History

leestott 57edd69619 🌐 Update translations via Co-op Translator		3 months ago
..
README.md	🌐 Update translations via Co-op Translator	3 months ago

README.md

Příklady pro začátečníky v datové vědě

Vítejte v adresáři příkladů! Tato sbírka jednoduchých, dobře okomentovaných příkladů je navržena tak, aby vám pomohla začít s datovou vědou, i když jste úplný začátečník.

📚 Co zde najdete

Každý příklad je samostatný a obsahuje:

Jasné komentáře vysvětlující každý krok
Jednoduchý, čitelný kód, který demonstruje jeden koncept najednou
Reálný kontext, který vám pomůže pochopit, kdy a proč tyto techniky použít
Očekávaný výstup, abyste věděli, co hledat

🚀 Jak začít

Předpoklady

Než spustíte tyto příklady, ujistěte se, že máte:

Nainstalovaný Python 3.7 nebo vyšší
Základní znalosti o tom, jak spouštět Python skripty

Instalace potřebných knihoven

pip install pandas numpy matplotlib

📖 Přehled příkladů

1. Hello World - styl datové vědy

Soubor: 01_hello_world_data_science.py

Váš první program v datové vědě! Naučíte se:

Načíst jednoduchý dataset
Zobrazit základní informace o vašich datech
Vytisknout váš první výstup z datové vědy

Ideální pro úplné začátečníky, kteří chtějí vidět svůj první program v datové vědě v akci.

2. Načítání a zkoumání dat

Soubor: 02_loading_data.py

Naučte se základy práce s daty:

Čtení dat z CSV souborů
Zobrazení prvních několika řádků vašeho datasetu
Získání základních statistik o vašich datech
Porozumění datovým typům

Toto je často první krok v jakémkoli projektu datové vědy!

3. Jednoduchá analýza dat

Soubor: 03_simple_analysis.py

Proveďte svou první analýzu dat:

Vypočítejte základní statistiky (průměr, medián, modus)
Najděte maximální a minimální hodnoty
Spočítejte výskyty hodnot
Filtrování dat na základě podmínek

Zjistěte, jak odpovědět na jednoduché otázky o vašich datech.

4. Základy vizualizace dat

Soubor: 04_basic_visualization.py

Vytvořte své první vizualizace:

Vytvořte jednoduchý sloupcový graf
Vytvořte čárový graf
Generujte koláčový graf
Uložte své vizualizace jako obrázky

Naučte se vizuálně komunikovat své poznatky!

5. Práce s reálnými daty

Soubor: 05_real_world_example.py

Spojte vše dohromady v kompletním příkladu:

Načtěte reálná data z repozitáře
Vyčistěte a připravte data
Proveďte analýzu
Vytvořte smysluplné vizualizace
Vyvoďte závěry

Tento příklad vám ukáže kompletní pracovní postup od začátku do konce.

🎯 Jak používat tyto příklady

Začněte od začátku: Příklady jsou očíslovány podle obtížnosti. Začněte s 01_hello_world_data_science.py a postupujte dál.
Čtěte komentáře: Každý soubor obsahuje podrobné komentáře vysvětlující, co kód dělá a proč. Čtěte je pozorně!
Experimentujte: Zkuste upravit kód. Co se stane, když změníte hodnotu? Rozbijte věci a opravte je - tak se učíte!
Spusťte kód: Spusťte každý příklad a sledujte výstup. Porovnejte ho s tím, co jste očekávali.
Rozšiřte ho: Jakmile pochopíte příklad, zkuste ho rozšířit svými vlastními nápady.

💡 Tipy pro začátečníky

Nespěchejte: Věnujte čas pochopení každého příkladu, než přejdete k dalšímu
Pište kód sami: Nekopírujte jen kód. Psání vám pomůže se učit a zapamatovat si
Vyhledejte neznámé koncepty: Pokud narazíte na něco, čemu nerozumíte, vyhledejte to online nebo v hlavních lekcích
Ptejte se: Připojte se k diskusnímu fóru, pokud potřebujete pomoc
Pravidelně cvičte: Snažte se kódovat trochu každý den, místo dlouhých sezení jednou týdně

🔗 Další kroky

Po dokončení těchto příkladů jste připraveni:

Projít hlavní lekce kurikula
Vyzkoušet úkoly v každé složce lekce
Prozkoumat Jupyter notebooky pro hlubší učení
Vytvořit své vlastní projekty v datové vědě

📚 Další zdroje

Hlavní kurikulum - Kompletní kurz o 20 lekcích
Pro učitele - Použití tohoto kurikula ve třídě
Microsoft Learn - Bezplatné online vzdělávací zdroje
Dokumentace Pythonu - Oficiální reference Pythonu

🤝 Přispívání

Našli jste chybu nebo máte nápad na nový příklad? Uvítáme příspěvky! Podívejte se na náš Průvodce přispíváním.

Šťastné učení! 🎉

Pamatujte: Každý expert byl kdysi začátečník. Postupujte krok za krokem a nebojte se dělat chyby - jsou součástí procesu učení!

Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho rodném jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.