Data-Science-For-Beginners/translations/el

Επιστήμη Δεδομένων για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα

Οι Azure Cloud Advocates της Microsoft έχουν τη χαρά να προσφέρουν ένα 10-εβδομάδων, 20-μαθημάτων πρόγραμμα που αφορά όλη την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες ολοκλήρωσης του μαθήματος, μια λύση και μια εργασία. Η εκπαιδευτική προσέγγισή μας με βάση έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος ώστε οι νέες δεξιότητες να «καρφώνονται».

Θερμές ευχαριστίες στους συγγραφείς μας: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Ειδικές ευχαριστίες 🙏 στους συγγραφείς, αξιολογητές και συνεισφέροντες περιεχόμενο μας Πρεσβευτές Φοιτητών της Microsoft, μεταξύ των οποίων οι 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

Επιστήμη Δεδομένων για Αρχάριους - Σημείωση σχεδίασης από @nitya

🌐 Υποστήριξη για Πολλές Γλώσσες

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Προτιμάτε να κάνετε κλωνοποίηση τοπικά;

Αυτό το αποθετήριο περιλαμβάνει πάνω από 50 μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς τις μεταφράσεις, χρησιμοποιήστε το 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"

Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.

Εάν θέλετε να υποστηρίζονται επιπλέον γλώσσες μετάφρασης, αναφέρονται εδώ

Ενταχθείτε στην Κοινότητά μας

Διοργανώνουμε μια σειρά Discord "Μάθετε με τη βοήθεια Τεχνητής Νοημοσύνης", μάθετε περισσότερα και συμμετέχετε στη Σειρά Μάθησης με AI από 18 - 30 Σεπτεμβρίου, 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot στην Επιστήμη Δεδομένων.

Είσαι φοιτητής/φοιτήτρια;

Ξεκίνα με τους παρακάτω πόρους:

• Σελίδα Φοιτητών Σε αυτή τη σελίδα, θα βρεις πόρους για αρχάριους, πακέτα φοιτητών και ακόμη τρόπους για να αποκτήσεις δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που αξίζει να προσθέσεις στα αγαπημένα και να ελέγχεις συχνά καθώς ανανεώνουμε το περιεχόμενο τουλάχιστον μηνιαίως.
• Microsoft Learn Student Ambassadors Εντάξου σε μια παγκόσμια κοινότητα πρεσβευτών φοιτητών, αυτή μπορεί να είναι η είσοδός σου στη Microsoft.

Ξεκινώντας

📚 Τεκμηρίωση

• Οδηγός Εγκατάστασης - βήμα προς βήμα οδηγίες εγκατάστασης για αρχάριους
• Οδηγός Χρήσης - παραδείγματα και συνήθεις ροές εργασίας
• Αντιμετώπιση Προβλημάτων - λύσεις σε συνηθισμένα προβλήματα
• Οδηγός Συνεισφοράς - πώς να συνεισφέρετε σε αυτό το έργο
• Για Εκπαιδευτικούς - οδηγίες διδασκαλίας και πόροι τάξης

👨‍🎓 Για Φοιτητές

Πλήρης Αρχάριος: Νέος στην επιστήμη δεδομένων; Ξεκίνα με τα φιλικά για αρχάριους παραδείγματά μας! Αυτά τα απλά, καλογραμμένα παραδείγματα θα σε βοηθήσουν να κατανοήσεις τα βασικά πριν βυθιστείς στο πλήρες πρόγραμμα. Φοιτητές: για να χρησιμοποιήσετε αυτό το πρόγραμμα μόνοι σας, κάντε fork ολόκληρου του αποθετηρίου και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν τη διάλεξη. Διαβάστε την διάλεξη και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα παρά να αντιγράφετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα προσανατολισμένο σε έργο. Μια άλλη ιδέα είναι να σχηματίσετε μια ομάδα μελέτης με φίλους και να μελετήσετε μαζί το περιεχόμενο. Για περαιτέρω μελέτη, προτείνουμε το Microsoft Learn.

Γρήγορη εκκίνηση:

1. Τσεκάρετε τον Οδηγό Εγκατάστασης για να ρυθμίσετε το περιβάλλον σας
2. Εξετάστε τον Οδηγό Χρήσης για να μάθετε πώς να δουλεύετε με το πρόγραμμα
3. Ξεκινήστε με το Μάθημα 1 και συνεχίστε διαδοχικά
4. Ενταχθείτε στην κοινότητά μας στο Discord για υποστήριξη

👩‍🏫 Για Εκπαιδευτικούς

Καθηγητές: έχουμε συμπεριλάβει μερικές προτάσεις για το πώς να χρησιμοποιήσετε αυτό το αναλυτικό πρόγραμμα. Θα εκτιμούσαμε τα σχόλιά σας στο φόρουμ συζητήσεών μας!

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

Διδακτική Μεθοδολογία

Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: την εξασφάλιση ότι βασίζεται σε έργα και ότι περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικούς τρόπους εργασίας με δεδομένα, οπτικοποίηση δεδομένων, ανάλυση δεδομένων, πραγματικά παραδείγματα χρήσης της επιστήμης δεδομένων και άλλα.

Επιπλέον, ένα απλό κουίζ πριν από το μάθημα θέτει την πρόθεση του μαθητή για εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σπουδών έχει σχεδιαστεί να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή τμηματικά. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα έως το τέλος του κύκλου των 10 εβδομάδων.

Βρείτε τους Κανόνες Συμπεριφοράς μας, Οδηγίες Συνεισφοράς, Μετάφρασης. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει:

• Προαιρετικό sketchnote
• Προαιρετικό συμπληρωματικό βίντεο
• Κουίζ προθέρμανσης πριν το μάθημα
• Γραπτό μάθημα
• Για μαθήματα βασισμένα σε έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
• Έλεγχοι γνώσεων
• Μία πρόκληση
• Συμπληρωματική ανάγνωση
• Άσκηση
• Κουίζ μετά το μάθημα

Μια σημείωση για τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz-App, συνολικά 40 κουίζ των τριών ερωτήσεων το καθένα. Συνδέονται εντός των μαθημάτων, αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο quiz-app. Μεταφράζονται σταδιακά.

🎓 Παραδείγματα Φιλικά για Αρχάριους

Νέοι στην Επιστήμη Δεδομένων; Δημιουργήσαμε έναν ειδικό φάκελο παραδειγμάτων με απλό, καλά σχολιασμένο κώδικα για να σας βοηθήσουμε να ξεκινήσετε:

• 🌟 Γειά σου Κόσμε - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
• 📂 Φόρτωση Δεδομένων - Μάθετε να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
• 📊 Απλή Ανάλυση - Υπολογίστε στατιστικά και βρείτε μοτίβα
• 📈 Βασική Οπτικοποίηση - Δημιουργήστε διαγράμματα και γραφήματα
• 🔬 Πραγματικό Έργο - Πλήρης ροή εργασίας από την αρχή ως το τέλος

Κάθε παράδειγμα περιλαμβάνει λεπτομερείς σχόλια που εξηγούν κάθε βήμα, καθιστώντας το τέλειο για απόλυτους αρχάριους!

👉 Ξεκινήστε με τα παραδείγματα 👈

Μαθήματα

Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Πορείας - Sketchnote από @nitya

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθήματος	Μαθησιακοί Στόχοι	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Ορισμός της Επιστήμης Δεδομένων	Εισαγωγή	Μάθετε τις βασικές έννοιες πίσω από την επιστήμη δεδομένων και πώς σχετίζεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα.	μάθημα βίντεο	Dmitry
02	Ηθική στην Επιστήμη Δεδομένων	Εισαγωγή	Έννοιες Ηθικής Δεδομένων, Προκλήσεις & Πλαίσια.	μάθημα	Nitya
03	Ορισμός Δεδομένων	Εισαγωγή	Πώς ταξινομούνται τα δεδομένα και οι κοινές πηγές τους.	μάθημα	Jasmine
04	Εισαγωγή στη Στατιστική & Πιθανότητες	Εισαγωγή	Οι μαθηματικές τεχνικές πιθανοτήτων και στατιστικής για την κατανόηση δεδομένων.	μάθημα βίντεο	Dmitry
05	Εργασία με Σχεσιακά Δεδομένα	Εργασία με Δεδομένα	Εισαγωγή στα σχεσιακά δεδομένα και στα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Γλώσσα Δομημένων Ερωτημάτων, γνωστή και ως SQL (προφέρεται "σι-κουελ").	μάθημα	Christopher
06	Εργασία με Δεδομένα NoSQL	Εργασία με Δεδομένα	Εισαγωγή στα μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και στα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων.	μάθημα	Jasmine
07	Εργασία με Python	Εργασία με Δεδομένα	Βασικά της χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται βασική κατανόηση προγραμματισμού Python.	μάθημα βίντεο	Dmitry
08	Προετοιμασία Δεδομένων	Εργασία με Δεδομένα	Θέματα τεχνικών καθαρισμού και μετατροπής δεδομένων για την αντιμετώπιση προκλήσεων όπως τα ελλιπή, ανακριβή ή ατελή δεδομένα.	μάθημα	Jasmine
09	Οπτικοποίηση Ποσοτήτων	Οπτικοποίηση Δεδομένων	Μάθετε πώς να χρησιμοποιείτε το Matplotlib για να οπτικοποιήσετε δεδομένα πουλιών 🦆	μάθημα	Jen
10	Οπτικοποίηση Κατανομών Δεδομένων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα.	μάθημα	Jen
11	Οπτικοποίηση Ποσοστών	Οπτικοποίηση Δεδομένων	Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών.	μάθημα	Jen
12	Οπτικοποίηση Σχέσεων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ σετ δεδομένων και των μεταβλητών τους.	μάθημα	Jen
13	Σημαντικές Οπτικοποιήσεις	Οπτικοποίηση Δεδομένων	Τεχνικές και καθοδήγηση για να κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και αποκάλυψη πληροφοριών.	μάθημα	Jen
14	Εισαγωγή στον Κύκλο Ζωής της Επιστήμης Δεδομένων	Κύκλος Ζωής	Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων.	μάθημα	Jasmine
15	Ανάλυση	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει σε τεχνικές ανάλυσης δεδομένων.	μάθημα	Jasmine
16	Επικοινωνία	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει στην παρουσίαση των συμπερασμάτων από τα δεδομένα με τρόπο που καθιστά ευκολότερη την κατανόηση από τους αποφασιστές.	μάθημα	Jalen
17	Επιστήμη Δεδομένων στο Cloud	Cloud Data	Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της.	μάθημα	Tiffany and Maud
18	Επιστήμη Δεδομένων στο Cloud	Cloud Data	Εκπαίδευση μοντέλων με εργαλεία Low Code.	μάθημα	Tiffany and Maud
19	Επιστήμη Δεδομένων στο Cloud	Cloud Data	Ανάπτυξη μοντέλων με το Azure Machine Learning Studio.	μάθημα	Tiffany and Maud
20	Επιστήμη Δεδομένων στην Πράξη	In the Wild	Έργα επιστήμης δεδομένων στον πραγματικό κόσμο.	μάθημα	Nitya

GitHub Codespaces

Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε Codespace:

1. Κάντε κλικ στο αναπτυσσόμενο μενού Κώδικα και επιλέξτε την επιλογή Άνοιγμα με Codespaces.
2. Επιλέξτε + Νέο codespace στο κάτω μέρος του παραθύρου. Για περισσότερες πληροφορίες, δείτε την τεκμηρίωση GitHub.

VSCode Remote - Containers

Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το αποθετήριο μέσα σε κοντέινερ χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode με την επέκταση VS Code Remote - Containers:

1. Αν είναι η πρώτη φορά που χρησιμοποιείτε κοντέινερ ανάπτυξης, παρακαλούμε βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχει εγκατασταθεί το Docker) στη τεκμηρίωση για να ξεκινήσετε.

Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να ανοίξετε το αποθετήριο σε έναν απομονωμένο τόμο Docker:

Σημείωση: Στο παρασκήνιο, αυτή η εντολή θα χρησιμοποιήσει το Remote-Containers: Κλωνοποίηση Αποθετηρίου σε Τόμο Κοντέινερ... για να κλωνοποιήσει τον πηγαίο κώδικα σε τόμο Docker αντί για το τοπικό σύστημα αρχείων. Οι Τόμοι είναι ο προτιμώμενος μηχανισμός για τη διατήρηση δεδομένων κοντέινερ.

Ή ανοίξτε μια τοπικά κλωνοποιημένη ή ληφθείσα έκδοση του αποθετηρίου:

• Κλωνοποιήστε αυτό το αποθετήριο στο τοπικό σας σύστημα αρχείων.
• Πατήστε F1 και επιλέξτε την εντολή Remote-Containers: Open Folder in Container....
• Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το κοντέινερ και δοκιμάστε.

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας Docsify. Φτιάξτε ένα fork αυτού του αποθετηρίου, εγκαταστήστε το Docsify στον τοπικό υπολογιστή σας, και στη ριζική διαδρομή αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβίρεται στην πόρτα 3000 στο localhost σας: localhost:3000.

Σημειώστε, τα notebooks δεν θα αποδοθούν μέσω του Docsify, οπότε όταν χρειαστεί να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code με έναν πυρήνα Python.

Άλλα Αναλυτικά Προγράμματα

Η ομάδα μας παράγει και άλλα αναλυτικά προγράμματα! Δείτε:

LangChain

Azure / Edge / MCP / Agents

---

Σειρά Δημιουργικής Τεχνητής Νοημοσύνης

---

Βασική Μάθηση

---

Σειρά Copilot

Λήψη Βοήθειας

Αν αντιμετωπίζετε προβλήματα; Ελέγξτε τον Οδηγό Επίλυσης Προβλημάτων για λύσεις σε συνηθισμένα ζητήματα.

Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την κατασκευή εφαρμογών τεχνητής νοημοσύνης, συμμετέχετε σε συζητήσεις με συναδέλφους μαθητές και έμπειρους προγραμματιστές σχετικά με το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Αν έχετε σχόλια για το προϊόν ή σφάλματα κατά την κατασκευή, επισκεφτείτε:

---

Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη γλώσσα του πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται η επαγγελματική ανθρώπινη μετάφραση. Δεν φαινόμαστε υπεύθυνοι για οποιαδήποτε παρερμηνεία ή λανθασμένη κατανόηση προκύψει από τη χρήση αυτής της μετάφρασης.