Data-Science-For-Beginners/translations/cs

Data Science pro začátečníky - Kurikulum

Azure Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 10týdenní, 20lekční kurikulum věnované Data Science. Každá lekce obsahuje před- a po-lekční kvízy, písemné instrukce k dokončení lekce, řešení a úkol. Naše projektově orientovaná pedagogika vám umožní učit se při budování, což je osvědčený způsob, jak si nové dovednosti zapamatovat.

Upřímné díky našim autorům: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Zvláštní poděkování 🙏 našim Microsoft Student Ambassador autorům, recenzentům a přispěvatelům obsahu, zejména Aaryan Arora, Aditya Garg, Alondra Sanchez, Ankita Singh, Anupam Mishra, Arpita Das, ChhailBihari Dubey, Dibri Nsofor, Dishita Bhasin, Majd Safi, Max Blum, Miguel Correa, Mohamma Iftekher (Iftu) Ebne Jalal, Nawrin Tabassum, Raymond Wangsa Putra, Rohit Yadav, Samridhi Sharma, Sanya Sinha, Sheena Narula, Tauqeer Ahmad, Yogendrasingh Pawar , Vidushi Gupta, Jasleen Sondhi

Data Science pro začátečníky - Sketchnote od @nitya

🌐 Podpora více jazyků

Podporováno pomocí GitHub Action (automatizováno a vždy aktuální)

Arabština | Bengálština | Bulharština | Barmsky (Myanmar) | Čínština (zjednodušená) | Čínština (tradiční, Hong Kong) | Čínština (tradiční, Macau) | Čínština (tradiční, Taiwan) | Chorvatština | Čeština | Dánština | Nizozemština | Estonština | Finština | Francouzština | Němčina | Řečtina | Hebrejština | Hindština | Maďarština | Indonéština | Italština | Japonština | Kannada | Korejština | Litevština | Malajština | Malajalámština | Maráthština | Nepálština | Nigerijský pidžin | Norština | Perština (Farsi) | Polština | Portugalština (Brazílie) | Portugalština (Portugalsko) | Paňdžábština (Gurmukhi) | Rumunština | Ruština | Srbština (cyrilice) | Slovenština | Slovinština | Španělština | Svahilština | Švédština | Tagalog (Filipíny) | Tamilština | Telugština | Thajština | Turečtina | Ukrajinština | Urdu | Vietnamština

Radši klonovat lokálně?

Tento repozitář obsahuje 50+ jazykových překladů, což výrazně zvětšuje velikost stahování. Pro klonování bez překladů použijte sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

To vám poskytne vše potřebné ke zvládnutí kurzu s mnohem rychlejším stažením.

Pokud chcete podporu dalších jazyků, jsou seznam podporovaných jazyků uveden zde

Přidejte se k naší komunitě

Máme probíhající sérii „Learn with AI“ na Discordu, dozvíte se více a připojte se na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro Data Science.

Jste student?

Začněte s následujícími zdroji:

• Stránka Student Hub Na této stránce najdete zdroje pro začátečníky, studentské balíčky a dokonce i způsoby, jak získat bezplatný certifikační voucher. Tuto stránku si chcete uložit do záložek a čas od času ji kontrolovat, protože obsah měníme alespoň každý měsíc.
• Microsoft Learn Student Ambassadors Připojte se k celosvětové komunitě studentských velvyslanců, může to být vaše cesta do Microsoftu.

Začínáme

📚 Dokumentace

• Průvodce instalací - Krok za krokem instrukce pro začátečníky
• Průvodce používáním - Příklady a běžné pracovní postupy
• Řešení problémů - Řešení běžných problémů
• Příručka přispěvatelů - Jak přispívat do tohoto projektu
• Pro učitele - Pokyny pro výuku a zdroje do tříd

👨‍🎓 Pro studenty

Úplní začátečníci: Noví v oblasti data science? Začněte s našimi příklady vhodnými pro začátečníky! Tyto jednoduché, dobře komentované příklady vám pomohou pochopit základy před tím, než se pustíte do celého kurikula. Studenti: pro samostatné užití tohoto kurikula, forkněte celý repozitář a dokončujte cvičení sami, začněte přednáškovým kvízem. Potom si přečtěte přednášku a dokončete ostatní aktivity. Snažte se projekty vytvářet na základě pochopení lekcí, nikoli pouze kopírováním kódu řešení; kód však najdete ve složkách /solutions v každé lekci orientované na projekt. Další možností je vytvořit studijní skupinu s přáteli a projít obsah spolu. Pro další studium doporučujeme Microsoft Learn.

Rychlý start:

1. Podívejte se na Průvodce instalací k nastavení prostředí
2. Prostudujte Průvodce používáním, jak s kurikulem pracovat
3. Začněte Lekcí 1 a pokračujte postupně
4. Připojte se k naší Discord komunitě pro podporu

👩‍🏫 Pro učitele

Učitelé: zahrnuli jsme několik návrhů, jak tento učební plán používat. Budeme rádi za vaši zpětnou vazbu v našem diskusním fóru!

Seznamte se s týmem

Gif od Mohit Jaisal

🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!

Pedagogika

Při tvorbě tohoto učebního plánu jsme zvolili dvě pedagogické zásady: zajistit, aby byl založen na projektech, a zahrnout časté kvízy. Na konci tohoto cyklu se studenti naučí základní principy datové vědy, včetně etických konceptů, přípravy dat, různých způsobů práce s daty, vizualizace dat, analýzy dat, reálných případů použití datové vědy a mnohem více.

Navíc nízkorizikový kvíz před hodinou nastavuje záměr studenta k naučení tématu, zatímco druhý kvíz po hodině zajišťuje další zapamatování. Tento učební plán byl navržen tak, aby byl flexibilní a zábavný a může být absolvován celý nebo zčásti. Projekty začínají jednoduše a postupně se během 10týdenního cyklu stávají složitějšími.

Najděte náš Kodex chování, Příspěvky, Překlady a pravidla. Vítáme vaše konstruktivní připomínky!

Každá lekce obsahuje:

• Nepovinnou sketchnotu
• Nepovinné doplňkové video
• Zahřívací kvíz před lekcí
• Písemnou lekci
• U projektových lekcí krok za krokem návody, jak projekt vybudovat
• Kontroly znalostí
• Výzvu
• Doplňující čtení
• Zadání
• Kvíz po lekci

Poznámka o kvízech: Všechny kvízy jsou v adresáři Quiz-App, celkem 40 kvízů po třech otázkách. Jsou propojeny v lekcích, ale quiz app lze spustit lokálně nebo nasadit do Azure; postupujte podle pokynů v složce quiz-app. Kvízy jsou postupně lokalizovány.

🎓 Příklady vhodné pro začátečníky

Jste nováček v datové vědě? Vytvořili jsme speciální adresář příkladů s jednoduchým, dobře okomentovaným kódem, který vám pomůže začít:

• 🌟 Hello World – váš první program v datové vědě
• 📂 Načítání dat – naučte se číst a zkoumat datové sady
• 📊 Jednoduchá analýza – vypočítejte statistiky a hledejte vzory
• 📈 Základní vizualizace – vytvářejte grafy a diagramy
• 🔬 Projekt z reálného světa – kompletní pracovní postup od začátku do konce

Každý příklad obsahuje podrobné komentáře vysvětlující každý krok, což je ideální pro úplné začátečníky!

👉 Začněte s příklady 👈

Lekce

Datová věda pro začátečníky: Plán cesty - Sketchnota od @nitya

Číslo lekce	Téma	Skupina lekcí	Vzdělávací cíle	Propojená lekce	Autor
01	Definování datové vědy	Úvod	Naučit se základní koncepty datové vědy a jak souvisí s umělou inteligencí, strojovým učením a big data.	lekce video	Dmitry
02	Etika datové vědy	Úvod	Koncepty, výzvy a rámce etiky dat.	lekce	Nitya
03	Definování dat	Úvod	Jak se data klasifikují a jaké jsou jejich běžné zdroje.	lekce	Jasmine
04	Úvod do statistiky a pravděpodobnosti	Úvod	Matematické techniky pravděpodobnosti a statistiky pro pochopení dat.	lekce video	Dmitry
05	Práce s relačními daty	Práce s daty	Úvod do relačních dat a základy prozkoumávání a analýzy relačních dat pomocí jazyka SQL (Structured Query Language, vyslovuje se „si-kvel“).	lekce	Christopher
06	Práce s NoSQL daty	Práce s daty	Úvod do nereálnací (NoSQL) dat, jejich typů a základy prozkoumávání a analýzy dokumentových databází.	lekce	Jasmine
07	Práce s Pythonem	Práce s daty	Základy použití Pythonu pro průzkum dat s knihovnami jako Pandas. Doporučuje se základní znalost programování v Pythonu.	lekce video	Dmitry
08	Příprava dat	Práce s daty	Techniky čištění a transformace dat k řešení problémů s chybějícími, nepřesnými nebo neúplnými daty.	lekce	Jasmine
09	Vizualizace množství	Vizualizace dat	Naučte se používat Matplotlib pro vizualizaci dat ptáků 🦆	lekce	Jen
10	Vizualizace rozložení dat	Vizualizace dat	Vizualizace pozorování a trendů v rámci intervalu.	lekce	Jen
11	Vizualizace poměrů	Vizualizace dat	Vizualizace diskrétních a seskupených procent.	lekce	Jen
12	Vizualizace vztahů	Vizualizace dat	Vizualizace spojení a korelací mezi sadami dat a jejich proměnnými.	lekce	Jen
13	Smysluplné vizualizace	Vizualizace dat	Techniky a pokyny, jak udělat vizualizace cennými pro efektivní řešení problémů a získání poznatků.	lekce	Jen
14	Úvod do životního cyklu datové vědy	Životní cyklus	Úvod do životního cyklu datové vědy a jeho první krok získávání a vytahování dat.	lekce	Jasmine
15	Analýza	Životní cyklus	Fáze životního cyklu datové vědy zaměřená na techniky analýzy dat.	lekce	Jasmine
16	Komunikace	Životní cyklus	Fáze životního cyklu datové vědy zaměřená na prezentaci poznatků z dat tak, aby byly snadněji pochopitelné pro rozhodující osoby.	lekce	Jalen
17	Datová věda v cloudu	Data v cloudu	Tato série lekcí představuje datovou vědu v cloudu a její výhody.	lekce	Tiffany a Maud
18	Datová věda v cloudu	Data v cloudu	Trénování modelů pomocí nástrojů Low Code.	lekce	Tiffany a Maud
19	Datová věda v cloudu	Data v cloudu	Nasazení modelů pomocí Azure Machine Learning Studio.	lekce	Tiffany a Maud
20	Datová věda v praxi	V praxi	Projekty datové vědy v reálném světě.	lekce	Nitya

GitHub Codespaces

Postupujte podle těchto kroků pro otevření tohoto vzorku v Codespace:

1. Klikněte na rozbalovací menu Kód a vyberte možnost Otevřít v Codespaces.
2. Vyberte + Nový codespace ve spodní části panelu. Pro více informací si přečtěte dokumentaci GitHubu.

VSCode Remote - kontejnery

Postupujte podle těchto kroků pro otevření tohoto repozitáře v kontejneru pomocí vašeho lokálního počítače a VSCode s rozšířením VS Code Remote - Containers:

1. Pokud používáte vývojářský kontejner poprvé, ujistěte se, že váš systém splňuje předpoklady (např. má nainstalovaný Docker) v dokumentaci pro začátečníky.

Pro použití tohoto repozitáře můžete buď otevřít repozitář v izolovaném Docker svazku:

Poznámka: Pod kapotou bude použito příkazu Remote-Containers: Clone Repository in Container Volume... pro naklonování zdrojového kódu do Docker svazku místo lokálního souborového systému. Svazky jsou preferovaný mechanismus pro uchovávání dat kontejneru.

Nebo otevřete lokálně klonovanou či staženou verzi repozitáře:

• Naklonujte tento repozitář do svého lokálního souborového systému.
• Stiskněte F1 a vyberte příkaz Remote-Containers: Open Folder in Container....
• Vyberte klonovanou kopii této složky, počkejte na spuštění kontejneru a vyzkoušejte to.

Offline přístup

Tuto dokumentaci můžete spustit offline pomocí Docsify. Vytvořte fork tohoto repozitáře, nainstalujte Docsify na vašem počítači, poté zadejte v kořenové složce tohoto repozitáře příkaz docsify serve. Web bude servírován na portu 3000 na vaší localhost adrese: localhost:3000.

Poznámka, notebooky nebudou renderovány přes Docsify, takže když potřebujete spustit notebook, dělejte to zvlášť ve VS Code s běžícím Python kernel.

Další učební plány

Náš tým vytváří i další učební plány! Podívejte se na:

LangChain

Azure / Edge / MCP / Agenti

---

Série Generativní AI

---

Základní učení

---

Série Copilot

Získání pomoci

Máte problémy? Podívejte se na naši Příručku řešení problémů pro řešení běžných potíží.

Pokud uvíznete nebo máte jakékoli otázky ohledně tvorby AI aplikací, připojte se ke komunitě dalších studentů a zkušených vývojářů v diskusích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se volně sdílejí.

Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby během vývoje, navštivte:

---

Prohlášení o vyloučení odpovědnosti:
Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Přestože usilujeme o přesnost, mějte na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nepřebíráme odpovědnost za jakákoliv nedorozumění nebo chybné interpretace vyplývající z použití tohoto překladu.