15 KiB

Raw Blame History

คู่มือการใช้งาน

คู่มือนี้ให้ตัวอย่างและขั้นตอนการทำงานทั่วไปสำหรับการใช้หลักสูตร Data Science for Beginners

สารบัญ

วิธีการใช้หลักสูตรนี้

หลักสูตรนี้ออกแบบมาให้มีความยืดหยุ่นและสามารถใช้งานได้หลายวิธี:

การเรียนรู้ด้วยตนเอง: ทำบทเรียนด้วยตัวเองตามความเร็วของคุณ
การสอนในห้องเรียน: ใช้เป็นหลักสูตรที่มีการสอนแบบมีโครงสร้าง
กลุ่มศึกษา: เรียนรู้ร่วมกันกับเพื่อน
รูปแบบเวิร์กช็อป: การเรียนรู้แบบเข้มข้นในระยะเวลาสั้น

การทำงานกับบทเรียน

แต่ละบทเรียนมีโครงสร้างที่สม่ำเสมอเพื่อเพิ่มประสิทธิภาพการเรียนรู้:

โครงสร้างบทเรียน

แบบทดสอบก่อนบทเรียน: ทดสอบความรู้ที่มีอยู่
Sketchnote (ตัวเลือก): สรุปภาพรวมของแนวคิดสำคัญ
วิดีโอ (ตัวเลือก): เนื้อหาเสริมในรูปแบบวิดีโอ
บทเรียนที่เขียน: แนวคิดหลักและคำอธิบาย
Jupyter Notebook: แบบฝึกหัดการเขียนโค้ด
การบ้าน: ฝึกฝนสิ่งที่คุณเรียนรู้
แบบทดสอบหลังบทเรียน: เสริมสร้างความเข้าใจ

ตัวอย่างขั้นตอนการทำงานสำหรับบทเรียน

# 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

การทำงานกับ Jupyter Notebooks

การเริ่มต้น 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

การรันเซลใน Notebook

รันเซล: กด Shift + Enter หรือคลิกปุ่ม "Run"
รันทุกเซล: เลือก "Cell" → "Run All" จากเมนู
รีสตาร์ทเคอร์เนล: เลือก "Kernel" → "Restart" หากพบปัญหา

ตัวอย่าง: การทำงานกับข้อมูลใน 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()

การบันทึกงานของคุณ

Jupyter บันทึกอัตโนมัติเป็นระยะ
บันทึกด้วยตนเอง: กด Ctrl + S (หรือ Cmd + S บน macOS)
ความคืบหน้าของคุณจะถูกบันทึกในไฟล์ .ipynb

การใช้แอปพลิเคชันแบบทดสอบ

การรันแอปแบบทดสอบในเครื่อง

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

การทำแบบทดสอบ

แบบทดสอบก่อนบทเรียนจะลิงก์ไว้ที่ด้านบนของแต่ละบทเรียน
แบบทดสอบหลังบทเรียนจะลิงก์ไว้ที่ด้านล่างของแต่ละบทเรียน
แต่ละแบบทดสอบมี 3 คำถาม
แบบทดสอบออกแบบมาเพื่อเสริมสร้างการเรียนรู้ ไม่ใช่การทดสอบอย่างละเอียด

การกำหนดหมายเลขแบบทดสอบ

แบบทดสอบมีหมายเลข 0-39 (รวมทั้งหมด 40 แบบทดสอบ)
แต่ละบทเรียนมักมีแบบทดสอบก่อนและหลัง
URL ของแบบทดสอบมีหมายเลขแบบทดสอบ: https://ff-quizzes.netlify.app/en/ds/quiz/0

ขั้นตอนการทำงานทั่วไป

ขั้นตอนการทำงาน 1: เส้นทางสำหรับผู้เริ่มต้น

# 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

ขั้นตอนการทำงาน 2: การเรียนรู้เฉพาะหัวข้อ

หากคุณสนใจหัวข้อเฉพาะ:

# 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

ขั้นตอนการทำงาน 3: การเรียนรู้แบบโครงการ

# 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

ขั้นตอนการทำงาน 4: Data Science บนคลาวด์

# 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

เคล็ดลับสำหรับผู้เรียนด้วยตนเอง

จัดระเบียบตัวเอง

# Create a learning journal
mkdir my-learning-journal

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

ฝึกฝนอย่างสม่ำเสมอ

กำหนดเวลาที่แน่นอนในแต่ละวันหรือสัปดาห์
ทำบทเรียนอย่างน้อยหนึ่งบทต่อสัปดาห์
ทบทวนบทเรียนก่อนหน้าเป็นระยะ

มีส่วนร่วมกับชุมชน

เข้าร่วม ชุมชน Discord
มีส่วนร่วมในช่อง #Data-Science-for-Beginners ใน Discord การสนทนาใน Discord
แบ่งปันความคืบหน้าและถามคำถาม

สร้างโครงการของคุณเอง

หลังจากทำบทเรียนเสร็จแล้ว ให้นำแนวคิดไปใช้กับโครงการส่วนตัว:

# 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)

เคล็ดลับสำหรับครู

การตั้งค่าห้องเรียน

ทบทวน for-teachers.md สำหรับคำแนะนำโดยละเอียด
ตั้งค่าสภาพแวดล้อมที่ใช้ร่วมกัน (GitHub Classroom หรือ Codespaces)
สร้างช่องทางการสื่อสาร (Discord, Slack หรือ Teams)

การวางแผนบทเรียน

ตารางเวลาแนะนำ 10 สัปดาห์:

สัปดาห์ที่ 1-2: บทนำ (บทเรียน 1-4)
สัปดาห์ที่ 3-4: การทำงานกับข้อมูล (บทเรียน 5-8)
สัปดาห์ที่ 5-6: การสร้างภาพข้อมูล (บทเรียน 9-13)
สัปดาห์ที่ 7-8: วงจรชีวิต Data Science (บทเรียน 14-16)
สัปดาห์ที่ 9: Data Science บนคลาวด์ (บทเรียน 17-19)
สัปดาห์ที่ 10: การใช้งานจริงและโครงการสุดท้าย (บทเรียน 20)

การรัน Docsify สำหรับการเข้าถึงแบบออฟไลน์

# Serve documentation locally for classroom use
docsify serve

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

การให้คะแนนการบ้าน

ทบทวน Notebook ของนักเรียนสำหรับแบบฝึกหัดที่เสร็จสมบูรณ์
ตรวจสอบความเข้าใจผ่านคะแนนแบบทดสอบ
ประเมินโครงการสุดท้ายโดยใช้หลักการวงจรชีวิต Data Science

การสร้างการบ้าน

# 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
"""

การทำงานแบบออฟไลน์

ดาวน์โหลดทรัพยากร

# 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

รันเอกสารในเครื่อง

# Serve with Docsify
docsify serve

# Access at localhost:3000

รันแอปแบบทดสอบในเครื่อง

cd quiz-app
npm run serve

การเข้าถึงเนื้อหาที่แปลแล้ว

มีการแปลเนื้อหาในกว่า 40 ภาษา:

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

การแปลแต่ละภาษามีโครงสร้างเหมือนกับเวอร์ชันภาษาอังกฤษ

ทรัพยากรเพิ่มเติม

เรียนรู้ต่อไป

Microsoft Learn - เส้นทางการเรียนรู้เพิ่มเติม
Student Hub - ทรัพยากรสำหรับนักเรียน
Azure AI Foundry - ฟอรัมชุมชน

หลักสูตรที่เกี่ยวข้อง

การขอความช่วยเหลือ

ตรวจสอบ TROUBLESHOOTING.md สำหรับปัญหาทั่วไป
ค้นหา GitHub Issues
เข้าร่วม Discord
ทบทวน CONTRIBUTING.md เพื่อรายงานปัญหาหรือมีส่วนร่วม

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดพลาดที่เกิดจากการใช้การแปลนี้

15 KiB Raw Blame History