κάνετε αυτό, κάντε fork αυτό το repo. Θα χρειαστεί να δημιουργήσετε ένα repo για κάθε μάθημα, οπότε θα χρειαστεί να εξαγάγετε κάθε φάκελο σε ξεχωριστό repo. Με αυτόν τον τρόπο, το [GitHub Classroom](https://classroom.github.com/classrooms) μπορεί να αναγνωρίσει κάθε μάθημα ξεχωριστά.
|
|
|
|
|
|
Αυτές οι [πλήρεις οδηγίες](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) θα σας δώσουν μια ιδέα για το πώς να οργανώσετε την τάξη σας.
|
|
|
|
|
|
## Χρήση του repo όπως είναι
|
|
|
|
|
|
Αν θέλετε να χρησιμοποιήσετε αυτό το repo όπως είναι, χωρίς να χρησιμοποιήσετε το GitHub Classroom, αυτό είναι επίσης εφικτό. Θα χρειαστεί να επικοινωνήσετε με τους μαθητές σας για να τους καθοδηγήσετε σχετικά με το ποιο μάθημα να δουλέψουν μαζί.
|
|
|
|
|
|
Σε μια διαδικτυακή μορφή (Zoom, Teams ή άλλο), μπορείτε να δημιουργήσετε ομάδες εργασίας για τα κουίζ και να καθοδηγήσετε τους μαθητές ώστε να προετοιμαστούν για τη μάθηση. Στη συνέχεια, προσκαλέστε τους μαθητές να συμμετάσχουν στα κουίζ και να υποβάλουν τις απαντήσεις τους ως 'issues' σε συγκεκριμένη ώρα. Μπορείτε να κάνετε το ίδιο και με τις εργασίες, αν θέλετε οι μαθητές να συνεργαστούν ανοιχτά.
|
|
|
|
|
|
Αν προτιμάτε μια πιο ιδιωτική μορφή, ζητήστε από τους μαθητές σας να κάνουν fork το πρόγραμμα σπουδών, μάθημα προς μάθημα, στα δικά τους ιδιωτικά repos στο GitHub και να σας δώσουν πρόσβαση. Έπειτα, μπορούν να ολοκληρώσουν τα κουίζ και τις εργασίες ιδιωτικά και να σας τα υποβάλουν μέσω issues στο repo της τάξης σας.
|
|
|
|
|
|
Υπάρχουν πολλοί τρόποι για να κάνετε αυτό να λειτουργήσει σε μια διαδικτυακή τάξη. Παρακαλούμε ενημερώστε μας τι λειτουργεί καλύτερα για εσάς!
|
|
|
|
|
|
## Περιλαμβάνονται σε αυτό το πρόγραμμα σπουδών:
|
|
|
|
|
|
20 μαθήματα, 40 κουίζ και 20 εργασίες. Σημειώσεις με σκίτσα συνοδεύουν τα μαθήματα για οπτικούς μαθητές. Πολλά μαθήματα είναι διαθέσιμα τόσο σε Python όσο και σε R και μπορούν να ολοκληρωθούν χρησιμοποιώντας Jupyter notebooks στο VS Code. Μάθετε περισσότερα για το πώς να οργανώσετε την τάξη σας για να χρησιμοποιήσετε αυτήν την τεχνολογική στοίβα: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
|
|
|
|
|
|
Όλες οι σημειώσεις με σκίτσα, συμπεριλαμβανομένου ενός μεγάλου αφίσας, βρίσκονται [σε αυτόν τον φάκελο](../../sketchnotes).
|
|
|
|
|
|
Ολόκληρο το πρόγραμμα σπουδών είναι διαθέσιμο [ως PDF](../../pdf/readme.pdf).
|
|
|
|
|
|
Μπορείτε επίσης να εκτελέσετε αυτό το πρόγραμμα σπουδών ως ανεξάρτητο, φιλικό προς offline web site χρησιμοποιώντας το [Docsify](https://docsify.js.org/#/). [Εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στον τοπικό σας υπολογιστή και, στη ρίζα του τοπικού αντιγράφου αυτού του repo, πληκτρολογήστε `docsify serve`. Ο ιστότοπος θα εξυπηρετηθεί στην πόρτα 3000 του localhost σας: `localhost:3000`.
|
|
|
|
|
|
Μια φιλική προς offline έκδοση του προγράμματος σπουδών θα ανοίξει ως ανεξάρτητη ιστοσελίδα: https://localhost:3000
|
|
|
|
|
|
Τα μαθήματα είναι οργανωμένα σε 6 μέρη:
|
|
|
|
|
|
- 1: Εισαγωγή
|
|
|
- 1: Ορισμός της Επιστήμης Δεδομένων
|
|
|
- 2: Ηθική
|
|
|
- 3: Ορισμός των Δεδομένων
|
|
|
- 4: Επισκόπηση Πιθανοτήτων και Στατιστικής
|
|
|
- 2: Εργασία με Δεδομένα
|
|
|
- 5: Σχεσιακές Βάσεις Δεδομένων
|
|
|
- 6: Μη Σχεσιακές Βάσεις Δεδομένων
|
|
|
- 7: Python
|
|
|
- 8: Προετοιμασία Δεδομένων
|
|
|
- 3: Οπτικοποίηση Δεδομένων
|
|
|
- 9: Οπτικοποίηση Ποσοτήτων
|
|
|
- 10: Οπτικοποίηση Κατανομών
|
|
|
- 11: Οπτικοποίηση Αναλογιών
|
|
|
- 12: Οπτικοποίηση Σχέσεων
|
|
|
- 13: Σημαντικές Οπτικοποιήσεις
|
|
|
- 4: Κύκλος Ζωής της Επιστήμης Δεδομένων
|
|
|
- 14: Εισαγωγή
|
|
|
- 15: Ανάλυση
|
|
|
- 16: Επικοινωνία
|
|
|
- 5: Επιστήμη Δεδομένων στο Cloud
|
|
|
- 17: Εισαγωγή
|
|
|
- 18: Επιλογές Χαμηλού Κώδικα
|
|
|
- 19: Azure
|
|
|
- 6: Επιστήμη Δεδομένων στην Πράξη
|
|
|
- 20: Επισκόπηση
|
|
|
|
|
|
## Παρακαλούμε δώστε μας τις σκέψεις σας!
|
|
|
|
|
|
Θέλουμε να κάνουμε αυτό το πρόγραμμα σπουδών να λειτουργήσει για εσάς και τους μαθητές σας. Παρακαλούμε δώστε μας σχόλια στους πίνακες συζητήσεων! Μη διστάσετε να δημιουργήσετε μια περιοχή τάξης στους πίνακες συζητήσεων για τους μαθητές σας.
|
|
|
|
|
|
---
|
|
|
|
|
|
**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 αυτοματοποιημένες 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. |
