24 KiB
علم داده برای مبتدیان - یک برنامه درسی
Azure Cloud Advocates در مایکروسافت با افتخار یک برنامه درسی ۱۰ هفته‌ای و ۲۰ درس درباره علم داده ارائه می‌دهند. هر درس شامل آزمون‌های قبل و بعد از درس، دستورالعمل‌های نوشتاری برای تکمیل درس، یک راه‌حل و یک تکلیف است. روش آموزشی مبتنی بر پروژه ما به شما این امکان را می‌دهد که در حین ساختن یاد بگیرید، روشی اثبات‌شده برای تثبیت مهارت‌های جدید.
تشکر ویژه از نویسندگان ما: جاسمین گریناوی، دیمیتری سوشنیکوف، نیتیا ناراسیمهان، جالن مک‌گی، جن لوپر، مود لوی، تیفانی سوتر، کریستوفر هریسون.
🙏 تشکر ویژه 🙏 از Microsoft Student Ambassador نویسندگان، بازبینان و مشارکت‌کنندگان محتوا، به‌ویژه آریان آرورا، آدیتیا گارگ، آلوندرا سانچز، آنکیتا سینگ، انوپام میشرا، آرپیتا داس، چهل‌بیهاری دوبی، دیبری نسوفور، دیشیتا باسین، مجد صافی، مکس بلوم، میگل کوریا، محمد افتخار (ایفتو) ابن جلال، نورین تبسم، ریموند وانگسا پوترا، روهیت یاداو، سامریدی شارما، سانیا سینها، شینا نارولا، توقیر احمد، یوگندرا سینگ پاوار، ویدوشی گوپتا، جسلین سوندی
 |
|---|
| علم داده برای مبتدیان - طرح‌واره توسط @nitya |
🌐 پشتیبانی چندزبانه
پشتیبانی‌شده از طریق GitHub Action (خودکار و همیشه به‌روز)
فرانسوی | اسپانیایی | آلمانی | روسی | عربی | فارسی | اردو | چینی (ساده‌شده) | چینی (سنتی، ماکائو) | چینی (سنتی، هنگ‌کنگ) | چینی (سنتی، تایوان) | ژاپنی | کره‌ای | هندی | بنگالی | مراتی | نپالی | پنجابی (گرمخی) | پرتغالی (پرتغال) | پرتغالی (برزیل) | ایتالیایی | لهستانی | ترکی | یونانی | تایلندی | سوئدی | دانمارکی | نروژی | فنلاندی | هلندی | عبری | ویتنامی | اندونزیایی | مالایی | تاگالوگ (فیلیپینی) | سواحیلی | مجاری | چکی | اسلواکی | رومانیایی | بلغاری | صربی (سیریلیک) | کرواتی | اسلوونیایی | اوکراینی | برمه‌ای (میانمار)
اگر می‌خواهید زبان‌های ترجمه بیشتری پشتیبانی شوند، لیست زبان‌های موجود اینجا قرار دارد.
به جامعه ما بپیوندید
آیا دانشجو هستید؟
با منابع زیر شروع کنید:
- صفحه مرکز دانشجویی در این صفحه، منابع مبتدی، بسته‌های دانشجویی و حتی راه‌هایی برای دریافت یک کوپن گواهینامه رایگان پیدا خواهید کرد. این صفحه‌ای است که می‌خواهید آن را نشانک‌گذاری کنید و هر از گاهی بررسی کنید، زیرا ما حداقل ماهانه محتوا را تغییر می‌دهیم.
- Microsoft Learn Student Ambassadors به یک جامعه جهانی از سفیران دانشجویی بپیوندید، این می‌تواند راه شما به مایکروسافت باشد.
شروع به کار
معلمان: ما برخی پیشنهادات در مورد نحوه استفاده از این برنامه درسی را گنجانده‌ایم. ما مشتاقانه منتظر بازخورد شما در انجمن بحث ما هستیم!
دانشجویان: برای استفاده از این برنامه درسی به‌صورت مستقل، کل مخزن را فورک کنید و تمرین‌ها را به‌صورت مستقل تکمیل کنید، با یک آزمون پیش‌درس شروع کنید. سپس درس را بخوانید و بقیه فعالیت‌ها را تکمیل کنید. سعی کنید پروژه‌ها را با درک درس‌ها ایجاد کنید، نه با کپی کردن کد راه‌حل؛ با این حال، آن کد در پوشه‌های /solutions در هر درس مبتنی بر پروژه موجود است. ایده دیگر این است که با دوستان خود یک گروه مطالعه تشکیل دهید و با هم محتوا را مرور کنید. برای مطالعه بیشتر، ما Microsoft Learn را توصیه می‌کنیم.
آشنایی با تیم
گیف توسط محیط جایسال
🎥 روی تصویر بالا کلیک کنید تا ویدئویی درباره پروژه و افرادی که آن را ایجاد کرده‌اند ببینید!
روش آموزشی
ما هنگام ساخت این برنامه درسی دو اصل آموزشی را انتخاب کرده‌ایم: اطمینان از اینکه این برنامه مبتنی بر پروژه است و شامل آزمون‌های مکرر می‌شود. تا پایان این سری، دانشجویان اصول اولیه علم داده را یاد خواهند گرفت، از جمله مفاهیم اخلاقی، آماده‌سازی داده‌ها، روش‌های مختلف کار با داده‌ها، مصورسازی داده‌ها، تحلیل داده‌ها، موارد استفاده واقعی از علم داده و موارد دیگر.
علاوه بر این، یک آزمون کم‌فشار قبل از کلاس، نیت دانشجو را به سمت یادگیری یک موضوع هدایت می‌کند، در حالی که یک آزمون دوم بعد از کلاس، حفظ بیشتر را تضمین می‌کند. این برنامه درسی به گونه‌ای طراحی شده است که انعطاف‌پذیر و سرگرم‌کننده باشد و می‌توان آن را به‌طور کامل یا جزئی گذراند. پروژه‌ها کوچک شروع می‌شوند و تا پایان چرخه ۱۰ هفته‌ای به‌تدریج پیچیده‌تر می‌شوند. راهنمای قوانین رفتاری، مشارکت، ترجمه ما را پیدا کنید. ما از بازخورد سازنده شما استقبال می‌کنیم!
هر درس شامل موارد زیر است:
- یادداشت تصویری اختیاری
- ویدئوی تکمیلی اختیاری
- آزمون گرم‌آپ قبل از درس
- درس نوشتاری
- برای درس‌های پروژه‌محور، راهنمای گام‌به‌گام برای ساخت پروژه
- بررسی دانش
- یک چالش
- مطالعه تکمیلی
- تکلیف
- آزمون پس از درس
نکته‌ای درباره آزمون‌ها: تمام آزمون‌ها در پوشه Quiz-App قرار دارند و شامل ۴۰ آزمون با سه سؤال در هر آزمون هستند. این آزمون‌ها از داخل درس‌ها لینک شده‌اند، اما اپلیکیشن آزمون را می‌توان به صورت محلی اجرا کرد یا در Azure مستقر کرد؛ دستورالعمل‌های موجود در پوشه
quiz-appرا دنبال کنید. این آزمون‌ها به تدریج بومی‌سازی می‌شوند.
درس‌ها
 |
|---|
| علم داده برای مبتدیان: نقشه راه - یادداشت تصویری توسط @nitya |
| شماره درس | موضوع | گروه‌بندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
|---|---|---|---|---|---|
| 01 | تعریف علم داده | مقدمه | یادگیری مفاهیم پایه علم داده و ارتباط آن با هوش مصنوعی، یادگیری ماشین و داده‌های کلان. | درس ویدئو | Dmitry |
| 02 | اخلاق علم داده | مقدمه | مفاهیم اخلاق داده، چالش‌ها و چارچوب‌ها. | درس | Nitya |
| 03 | تعریف داده | مقدمه | نحوه طبقه‌بندی داده‌ها و منابع رایج آن‌ها. | درس | Jasmine |
| 04 | مقدمه‌ای بر آمار و احتمال | مقدمه | تکنیک‌های ریاضی احتمال و آمار برای درک داده‌ها. | درس ویدئو | Dmitry |
| 05 | کار با داده‌های رابطه‌ای | کار با داده‌ها | مقدمه‌ای بر داده‌های رابطه‌ای و اصول بررسی و تحلیل داده‌های رابطه‌ای با زبان Structured Query Language که به SQL معروف است. | درس | Christopher |
| 06 | کار با داده‌های NoSQL | کار با داده‌ها | مقدمه‌ای بر داده‌های غیررابطه‌ای، انواع مختلف آن و اصول بررسی و تحلیل پایگاه‌های داده سندی. | درس | Jasmine |
| 07 | کار با پایتون | کار با داده‌ها | اصول استفاده از پایتون برای بررسی داده‌ها با کتابخانه‌هایی مانند Pandas. توصیه می‌شود که درک پایه‌ای از برنامه‌نویسی پایتون داشته باشید. | درس ویدئو | Dmitry |
| 08 | آماده‌سازی داده‌ها | کار با داده‌ها | موضوعاتی درباره تکنیک‌های پاک‌سازی و تبدیل داده‌ها برای مقابله با چالش‌های داده‌های ناقص، نادرست یا ناکامل. | درس | Jasmine |
| 09 | مصورسازی مقادیر | مصورسازی داده‌ها | یادگیری نحوه استفاده از Matplotlib برای مصورسازی داده‌های پرندگان 🦆 | درس | Jen |
| 10 | مصورسازی توزیع داده‌ها | مصورسازی داده‌ها | مصورسازی مشاهدات و روندها در یک بازه. | درس | Jen |
| 11 | مصورسازی نسبت‌ها | مصورسازی داده‌ها | مصورسازی درصدهای گسسته و گروه‌بندی‌شده. | درس | Jen |
| 12 | مصورسازی روابط | مصورسازی داده‌ها | مصورسازی ارتباطات و همبستگی‌ها بین مجموعه‌های داده و متغیرهای آن‌ها. | درس | Jen |
| 13 | مصورسازی‌های معنادار | مصورسازی داده‌ها | تکنیک‌ها و راهنمایی‌هایی برای ارزشمند کردن مصورسازی‌ها جهت حل مؤثر مسائل و کسب بینش. | درس | Jen |
| 14 | مقدمه‌ای بر چرخه عمر علم داده | چرخه عمر | مقدمه‌ای بر چرخه عمر علم داده و اولین مرحله آن یعنی جمع‌آوری و استخراج داده‌ها. | درس | Jasmine |
| 15 | تحلیل | چرخه عمر | این مرحله از چرخه عمر علم داده بر تکنیک‌های تحلیل داده‌ها تمرکز دارد. | درس | Jasmine |
| 16 | ارتباط | چرخه عمر | این مرحله از چرخه عمر علم داده بر ارائه بینش‌های حاصل از داده‌ها به گونه‌ای که تصمیم‌گیرندگان بتوانند آن را بهتر درک کنند، تمرکز دارد. | درس | Jalen |
| 17 | علم داده در فضای ابری | داده‌های ابری | این مجموعه درس‌ها علم داده در فضای ابری و مزایای آن را معرفی می‌کند. | درس | Tiffany و Maud |
| 18 | علم داده در فضای ابری | داده‌های ابری | آموزش مدل‌ها با ابزارهای Low Code. | درس | Tiffany و Maud |
| 19 | علم داده در فضای ابری | داده‌های ابری | استقرار مدل‌ها با Azure Machine Learning Studio. | درس | Tiffany و Maud |
| 20 | علم داده در دنیای واقعی | در دنیای واقعی | پروژه‌های مبتنی بر علم داده در دنیای واقعی. | درس | Nitya |
GitHub Codespaces
برای باز کردن این نمونه در یک Codespace مراحل زیر را دنبال کنید:
- روی منوی کشویی Code کلیک کنید و گزینه Open with Codespaces را انتخاب کنید.
- در پایین پنل، گزینه + New codespace را انتخاب کنید. برای اطلاعات بیشتر، به مستندات GitHub مراجعه کنید.
VSCode Remote - Containers
برای باز کردن این مخزن در یک کانتینر با استفاده از ماشین محلی و VSCode با استفاده از افزونه VS Code Remote - Containers مراحل زیر را دنبال کنید:
- اگر این اولین بار است که از کانتینر توسعه استفاده می‌کنید، لطفاً مطمئن شوید که سیستم شما پیش‌نیازها را برآورده می‌کند (مانند نصب Docker) در مستندات شروع به کار.
برای استفاده از این مخزن، می‌توانید مخزن را در یک حجم ایزوله Docker باز کنید:
توجه: در پشت صحنه، این کار از دستور Remote-Containers: Clone Repository in Container Volume... برای کلون کردن کد منبع در یک حجم Docker به جای سیستم فایل محلی استفاده می‌کند. Volumes مکانیزم ترجیحی برای حفظ داده‌های کانتینر هستند.
یا یک نسخه کلون‌شده یا دانلودشده محلی از مخزن را باز کنید:
- این مخزن را به سیستم فایل محلی خود کلون کنید.
- کلید F1 را فشار دهید و دستور Remote-Containers: Open Folder in Container... را انتخاب کنید.
- نسخه کلون‌شده این پوشه را انتخاب کنید، منتظر بمانید تا کانتینر شروع شود و موارد را امتحان کنید.
دسترسی آفلاین
می‌توانید این مستندات را به صورت آفلاین با استفاده از Docsify اجرا کنید. این مخزن را Fork کنید، Docsify را نصب کنید روی ماشین محلی خود، سپس در پوشه ریشه این مخزن، دستور docsify serve را تایپ کنید. وب‌سایت روی پورت 3000 در localhost شما اجرا خواهد شد: localhost:3000.
توجه داشته باشید، نوت‌بوک‌ها از طریق Docsify رندر نمی‌شوند، بنابراین زمانی که نیاز به اجرای یک نوت‌بوک دارید، آن را جداگانه در VS Code با اجرای یک کرنل پایتون انجام دهید.
سایر برنامه‌های درسی
تیم ما برنامه‌های درسی دیگری تولید می‌کند! بررسی کنید:
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه حرفه‌ای انسانی استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.