30 KiB

Raw Permalink Blame History

วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - หลักสูตร

Azure Cloud Advocates ที่ Microsoft มีความยินดีที่จะนำเสนอหลักสูตร 10 สัปดาห์ 20 บทเรียนเกี่ยวกับวิทยาศาสตร์ข้อมูล แต่ละบทเรียนประกอบด้วยแบบทดสอบก่อนและหลังบทเรียน คำแนะนำที่เขียนไว้สำหรับการทำบทเรียน โซลูชัน และงานมอบหมาย หลักสูตรที่เน้นการสร้างโปรเจกต์ช่วยให้คุณเรียนรู้ผ่านการลงมือทำ ซึ่งเป็นวิธีที่พิสูจน์แล้วว่าทำให้ทักษะใหม่ๆ ติดตัวได้อย่างมีประสิทธิภาพ

ขอขอบคุณผู้เขียนของเรา: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 ขอขอบคุณเป็นพิเศษ 🙏 แก่ Microsoft Student Ambassador ผู้เขียน ผู้ตรวจสอบ และผู้มีส่วนร่วมในเนื้อหา, โดยเฉพาะ 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


วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น - ภาพสเก็ตช์โดย @nitya

🌐 การสนับสนุนหลายภาษา

รองรับผ่าน GitHub Action (อัตโนมัติและอัปเดตเสมอ)

หากคุณต้องการให้มีการสนับสนุนภาษาเพิ่มเติม รายการภาษาที่รองรับสามารถดูได้ ที่นี่

เข้าร่วมชุมชนของเรา

คุณเป็นนักเรียนหรือไม่?

เริ่มต้นด้วยแหล่งข้อมูลต่อไปนี้:

หน้าศูนย์กลางนักเรียน ในหน้านี้ คุณจะพบแหล่งข้อมูลสำหรับผู้เริ่มต้น ชุดเครื่องมือสำหรับนักเรียน และแม้กระทั่งวิธีการรับบัตรกำนัลสอบฟรี นี่คือหน้าที่คุณควรบุ๊กมาร์กและตรวจสอบเป็นระยะๆ เนื่องจากเรามีการเปลี่ยนแปลงเนื้อหาอย่างน้อยทุกเดือน
Microsoft Learn Student Ambassadors เข้าร่วมชุมชนระดับโลกของนักเรียนแอมบาสเดอร์ นี่อาจเป็นทางเข้าสู่ Microsoft ของคุณ

เริ่มต้นใช้งาน

ครูผู้สอน: เราได้ รวมคำแนะนำบางส่วน เกี่ยวกับวิธีการใช้หลักสูตรนี้ เราต้องการรับฟังความคิดเห็นของคุณ ในฟอรัมการสนทนาของเรา!

นักเรียน: หากต้องการใช้หลักสูตรนี้ด้วยตัวเอง ให้ fork repo ทั้งหมดและทำแบบฝึกหัดด้วยตัวเอง โดยเริ่มจากแบบทดสอบก่อนบทเรียน จากนั้นอ่านบทเรียนและทำกิจกรรมที่เหลือ พยายามสร้างโปรเจกต์โดยการทำความเข้าใจบทเรียนแทนที่จะคัดลอกรหัสโซลูชัน อย่างไรก็ตาม รหัสโซลูชันนั้นมีอยู่ในโฟลเดอร์ /solutions ในแต่ละบทเรียนที่เน้นโปรเจกต์ อีกแนวคิดหนึ่งคือการสร้างกลุ่มการเรียนรู้กับเพื่อนๆ และเรียนรู้เนื้อหาด้วยกัน สำหรับการศึกษาเพิ่มเติม เราขอแนะนำ Microsoft Learn

พบกับทีมงาน

Gif โดย Mohit Jaisal

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอเกี่ยวกับโปรเจกต์และผู้ที่สร้างมันขึ้นมา!

วิธีการสอน

เราได้เลือกใช้หลักการสอนสองข้อในขณะที่สร้างหลักสูตรนี้: การทำให้เป็นโปรเจกต์และการมีแบบทดสอบบ่อยครั้ง ภายในสิ้นสุดซีรีส์นี้ นักเรียนจะได้เรียนรู้หลักการพื้นฐานของวิทยาศาสตร์ข้อมูล รวมถึงแนวคิดด้านจริยธรรม การเตรียมข้อมูล วิธีการทำงานกับข้อมูลในรูปแบบต่างๆ การสร้างภาพข้อมูล การวิเคราะห์ข้อมูล กรณีการใช้งานจริงของวิทยาศาสตร์ข้อมูล และอื่นๆ

นอกจากนี้ แบบทดสอบที่มีความเสี่ยงต่ำก่อนชั้นเรียนจะช่วยตั้งเป้าหมายให้นักเรียนมุ่งเน้นไปที่การเรียนรู้หัวข้อหนึ่งๆ ในขณะที่แบบทดสอบหลังชั้นเรียนช่วยเสริมสร้างความจำ หลักสูตรนี้ถูกออกแบบให้ยืดหยุ่นและสนุกสนาน และสามารถเรียนได้ทั้งแบบเต็มหลักสูตรหรือบางส่วน โปรเจกต์เริ่มต้นจากขนาดเล็กและมีความซับซ้อนเพิ่มขึ้นเรื่อยๆ จนถึงสิ้นสุดรอบ 10 สัปดาห์

ค้นหา หลักปฏิบัติของเรา, การมีส่วนร่วม, แนวทางการแปล เรายินดีรับฟังความคิดเห็นที่สร้างสรรค์ของคุณ!

แต่ละบทเรียนประกอบด้วย:

สเก็ตโน้ต (ถ้ามี)
วิดีโอเสริม (ถ้ามี)
แบบทดสอบอุ่นเครื่องก่อนเริ่มบทเรียน
บทเรียนที่เขียนไว้
สำหรับบทเรียนที่เน้นโครงการ มีคำแนะนำทีละขั้นตอนเกี่ยวกับวิธีสร้างโครงการ
การตรวจสอบความรู้
ความท้าทาย
การอ่านเพิ่มเติม
การบ้าน
แบบทดสอบหลังบทเรียน

หมายเหตุเกี่ยวกับแบบทดสอบ: แบบทดสอบทั้งหมดอยู่ในโฟลเดอร์ Quiz-App ซึ่งมีทั้งหมด 40 แบบทดสอบ แต่ละแบบทดสอบมี 3 คำถาม แบบทดสอบเหล่านี้เชื่อมโยงจากในบทเรียน แต่แอปแบบทดสอบสามารถรันได้ในเครื่องหรือดีพลอยไปยัง Azure โดยทำตามคำแนะนำในโฟลเดอร์ quiz-app ขณะนี้กำลังอยู่ในกระบวนการแปลเป็นภาษาท้องถิ่น

บทเรียน


วิทยาศาสตร์ข้อมูลสำหรับผู้เริ่มต้น: แผนที่เส้นทาง - สเก็ตโน้ตโดย @nitya

หมายเลขบทเรียน	หัวข้อ	กลุ่มบทเรียน	วัตถุประสงค์การเรียนรู้	บทเรียนที่เชื่อมโยง	ผู้เขียน
01	การนิยามวิทยาศาสตร์ข้อมูล	บทนำ	เรียนรู้แนวคิดพื้นฐานของวิทยาศาสตร์ข้อมูลและความสัมพันธ์กับปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และข้อมูลขนาดใหญ่	บทเรียน วิดีโอ	Dmitry
02	จริยธรรมในวิทยาศาสตร์ข้อมูล	บทนำ	แนวคิดเกี่ยวกับจริยธรรมในข้อมูล ความท้าทาย และกรอบการทำงาน	บทเรียน	Nitya
03	การนิยามข้อมูล	บทนำ	วิธีการจำแนกข้อมูลและแหล่งข้อมูลที่พบบ่อย	บทเรียน	Jasmine
04	บทนำสถิติและความน่าจะเป็น	บทนำ	เทคนิคทางคณิตศาสตร์ของความน่าจะเป็นและสถิติในการทำความเข้าใจข้อมูล	บทเรียน วิดีโอ	Dmitry
05	การทำงานกับข้อมูลเชิงสัมพันธ์	การทำงานกับข้อมูล	บทนำเกี่ยวกับข้อมูลเชิงสัมพันธ์และพื้นฐานของการสำรวจและวิเคราะห์ข้อมูลเชิงสัมพันธ์ด้วย Structured Query Language หรือ SQL (อ่านว่า "ซีเควล")	บทเรียน	Christopher
06	การทำงานกับข้อมูล NoSQL	การทำงานกับข้อมูล	บทนำเกี่ยวกับข้อมูลที่ไม่ใช่เชิงสัมพันธ์ ประเภทต่างๆ และพื้นฐานของการสำรวจและวิเคราะห์ฐานข้อมูลเอกสาร	บทเรียน	Jasmine
07	การทำงานกับ Python	การทำงานกับข้อมูล	พื้นฐานการใช้ Python ในการสำรวจข้อมูลด้วยไลบรารี เช่น Pandas แนะนำให้มีความเข้าใจพื้นฐานเกี่ยวกับการเขียนโปรแกรม Python	บทเรียน วิดีโอ	Dmitry
08	การเตรียมข้อมูล	การทำงานกับข้อมูล	หัวข้อเกี่ยวกับเทคนิคการทำความสะอาดและแปลงข้อมูลเพื่อจัดการกับปัญหาข้อมูลที่ขาดหาย ไม่ถูกต้อง หรือไม่สมบูรณ์	บทเรียน	Jasmine
09	การสร้างภาพข้อมูลเชิงปริมาณ	การสร้างภาพข้อมูล	เรียนรู้วิธีใช้ Matplotlib ในการสร้างภาพข้อมูลนก 🦆	บทเรียน	Jen
10	การสร้างภาพการกระจายของข้อมูล	การสร้างภาพข้อมูล	การสร้างภาพการสังเกตและแนวโน้มภายในช่วงข้อมูล	บทเรียน	Jen
11	การสร้างภาพสัดส่วน	การสร้างภาพข้อมูล	การสร้างภาพเปอร์เซ็นต์แบบแยกและแบบกลุ่ม	บทเรียน	Jen
12	การสร้างภาพความสัมพันธ์	การสร้างภาพข้อมูล	การสร้างภาพการเชื่อมโยงและความสัมพันธ์ระหว่างชุดข้อมูลและตัวแปร	บทเรียน	Jen
13	การสร้างภาพที่มีความหมาย	การสร้างภาพข้อมูล	เทคนิคและคำแนะนำในการทำให้การสร้างภาพของคุณมีคุณค่าเพื่อการแก้ปัญหาและการให้ข้อมูลเชิงลึกที่มีประสิทธิภาพ	บทเรียน	Jen
14	บทนำวงจรชีวิตวิทยาศาสตร์ข้อมูล	วงจรชีวิต	บทนำเกี่ยวกับวงจรชีวิตวิทยาศาสตร์ข้อมูลและขั้นตอนแรกของการรวบรวมและดึงข้อมูล	บทเรียน	Jasmine
15	การวิเคราะห์	วงจรชีวิต	ขั้นตอนนี้ในวงจรชีวิตวิทยาศาสตร์ข้อมูลมุ่งเน้นไปที่เทคนิคการวิเคราะห์ข้อมูล	บทเรียน	Jasmine
16	การสื่อสาร	วงจรชีวิต	ขั้นตอนนี้ในวงจรชีวิตวิทยาศาสตร์ข้อมูลมุ่งเน้นไปที่การนำเสนอข้อมูลเชิงลึกจากข้อมูลในรูปแบบที่ช่วยให้ผู้ตัดสินใจเข้าใจได้ง่ายขึ้น	บทเรียน	Jalen
17	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	ชุดบทเรียนนี้แนะนำวิทยาศาสตร์ข้อมูลบนคลาวด์และประโยชน์ของมัน	บทเรียน	Tiffany และ Maud
18	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	การฝึกอบรมโมเดลโดยใช้เครื่องมือ Low Code	บทเรียน	Tiffany และ Maud
19	วิทยาศาสตร์ข้อมูลบนคลาวด์	ข้อมูลบนคลาวด์	การดีพลอยโมเดลด้วย Azure Machine Learning Studio	บทเรียน	Tiffany และ Maud
20	วิทยาศาสตร์ข้อมูลในโลกจริง	ในโลกจริง	โครงการที่ขับเคลื่อนด้วยวิทยาศาสตร์ข้อมูลในโลกจริง	บทเรียน	Nitya

GitHub Codespaces

ทำตามขั้นตอนเหล่านี้เพื่อเปิดตัวอย่างนี้ใน Codespace:

คลิกเมนูแบบเลื่อนลง Code และเลือกตัวเลือก Open with Codespaces
เลือก + New codespace ที่ด้านล่างของแผง สำหรับข้อมูลเพิ่มเติม โปรดดู เอกสาร GitHub

VSCode Remote - Containers

ทำตามขั้นตอนเหล่านี้เพื่อเปิด repo นี้ใน container โดยใช้เครื่องในพื้นที่ของคุณและ VSCode ด้วยส่วนขยาย VS Code Remote - Containers:

หากนี่เป็นครั้งแรกที่คุณใช้ development container โปรดตรวจสอบให้แน่ใจว่าระบบของคุณตรงตามข้อกำหนดเบื้องต้น (เช่น ติดตั้ง Docker) ใน เอกสารเริ่มต้นใช้งาน

ในการใช้ repository นี้ คุณสามารถเปิด repository ใน Docker volume ที่แยกออกมา:

หมายเหตุ: ภายใต้ฮูด คำสั่งนี้จะใช้ Remote-Containers: Clone Repository in Container Volume... เพื่อโคลนซอร์สโค้ดใน Docker volume แทนที่จะเป็นระบบไฟล์ในเครื่อง Volumes เป็นกลไกที่แนะนำสำหรับการเก็บข้อมูล container

หรือเปิดเวอร์ชันที่โคลนหรือดาวน์โหลดในเครื่องของ repository:

โคลน repository นี้ไปยังระบบไฟล์ในเครื่องของคุณ
กด F1 และเลือกคำสั่ง Remote-Containers: Open Folder in Container...
เลือกสำเนาที่โคลนของโฟลเดอร์นี้ รอให้ container เริ่มต้น และลองใช้งาน

การเข้าถึงแบบออฟไลน์

คุณสามารถรันเอกสารนี้แบบออฟไลน์ได้โดยใช้ Docsify. Fork repo นี้, ติดตั้ง Docsify บนเครื่องในพื้นที่ของคุณ จากนั้นในโฟลเดอร์ root ของ repo นี้ ให้พิมพ์ docsify serve เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บน localhost ของคุณ: localhost:3000

หมายเหตุ โน้ตบุ๊กจะไม่ถูกเรนเดอร์ผ่าน Docsify ดังนั้นเมื่อคุณต้องการรันโน้ตบุ๊ก ให้ทำสิ่งนั้นแยกต่างหากใน VS Code โดยใช้ Python kernel

หลักสูตรอื่นๆ

ทีมของเราผลิตหลักสูตรอื่นๆ! ลองดู:

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

30 KiB Raw Permalink Blame History