Data-Science-For-Beginners/translations/uk

Data Science для початківців - навчальна програма

Azure Cloud Advocates в Microsoft раді запропонувати 10-тижневу навчальну програму з 20 уроків, присвячену Data Science. Кожен урок містить тести до та після уроку, письмові інструкції до виконання, розв’язання та завдання. Наша проектно-орієнтована педагогіка дозволяє вчитися під час створення, що є перевіреним способом засвоєння нових навичок.

Щира подяка нашим авторам: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Окрема подяка 🙏 нашим авторам, рецензентам та учасникам внесків із Microsoft Student Ambassador, зокрема 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

Data Science для початківців - Скетч нотатка від @nitya

🌐 Підтримка кількох мов

Підтримується через GitHub Action (Автоматизовано і завжди актуально)

Арабська | Бенгальська | Болгарська | Бірманська (М’янма) | Китайська (спрощена) | Китайська (традиційна, Гонконг) | Китайська (традиційна, Макао) | Китайська (традиційна, Тайвань) | Хорватська | Чеська | Данська | Голландська | Естонська | Фінська | Французька | Німецька | Грецька | Іврит | Хінді | Угорська | Індонезійська | Італійська | Японська | Каннада | Корейська | Литовська | Малайська | Малаялам | Маратхі | Непальська | Нігерійський пиджин | Норвезька | Перська (фарсі) | Польська | Португальська (Бразилія) | Португальська (Португалія) | Пенджабі (Гурмукхі) | Румунська | Російська | Сербська (кирилиця) | Словацька | Словенська | Іспанська | Суахілі | Шведська | Тагальська (філіппінська) | Тамільська | Телугу | Тайська | Турецька | Українська | Урду | В’єтнамська

Віддаєте перевагу клонувати локально?

Цей репозиторій містить понад 50 мовних перекладів, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте sparse checkout:

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Це дасть усе необхідне для проходження курсу з набагато швидшим завантаженням.

Якщо ви хочете додати підтримку додаткових мов, вони перераховані тут

Приєднуйтесь до нашої спільноти

У нас триває серія навчань з AI у Discord, дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрості використання GitHub Copilot для Data Science.

Ви студент?

Почніть з таких ресурсів:

• Сторінка Student Hub На цій сторінці ви знайдете початкові ресурси, студентські пакети та навіть способи отримати безкоштовний сертифікаційний ваучер. Це сторінка, яку варто додати в закладки і періодично перевіряти, оскільки ми оновлюємо контент принаймні щомісяця.
• Microsoft Learn Student Ambassadors Приєднуйтеся до глобальної спільноти студентських послів, це може бути вашим шляхом у Microsoft.

Починаємо

📚 Документація

• Інструкція з установки - Покрокові інструкції налаштування для початківців
• Посібник користувача - Приклади та поширені робочі процеси
• Вирішення проблем - Розв’язання поширених проблем
• Посібник з внеску - Як зробити внесок у цей проєкт
• Для вчителів - Керівництво з викладання та ресурси для класу

👨‍🎓 Для студентів

Повні початківці: Новачок у Data Science? Почніть з наших прикладів для початківців! Ці прості, добре прокоментовані приклади допоможуть вам зрозуміти основи перед тим, як заглибитися в повну навчальну програму. Студенти: щоб користуватися цією програмою самостійно, форкніть весь репозиторій і виконайте вправи самостійно, починаючи з тесту перед лекцією. Потім прочитайте лекцію і виконайте решту завдань. Намагайтеся створювати проєкти, розуміючи уроки, а не просто копіюючи код розв’язку; однак цей код доступний у папках /solutions у кожному проектно-орієнтованому уроці. Іншим варіантом є створення навчальної групи з друзями і проходження контенту разом. Для подальшого навчання рекомендуємо Microsoft Learn.

Швидкий старт:

1. Перевірте Інструкцію з установки для налаштування середовища
2. Ознайомтесь з Посібником користувача, щоб навчитися працювати з програмою
3. Починайте з Уроку 1 і рухайтеся послідовно
4. Приєднуйтесь до нашої спільноти Discord для підтримки

👩‍🏫 Для вчителів

Вчителям: ми включили деякі пропозиції щодо використання цієї навчальної програми. Ми будемо раді вашим відгукам на нашому форумі для обговорень!

Знайомство з командою

Гіфка від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб переглянути відео про проект та людей, які його створили!

Педагогіка

Ми обрали два педагогічні принципи при створенні цього курикулуму: забезпечення проєктного підходу та часті вікторини. Наприкінці цього циклу студенти здобудуть базові знання з основ науки про дані, зокрема етичних концепцій, підготовки даних, різних способів роботи з даними, візуалізації даних, аналізу даних, реальних прикладів використання науки про дані тощо.

Крім того, вікторина з низькою ставкою перед заняттям встановлює намір студента вивчати тему, а друга вікторина після заняття забезпечує краще закріплення матеріалу. Цей курикулум розроблений так, щоб бути гнучким і цікавим, і його можна проходити повністю або частково. Проекти починаються з маленьких і поступово ускладнюються до кінця 10-тижневого циклу.

Ознайомтесь з нашим Кодексом поведінки, Правилами внеску, Керівництвом з перекладу. Ми вітаємо ваші конструктивні зауваження!

Кожен урок включає:

• Додатковий скетчнот (за бажанням)
• Додаткове відео (за бажанням)
• Розігрівна вікторина перед уроком
• Текст уроку
• Для уроків з проєктами — покрокові інструкції зі створення проєкту
• Перевірки знань
• Виклик / завдання
• Додаткова література
• Завдання
• Вікторина після уроку

Примітка про вікторини: Усі вікторини знаходяться в папці Quiz-App, загалом 40 вікторин по три запитання. Вони пов’язані з уроками, але додаток для вікторини можна запускати локально або розгортати в Azure; виконуйте інструкції у папці quiz-app. Вікторини поступово локалізуються.

🎓 Приклади для початківців

Новачок у науці про дані? Ми створили спеціальний каталог прикладів з простим, добре прокоментованим кодом, щоб допомогти вам розпочати:

• 🌟 Hello World – ваша перша програма з науки про дані
• 📂 Завантаження даних – навчіться читати та досліджувати набори даних
• 📊 Простий аналіз – обчислення статистики та пошук закономірностей
• 📈 Базова візуалізація – створення діаграм і графіків
• 🔬 Реальний проєкт – повний робочий процес від початку до кінця

Кожен приклад містить детальні коментарі, які пояснюють кожен крок, тому вони ідеально підходять для абсолютних новачків!

👉 Почати з прикладів 👈

Уроки

Наука про дані для початківців: Дорожня карта - Скетчнот від @nitya

Номер уроку	Тема	Група уроків	Мета навчання	Посилання на урок	Автор
01	Визначення науки про дані	Вступ	Вивчіть базові поняття науки про дані та її зв’язок з штучним інтелектом, машинним навчанням та великими даними.	урок відео	Дмитро
02	Етика науки про дані	Вступ	Концепції, виклики та рамки етики даних.	урок	Нітія
03	Визначення даних	Вступ	Як класифікуються дані та їх загальні джерела.	урок	Жасмін
04	Вступ до статистики та ймовірності	Вступ	Математичні методи ймовірності та статистики для розуміння даних.	урок відео	Дмитро
05	Робота з реляційними даними	Робота з даними	Вступ до реляційних даних та основи їх дослідження й аналізу за допомогою мови структурованих запитів, також відомої як SQL (вимовляється “сіквел”).	урок	Крістофер
06	Робота з NoSQL даними	Робота з даними	Вступ до нереляційних даних, їх різних типів та основи дослідження та аналізу документних баз даних.	урок	Жасмін
07	Робота з Python	Робота з даними	Основи використання Python для дослідження даних за допомогою бібліотек, таких як Pandas. Рекомендується базове розуміння програмування на Python.	урок відео	Дмитро
08	Підготовка даних	Робота з даними	Теми з технік очищення та трансформації даних для вирішення проблем відсутніх, неточних або неповних даних.	урок	Жасмін
09	Візуалізація кількостей	Візуалізація даних	Навчіться використовувати Matplotlib для візуалізації даних про птахів 🦆	урок	Джен
10	Візуалізація розподілів даних	Візуалізація даних	Візуалізація спостережень та тенденцій у межах інтервалу.	урок	Джен
11	Візуалізація пропорцій	Візуалізація даних	Візуалізація дискретних і згрупованих відсотків.	урок	Джен
12	Візуалізація взаємозв’язків	Візуалізація даних	Візуалізація зв’язків та кореляцій між наборами даних та їх змінними.	урок	Джен
13	Значущі візуалізації	Візуалізація даних	Методи та рекомендації для створення візуалізацій, що мають цінність для ефективного розв’язання проблем і отримання інсайтів.	урок	Джен
14	Вступ до життєвого циклу науки про дані	Життєвий цикл	Вступ до життєвого циклу науки про дані і його першого етапу — отримання та вилучення даних.	урок	Жасмін
15	Аналіз	Життєвий цикл	Цей етап життєвого циклу науки про дані зосереджений на методах аналізу даних.	урок	Жасмін
16	Комунікація	Життєвий цикл	Цей етап життєвого циклу науки про дані зосереджений на презентуванні інсайтів із даних у спосіб, який спрощує розуміння для осіб, які приймають рішення.	урок	Джейлен
17	Наука про дані в хмарі	Хмарні дані	Ця серія уроків знайомить з наукою про дані в хмарі та її перевагами.	урок	Тіффані та Мод
18	Наука про дані в хмарі	Хмарні дані	Навчання моделей за допомогою Low Code інструментів.	урок	Тіффані та Мод
19	Наука про дані в хмарі	Хмарні дані	Розгортання моделей у Azure Machine Learning Studio.	урок	Тіффані та Мод
20	Наука про дані в реальному світі	У реальному світі	Проєкти на основі науки про дані у реальному житті.	урок	Нітія

GitHub Codespaces

Виконайте ці кроки, щоб відкрити цей приклад у Codespace:

1. Натисніть меню Code і виберіть опцію Open with Codespaces.
2. Виберіть + New codespace внизу панелі. Більше інформації дивіться у документації GitHub.

VSCode Remote - Containers

Виконайте ці кроки, щоб відкрити цей репозиторій у контейнері за допомогою локальної машини і VSCode через розширення VS Code Remote - Containers:

1. Якщо ви вперше використовуєте контейнер розробки, будь ласка, переконайтеся, що ваша система відповідає вимогам (наприклад, встановлений Docker) у документації для початку роботи.

Щоб використати цей репозиторій, ви можете відкрити репозиторій у ізольованому Docker томі:

Примітка: Фактично, це використовує команду Remote-Containers: Clone Repository in Container Volume... для клонування вихідного коду у Docker том замість локальної файлової системи. Томи — це рекомендований механізм для збереження даних контейнера.

Або відкрийте локально клоновану чи завантажену версію репозиторію:

• Клонуйте цей репозиторій у локальну файлову систему.
• Натисніть F1 і виберіть команду Remote-Containers: Open Folder in Container....
• Виберіть скопійовану папку, дочекайтесь запуску контейнера і починайте працювати.

Офлайн доступ

Ви можете переглядати цю документацію в офлайн режимі, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на вашій локальній машині, а потім у кореневій папці репозиторію наберіть docsify serve. Сайт буде доступний на порту 3000 на вашому localhost: localhost:3000.

Зверніть увагу, що ноутбуки не відображаються через Docsify, тому коли потрібно запустити ноутбук, робіть це окремо у VS Code із запущеним Python ядром.

Інші курси

Наша команда також створює інші курси! Ознайомтесь із ними:

LangChain

---

Azure / Edge / MCP / Агенти

---

Серія Generative AI

---

Основне Навчання

---

Серія Copilot

Отримання допомоги

Виникли проблеми? Перегляньте наш Посібник з усунення неполадок для пошуку рішень поширених проблем.

Якщо ви застрягли або маєте запитання щодо створення AI-додатків, приєднуйтесь до інших учнів та досвідчених розробників у дискусіях про MCP. Це підтримуюча спільнота, де питання вітаються, а знання діляться вільно.

Якщо у вас є відгуки або помилки під час розробки, відвідайте:

---

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильне тлумачення, що виникли внаслідок використання цього перекладу.