Data-Science-For-Beginners/translations/el

Επιστήμη Δεδομένων για Αρχάριους - Ένα Αναλυτικό Πρόγραμμα Σπουδών

Οι Πρεσβευτές Cloud Azure στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 10 εβδομάδων με 20 μαθήματα, όλα σχετικά με την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μια λύση και μια εργασία. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενόσω κατασκευάζετε, ένας αποδεδειγμένος τρόπος για νέες δεξιότητες να "εγκαθίστανται".

Θερμές ευχαριστίες στους συγγραφείς μας: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Ειδικές ευχαριστίες 🙏 στους συγγραφείς, αξιολογητές και συνεισφέροντες περιεχόμενο από τους Πρεσβευτές Φοιτητών Microsoft, ιδιαίτερα 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

Επιστήμη Δεδομένων για Αρχάριους - Σημειώσεις από @nitya

🌐 Υποστήριξη Πολλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτόματη & Πάντα Ενημερωμένη)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Προτιμάτε να Κλωνοποιήσετε Τοπικά;

Αυτό το αποθετήριο περιλαμβάνει περισσότερες από 50 μεταφράσεις γλωσσών, που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κλωνοποιήσετε χωρίς τις μεταφράσεις, χρησιμοποιήστε 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'

Αυτό σας δίνει ό,τι χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ πιο γρήγορη λήψη.

Αν θέλετε να υποστηριχθούν επιπλέον γλώσσες μετάφρασης, παρατίθενται εδώ

Ενταχθείτε στην Κοινότητά μας

Έχουμε μια συνεχιζόμενη σειρά "Μάθε με AI" στο Discord, μάθετε περισσότερα και συμμετάσχετε στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για την Επιστήμη Δεδομένων.

Είσαι φοιτητής;

Ξεκίνα με τους ακόλουθους πόρους:

• Σελίδα Student Hub Σε αυτή τη σελίδα, θα βρείτε πόρους για αρχάριους, πακέτα για φοιτητές και ακόμη τρόπους να αποκτήσετε δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που αξίζει να αποθηκεύσετε στα αγαπημένα σας και να ελέγχετε από καιρό σε καιρό καθώς ανανεώνουμε το περιεχόμενο τουλάχιστον κάθε μήνα.
• Πρεσβευτές Φοιτητών Microsoft Ενταχθείτε σε μια παγκόσμια κοινότητα πρεσβευτών φοιτητών, αυτό θα μπορούσε να είναι το εισιτήριό σας για τη Microsoft.

Ξεκινώντας

📚 Τεκμηρίωση

• Οδηγός Εγκατάστασης - Οδηγίες βήμα προς βήμα για αρχάριους
• Οδηγός Χρήσης - Παραδείγματα και συνήθεις ροές εργασίας
• Αντιμετώπιση Προβλημάτων - Λύσεις σε κοινά ζητήματα
• Οδηγός Συμβολής - Πώς να συμβάλετε σε αυτό το έργο
• Για Εκπαιδευτικούς - Οδηγίες διδασκαλίας και πόροι για την τάξη

👨‍🎓 Για Φοιτητές

Απόλυτοι Αρχάριοι: Νέοι στην επιστήμη δεδομένων; Ξεκινήστε με τα παραδείγματα φιλικά για αρχάριους! Αυτά τα απλά, σχολιασμένα παραδείγματα θα σας βοηθήσουν να κατανοήσετε τα βασικά πριν βουτήξετε στο πλήρες πρόγραμμα σπουδών. Φοιτητές: για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork ολόκληρο το repo και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν το μάθημα. Στη συνέχεια διαβάστε το μάθημα και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να αντιγράφετε τον κώδικα λύσης· όμως, ο κώδικας αυτός είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα προσανατολισμένο σε έργο. Μια άλλη ιδέα είναι να σχηματίσετε μια ομάδα μελέτης με φίλους και να περάσετε το περιεχόμενο μαζί. Για περαιτέρω μελέτη, προτείνουμε το Microsoft Learn.

Γρήγορη εκκίνηση:

1. Ελέγξτε τον Οδηγό Εγκατάστασης για να ρυθμίσετε το περιβάλλον σας
2. Ανασκοπήστε τον Οδηγό Χρήσης για να μάθετε πώς να δουλεύετε με το πρόγραμμα σπουδών
3. Ξεκινήστε με το Μάθημα 1 και δουλέψτε διαδοχικά
4. Ενταχθείτε στην κοινότητα Discord μας για υποστήριξη

👩‍🏫 Για Εκπαιδευτικούς

Εκπαιδευτικοί: έχουμε συμπεριλάβει μερικές προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα χαρούμε τα σχόλιά σας στο φόρουμ συζητήσεών μας!

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

Παιδαγωγική

Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του μαθήματος: να είναι βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικών τρόπων εργασίας με δεδομένα, οπτικοποίησης δεδομένων, ανάλυσης δεδομένων, πραγματικών περιπτώσεων χρήσης της επιστήμης δεδομένων, και άλλα.

Επιπλέον, ένα χαμηλού κινδύνου κουίζ πριν από ένα μάθημα θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω διατήρηση. Αυτή η διδακτική ύλη σχεδιάστηκε ώστε να είναι ευέλικτη και διασκεδαστική και μπορεί να παρακολουθηθεί ολόκληρη ή μεμονωμένα μέρη. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο περίπλοκα μέχρι το τέλος του κύκλου των 10 εβδομάδων.

Βρείτε τις οδηγίες μας για τον Κώδικα Συμπεριφοράς, τη Συνεισφορά, και τις Μεταφράσεις. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει:

• Προαιρετική σημείωση σχεδίασης (sketchnote)
• Προαιρετικό συμπληρωματικό βίντεο
• Προ-μάθημα προθέρμανση μέσω κουίζ
• Γραπτό μάθημα
• Για μαθήματα βασισμένα σε έργα, βήμα-βήμα οδηγίες για την κατασκευή του έργου
• Έλεγχοι γνώσεων
• Πρόκληση
• Συμπληρωματική ανάγνωση
• Ανάθεση εργασίας
• Κουίζ μετά το μάθημα

Σημείωση για τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz-App, με συνολικά 40 κουίζ των τριών ερωτήσεων το καθένα. Συνδέονται από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στον φάκελο quiz-app. Βρίσκονται σταδιακά σε διαδικασία τοπικοποίησης.

🎓 Παραδείγματα Φιλικά για Αρχάριους

Νέοι στην επιστήμη δεδομένων; Δημιουργήσαμε έναν ειδικό φάκελο με παραδείγματα με απλό, καλά σχολιασμένο κώδικα για να σας βοηθήσει να ξεκινήσετε:

• 🌟 Γεια σου κόσμε - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
• 📂 Φόρτωση δεδομένων - Μάθετε να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
• 📊 Απλή ανάλυση - Υπολογίστε στατιστικά και βρείτε μοτίβα
• 📈 Βασική οπτικοποίηση - Δημιουργία διαγραμμάτων και γραφημάτων
• 🔬 Πραγματικό έργο - Ολοκληρωμένη ροή εργασίας από την αρχή μέχρι το τέλος

Κάθε παράδειγμα περιλαμβάνει λεπτομερή σχόλια που εξηγούν κάθε βήμα, καθιστώντας το τέλειο για απόλυτους αρχάριους!

👉 Ξεκινήστε με τα παραδείγματα 👈

Μαθήματα

Επιστήμη Δεδομένων για Αρχάριους: Οδικός Χάρτης - Σημείωση σχεδίασης από @nitya

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθήματος	Μαθησιακοί Στόχοι	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Ορισμός Επιστήμης Δεδομένων	Εισαγωγή	Μάθετε τις βασικές έννοιες πίσω από την επιστήμη δεδομένων και πώς σχετίζεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα.	μάθημα βίντεο	Dmitry
02	Ηθική στην επιστήμη δεδομένων	Εισαγωγή	Έννοιες, προκλήσεις και πλαίσια ηθικής δεδομένων.	μάθημα	Nitya
03	Ορισμός Δεδομένων	Εισαγωγή	Πώς ταξινομούνται τα δεδομένα και οι κοινές πηγές τους.	μάθημα	Jasmine
04	Εισαγωγή στη Στατιστική και Πιθανότητες	Εισαγωγή	Μαθηματικές τεχνικές πιθανοτήτων και στατιστικής για την κατανόηση των δεδομένων.	μάθημα βίντεο	Dmitry
05	Εργασία με Σχεσιακά Δεδομένα	Εργασία με Δεδομένα	Εισαγωγή σε σχεσιακά δεδομένα και τα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη γλώσσα δομημένων ερωτημάτων, γνωστή και ως SQL (προφέρεται “σι-κουελ”).	μάθημα	Christopher
06	Εργασία με NoSQL Δεδομένα	Εργασία με Δεδομένα	Εισαγωγή σε μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και τα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων.	μάθημα	Jasmine
07	Εργασία με Python	Εργασία με Δεδομένα	Βασικά της χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως οι Pandas. Συνιστάται βασική κατανόηση προγραμματισμού Python.	μάθημα βίντεο	Dmitry
08	Προετοιμασία Δεδομένων	Εργασία με Δεδομένα	Θέματα για τεχνικές καθαρισμού και μετασχηματισμού των δεδομένων ώστε να αντιμετωπιστούν προβλήματα όπως τα ελλιπή, ανακριβή ή ατελή δεδομένα.	μάθημα	Jasmine
09	Οπτικοποίηση Ποσοτήτων	Οπτικοποίηση Δεδομένων	Μάθετε πώς να χρησιμοποιείτε το Matplotlib για οπτικοποίηση δεδομένων πουλιών 🦆	μάθημα	Jen
10	Οπτικοποίηση Κατανομών Δεδομένων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα.	μάθημα	Jen
11	Οπτικοποίηση Αναλογιών	Οπτικοποίηση Δεδομένων	Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών.	μάθημα	Jen
12	Οπτικοποίηση Σχέσεων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ συνόλων δεδομένων και των μεταβλητών τους.	μάθημα	Jen
13	Σημαντικές Οπτικοποιήσεις	Οπτικοποίηση Δεδομένων	Τεχνικές και οδηγίες για τη δημιουργία οπτικοποιήσεων που έχουν αξία για αποτελεσματική επίλυση προβλημάτων και βαθύτερες γνώσεις.	μάθημα	Jen
14	Εισαγωγή στον Κύκλο Ζωής της Επιστήμης Δεδομένων	Κύκλος Ζωής	Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο του βήμα που είναι η απόκτηση και εξαγωγή δεδομένων.	μάθημα	Jasmine
15	Ανάλυση	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται σε τεχνικές ανάλυσης δεδομένων.	μάθημα	Jasmine
16	Επικοινωνία	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται στην παρουσίαση των πληροφοριών από τα δεδομένα με τέτοιο τρόπο ώστε να διευκολύνει την κατανόηση από τους λήπτες αποφάσεων.	μάθημα	Jalen
17	Επιστήμη Δεδομένων στο Cloud	Δεδομένα στο Cloud	Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της.	μάθημα	Tiffany και Maud
18	Επιστήμη Δεδομένων στο Cloud	Δεδομένα στο Cloud	Εκπαίδευση μοντέλων χρησιμοποιώντας εργαλεία χαμηλού κώδικα.	μάθημα	Tiffany και Maud
19	Επιστήμη Δεδομένων στο Cloud	Δεδομένα στο Cloud	Ανάπτυξη μοντέλων με το Azure Machine Learning Studio.	μάθημα	Tiffany και Maud
20	Επιστήμη Δεδομένων στην Πράξη	Στην Πράξη	Έργα επιστήμης δεδομένων στον πραγματικό κόσμο.	μάθημα	Nitya

GitHub Codespaces

Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε Codespace:

1. Κάντε κλικ στο μενού Code και επιλέξτε την επιλογή Open with Codespaces.
2. Επιλέξτε + New codespace στο κάτω μέρος του πλαισίου. Για περισσότερες πληροφορίες, δείτε την τεκμηρίωση του GitHub.

VSCode Remote - Containers

Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το αποθετήριο σε κοντέινερ χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode μέσω της επέκτασης VS Code Remote - Containers:

1. Αν αυτή είναι η πρώτη φορά που χρησιμοποιείτε κοντέινερ ανάπτυξης, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (δηλαδή έχει εγκατεστημένο το Docker) σύμφωνα με την τεκμηρίωση έναρξης.

Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να ανοίξετε το αποθετήριο σε απομονωμένο τόμο Docker:

Σημείωση: Υπό το καπό, αυτό θα χρησιμοποιήσει την εντολή Remote-Containers: Clone Repository in Container Volume... για να κλωνοποιήσει τον πηγαίο κώδικα σε τόμο Docker αντί για το τοπικό σύστημα αρχείων. Οι Volumes είναι η προτιμώμενη μέθοδος για τη διατήρηση δεδομένων κοντέινερ.

Ή να ανοίξετε μια τοπικά κλωνοποιημένη ή κατεβασμένη έκδοση του αποθετηρίου:

• Κλωνοποιήστε αυτό το αποθετήριο στο τοπικό σύστημά σας.
• Πατήστε F1 και επιλέξτε την εντολή Remote-Containers: Open Folder in Container....
• Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το κοντέινερ και δοκιμάστε.

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή, και στη ρίζα αυτού του φακέλου πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβιριστεί στη θύρα 3000 στο localhost σας: localhost:3000.

Σημείωση, τα σημειωματάρια δεν θα αποδίδονται μέσω Docsify, οπότε όταν χρειάζεται να τρέξετε ένα σημειωματάριο, κάντε το ξεχωριστά στο VS Code με έναν Python πυρήνα.

Άλλες Διδακτικές Ενότητες

Η ομάδα μας παράγει και άλλες διδακτικές ενότητες! Ρίξτε μια ματιά:

LangChain

---

Azure / Edge / MCP / Πράκτορες

---

Σειρά Δημιουργικής Τεχνητής Νοημοσύνης

---

Βασική Μάθηση

---

Σειρά Copilot

Λήψη Βοήθειας

Αντιμετωπίζετε προβλήματα; Δείτε τον Οδηγό Επίλυσης Προβλημάτων για λύσεις σε κοινά ζητήματα.

Εάν κολλήσετε ή έχετε ερωτήσεις σχετικά με τη δημιουργία εφαρμογών AI, συμμετέχετε με άλλους εκπαιδευόμενους και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Εάν έχετε σχόλια για προϊόντα ή σφάλματα κατά την ανάπτυξη επισκεφθείτε:

---

Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες συνιστάται η επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.