Data-Science-For-Beginners/translations/cs/USAGE.md

Průvodce použitím

Tento průvodce poskytuje příklady a běžné pracovní postupy pro použití kurikula Data Science for Beginners.

Obsah

• Jak používat toto kurikulum
• Práce s lekcemi
• Práce s Jupyter Notebooks
• Použití aplikace pro kvízy
• Běžné pracovní postupy
• Tipy pro samouky
• Tipy pro učitele

Jak používat toto kurikulum

Toto kurikulum je navrženo tak, aby bylo flexibilní a mohlo být použito různými způsoby:

• Samostudium: Procházejte lekce nezávisle vlastním tempem
• Výuka ve třídě: Použijte jako strukturovaný kurz s vedenou výukou
• Studijní skupiny: Učte se společně s kolegy
• Workshopový formát: Intenzivní krátkodobé vzdělávací sezení

Práce s lekcemi

Každá lekce má konzistentní strukturu, která maximalizuje učení:

Struktura lekce

1. Kvíz před lekcí: Otestujte své stávající znalosti
2. Sketchnote (volitelné): Vizuální shrnutí klíčových konceptů
3. Video (volitelné): Doplňkový video obsah
4. Psaná lekce: Základní koncepty a vysvětlení
5. Jupyter Notebook: Praktická cvičení v kódování
6. Úkol: Procvičte si, co jste se naučili
7. Kvíz po lekci: Posilte své porozumění

Příklad pracovního postupu pro lekci

# 1. Navigate to the lesson directory
cd 1-Introduction/01-defining-data-science

# 2. Read the README.md
# Open README.md in your browser or editor

# 3. Take the pre-lesson quiz
# Click the quiz link in the README

# 4. Open the Jupyter notebook (if available)
jupyter notebook

# 5. Complete the exercises in the notebook

# 6. Work on the assignment

# 7. Take the post-lesson quiz

Práce s Jupyter Notebooks

Spuštění Jupyteru

# Activate your virtual environment
source venv/bin/activate  # On macOS/Linux
# OR
venv\Scripts\activate  # On Windows

# Start Jupyter from the repository root
jupyter notebook

Spouštění buněk v notebooku

1. Spuštění buňky: Stiskněte Shift + Enter nebo klikněte na tlačítko "Run"
2. Spuštění všech buněk: Vyberte "Cell" → "Run All" v menu
3. Restartování kernelu: Vyberte "Kernel" → "Restart", pokud narazíte na problémy

Příklad: Práce s daty v notebooku

# Import required libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Load a dataset
df = pd.read_csv('data/sample.csv')

# Explore the data
df.head()
df.info()
df.describe()

# Create a visualization
plt.figure(figsize=(10, 6))
plt.plot(df['column_name'])
plt.title('Sample Visualization')
plt.xlabel('X-axis Label')
plt.ylabel('Y-axis Label')
plt.show()

Ukládání práce

• Jupyter automaticky ukládá pravidelně
• Ruční uložení: Stiskněte Ctrl + S (nebo Cmd + S na macOS)
• Váš pokrok je uložen v souboru .ipynb

Použití aplikace pro kvízy

Spuštění aplikace pro kvízy lokálně

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Absolvování kvízů

1. Kvízy před lekcí jsou uvedeny na začátku každé lekce
2. Kvízy po lekci jsou uvedeny na konci každé lekce
3. Každý kvíz obsahuje 3 otázky
4. Kvízy jsou navrženy tak, aby posilovaly učení, nikoli aby vyčerpávajícím způsobem testovaly

Číslování kvízů

• Kvízy jsou očíslovány 0-39 (celkem 40 kvízů)
• Každá lekce obvykle obsahuje kvíz před a po lekci
• URL kvízů obsahují číslo kvízu: https://ff-quizzes.netlify.app/en/ds/quiz/0

Běžné pracovní postupy

Pracovní postup 1: Cesta pro úplné začátečníky

# 1. Set up your environment (see INSTALLATION.md)

# 2. Start with Lesson 1
cd 1-Introduction/01-defining-data-science

# 3. For each lesson:
#    - Take pre-lesson quiz
#    - Read the lesson content
#    - Work through the notebook
#    - Complete the assignment
#    - Take post-lesson quiz

# 4. Progress through all 20 lessons sequentially

Pracovní postup 2: Učení zaměřené na konkrétní téma

Pokud vás zajímá konkrétní téma:

# Example: Focus on Data Visualization
cd 3-Data-Visualization

# Explore lessons 9-13:
# - Lesson 9: Visualizing Quantities
# - Lesson 10: Visualizing Distributions
# - Lesson 11: Visualizing Proportions
# - Lesson 12: Visualizing Relationships
# - Lesson 13: Meaningful Visualizations

Pracovní postup 3: Učení založené na projektech

# 1. Review the Data Science Lifecycle lessons (14-16)
cd 4-Data-Science-Lifecycle

# 2. Work through a real-world example (Lesson 20)
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# 3. Apply concepts to your own project

Pracovní postup 4: Data Science v cloudu

# Learn about cloud data science (Lessons 17-19)
cd 5-Data-Science-In-Cloud

# 17: Introduction to Cloud Data Science
# 18: Low-Code ML Tools
# 19: Azure Machine Learning Studio

Tipy pro samouky

Zůstaňte organizovaní

# Create a learning journal
mkdir my-learning-journal

# For each lesson, create notes
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

Pravidelně procvičujte

• Vyhraďte si každý den nebo týden čas na učení
• Dokončete alespoň jednu lekci týdně
• Pravidelně si opakujte předchozí lekce

Zapojte se do komunity

• Připojte se k Discord komunitě
• Účastněte se kanálu #Data-Science-for-Beginners na Discordu Diskuze na Discordu
• Sdílejte svůj pokrok a kladte otázky

Vytvářejte vlastní projekty

Po dokončení lekcí aplikujte koncepty na osobní projekty:

# Example: Analyze your own dataset
import pandas as pd

# Load your own data
my_data = pd.read_csv('my-project/data.csv')

# Apply techniques learned
# - Data cleaning (Lesson 8)
# - Exploratory data analysis (Lesson 7)
# - Visualization (Lessons 9-13)
# - Analysis (Lesson 15)

Tipy pro učitele

Nastavení třídy

1. Projděte si for-teachers.md pro podrobné pokyny
2. Nastavte sdílené prostředí (GitHub Classroom nebo Codespaces)
3. Zaveďte komunikační kanál (Discord, Slack nebo Teams)

Plánování lekcí

Navrhovaný 10týdenní rozvrh:

• Týden 1-2: Úvod (Lekce 1-4)
• Týden 3-4: Práce s daty (Lekce 5-8)
• Týden 5-6: Vizualizace dat (Lekce 9-13)
• Týden 7-8: Životní cyklus Data Science (Lekce 14-16)
• Týden 9: Data Science v cloudu (Lekce 17-19)
• Týden 10: Reálné aplikace & závěrečné projekty (Lekce 20)

Spuštění Docsify pro offline přístup

# Serve documentation locally for classroom use
docsify serve

# Students can access at localhost:3000
# No internet required after initial setup

Hodnocení úkolů

• Projděte studentské notebooky s dokončenými cvičeními
• Ověřte porozumění pomocí výsledků kvízů
• Hodnoťte závěrečné projekty podle principů životního cyklu Data Science

Vytváření úkolů

# Example custom assignment template
"""
Assignment: [Topic]

Objective: [Learning goal]

Dataset: [Provide or have students find one]

Tasks:
1. Load and explore the dataset
2. Clean and prepare the data
3. Create at least 3 visualizations
4. Perform analysis
5. Communicate findings

Deliverables:
- Jupyter notebook with code and explanations
- Written summary of findings
"""

Práce offline

Stažení zdrojů

# Clone the entire repository
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# Download datasets in advance
# Most datasets are included in the repository

Spuštění dokumentace lokálně

# Serve with Docsify
docsify serve

# Access at localhost:3000

Spuštění aplikace pro kvízy lokálně

cd quiz-app
npm run serve

Přístup k přeloženému obsahu

Překlady jsou dostupné ve více než 40 jazycích:

# Access translated lessons
cd translations/fr  # French
cd translations/es  # Spanish
cd translations/de  # German
# ... and many more

Každý překlad zachovává stejnou strukturu jako anglická verze.

Další zdroje

Pokračujte v učení

• Microsoft Learn - Další vzdělávací cesty
• Student Hub - Zdroje pro studenty
• Azure AI Foundry - Komunitní fórum

Související kurikula

• AI for Beginners
• ML for Beginners
• Web Dev for Beginners
• Generative AI for Beginners

Získání pomoci

• Projděte si TROUBLESHOOTING.md pro běžné problémy
• Vyhledejte GitHub Issues
• Připojte se k našemu Discordu
• Projděte si CONTRIBUTING.md pro hlášení problémů nebo přispění

---

Upozornění:
Tento dokument byl přeložen pomocí služby AI pro překlad Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme zodpovědní za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.