20 KiB

Raw Blame History

ఉపయోగం గైడ్

ఈ గైడ్ డేటా సైన్స్ ఫర్ బిగినర్స్ పాఠ్యాంశం ఉపయోగించడానికి ఉదాహరణలు మరియు సాధారణ వర్క్‌ఫ్లోలను అందిస్తుంది.

విషయ సూచిక

ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి

ఈ పాఠ్యాంశం అనేక విధాలుగా ఉపయోగించడానికి అనువుగా రూపొందించబడింది:

స్వీయ-గతిలో నేర్చుకోవడం: మీ స్వంత వేగంతో పాఠాలను స్వతంత్రంగా పూర్తి చేయండి
తరగతి బోధన: మార్గనిర్దేశక బోధనతో నిర్మిత కోర్సుగా ఉపయోగించండి
అధ్యయన సమూహాలు: సహచరులతో కలిసి నేర్చుకోండి
వర్క్‌షాప్ ఫార్మాట్: తీవ్రతరమైన తక్కువకాలిక నేర్చుకునే సెషన్లు

పాఠాలతో పని చేయడం

ప్రతి పాఠం నేర్చుకోవడాన్ని గరిష్టం చేయడానికి ఒక సुस్పష్ట నిర్మాణాన్ని అనుసరిస్తుంది:

పాఠ నిర్మాణం

పాఠానికి ముందు క్విజ్: మీ ప్రస్తుత జ్ఞానాన్ని పరీక్షించండి
స్కెచ్‌నోట్ (ఐచ్ఛికం): ముఖ్యమైన భావనల దృశ్య సారాంశం
వీడియో (ఐచ్ఛికం): అదనపు వీడియో కంటెంట్
వ్రాత పాఠం: ప్రాథమిక భావనలు మరియు వివరణలు
జుపిటర్ నోట్బుక్: ప్రాక్టికల్ కోడింగ్ వ్యాయామాలు
అసైన్‌మెంట్: మీరు నేర్చుకున్నదాన్ని అభ్యాసించండి
పాఠానికి తర్వాత క్విజ్: మీ అర్థం చేసుకున్నదాన్ని బలోపేతం చేయండి

పాఠానికి ఉదాహరణ వర్క్‌ఫ్లో

# 1. పాఠం డైరెక్టరీకి నావిగేట్ చేయండి
cd 1-Introduction/01-defining-data-science

# 2. README.md చదవండి
# README.md ను మీ బ్రౌజర్ లేదా ఎడిటర్‌లో తెరవండి

# 3. పూర్వ పాఠం క్విజ్ తీసుకోండి
# READMEలోని క్విజ్ లింక్‌పై క్లిక్ చేయండి

# 4. జూపిటర్ నోట్‌బుక్ (ఉపలబ్ధి ఉంటే) తెరవండి
jupyter notebook

# 5. నోట్‌బుక్‌లోని వ్యాయామాలు పూర్తి చేయండి

# 6. అసైన్‌మెంట్‌పై పని చేయండి

# 7. పాఠం తర్వాత క్విజ్ తీసుకోండి

జుపిటర్ నోట్బుక్స్‌తో పని చేయడం

జుపిటర్ ప్రారంభించడం

# మీ వర్చువల్ ఎన్విరాన్‌మెంట్‌ను సక్రియం చేయండి
source venv/bin/activate  # macOS/Linux పై
# లేదా
venv\Scripts\activate  # Windows పై

# రిపాజిటరీ రూట్ నుండి Jupyter ప్రారంభించండి
jupyter notebook

నోట్బుక్ సెల్స్ నడపడం

ఒక సెల్ నడపండి: Shift + Enter నొక్కండి లేదా "Run" బటన్ క్లిక్ చేయండి
అన్ని సెల్స్ నడపండి: మెనూ నుండి "Cell" → "Run All" ఎంచుకోండి
కర్నెల్ రీస్టార్ట్ చేయండి: సమస్యలు ఎదురైతే "Kernel" → "Restart" ఎంచుకోండి

ఉదాహరణ: నోట్బుక్‌లో డేటాతో పని చేయడం

# అవసరమైన లైబ్రరీలను దిగుమతి చేసుకోండి
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# డేటాసెట్‌ను లోడ్ చేయండి
df = pd.read_csv('data/sample.csv')

# డేటాను అన్వేషించండి
df.head()
df.info()
df.describe()

# ఒక విజువలైజేషన్ సృష్టించండి
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()

మీ పని సేవ్ చేయడం

జుపిటర్ స్వయంచాలకంగా కాలానుగుణంగా సేవ్ చేస్తుంది
మాన్యువల్‌గా సేవ్ చేయడానికి: Ctrl + S (లేదా macOSలో Cmd + S) నొక్కండి
మీ పురోగతి .ipynb ఫైల్‌లో సేవ్ అవుతుంది

క్విజ్ అప్లికేషన్ ఉపయోగించడం

క్విజ్ యాప్‌ను లోకల్‌గా నడపడం

# క్విజ్ యాప్ డైరెక్టరీకి నావిగేట్ చేయండి
cd quiz-app

# డెవలప్‌మెంట్ సర్వర్ ప్రారంభించండి
npm run serve

# http://localhost:8080 వద్ద యాక్సెస్ చేయండి

క్విజ్‌లు తీసుకోవడం

పాఠానికి ముందు క్విజ్‌లు ప్రతి పాఠం టాప్‌లో లింక్ చేయబడ్డాయి
పాఠానికి తర్వాత క్విజ్‌లు ప్రతి పాఠం దిగువన లింక్ చేయబడ్డాయి
ప్రతి క్విజ్‌లో 3 ప్రశ్నలు ఉంటాయి
క్విజ్‌లు నేర్చుకోవడాన్ని బలోపేతం చేయడానికి రూపొందించబడ్డాయి, పూర్తిగా పరీక్షించడానికి కాదు

క్విజ్ సంఖ్యలు

క్విజ్‌లు 0-39 వరకు సంఖ్యాబద్ధం చేయబడ్డాయి (మొత్తం 40 క్విజ్‌లు)
ప్రతి పాఠానికి సాధారణంగా ఒక పూర్వ మరియు ఒక పశ్చాత్తాప క్విజ్ ఉంటుంది
క్విజ్ URLలు క్విజ్ సంఖ్యను కలిగి ఉంటాయి: https://ff-quizzes.netlify.app/en/ds/quiz/0

సాధారణ వర్క్‌ఫ్లోలు

వర్క్‌ఫ్లో 1: పూర్తి ప్రారంభ దారి

# 1. మీ వాతావరణాన్ని సెట్ చేయండి (INSTALLATION.md చూడండి)

# 2. పాఠం 1 తో ప్రారంభించండి
cd 1-Introduction/01-defining-data-science

# 3. ప్రతి పాఠం కోసం:
#    - పాఠం ముందు క్విజ్ తీసుకోండి
#    - పాఠం విషయాన్ని చదవండి
#    - నోట్‌బుక్ ద్వారా పని చేయండి
#    - అసైన్‌మెంట్ పూర్తి చేయండి
#    - పాఠం తర్వాత క్విజ్ తీసుకోండి

# 4. అన్ని 20 పాఠాలను వరుసగా కొనసాగించండి

వర్క్‌ఫ్లో 2: ప్రత్యేక అంశం నేర్చుకోవడం

మీకు ఒక ప్రత్యేక అంశం ఆసక్తి ఉంటే:

# ఉదాహరణ: డేటా విజువలైజేషన్ పై దృష్టి సారించండి
cd 3-Data-Visualization

# పాఠాలు 9-13 అన్వేషించండి:
# - పాఠం 9: పరిమాణాలను విజువలైజ్ చేయడం
# - పాఠం 10: పంపిణీలను విజువలైజ్ చేయడం
# - పాఠం 11: అనుపాతాలను విజువలైజ్ చేయడం
# - పాఠం 12: సంబంధాలను విజువలైజ్ చేయడం
# - పాఠం 13: అర్థవంతమైన విజువలైజేషన్లు

వర్క్‌ఫ్లో 3: ప్రాజెక్ట్ ఆధారిత నేర్చుకోవడం

# 1. డేటా సైన్స్ లైఫ్‌సైకిల్ పాఠాలు (14-16) సమీక్షించండి
cd 4-Data-Science-Lifecycle

# 2. ఒక వాస్తవ ప్రపంచ ఉదాహరణపై పని చేయండి (పాఠం 20)
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# 3. మీ స్వంత ప్రాజెక్టుకు సూత్రాలను వర్తింపజేయండి

వర్క్‌ఫ్లో 4: క్లౌడ్ ఆధారిత డేటా సైన్స్

# క్లౌడ్ డేటా సైన్స్ గురించి తెలుసుకోండి (పాఠాలు 17-19)
cd 5-Data-Science-In-Cloud

# 17: క్లౌడ్ డేటా సైన్స్ పరిచయం
# 18: లో-కోడ్ ఎంఎల్ టూల్స్
# 19: అజ్యూర్ మెషీన్ లెర్నింగ్ స్టూడియో

స్వీయ-అభ్యాసకులకు సూచనలు

సక్రమంగా ఉండండి

# ఒక అభ్యాస జర్నల్ సృష్టించండి
mkdir my-learning-journal

# ప్రతి పాఠం కోసం, గమనికలు సృష్టించండి
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

నియమితంగా అభ్యాసం చేయండి

ప్రతి రోజు లేదా వారానికి ప్రత్యేక సమయం కేటాయించండి
వారానికి కనీసం ఒక పాఠం పూర్తి చేయండి
గత పాఠాలను కాలానుగుణంగా సమీక్షించండి

కమ్యూనిటీతో పాల్గొనండి

Discord కమ్యూనిటీలో చేరండి
Discordలో #Data-Science-for-Beginners ఛానెల్‌లో పాల్గొనండి Discord చర్చలు
మీ పురోగతిని పంచుకోండి మరియు ప్రశ్నలు అడగండి

మీ స్వంత ప్రాజెక్టులను నిర్మించండి

పాఠాలు పూర్తి చేసిన తర్వాత, భావనలను వ్యక్తిగత ప్రాజెక్టులకు వర్తించండి:

# ఉదాహరణ: మీ స్వంత డేటాసెట్‌ను విశ్లేషించండి
import pandas as pd

# మీ స్వంత డేటాను లోడ్ చేయండి
my_data = pd.read_csv('my-project/data.csv')

# నేర్చుకున్న సాంకేతికతలను వర్తింపజేయండి
# - డేటా శుభ్రపరిచడం (పాఠం 8)
# - అన్వేషణాత్మక డేటా విశ్లేషణ (పాఠం 7)
# - విజువలైజేషన్ (పాఠాలు 9-13)
# - విశ్లేషణ (పాఠం 15)

ఉపాధ్యాయులకు సూచనలు

తరగతి సెటప్

వివరమైన మార్గదర్శకానికి for-teachers.md ను సమీక్షించండి
ఒక పంచుకున్న వాతావరణాన్ని ఏర్పాటు చేయండి (GitHub Classroom లేదా Codespaces)
ఒక కమ్యూనికేషన్ ఛానెల్‌ను ఏర్పాటు చేయండి (Discord, Slack, లేదా Teams)

పాఠం ప్రణాళిక

సూచించిన 10-వారం షెడ్యూల్:

వారం 1-2: పరిచయం (పాఠాలు 1-4)
వారం 3-4: డేటాతో పని (పాఠాలు 5-8)
వారం 5-6: డేటా విజువలైజేషన్ (పాఠాలు 9-13)
వారం 7-8: డేటా సైన్స్ లైఫ్‌సైకిల్ (పాఠాలు 14-16)
వారం 9: క్లౌడ్ డేటా సైన్స్ (పాఠాలు 17-19)
వారం 10: వాస్తవ ప్రపంచ అనువర్తనాలు & తుది ప్రాజెక్టులు (పాఠం 20)

ఆఫ్‌లైన్ యాక్సెస్ కోసం Docsify నడపడం

# తరగతి గదిలో ఉపయోగానికి స్థానికంగా డాక్యుమెంటేషన్ అందించండి
docsify serve

# విద్యార్థులు localhost:3000 వద్ద యాక్సెస్ చేయవచ్చు
# ప్రారంభ సెటప్ తర్వాత ఇంటర్నెట్ అవసరం లేదు

అసైన్‌మెంట్ గ్రేడింగ్

పూర్తి చేసిన వ్యాయామాల కోసం విద్యార్థి నోట్బుక్స్ సమీక్షించండి
క్విజ్ స్కోర్ల ద్వారా అర్థం చేసుకున్నదాన్ని తనిఖీ చేయండి
డేటా సైన్స్ లైఫ్‌సైకిల్ సూత్రాలను ఉపయోగించి తుది ప్రాజెక్టులను మూల్యాంకనం చేయండి

అసైన్‌మెంట్లు సృష్టించడం

# ఉదాహరణ కస్టమ్ అసైన్‌మెంట్ టెంప్లేట్
"""
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
"""

ఆఫ్‌లైన్‌లో పని చేయడం

వనరులను డౌన్లోడ్ చేయండి

# మొత్తం రిపోజిటరీని క్లోన్ చేయండి
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# ముందుగా డేటాసెట్‌లను డౌన్లోడ్ చేసుకోండి
# ఎక్కువ డేటాసెట్‌లు రిపోజిటరీలోనే ఉన్నాయి

డాక్యుమెంటేషన్‌ను లోకల్‌గా నడపండి

# Docsify తో సేవ్ చేయండి
docsify serve

# localhost:3000 వద్ద యాక్సెస్ చేయండి

క్విజ్ యాప్‌ను లోకల్‌గా నడపండి

cd quiz-app
npm run serve

అనువదించిన కంటెంట్ యాక్సెస్ చేయడం

40+ భాషల్లో అనువాదాలు అందుబాటులో ఉన్నాయి:

# అనువదించిన పాఠాలను యాక్సెస్ చేయండి
cd translations/fr  # ఫ్రెంచ్
cd translations/es  # స్పానిష్
cd translations/de  # జర్మన్
# ... మరియు మరిన్ని

ప్రతి అనువాదం ఆంగ్ల సంస్కరణతో సమాన నిర్మాణాన్ని కలిగి ఉంటుంది.

అదనపు వనరులు

నేర్చుకోవడం కొనసాగించండి

Microsoft Learn - అదనపు నేర్చుకునే మార్గాలు
Student Hub - విద్యార్థుల కోసం వనరులు
Azure AI Foundry - కమ్యూనిటీ ఫోరం

సంబంధిత పాఠ్యాంశాలు

సహాయం పొందడం

సాధారణ సమస్యల కోసం TROUBLESHOOTING.md ను తనిఖీ చేయండి
GitHub Issues లో శోధించండి
మా Discordలో చేరండి
సమస్యలను నివేదించడానికి లేదా సహకరించడానికి CONTRIBUTING.md ను సమీక్షించండి

అస్పష్టత:
ఈ పత్రాన్ని AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.

20 KiB Raw Blame History