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

Przewodnik użytkowania

Ten przewodnik zawiera przykłady i typowe procesy pracy związane z korzystaniem z programu nauczania "Data Science for Beginners".

Spis treści

• Jak korzystać z tego programu nauczania
• Praca z lekcjami
• Praca z Jupyter Notebooks
• Korzystanie z aplikacji quizowej
• Typowe procesy pracy
• Wskazówki dla samouków
• Wskazówki dla nauczycieli

Jak korzystać z tego programu nauczania

Ten program nauczania został zaprojektowany tak, aby był elastyczny i można go używać na różne sposoby:

• Nauka we własnym tempie: Pracuj nad lekcjami samodzielnie, w swoim własnym tempie
• Instrukcja w klasie: Używaj jako strukturalnego kursu z prowadzeniem nauczyciela
• Grupy studenckie: Ucz się wspólnie z rówieśnikami
• Format warsztatowy: Intensywne sesje nauki w krótkim czasie

Praca z lekcjami

Każda lekcja ma spójną strukturę, aby maksymalizować efektywność nauki:

Struktura lekcji

1. Quiz przed lekcją: Sprawdź swoją dotychczasową wiedzę
2. Sketchnote (Opcjonalne): Wizualne podsumowanie kluczowych pojęć
3. Wideo (Opcjonalne): Dodatkowe materiały wideo
4. Lekcja pisemna: Podstawowe pojęcia i wyjaśnienia
5. Jupyter Notebook: Ćwiczenia praktyczne z kodowaniem
6. Zadanie: Praktyka zdobytej wiedzy
7. Quiz po lekcji: Utrwal swoją wiedzę

Przykładowy proces pracy z lekcją

# 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

Praca z Jupyter Notebooks

Uruchamianie 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

Uruchamianie komórek w notebooku

1. Uruchom komórkę: Naciśnij Shift + Enter lub kliknij przycisk "Run"
2. Uruchom wszystkie komórki: Wybierz "Cell" → "Run All" z menu
3. Restartuj kernel: Wybierz "Kernel" → "Restart", jeśli napotkasz problemy

Przykład: Praca z danymi w 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()

Zapisywanie pracy

• Jupyter automatycznie zapisuje co jakiś czas
• Ręczne zapisywanie: Naciśnij Ctrl + S (lub Cmd + S na macOS)
• Twój postęp jest zapisywany w pliku .ipynb

Korzystanie z aplikacji quizowej

Uruchamianie aplikacji quizowej lokalnie

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Rozwiązywanie quizów

1. Quizy przed lekcją są podlinkowane na początku każdej lekcji
2. Quizy po lekcji są podlinkowane na końcu każdej lekcji
3. Każdy quiz zawiera 3 pytania
4. Quizy mają na celu utrwalenie wiedzy, a nie wyczerpujące testowanie

Numeracja quizów

• Quizy są numerowane od 0 do 39 (łącznie 40 quizów)
• Każda lekcja zazwyczaj ma quiz przed i po lekcji
• URL quizów zawiera numer quizu: https://ff-quizzes.netlify.app/en/ds/quiz/0

Typowe procesy pracy

Proces 1: Ścieżka dla zupełnie początkujących

# 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

Proces 2: Nauka tematyczna

Jeśli interesuje Cię konkretny temat:

# 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

Proces 3: Nauka oparta na projektach

# 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

Proces 4: Data Science w chmurze

# 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

Wskazówki dla samouków

Organizacja pracy

# Create a learning journal
mkdir my-learning-journal

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

Regularna praktyka

• Przeznacz dedykowany czas każdego dnia lub tygodnia
• Ukończ co najmniej jedną lekcję tygodniowo
• Okresowo przeglądaj wcześniejsze lekcje

Zaangażowanie w społeczność

• Dołącz do społeczności Discord
• Uczestnicz w kanale #Data-Science-for-Beginners na Discord Dyskusje na Discord
• Dziel się postępami i zadawaj pytania

Tworzenie własnych projektów

Po ukończeniu lekcji zastosuj zdobyte pojęcia w projektach osobistych:

# 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)

Wskazówki dla nauczycieli

Przygotowanie klasy

1. Przejrzyj for-teachers.md dla szczegółowych wskazówek
2. Skonfiguruj wspólne środowisko (GitHub Classroom lub Codespaces)
3. Ustal kanał komunikacji (Discord, Slack lub Teams)

Planowanie lekcji

Proponowany harmonogram 10-tygodniowy:

• Tydzień 1-2: Wprowadzenie (Lekcje 1-4)
• Tydzień 3-4: Praca z danymi (Lekcje 5-8)
• Tydzień 5-6: Wizualizacja danych (Lekcje 9-13)
• Tydzień 7-8: Cykl życia Data Science (Lekcje 14-16)
• Tydzień 9: Data Science w chmurze (Lekcje 17-19)
• Tydzień 10: Zastosowania w rzeczywistości i projekty końcowe (Lekcja 20)

Uruchamianie Docsify dla dostępu offline

# Serve documentation locally for classroom use
docsify serve

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

Ocena zadań

• Przeglądaj notatniki uczniów pod kątem ukończonych ćwiczeń
• Sprawdzaj zrozumienie na podstawie wyników quizów
• Oceniaj projekty końcowe, stosując zasady cyklu życia Data Science

Tworzenie zadań

# 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
"""

Praca offline

Pobieranie zasobów

# 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

Uruchamianie dokumentacji lokalnie

# Serve with Docsify
docsify serve

# Access at localhost:3000

Uruchamianie aplikacji quizowej lokalnie

cd quiz-app
npm run serve

Dostęp do przetłumaczonej treści

Tłumaczenia są dostępne w ponad 40 językach:

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

Każde tłumaczenie zachowuje tę samą strukturę co wersja angielska.

Dodatkowe zasoby

Kontynuacja nauki

• Microsoft Learn - Dodatkowe ścieżki nauki
• Student Hub - Zasoby dla studentów
• Azure AI Foundry - Forum społecznościowe

Powiązane programy nauczania

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

Uzyskiwanie pomocy

• Sprawdź TROUBLESHOOTING.md dla typowych problemów
• Przeszukaj GitHub Issues
• Dołącz do naszego Discord
• Przejrzyj CONTRIBUTING.md, aby zgłaszać problemy lub wnosić wkład

---

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż staramy się zapewnić dokładność, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.