|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "7332da4946897c5885e9ca5bc24de96b",
|
|
|
"translation_date": "2025-09-06T10:54:21+00:00",
|
|
|
"source_file": "README.md",
|
|
|
"language_code": "el"
|
|
|
}
|
|
|
-->
|
|
|
# Επιστήμη Δεδομένων για Αρχάριους - Ένα Πρόγραμμα Σπουδών
|
|
|
|
|
|
Azure Cloud Advocates στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών διάρκειας 10 εβδομάδων και 20 μαθημάτων που αφορά την 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 προσέγγιση που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος για να αποκτήσετε νέες δεξιότητες που "μένουν".
|
|
|
|
|
|
**Εγκάρδιες ευχαριστίες στους συγγραφείς μας:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
|
|
|
|
|
|
**🙏 Ειδικές ευχαριστίες 🙏 στους [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) συγγραφείς, κριτές και συνεισφέροντες περιεχομένου,** όπως οι Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200),
|
|
|
[Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar , [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
|
|
|
|
|
|
||
|
|
|
|:---:|
|
|
|
| Επιστήμη Δεδομένων για Αρχάριους - _Σκίτσο από [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
### 🌐 Υποστήριξη Πολλών Γλωσσών
|
|
|
|
|
|
#### Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)
|
|
|
|
|
|
[French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](./README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md)
|
|
|
|
|
|
**Αν επιθυμείτε να υποστηριχθούν επιπλέον γλώσσες, οι διαθέσιμες γλώσσες παρατίθενται [εδώ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md)**
|
|
|
|
|
|
#### Γίνετε Μέλος της Κοινότητάς μας
|
|
|
[](https://discord.gg/kzRShWzttr)
|
|
|
|
|
|
# Είστε φοιτητής;
|
|
|
|
|
|
Ξεκινήστε με τους παρακάτω πόρους:
|
|
|
|
|
|
- [Σελίδα Student Hub](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Σε αυτή τη σελίδα, θα βρείτε πόρους για αρχάριους, πακέτα για φοιτητές 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](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Γίνετε μέλος μιας παγκόσμιας κοινότητας φοιτητών πρεσβευτών, αυτό θα μπορούσε να είναι ο τρόπος σας να μπείτε στη Microsoft.
|
|
|
|
|
|
# Ξεκινώντας
|
|
|
|
|
|
> **Καθηγητές**: έχουμε [συμπεριλάβει κάποιες προτάσεις](for-teachers.md) για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα θέλαμε τη γνώμη σας [στο φόρουμ συζητήσεων μας](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
|
|
|
|
|
|
> **[Φοιτητές](https://aka.ms/student-page)**: για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork ολόκληρο το repo και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν από 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 σχηματίσετε μια ομάδα μελέτης με φίλους και να περάσετε το περιεχόμενο μαζί. Για περαιτέρω μελέτη, προτείνουμε [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
|
|
|
|
|
|
## Γνωρίστε την Ομάδα
|
|
|
|
|
|
[](https://youtu.be/8mzavjQSMM4 "Promo video")
|
|
|
|
|
|
**Gif από** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
|
|
|
|
|
|
> 🎥 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 κινδύνου πριν από το μάθημα θέτει την πρόθεση του φοιτητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω την απομνημόνευση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε για να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή τμηματικά. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα μέχρι το τέλος του κύκλου των 10 εβδομάδων.
|
|
|
> Βρείτε τον [Κώδικα Δεοντολογίας](CODE_OF_CONDUCT.md), τις [Οδηγίες Συμβολής](CONTRIBUTING.md) και τις [Οδηγίες Μετάφρασης](TRANSLATIONS.md). Δεχόμαστε με χαρά τα εποικοδομητικά σας σχόλια!
|
|
|
## Κάθε μάθημα περιλαμβάνει:
|
|
|
|
|
|
- Προαιρετικό σκίτσο
|
|
|
- Προαιρετικό συμπληρωματικό βίντεο
|
|
|
- Ερωτηματολόγιο προθέρμανσης πριν το μάθημα
|
|
|
- Γραπτό μάθημα
|
|
|
- Για μαθήματα βασισμένα σε έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
|
|
|
- Έλεγχοι γνώσεων
|
|
|
- Μια πρόκληση
|
|
|
- Συμπληρωματική ανάγνωση
|
|
|
- Εργασία
|
|
|
- [Ερωτηματολόγιο μετά το μάθημα](https://ff-quizzes.netlify.app/en/)
|
|
|
|
|
|
> **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`. Γίνονται σταδιακά τοπικοποιήσεις.
|
|
|
|
|
|
## Μαθήματα
|
|
|
|
|
|
||
|
|
|
|:---:|
|
|
|
| Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Πορείας - _Σκίτσο από [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
|
|
|
| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
|
|
|
| 01 | Ορισμός της Επιστήμης Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Μάθετε τις βασικές έννοιες της επιστήμης δεδομένων και πώς συνδέεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα. | [μάθημα](1-Introduction/01-defining-data-science/README.md) [βίντεο](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
|
|
|
| 02 | Ηθική στην Επιστήμη Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Έννοιες, Προκλήσεις & Πλαίσια Ηθικής Δεδομένων. | [μάθημα](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
|
|
|
| 03 | Ορισμός των Δεδομένων | [Εισαγωγή](1-Introduction/README.md) | Πώς ταξινομούνται τα δεδομένα και οι κοινές πηγές τους. | [μάθημα](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
|
|
| 04 | Εισαγωγή στη Στατιστική & Πιθανότητες | [Εισαγωγή](1-Introduction/README.md) | Οι μαθηματικές τεχνικές της πιθανότητας και της στατιστικής για την κατανόηση των δεδομένων. | [μάθημα](1-Introduction/04-stats-and-probability/README.md) [βίντεο](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
|
|
|
| 05 | Εργασία με Σχεσιακά Δεδομένα | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα σχεσιακά δεδομένα και τις βασικές αρχές εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Δομημένη Γλώσσα Ερωτημάτων, γνωστή και ως SQL (προφέρεται "see-quell"). | [μάθημα](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
|
|
|
| 06 | Εργασία με Δεδομένα NoSQL | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Εισαγωγή στα μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και τις βασικές αρχές εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων. | [μάθημα](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
|
|
|
| 07 | Εργασία με Python | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Βασικές αρχές χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται θεμελιώδης κατανόηση του προγραμματισμού Python. | [μάθημα](2-Working-With-Data/07-python/README.md) [βίντεο](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
|
|
|
| 08 | Προετοιμασία Δεδομένων | [Εργασία με Δεδομένα](2-Working-With-Data/README.md) | Θέματα τεχνικών δεδομένων για καθαρισμό και μετασχηματισμό δεδομένων ώστε να αντιμετωπιστούν προκλήσεις όπως ελλιπή, ανακριβή ή ατελή δεδομένα. | [μάθημα](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
|
|
|
| 09 | Οπτικοποίηση Ποσοτήτων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Μάθετε πώς να χρησιμοποιείτε το Matplotlib για να οπτικοποιήσετε δεδομένα πουλιών 🦆 | [μάθημα](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
|
|
|
| 10 | Οπτικοποίηση Κατανομών Δεδομένων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα. | [μάθημα](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
|
|
| 11 | Οπτικοποίηση Αναλογιών | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών. | [μάθημα](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
|
|
|
| 12 | Οπτικοποίηση Σχέσεων | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ συνόλων δεδομένων και των μεταβλητών τους. | [μάθημα](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
|
|
|
| 13 | Σημαντικές Οπτικοποιήσεις | [Οπτικοποίηση Δεδομένων](3-Data-Visualization/README.md) | Τεχνικές και καθοδήγηση για να κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και εξαγωγή πληροφοριών. | [μάθημα](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
|
|
|
| 14 | Εισαγωγή στον κύκλο ζωής της Επιστήμης Δεδομένων | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
|
|
|
| 15 | Ανάλυση | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται στις τεχνικές ανάλυσης δεδομένων. | [μάθημα](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
|
|
|
| 16 | Επικοινωνία | [Κύκλος Ζωής](4-Data-Science-Lifecycle/README.md) | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται στην παρουσίαση των πληροφοριών από τα δεδομένα με τρόπο που να διευκολύνει τους υπεύθυνους λήψης αποφάσεων να κατανοήσουν. | [μάθημα](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
|
|
|
| 17 | Επιστήμη Δεδομένων στο Cloud | [Δεδομένα στο Cloud](5-Data-Science-In-Cloud/README.md) | Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της. | [μάθημα](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
|
|
|
| 18 | Επιστήμη Δεδομένων στο Cloud | [Δεδομένα στο Cloud](5-Data-Science-In-Cloud/README.md) | Εκπαίδευση μοντέλων χρησιμοποιώντας εργαλεία Low Code. |[μάθημα](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
|
|
|
| 19 | Επιστήμη Δεδομένων στο Cloud | [Δεδομένα στο Cloud](5-Data-Science-In-Cloud/README.md) | Ανάπτυξη μοντέλων με το Azure Machine Learning Studio. | [μάθημα](5-Data-Science-In-Cloud/19-Azure/README.md)| [Tiffany](https://twitter.com/TiffanySouterre) και [Maud](https://twitter.com/maudstweets) |
|
|
|
| 20 | Επιστήμη Δεδομένων στην Πράξη | [Στην Πράξη](6-Data-Science-In-Wild/README.md) | Έργα βασισμένα στην επιστήμη δεδομένων στον πραγματικό κόσμο. | [μάθημα](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
|
|
|
|
|
|
## GitHub Codespaces
|
|
|
|
|
|
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε ένα Codespace:
|
|
|
1. Κάντε κλικ στο αναπτυσσόμενο μενού Code και επιλέξτε την επιλογή Open with Codespaces.
|
|
|
2. Επιλέξτε + New codespace στο κάτω μέρος του πλαισίου.
|
|
|
Για περισσότερες πληροφορίες, δείτε την [τεκμηρίωση του GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
|
|
|
|
|
|
## 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:
|
|
|
|
|
|
1. Εάν είναι η πρώτη φορά που χρησιμοποιείτε ένα container ανάπτυξης, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχετε εγκαταστήσει το Docker) στην [τεκμηρίωση για την έναρξη](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
|
|
|
|
|
|
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](https://docs.docker.com/storage/volumes/) είναι ο προτιμώμενος μηχανισμός για τη διατήρηση δεδομένων container.
|
|
|
|
|
|
Ή να ανοίξετε 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 την κλωνοποιημένη έκδοση αυτού του φακέλου, περιμένετε να ξεκινήσει το container και δοκιμάστε πράγματα.
|
|
|
|
|
|
## Πρόσβαση εκτός σύνδεσης
|
|
|
|
|
|
Μπορείτε να εκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το [Docsify](https://docsify.js.org/#/). Κλωνοποιήστε αυτό το αποθετήριο, [εγκαταστήστε το Docsify](https://docsify.js.org/#/quickstart) στον τοπικό σας υπολογιστή, και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε `docsify serve`. Ο ιστότοπος θα εξυπηρετηθεί στην θύρα 3000 του localhost σας: `localhost:3000`.
|
|
|
|
|
|
> Σημείωση, τα notebooks δεν θα αποδοθούν μέσω του Docsify, οπότε όταν χρειαστεί να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code εκτελώντας έναν πυρήνα Python.
|
|
|
|
|
|
## Άλλα Προγράμματα Σπουδών
|
|
|
|
|
|
Η ομάδα μας παράγει άλλα προγράμματα σπουδών! Δείτε:
|
|
|
|
|
|
- [Generative AI για Αρχάριους](https://aka.ms/genai-beginners)
|
|
|
- [Generative AI για Αρχάριους .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
|
|
|
- [Generative AI με JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
|
|
|
- [Generative AI με Java](https://aka.ms/genaijava)
|
|
|
- [AI για Αρχάριους](https://aka.ms/ai-beginners)
|
|
|
- [Επιστήμη Δεδομένων για Αρχάριους](https://aka.ms/datascience-beginners)
|
|
|
- [Bash για Αρχάριους](https://github.com/microsoft/bash-for-beginners)
|
|
|
- [ML για Αρχάριους](https://aka.ms/ml-beginners)
|
|
|
- [Κυβερνοασφάλεια για Αρχάριους](https://github.com/microsoft/Security-101)
|
|
|
- [Web Dev για Αρχάριους](https://aka.ms/webdev-beginners)
|
|
|
- [IoT για Αρχάριους](https://aka.ms/iot-beginners)
|
|
|
- [Μηχανική Μάθηση για Αρχάριους](https://aka.ms/ml-beginners)
|
|
|
- [Ανάπτυξη XR για Αρχάριους](https://aka.ms/xr-dev-for-beginners)
|
|
|
- [Mastering GitHub Copilot για AI Paired Programming](https://aka.ms/GitHubCopilotAI)
|
|
|
- [Ανάπτυξη XR για Αρχάριους](https://github.com/microsoft/xr-development-for-beginners)
|
|
|
- [Mastering GitHub Copilot για C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
|
|
|
- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
|
|
|
|
|
|
---
|
|
|
|
|
|
**Αποποίηση ευθύνης**:
|
|
|
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης [Co-op Translator](https://github.com/Azure/co-op-translator). Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες 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. |
