18 KiB

Raw Permalink Blame History

Data Science for Begyndere - Et Curriculum

Azure Cloud Advocates hos Microsoft er glade for at kunne tilbyde et 10-ugers, 20-lektioners curriculum om Data Science. Hver lektion inkluderer quizzer før og efter lektionen, skriftlige instruktioner til at gennemføre lektionen, en løsning og en opgave. Vores projektbaserede tilgang giver dig mulighed for at lære, mens du bygger, en dokumenteret metode til at få nye færdigheder til at "sidde fast".

En stor tak til vores forfattere: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Særlig tak 🙏 til vores Microsoft Student Ambassador forfattere, anmeldere og indholdsbidragydere, især 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 for Begyndere - Sketchnote af @nitya

🌐 Flersproget Support

Understøttet via GitHub Action (Automatiseret & Altid Opdateret)

Hvis du ønsker yderligere oversættelser, er understøttede sprog listet her

Deltag i vores fællesskab

Er du studerende?

Kom i gang med følgende ressourcer:

Student Hub-side På denne side finder du ressourcer for begyndere, studenterpakker og endda måder at få en gratis certifikatvoucher. Dette er en side, du bør bogmærke og tjekke fra tid til anden, da vi skifter indhold mindst månedligt.
Microsoft Learn Student Ambassadors Deltag i et globalt fællesskab af studentambassadører, dette kan være din vej ind i Microsoft.

Kom godt i gang

Lærere: vi har inkluderet nogle forslag til, hvordan man bruger dette curriculum. Vi vil meget gerne høre din feedback i vores diskussionsforum!

Studerende: for at bruge dette curriculum på egen hånd, fork hele repoen og gennemfør øvelserne selv, startende med en quiz før lektionen. Læs derefter lektionen og gennemfør resten af aktiviteterne. Prøv at skabe projekterne ved at forstå lektionerne i stedet for at kopiere løsningskoden; dog er den kode tilgængelig i /solutions-mapperne i hver projektorienterede lektion. En anden idé kunne være at danne en studiegruppe med venner og gennemgå indholdet sammen. For yderligere studier anbefaler vi Microsoft Learn.

Mød Teamet

Gif af Mohit Jaisal

🎥 Klik på billedet ovenfor for at se en video om projektet og de personer, der skabte det!

Pædagogik

Vi har valgt to pædagogiske principper, mens vi byggede dette curriculum: at sikre, at det er projektbaseret, og at det inkluderer hyppige quizzer. Ved slutningen af denne serie vil studerende have lært grundlæggende principper for data science, herunder etiske koncepter, dataklargøring, forskellige måder at arbejde med data på, datavisualisering, dataanalyse, virkelige anvendelser af data science og mere.

Derudover sætter en lavrisikoquiz før en lektion intentionen hos den studerende mod at lære et emne, mens en anden quiz efter lektionen sikrer yderligere fastholdelse. Dette curriculum er designet til at være fleksibelt og sjovt og kan tages i sin helhed eller delvist. Projekterne starter små og bliver gradvist mere komplekse i løbet af de 10 uger.

Find vores Code of Conduct, Contributing, Translation retningslinjer. Vi værdsætter din konstruktive feedback!

Hver lektion inkluderer:

Valgfri sketchnote
Valgfri supplerende video
Opvarmningsquiz før lektionen
Skriftlig lektion
For projektbaserede lektioner, trin-for-trin guider til at bygge projektet
Videnschecks
En udfordring
Supplerende læsning
Opgave
Quiz efter lektionen

En note om quizzer: Alle quizzer findes i Quiz-App-mappen, i alt 40 quizzer med tre spørgsmål hver. De er linket fra lektionerne, men quiz-appen kan køres lokalt eller implementeres på Azure; følg instruktionerne i quiz-app-mappen. De bliver gradvist lokaliseret.

Lektioner


Data Science For Beginners: Roadmap - Sketchnote af @nitya

Lektion Nummer	Emne	Lektion Kategori	Læringsmål	Linket Lektion	Forfatter
01	Definition af Data Science	Introduktion	Lær de grundlæggende begreber bag data science, og hvordan det relaterer til kunstig intelligens, maskinlæring og big data.	lektion video	Dmitry
02	Data Science Etik	Introduktion	Begreber, udfordringer og rammer inden for dataetik.	lektion	Nitya
03	Definition af Data	Introduktion	Hvordan data klassificeres og deres almindelige kilder.	lektion	Jasmine
04	Introduktion til Statistik & Sandsynlighed	Introduktion	Matematiske teknikker inden for sandsynlighed og statistik til at forstå data.	lektion video	Dmitry
05	Arbejde med Relationelle Data	Arbejde med Data	Introduktion til relationelle data og grundlæggende udforskning og analyse af relationelle data med Structured Query Language, også kendt som SQL (udtales "see-quell").	lektion	Christopher
06	Arbejde med NoSQL Data	Arbejde med Data	Introduktion til ikke-relationelle data, deres forskellige typer og grundlæggende udforskning og analyse af dokumentdatabaser.	lektion	Jasmine
07	Arbejde med Python	Arbejde med Data	Grundlæggende brug af Python til dataudforskning med biblioteker som Pandas. Grundlæggende forståelse af Python-programmering anbefales.	lektion video	Dmitry
08	Dataklargøring	Arbejde med Data	Emner om datateknikker til at rense og transformere data for at håndtere udfordringer med manglende, unøjagtige eller ufuldstændige data.	lektion	Jasmine
09	Visualisering af Mængder	Datavisualisering	Lær at bruge Matplotlib til at visualisere fugledata 🦆	lektion	Jen
10	Visualisering af Datafordelinger	Datavisualisering	Visualisering af observationer og tendenser inden for et interval.	lektion	Jen
11	Visualisering af Proportioner	Datavisualisering	Visualisering af diskrete og grupperede procentdele.	lektion	Jen
12	Visualisering af Relationer	Datavisualisering	Visualisering af forbindelser og korrelationer mellem datasæt og deres variabler.	lektion	Jen
13	Meningsfulde Visualiseringer	Datavisualisering	Teknikker og vejledning til at gøre dine visualiseringer værdifulde for effektiv problemløsning og indsigt.	lektion	Jen
14	Introduktion til Data Science Livscyklus	Livscyklus	Introduktion til data science livscyklussen og dens første trin med at indsamle og udtrække data.	lektion	Jasmine
15	Analyse	Livscyklus	Denne fase af data science livscyklussen fokuserer på teknikker til at analysere data.	lektion	Jasmine
16	Kommunikation	Livscyklus	Denne fase af data science livscyklussen fokuserer på at præsentere indsigt fra data på en måde, der gør det lettere for beslutningstagere at forstå.	lektion	Jalen
17	Data Science i Skyen	Skydata	Denne serie af lektioner introducerer data science i skyen og dens fordele.	lektion	Tiffany og Maud
18	Data Science i Skyen	Skydata	Træning af modeller ved hjælp af Low Code-værktøjer.	lektion	Tiffany og Maud
19	Data Science i Skyen	Skydata	Implementering af modeller med Azure Machine Learning Studio.	lektion	Tiffany og Maud
20	Data Science i Praksis	I Praksis	Data science-drevne projekter i den virkelige verden.	lektion	Nitya

GitHub Codespaces

Følg disse trin for at åbne dette eksempel i en Codespace:

Klik på Code-rullemenuen, og vælg Open with Codespaces-indstillingen.
Vælg + New codespace nederst i panelet.
For mere info, se GitHub-dokumentationen.

VSCode Remote - Containers

Følg disse trin for at åbne dette repo i en container ved hjælp af din lokale maskine og VSCode med VS Code Remote - Containers-udvidelsen:

Hvis det er første gang, du bruger en udviklingscontainer, skal du sikre dig, at dit system opfylder forudsætningerne (dvs. have Docker installeret) i startvejledningen.

For at bruge dette repository kan du enten åbne det i et isoleret Docker-volumen:

Bemærk: Under motorhjelmen vil dette bruge Remote-Containers: Clone Repository in Container Volume...-kommandoen til at klone kildekoden i et Docker-volumen i stedet for det lokale filsystem. Volumener er den foretrukne mekanisme til at vedvarende containerdata.

Eller åbn en lokalt klonet eller downloadet version af repositoryet:

Klon dette repository til dit lokale filsystem.
Tryk på F1, og vælg Remote-Containers: Open Folder in Container...-kommandoen.
Vælg den klonede kopi af denne mappe, vent på, at containeren starter, og prøv tingene af.

Offline adgang

Du kan køre denne dokumentation offline ved hjælp af Docsify. Fork dette repo, installer Docsify på din lokale maskine, og skriv derefter docsify serve i rodmappen af dette repo. Hjemmesiden vil blive serveret på port 3000 på din localhost: localhost:3000.

Bemærk, notebooks vil ikke blive gengivet via Docsify, så når du har brug for at køre en notebook, skal du gøre det separat i VS Code, der kører en Python-kerne.

Andre Læseplaner

Vores team producerer andre læseplaner! Tjek:

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.

18 KiB Raw Permalink Blame History