27 KiB

Raw Permalink Blame History Unescape Escape

Επιστήμη Δεδομένων για Αρχάριους - Ένα Πρόγραμμα Σπουδών

Azure Cloud Advocates στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 10 εβδομάδων, 20 μαθημάτων, αφιερωμένο στην Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μια λύση και μια εργασία. Η παιδαγωγική μας, που βασίζεται σε έργα, σας επιτρέπει να μαθαίνετε δημιουργώντας, ένας αποδεδειγμένος τρόπος για να εδραιώσετε νέες δεξιότητες.

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

🙏 Ιδιαίτερες ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, αναθεωρητές και συνεισφέροντες περιεχομένου, όπως 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 - Σκίτσο από @nitya

🌐 Υποστήριξη Πολλαπλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτόματα & Πάντα Ενημερωμένο)

Αν επιθυμείτε να υποστηριχθούν επιπλέον γλώσσες, οι διαθέσιμες γλώσσες αναφέρονται εδώ

Γίνετε μέλος της κοινότητάς μας

Είστε φοιτητής;

Ξεκινήστε με τους παρακάτω πόρους:

Σελίδα Κόμβου Φοιτητών Σε αυτή τη σελίδα, θα βρείτε πόρους για αρχάριους, πακέτα φοιτητών και ακόμη και τρόπους για να αποκτήσετε δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που θέλετε να προσθέσετε στους σελιδοδείκτες σας και να ελέγχετε από καιρό σε καιρό, καθώς αλλάζουμε περιεχόμενο τουλάχιστον μηνιαία.
Microsoft Learn Student Ambassadors Γίνετε μέλος μιας παγκόσμιας κοινότητας φοιτητών πρεσβευτών, αυτό θα μπορούσε να είναι ο δρόμος σας προς τη Microsoft.

Ξεκινώντας

Καθηγητές: έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα θέλαμε τα σχόλιά σας στο φόρουμ συζητήσεων!

Φοιτητές: για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork ολόκληρο το αποθετήριο και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν το μάθημα. Στη συνέχεια, διαβάστε το μάθημα και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να αντιγράφετε τον κώδικα λύσης. Ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα που βασίζεται σε έργο. Μια άλλη ιδέα θα ήταν να δημιουργήσετε μια ομάδα μελέτης με φίλους και να περάσετε το περιεχόμενο μαζί. Για περαιτέρω μελέτη, προτείνουμε το Microsoft Learn.

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!

Παιδαγωγική

Επιλέξαμε δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: να διασφαλίσουμε ότι είναι βασισμένο σε έργα και ότι περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι φοιτητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικών τρόπων εργασίας με δεδομένα, οπτικοποίησης δεδομένων, ανάλυσης δεδομένων, πραγματικών περιπτώσεων χρήσης της επιστήμης δεδομένων και πολλά άλλα.

Επιπλέον, ένα κουίζ χαμηλού ρίσκου πριν από το μάθημα θέτει την πρόθεση του φοιτητή να μάθει ένα θέμα, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω την απομνημόνευση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε ώστε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή εν μέρει. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα μέχρι το τέλος του κύκλου των 10 εβδομάδων.

Βρείτε τον Κώδικα Δεοντολογίας, τις Οδηγίες Συνεισφοράς, και τις Οδηγίες Μετάφρασης. Εκτιμούμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει:

Προαιρετικό σκίτσο
Προαιρετικό συμπληρωματικό βίντεο
Ερωτηματολόγιο προθέρμανσης πριν το μάθημα
Γραπτό μάθημα
Για μαθήματα που βασίζονται σε έργα, βήμα-βήμα οδηγίες για την κατασκευή του έργου
Έλεγχος γνώσεων
Μια πρόκληση
Συμπληρωματική ανάγνωση
Εργασία
Ερωτηματολόγιο μετά το μάθημα

Σημείωση για τα ερωτηματολόγια: Όλα τα ερωτηματολόγια βρίσκονται στον φάκελο Quiz-App, συνολικά 40 ερωτηματολόγια με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή ερωτηματολογίων μπορεί να εκτελεστεί τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο quiz-app. Σταδιακά μεταφράζονται.

Μαθήματα


Επιστήμη Δεδομένων για Αρχάριους: Οδικός Χάρτης - Σκίτσο από @nitya

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθημάτων	Στόχοι Μάθησης	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Ορισμός της Επιστήμης Δεδομένων	Εισαγωγή	Μάθετε τις βασικές έννοιες της επιστήμης 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, προκλήσεις και πλαίσια ηθικής στην επιστήμη δεδομένων.	μάθημα	Nitya
03	Ορισμός των Δεδομένων	Εισαγωγή	Πώς ταξινομούνται τα δεδομένα και ποιες είναι οι κοινές πηγές τους.	μάθημα	Jasmine
04	Εισαγωγή στη Στατιστική και Πιθανότητες	Εισαγωγή	Οι μαθηματικές τεχνικές της πιθανότητας και της στατιστικής για την κατανόηση των δεδομένων.	μάθημα βίντεο	Dmitry
05	Εργασία με Σχεσιακά Δεδομένα	Εργασία με Δεδομένα	Εισαγωγή στα σχεσιακά δεδομένα και τις βασικές αρχές εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Δομημένη Γλώσσα Ερωτημάτων (SQL).	μάθημα	Christopher
06	Εργασία με Δεδομένα NoSQL	Εργασία με Δεδομένα	Εισαγωγή στα μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και τις βασικές αρχές εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων.	μάθημα	Jasmine
07	Εργασία με Python	Εργασία με Δεδομένα	Βασικές αρχές χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται βασική κατανόηση της Python.	μάθημα βίντεο	Dmitry
08	Προετοιμασία Δεδομένων	Εργασία με Δεδομένα	Θέματα σχετικά με τεχνικές καθαρισμού και μετασχηματισμού δεδομένων για την αντιμετώπιση προκλήσεων όπως ελλιπή ή ανακριβή δεδομένα.	μάθημα	Jasmine
09	Οπτικοποίηση Ποσοτήτων	Οπτικοποίηση Δεδομένων	Μάθετε πώς να χρησιμοποιείτε το Matplotlib για την οπτικοποίηση δεδομένων πουλιών 🦆	μάθημα	Jen
10	Οπτικοποίηση Κατανομών Δεδομένων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα.	μάθημα	Jen
11	Οπτικοποίηση Αναλογιών	Οπτικοποίηση Δεδομένων	Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών.	μάθημα	Jen
12	Οπτικοποίηση Σχέσεων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ συνόλων δεδομένων και των μεταβλητών τους.	μάθημα	Jen
13	Σημαντικές Οπτικοποιήσεις	Οπτικοποίηση Δεδομένων	Τεχνικές και καθοδήγηση για τη δημιουργία οπτικοποιήσεων που είναι χρήσιμες για την επίλυση προβλημάτων και την εξαγωγή 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 επικεντρώνεται σε τεχνικές ανάλυσης δεδομένων.	μάθημα	Jasmine
16	Επικοινωνία	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται στην παρουσίαση των πληροφοριών από τα δεδομένα με τρόπο που να είναι κατανοητός από τους υπεύθυνους λήψης αποφάσεων.	μάθημα	Jalen
17	Επιστήμη Δεδομένων στο Cloud	Δεδομένα στο Cloud	Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της.	μάθημα	Tiffany και Maud
18	Επιστήμη Δεδομένων στο Cloud	Δεδομένα στο Cloud	Εκπαίδευση μοντέλων χρησιμοποιώντας εργαλεία χαμηλού κώδικα.	μάθημα	Tiffany και Maud
19	Επιστήμη Δεδομένων στο Cloud	Δεδομένα στο Cloud	Ανάπτυξη μοντέλων με το Azure Machine Learning Studio.	μάθημα	Tiffany και Maud
20	Επιστήμη Δεδομένων στον Πραγματικό Κόσμο	Στον Πραγματικό Κόσμο	Έργα που βασίζονται στην επιστήμη δεδομένων στον πραγματικό κόσμο.	μάθημα	Nitya

GitHub Codespaces

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

Κάντε κλικ στο αναπτυσσόμενο μενού Code και επιλέξτε την επιλογή Open with Codespaces.
Επιλέξτε + New codespace στο κάτω μέρος του παραθύρου. Για περισσότερες πληροφορίες, δείτε την τεκμηρίωση του GitHub.

VSCode Remote - Containers

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

Αν είναι η πρώτη φορά που χρησιμοποιείτε container ανάπτυξης, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχετε εγκατεστημένο το Docker) σύμφωνα με την τεκμηρίωση έναρξης.

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

Σημείωση: Στο παρασκήνιο, αυτό θα χρησιμοποιήσει την εντολή Remote-Containers: Clone Repository in Container Volume... για να κλωνοποιήσει τον πηγαίο κώδικα σε έναν όγκο Docker αντί για το τοπικό σύστημα αρχείων. Οι όγκοι είναι ο προτιμώμενος μηχανισμός για την αποθήκευση δεδομένων container.

Ή να ανοίξετε μια τοπικά κλωνοποιημένη ή κατεβασμένη 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 την κλωνοποιημένη έκδοση αυτού του φακέλου, περιμένετε να ξεκινήσει το container και δοκιμάστε το.

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κλωνοποιήστε αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και στη συνέχεια, στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Ο ιστότοπος θα εξυπηρετείται στη θύρα 3000 του localhost σας: localhost:3000.

Σημείωση, τα notebooks δεν θα εμφανίζονται μέσω του Docsify, οπότε όταν χρειάζεται να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code χρησιμοποιώντας έναν πυρήνα Python.

Άλλα Προγράμματα Σπουδών

Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε:

Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

27 KiB Raw Permalink Blame History Unescape Escape