9.0 KiB
สำหรับครูผู้สอน
คุณต้องการใช้หลักสูตรนี้ในห้องเรียนของคุณหรือไม่? ใช้ได้เลย!
ในความเป็นจริง คุณสามารถใช้มันผ่าน GitHub โดยใช้ GitHub Classroom
วิธีการคือ ให้คุณ fork repo นี้ คุณจะต้องสร้าง repo สำหรับแต่ละบทเรียน ดังนั้นคุณจะต้องแยกแต่ละโฟลเดอร์ออกเป็น repo แยกต่างหาก เพื่อให้ GitHub Classroom สามารถเลือกแต่ละบทเรียนได้อย่างอิสระ
คำแนะนำฉบับเต็ม นี้จะช่วยให้คุณเข้าใจวิธีการตั้งค่าห้องเรียนของคุณ
การใช้ repo ในรูปแบบปัจจุบัน
หากคุณต้องการใช้ repo นี้ในรูปแบบที่เป็นอยู่ โดยไม่ใช้ GitHub Classroom ก็สามารถทำได้เช่นกัน คุณจะต้องสื่อสารกับนักเรียนว่าควรทำงานในบทเรียนใดร่วมกัน
ในรูปแบบออนไลน์ (Zoom, Teams หรืออื่น ๆ) คุณอาจสร้างห้องย่อยสำหรับการทำแบบทดสอบ และช่วยแนะนำนักเรียนเพื่อเตรียมตัวเรียนรู้ จากนั้นเชิญนักเรียนเข้าทำแบบทดสอบและส่งคำตอบในรูปแบบ 'issues' ในเวลาที่กำหนด คุณอาจทำแบบเดียวกันกับงานที่มอบหมาย หากคุณต้องการให้นักเรียนทำงานร่วมกันในที่เปิดเผย
หากคุณต้องการรูปแบบที่เป็นส่วนตัวมากขึ้น ให้ขอให้นักเรียน fork หลักสูตรนี้ บทเรียนต่อบทเรียน ไปยัง repo GitHub ของพวกเขาเองในรูปแบบ private repo และให้สิทธิ์การเข้าถึงแก่คุณ จากนั้นพวกเขาสามารถทำแบบทดสอบและงานที่มอบหมายในรูปแบบส่วนตัว และส่งให้คุณผ่าน issues ใน repo ห้องเรียนของคุณ
มีหลายวิธีที่จะทำให้การเรียนการสอนในรูปแบบออนไลน์นี้ได้ผล กรุณาแจ้งให้เราทราบว่าวิธีใดที่เหมาะสมที่สุดสำหรับคุณ!
สิ่งที่รวมอยู่ในหลักสูตรนี้:
20 บทเรียน, 40 แบบทดสอบ, และ 20 งานที่มอบหมาย มีภาพสเก็ตโน้ตประกอบบทเรียนสำหรับผู้เรียนที่ชอบการเรียนรู้ด้วยภาพ บทเรียนหลายบทมีให้เลือกทั้งใน Python และ R และสามารถทำได้โดยใช้ Jupyter notebooks ใน VS Code เรียนรู้เพิ่มเติมเกี่ยวกับวิธีการตั้งค่าห้องเรียนของคุณเพื่อใช้เทคโนโลยีนี้: https://code.visualstudio.com/docs/datascience/jupyter-notebooks
ภาพสเก็ตโน้ตทั้งหมด รวมถึงโปสเตอร์ขนาดใหญ่ อยู่ใน โฟลเดอร์นี้
หลักสูตรทั้งหมดมีให้ในรูปแบบ PDF
คุณยังสามารถเรียกใช้หลักสูตรนี้ในรูปแบบเว็บไซต์ที่ใช้งานแบบออฟไลน์ได้โดยใช้ Docsify ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์ root ของ repo ที่คุณคัดลอกมา ให้พิมพ์ docsify serve เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บน localhost ของคุณ: localhost:3000
เวอร์ชันที่ใช้งานแบบออฟไลน์ของหลักสูตรจะเปิดในรูปแบบหน้าเว็บแบบ standalone: https://localhost:3000
บทเรียนถูกจัดกลุ่มเป็น 6 ส่วน:
- 1: บทนำ
- 1: การนิยามวิทยาศาสตร์ข้อมูล
- 2: จริยธรรม
- 3: การนิยามข้อมูล
- 4: ภาพรวมของความน่าจะเป็นและสถิติ
- 2: การทำงานกับข้อมูล
- 5: ฐานข้อมูลเชิงสัมพันธ์
- 6: ฐานข้อมูลที่ไม่ใช่เชิงสัมพันธ์
- 7: Python
- 8: การเตรียมข้อมูล
- 3: การแสดงผลข้อมูล
- 9: การแสดงผลปริมาณ
- 10: การแสดงผลการกระจาย
- 11: การแสดงผลสัดส่วน
- 12: การแสดงผลความสัมพันธ์
- 13: การแสดงผลที่มีความหมาย
- 4: วงจรชีวิตของวิทยาศาสตร์ข้อมูล
- 14: บทนำ
- 15: การวิเคราะห์
- 16: การสื่อสาร
- 5: วิทยาศาสตร์ข้อมูลในระบบคลาวด์
- 17: บทนำ
- 18: ตัวเลือกที่ใช้โค้ดน้อย
- 19: Azure
- 6: วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง
- 20: ภาพรวม
กรุณาให้ความคิดเห็นของคุณ!
เราต้องการทำให้หลักสูตรนี้เหมาะสมกับคุณและนักเรียนของคุณ กรุณาให้ข้อเสนอแนะในกระดานสนทนา! คุณสามารถสร้างพื้นที่ห้องเรียนในกระดานสนทนาเพื่อให้นักเรียนของคุณใช้งานได้
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามอย่างเต็มที่เพื่อให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้