19 KiB

Raw Permalink Blame History Unescape Escape

Datenwissenschaft für Anfänger – Ein Lehrplan

Azure Cloud Advocates bei Microsoft freuen sich, einen 10-wöchigen, 20-Lektionen umfassenden Lehrplan rund um Datenwissenschaft anzubieten. Jede Lektion enthält Quizfragen vor und nach der Lektion, schriftliche Anleitungen zur Durchführung der Lektion, eine Lösung und eine Aufgabe. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, durch praktisches Arbeiten zu lernen – eine bewährte Methode, um neue Fähigkeiten nachhaltig zu erlernen.

Ein herzliches Dankeschön an unsere Autor*innen: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador-Autorinnen, Prüferinnen und Inhaltsbeitragende, insbesondere 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


Datenwissenschaft für Anfänger – Sketchnote von @nitya

🌐 Mehrsprachige Unterstützung

Unterstützt durch GitHub Action (Automatisiert & Immer aktuell)

Falls Sie zusätzliche Übersetzungen wünschen, finden Sie die unterstützten Sprachen hier

Treten Sie unserer Community bei

Sind Sie eine Schülerin oder Student*in?

Starten Sie mit den folgenden Ressourcen:

Student Hub-Seite Auf dieser Seite finden Sie Ressourcen für Anfängerinnen, Studentinnenpakete und sogar Möglichkeiten, einen kostenlosen Zertifizierungsgutschein zu erhalten. Diese Seite sollten Sie sich als Lesezeichen speichern und regelmäßig besuchen, da wir den Inhalt mindestens monatlich aktualisieren.
Microsoft Learn Student Ambassadors Treten Sie einer globalen Community von Studentinnenbotschafterinnen bei – dies könnte Ihr Einstieg bei Microsoft sein.

Erste Schritte

Lehrer*innen: Wir haben einige Vorschläge hinzugefügt, wie Sie diesen Lehrplan nutzen können. Wir freuen uns über Ihr Feedback in unserem Diskussionsforum!

Schülerinnen/Studentinnen: Um diesen Lehrplan eigenständig zu nutzen, forken Sie das gesamte Repository und bearbeiten Sie die Übungen selbstständig, beginnend mit einem Quiz vor der Lektion. Lesen Sie dann die Lektion und führen Sie die restlichen Aktivitäten durch. Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt den Lösungscode zu kopieren; dieser ist jedoch in den /solutions-Ordnern jeder projektorientierten Lektion verfügbar. Eine weitere Idee wäre, eine Lerngruppe mit Freund*innen zu bilden und den Inhalt gemeinsam durchzugehen. Für weiterführendes Lernen empfehlen wir Microsoft Learn.

Lernen Sie das Team kennen

Gif von Mohit Jaisal

🎥 Klicken Sie auf das Bild oben, um ein Video über das Projekt und die Personen, die es erstellt haben, anzusehen!

Pädagogik

Wir haben zwei pädagogische Grundsätze bei der Erstellung dieses Lehrplans gewählt: sicherzustellen, dass er projektbasiert ist, und häufige Quizfragen einzubinden. Am Ende dieser Serie werden die Schüler*innen grundlegende Prinzipien der Datenwissenschaft gelernt haben, einschließlich ethischer Konzepte, Datenvorbereitung, verschiedener Arbeitsweisen mit Daten, Datenvisualisierung, Datenanalyse, realer Anwendungsfälle der Datenwissenschaft und mehr.

Darüber hinaus setzt ein niedrigschwelliges Quiz vor einer Lektion die Intention der Schüler*innen, ein Thema zu lernen, während ein zweites Quiz nach der Lektion das Gelernte weiter festigt. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise genutzt werden kann. Die Projekte beginnen klein und werden im Laufe des 10-wöchigen Zyklus zunehmend komplexer.

Finden Sie unseren Verhaltenskodex, Beitragsrichtlinien, Übersetzungsrichtlinien. Wir freuen uns über Ihr konstruktives Feedback!

Jede Lektion beinhaltet:

Optionale Sketchnote
Optionales ergänzendes Video
Warm-up-Quiz vor der Lektion
Geschriebene Lektion
Für projektbasierte Lektionen: Schritt-für-Schritt-Anleitungen zum Erstellen des Projekts
Wissensüberprüfungen
Eine Herausforderung
Ergänzende Lektüre
Aufgabe
Quiz nach der Lektion

Eine Anmerkung zu den Quizfragen: Alle Quizfragen befinden sich im Ordner Quiz-App, insgesamt 40 Quizfragen mit jeweils drei Fragen. Sie sind in den Lektionen verlinkt, aber die Quiz-App kann lokal oder auf Azure ausgeführt werden; folgen Sie den Anweisungen im quiz-app-Ordner. Sie werden nach und nach lokalisiert.

Lektionen


Data Science für Anfänger: Roadmap - Sketchnote von @nitya

Lektion Nummer	Thema	Lektion Gruppierung	Lernziele	Verlinkte Lektion	Autor
01	Definition von Data Science	Einführung	Lernen Sie die grundlegenden Konzepte der Data Science und wie sie mit künstlicher Intelligenz, maschinellem Lernen und Big Data zusammenhängt.	Lektion Video	Dmitry
02	Ethik in der Data Science	Einführung	Konzepte, Herausforderungen und Rahmenbedingungen der Datenethik.	Lektion	Nitya
03	Definition von Daten	Einführung	Wie Daten klassifiziert werden und ihre häufigsten Quellen.	Lektion	Jasmine
04	Einführung in Statistik und Wahrscheinlichkeit	Einführung	Die mathematischen Techniken der Wahrscheinlichkeit und Statistik, um Daten zu verstehen.	Lektion Video	Dmitry
05	Arbeiten mit relationalen Daten	Arbeiten mit Daten	Einführung in relationale Daten und die Grundlagen der Exploration und Analyse relationaler Daten mit der Structured Query Language, auch bekannt als SQL (ausgesprochen „see-quell“).	Lektion	Christopher
06	Arbeiten mit NoSQL-Daten	Arbeiten mit Daten	Einführung in nicht-relationale Daten, ihre verschiedenen Typen und die Grundlagen der Exploration und Analyse von Dokumentdatenbanken.	Lektion	Jasmine
07	Arbeiten mit Python	Arbeiten mit Daten	Grundlagen der Verwendung von Python zur Datenexploration mit Bibliotheken wie Pandas. Grundlegendes Verständnis der Python-Programmierung wird empfohlen.	Lektion Video	Dmitry
08	Datenvorbereitung	Arbeiten mit Daten	Themen zu Datentechniken für das Bereinigen und Transformieren von Daten, um Herausforderungen wie fehlende, ungenaue oder unvollständige Daten zu bewältigen.	Lektion	Jasmine
09	Visualisierung von Mengen	Datenvisualisierung	Lernen Sie, wie Sie Matplotlib verwenden, um Vogeldaten 🦆 zu visualisieren.	Lektion	Jen
10	Visualisierung von Datenverteilungen	Datenvisualisierung	Beobachtungen und Trends innerhalb eines Intervalls visualisieren.	Lektion	Jen
11	Visualisierung von Proportionen	Datenvisualisierung	Diskrete und gruppierte Prozentsätze visualisieren.	Lektion	Jen
12	Visualisierung von Beziehungen	Datenvisualisierung	Verbindungen und Korrelationen zwischen Datensätzen und ihren Variablen visualisieren.	Lektion	Jen
13	Sinnvolle Visualisierungen	Datenvisualisierung	Techniken und Leitlinien, um Ihre Visualisierungen wertvoll für effektive Problemlösungen und Erkenntnisse zu machen.	Lektion	Jen
14	Einführung in den Data Science-Lebenszyklus	Lebenszyklus	Einführung in den Data Science-Lebenszyklus und seinen ersten Schritt: Daten erfassen und extrahieren.	Lektion	Jasmine
15	Analyse	Lebenszyklus	Diese Phase des Data Science-Lebenszyklus konzentriert sich auf Techniken zur Datenanalyse.	Lektion	Jasmine
16	Kommunikation	Lebenszyklus	Diese Phase des Data Science-Lebenszyklus konzentriert sich darauf, die Erkenntnisse aus den Daten so zu präsentieren, dass Entscheidungsträger sie leichter verstehen können.	Lektion	Jalen
17	Data Science in der Cloud	Cloud-Daten	Diese Serie von Lektionen führt in Data Science in der Cloud und ihre Vorteile ein.	Lektion	Tiffany und Maud
18	Data Science in der Cloud	Cloud-Daten	Modelle mit Low-Code-Tools trainieren.	Lektion	Tiffany und Maud
19	Data Science in der Cloud	Cloud-Daten	Modelle mit Azure Machine Learning Studio bereitstellen.	Lektion	Tiffany und Maud
20	Data Science in der Praxis	In der Praxis	Datenwissenschaftlich getriebene Projekte in der realen Welt.	Lektion	Nitya

GitHub Codespaces

Folgen Sie diesen Schritten, um dieses Beispiel in einem Codespace zu öffnen:

Klicken Sie auf das Code-Dropdown-Menü und wählen Sie die Option Mit Codespaces öffnen.
Wählen Sie + Neuer Codespace unten im Fenster. Weitere Informationen finden Sie in der GitHub-Dokumentation.

VSCode Remote - Containers

Folgen Sie diesen Schritten, um dieses Repository in einem Container mit Ihrer lokalen Maschine und VSCode mithilfe der VS Code Remote - Containers-Erweiterung zu öffnen:

Wenn Sie zum ersten Mal einen Entwicklungscontainer verwenden, stellen Sie sicher, dass Ihr System die Voraussetzungen erfüllt (z. B. Docker installiert ist), wie in der Einführungsdokumentation beschrieben.

Um dieses Repository zu verwenden, können Sie entweder das Repository in einem isolierten Docker-Volume öffnen:

Hinweis: Im Hintergrund wird der Remote-Containers-Befehl Repository in Container-Volume klonen... verwendet, um den Quellcode in einem Docker-Volume anstelle des lokalen Dateisystems zu klonen. Volumes sind das bevorzugte Mechanismus zur Persistierung von Containerdaten.

Oder öffnen Sie eine lokal geklonte oder heruntergeladene Version des Repositorys:

Klonen Sie dieses Repository auf Ihr lokales Dateisystem.
Drücken Sie F1 und wählen Sie den Befehl Remote-Containers: Ordner im Container öffnen....
Wählen Sie die geklonte Kopie dieses Ordners, warten Sie, bis der Container gestartet ist, und probieren Sie es aus.

Offline-Zugriff

Sie können diese Dokumentation offline ausführen, indem Sie Docsify verwenden. Forken Sie dieses Repository, installieren Sie Docsify auf Ihrer lokalen Maschine, und geben Sie dann im Stammordner dieses Repositorys docsify serve ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: localhost:3000.

Hinweis: Notebooks werden nicht über Docsify gerendert, daher sollten Sie ein Notebook separat in VS Code mit einem Python-Kernel ausführen.

Weitere Lehrpläne

Unser Team erstellt weitere Lehrpläne! Schauen Sie sich an:

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.

19 KiB Raw Permalink Blame History Unescape Escape