9.6 KiB

Raw Blame History

Panduan Penggunaan

Panduan ini menyediakan contoh dan alur kerja biasa untuk menggunakan kurikulum Data Science untuk Pemula.

Kandungan

Cara Menggunakan Kurikulum Ini

Kurikulum ini direka untuk fleksibiliti dan boleh digunakan dalam pelbagai cara:

Pembelajaran kendiri: Belajar secara bebas mengikut kelajuan anda sendiri
Pengajaran di kelas: Digunakan sebagai kursus berstruktur dengan bimbingan
Kumpulan belajar: Belajar secara kolaboratif dengan rakan-rakan
Format bengkel: Sesi pembelajaran intensif jangka pendek

Bekerja dengan Pelajaran

Setiap pelajaran mengikuti struktur yang konsisten untuk memaksimumkan pembelajaran:

Struktur Pelajaran

Kuiz Pra-pelajaran: Uji pengetahuan sedia ada anda
Sketchnote (Pilihan): Ringkasan visual konsep utama
Video (Pilihan): Kandungan video tambahan
Pelajaran Bertulis: Konsep utama dan penjelasan
Jupyter Notebook: Latihan pengekodan secara langsung
Tugasan: Praktikkan apa yang telah anda pelajari
Kuiz Pasca-pelajaran: Kukuhkan pemahaman anda

Contoh Alur Kerja untuk Pelajaran

# 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

Bekerja dengan Jupyter Notebooks

Memulakan Jupyter

# 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

Menjalankan Sel Notebook

Jalankan sel: Tekan Shift + Enter atau klik butang "Run"
Jalankan semua sel: Pilih "Cell" → "Run All" dari menu
Mulakan semula kernel: Pilih "Kernel" → "Restart" jika anda menghadapi masalah

Contoh: Bekerja dengan Data dalam Notebook

# 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()

Menyimpan Kerja Anda

Jupyter menyimpan secara automatik secara berkala
Simpan secara manual: Tekan Ctrl + S (atau Cmd + S pada macOS)
Kemajuan anda disimpan dalam fail .ipynb

Menggunakan Aplikasi Kuiz

Menjalankan Aplikasi Kuiz Secara Tempatan

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Menjawab Kuiz

Kuiz pra-pelajaran disediakan di bahagian atas setiap pelajaran
Kuiz pasca-pelajaran disediakan di bahagian bawah setiap pelajaran
Setiap kuiz mempunyai 3 soalan
Kuiz direka untuk mengukuhkan pembelajaran, bukan untuk ujian menyeluruh

Penomboran Kuiz

Kuiz bernombor 0-39 (40 kuiz keseluruhan)
Setiap pelajaran biasanya mempunyai kuiz pra dan pasca
URL kuiz termasuk nombor kuiz: https://ff-quizzes.netlify.app/en/ds/quiz/0

Alur Kerja Biasa

Alur Kerja 1: Laluan Pemula Lengkap

# 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

Alur Kerja 2: Pembelajaran Berdasarkan Topik

Jika anda berminat dengan topik tertentu:

# 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

Alur Kerja 3: Pembelajaran Berdasarkan Projek

# 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

Alur Kerja 4: Data Science Berasaskan Awan

# 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

Tip untuk Pembelajar Sendiri

Kekal Teratur

# Create a learning journal
mkdir my-learning-journal

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

Berlatih Secara Berkala

Tetapkan masa khusus setiap hari atau minggu
Lengkapkan sekurang-kurangnya satu pelajaran setiap minggu
Tinjau pelajaran sebelumnya secara berkala

Berinteraksi dengan Komuniti

Sertai komuniti Discord
Sertai saluran #Data-Science-for-Beginners di Discord Perbincangan Discord
Kongsi kemajuan anda dan ajukan soalan

Bangunkan Projek Anda Sendiri

Selepas melengkapkan pelajaran, gunakan konsep untuk projek peribadi:

# 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)

Tip untuk Guru

Persediaan Kelas

Tinjau for-teachers.md untuk panduan terperinci
Sediakan persekitaran bersama (GitHub Classroom atau Codespaces)
Tetapkan saluran komunikasi (Discord, Slack, atau Teams)

Perancangan Pelajaran

Jadual 10 Minggu yang Disyorkan:

Minggu 1-2: Pengenalan (Pelajaran 1-4)
Minggu 3-4: Bekerja dengan Data (Pelajaran 5-8)
Minggu 5-6: Visualisasi Data (Pelajaran 9-13)
Minggu 7-8: Kitaran Hayat Data Science (Pelajaran 14-16)
Minggu 9: Data Science Berasaskan Awan (Pelajaran 17-19)
Minggu 10: Aplikasi Dunia Nyata & Projek Akhir (Pelajaran 20)

Menjalankan Docsify untuk Akses Luar Talian

# Serve documentation locally for classroom use
docsify serve

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

Penilaian Tugasan

Tinjau notebook pelajar untuk latihan yang telah diselesaikan
Periksa pemahaman melalui skor kuiz
Nilai projek akhir menggunakan prinsip kitaran hayat data science

Membuat Tugasan

# 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
"""

Bekerja Secara Luar Talian

Muat Turun Sumber

# 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

Jalankan Dokumentasi Secara Tempatan

# Serve with Docsify
docsify serve

# Access at localhost:3000

Jalankan Aplikasi Kuiz Secara Tempatan

cd quiz-app
npm run serve

Mengakses Kandungan Terjemahan

Terjemahan tersedia dalam lebih daripada 40 bahasa:

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

Setiap terjemahan mengekalkan struktur yang sama seperti versi Bahasa Inggeris.

Sumber Tambahan

Teruskan Pembelajaran

Microsoft Learn - Laluan pembelajaran tambahan
Student Hub - Sumber untuk pelajar
Azure AI Foundry - Forum komuniti

Kurikulum Berkaitan

Mendapatkan Bantuan

Tinjau TROUBLESHOOTING.md untuk isu biasa
Cari GitHub Issues
Sertai Discord kami
Tinjau CONTRIBUTING.md untuk melaporkan isu atau menyumbang

Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.

9.6 KiB Raw Blame History