8.7 KiB
สำหรับผู้สอน
คุณต้องการใช้หลักสูตรนี้ในห้องเรียนของคุณหรือไม่? เชิญใช้ได้เลย!
ในความเป็นจริง คุณสามารถใช้หลักสูตรนี้บน GitHub ได้โดยตรงผ่าน GitHub Classroom
วิธีการคือ ให้คุณ fork repo นี้ คุณจะต้องสร้าง repo สำหรับแต่ละบทเรียน ดังนั้นคุณจะต้องแยกแต่ละโฟลเดอร์ออกมาเป็น repo แยกต่างหาก ด้วยวิธีนี้ GitHub Classroom จะสามารถจัดการแต่ละบทเรียนได้แยกกัน
คำแนะนำแบบละเอียด full instructions จะช่วยให้คุณเข้าใจวิธีการตั้งค่าห้องเรียนของคุณ
การใช้ repo ตามที่เป็นอยู่
หากคุณต้องการใช้ repo นี้ในรูปแบบปัจจุบัน โดยไม่ใช้ GitHub Classroom ก็สามารถทำได้เช่นกัน คุณจะต้องสื่อสารกับนักเรียนว่าควรทำบทเรียนใดร่วมกัน
ในรูปแบบออนไลน์ (เช่น Zoom, Teams หรืออื่นๆ) คุณอาจสร้างห้องย่อยสำหรับการทำแบบทดสอบ และให้คำแนะนำแก่นักเรียนเพื่อเตรียมพร้อมสำหรับการเรียนรู้ จากนั้นเชิญนักเรียนทำแบบทดสอบและส่งคำตอบในรูปแบบ 'issues' ในเวลาที่กำหนด คุณอาจใช้วิธีเดียวกันกับงานมอบหมาย หากคุณต้องการให้นักเรียนทำงานร่วมกันในที่สาธารณะ
หากคุณต้องการรูปแบบที่เป็นส่วนตัวมากขึ้น ให้ขอให้นักเรียน fork หลักสูตรนี้ทีละบทเรียนไปยัง GitHub repo ส่วนตัวของพวกเขา และให้สิทธิ์คุณเข้าถึง จากนั้นพวกเขาสามารถทำแบบทดสอบและงานมอบหมายในแบบส่วนตัว และส่งให้คุณผ่าน issues ใน repo ห้องเรียนของคุณ
มีหลายวิธีที่จะทำให้การเรียนการสอนในห้องเรียนออนไลน์นี้ได้ผล โปรดแจ้งให้เราทราบว่าวิธีใดเหมาะสมที่สุดสำหรับคุณ!
สิ่งที่รวมอยู่ในหลักสูตรนี้:
20 บทเรียน, 40 แบบทดสอบ, และ 20 งานมอบหมาย มีภาพสเก็ตช์โน้ตประกอบบทเรียนสำหรับผู้เรียนที่ชอบการเรียนรู้แบบภาพ บทเรียนหลายบทมีให้เลือกทั้งในภาษา Python และ R และสามารถทำได้โดยใช้ Jupyter notebooks ใน VS Code เรียนรู้เพิ่มเติมเกี่ยวกับวิธีการตั้งค่าห้องเรียนของคุณเพื่อใช้เทคโนโลยีนี้ได้ที่: https://code.visualstudio.com/docs/datascience/jupyter-notebooks
ภาพสเก็ตช์โน้ตทั้งหมด รวมถึงโปสเตอร์ขนาดใหญ่ อยู่ใน โฟลเดอร์นี้
คุณยังสามารถรันหลักสูตรนี้ในรูปแบบเว็บไซต์แบบออฟไลน์ได้โดยใช้ Docsify ติดตั้ง Docsify บนเครื่องของคุณ จากนั้นในโฟลเดอร์ root ของ repo นี้ ให้พิมพ์ docsify serve เว็บไซต์จะถูกให้บริการบนพอร์ต 3000 บน localhost ของคุณ: localhost:3000
เวอร์ชันออฟไลน์ของหลักสูตรจะเปิดในรูปแบบเว็บเพจแบบสแตนด์อโลน: https://localhost:3000
บทเรียนถูกจัดกลุ่มเป็น 6 ส่วน:
- 1: บทนำ
- 1: การนิยามวิทยาศาสตร์ข้อมูล
- 2: จริยธรรม
- 3: การนิยามข้อมูล
- 4: ภาพรวมของความน่าจะเป็นและสถิติ
- 2: การทำงานกับข้อมูล
- 5: ฐานข้อมูลเชิงสัมพันธ์
- 6: ฐานข้อมูลแบบไม่เชิงสัมพันธ์
- 7: Python
- 8: การเตรียมข้อมูล
- 3: การแสดงผลข้อมูล
- 9: การแสดงผลเชิงปริมาณ
- 10: การแสดงผลการกระจาย
- 11: การแสดงผลสัดส่วน
- 12: การแสดงผลความสัมพันธ์
- 13: การแสดงผลที่มีความหมาย
- 4: วงจรชีวิตของวิทยาศาสตร์ข้อมูล
- 14: บทนำ
- 15: การวิเคราะห์
- 16: การสื่อสาร
- 5: วิทยาศาสตร์ข้อมูลบนคลาวด์
- 17: บทนำ
- 18: ตัวเลือกแบบ Low-Code
- 19: Azure
- 6: วิทยาศาสตร์ข้อมูลในโลกจริง
- 20: ภาพรวม
โปรดบอกความคิดเห็นของคุณ!
เราต้องการทำให้หลักสูตรนี้เหมาะสมกับคุณและนักเรียนของคุณ โปรดให้ข้อเสนอแนะในกระดานสนทนา! คุณสามารถสร้างพื้นที่ห้องเรียนในกระดานสนทนาเพื่อให้นักเรียนของคุณใช้งานได้
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้