Data-Science-For-Beginners/translations/uk

Data Science for Beginners - Навчальна програма

Адвокати Azure Cloud у Microsoft раді запропонувати 10-тижневу, 20-урокову навчальну програму, повністю присвячену Data Science. Кожен урок містить тести перед уроком і після нього, письмові інструкції для виконання уроку, розв’язок та завдання. Наша проєктна педагогіка дозволяє вам вчитися, одночасно створюючи, що є перевіреним способом закріплення нових навичок.

Щирі подяки нашим авторам: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Особлива подяка 🙏 нашим авторам, рецензентам і контентним учасникам Microsoft Student Ambassador, зокрема: 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

Data Science for Beginners - Конспект від @nitya

🌐 Підтримка багатомовності

Підтримується через GitHub Action (автоматично і завжди актуально)

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

Бажаєте клонувати локально?

Цей репозиторій включає понад 50 мовних перекладів, що суттєво збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте 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'

Це дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.

Якщо ви хочете додаткові підтримувані мови перекладу, вони перелічені тут

Приєднуйтесь до нашої спільноти

Ми проводимо серію заходів Learn with AI у Discord, дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та підказки щодо використання GitHub Copilot для Data Science.

Ви студент?

Почніть з наступних ресурсів:

• Сторінка Student Hub На цій сторінці ви знайдете ресурси для початківців, студентські набори та навіть способи отримати безкоштовний сертифікаційний ваучер. Це сторінка, яку варто додати до закладок і перевіряти час від часу, оскільки ми оновлюємо контент щонайменше раз на місяць.
• Microsoft Learn Student Ambassadors Приєднайтесь до глобальної спільноти студентських послів, це може бути ваш шлях до Microsoft.

Початок роботи

📚 Документація

• Інструкція з встановлення - Крок за кроком інструкції для початківців
• Інструкція з використання - Приклади та поширені робочі процеси
• Вирішення проблем - Рішення поширених проблем
• Інструкція для внеску - Як зробити внесок у цей проєкт
• Для викладачів - Поради для викладання та ресурси для класу

👨‍🎓 Для студентів

Повні початківці: Новачок у Data Science? Почніть з наших прикладів для початківців! Ці прості, добре прокоментовані приклади допоможуть вам зрозуміти основи, перш ніж зануритися у повну навчальну програму. Студенти: щоб використовувати цю програму самостійно, форкніть весь репозиторій і виконуйте вправи самостійно, починаючи з тесту перед лекцією. Потім прочитайте лекцію і виконайте решту завдань. Намагайтеся створювати проєкти, розуміючи уроки, а не копіюючи код розв’язку; однак цей код доступний у папках /solutions у кожному уроці, орієнтованому на проєкти. Ще одна ідея — сформувати навчальну групу з друзями і пройти контент разом. Для подальшого навчання рекомендуємо Microsoft Learn.

Швидкий старт:

1. Перегляньте Інструкцію з встановлення для налаштування середовища
2. Ознайомтеся з Інструкцією з використання, щоб дізнатися, як працювати з програмою
3. Почніть з уроку 1 і виконуйте послідовно
4. Приєднуйтеся до нашої спільноти в Discord для підтримки

👩‍🏫 Для викладачів

Викладачі: ми включили деякі пропозиції щодо використання цієї програми. Ми будемо раді вашим відгукам у нашому форумі обговорень!

Знайомтесь з командою

Gif від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб переглянути відео про проект та людей, які його створили!

Педагогіка

Ми обрали два педагогічні принципи під час створення цього курсу: забезпечення проєктного підходу та часті вікторини. По завершенню цього циклу студенти навчаться базовим принципам науки про дані, включаючи етичні концепції, підготовку даних, різні способи роботи з даними, візуалізацію даних, аналіз даних, реальні кейси використання науки про дані тощо.

Крім того, легка вікторина перед заняттям допомагає студентам налаштуватися на вивчення теми, а друга вікторина після заняття забезпечує кращу засвоєність матеріалу. Цей курс розроблено так, щоб бути гнучким і цікавим, його можна проходити повністю або частково. Проєкти починаються з простих і стають дедалі складнішими до завершення 10-тижневого циклу.

Знайдіть наші Правила поведінки, Внесок у проєкт, Переклади. Ми радо приймаємо ваші конструктивні відгуки!

Кожен урок включає:

• Необов’язкові скетчноути
• Необов’язкове додаткове відео
• Розігрівну вікторину перед уроком
• Текстовий урок
• Для проєктних уроків — покрокові керівництва зі створення проєкту
• Перевірки знань
• Вікторину
• Додаткове читання
• Завдання
• Вікторину після уроку

Примітка щодо вікторин: Всі вікторини розміщені у папці Quiz-App, загалом 40 вікторин по три питання в кожній. Вікторини пов’язані з уроками, але додаток для вікторин можна запускати локально або розгортати в Azure; дотримуйтесь інструкцій у папці quiz-app. Вікторини поступово локалізуються.

🎓 Приклади для початківців

Новачок у науці про дані? Ми створили спеціальний каталог прикладів з простим та добре коментованим кодом, щоб допомогти вам розпочати:

• 🌟 Hello World - Ваша перша програма в науці про дані
• 📂 Завантаження Даних - Навчіться читати та досліджувати набори даних
• 📊 Простий Аналіз - Обчислення статистики та пошук закономірностей
• 📈 Базова Візуалізація - Створення графіків і діаграм
• 🔬 Реальний Проєкт - Повний робочий процес від початку до кінця

Кожен приклад містить детальні коментарі, що пояснюють кожен крок, що робить їх ідеальними для абсолютних початківців!

👉 Почати з прикладів 👈

Уроки

Data Science For Beginners: Roadmap - Скетчноут від @nitya

Номер уроку	Тема	Група уроків	Цілі навчання	Посилання на урок	Автор
01	Визначення науки про дані	Вступ	Ознайомитись із базовими концепціями науки про дані та їх зв’язком із штучним інтелектом, машинним навчанням і великими даними.	урок відео	Dmitry
02	Етика науки про дані	Вступ	Концепції, виклики й рамки етики в науці про дані.	урок	Nitya
03	Визначення даних	Вступ	Як класифікуються дані та їхні поширені джерела.	урок	Jasmine
04	Вступ до статистики та ймовірності	Вступ	Математичні техніки ймовірності та статистики для розуміння даних.	урок відео	Dmitry
05	Робота з реляційними даними	Робота з даними	Вступ до реляційних даних та основи їх дослідження і аналізу з мовою структурованих запитів SQL (вимовляється «сі-квелл»).	урок	Christopher
06	Робота з NoSQL даними	Робота з даними	Вступ до нереляційних даних, їх видів і основи дослідження та аналізу документних баз даних.	урок	Jasmine
07	Робота з Python	Робота з даними	Основи використання Python для дослідження даних з бібліотеками, як Pandas. Рекомендується базове розуміння програмування на Python.	урок відео	Dmitry
08	Підготовка даних	Робота з даними	Теми про методи очищення і трансформації даних для подолання проблем із відсутніми, неточними або неповними даними.	урок	Jasmine
09	Візуалізація кількості	Візуалізація даних	Навчіться використовувати Matplotlib для візуалізації даних про птахів 🦆	урок	Jen
10	Візуалізація розподілів даних	Візуалізація даних	Візуалізація спостережень і тенденцій у межах інтервалу.	урок	Jen
11	Візуалізація пропорцій	Візуалізація даних	Візуалізація дискретних і згрупованих відсотків.	урок	Jen
12	Візуалізація зв’язків	Візуалізація даних	Візуалізація зв’язків і кореляцій між наборами даних і їхніми змінними.	урок	Jen
13	Значущі візуалізації	Візуалізація даних	Методи і поради для створення цінних візуалізацій для ефективного розв’язання проблем і отримання інсайтів.	урок	Jen
14	Вступ до життєвого циклу науки про дані	Життєвий цикл	Вступ до життєвого циклу науки про дані та його першого кроку — збору і вилучення даних.	урок	Jasmine
15	Аналіз	Життєвий цикл	Цей етап життєвого циклу науки про дані зосереджується на методах аналізу даних.	урок	Jasmine
16	Комунікація	Життєвий цикл	Цей етап життєвого циклу науки про дані спрямований на подання отриманих інсайтів таким чином, щоб керівники приймали рішення легше розуміли їх.	урок	Jalen
17	Наука про дані у хмарі	Хмарні дані	Ця серія уроків знайомить з наукою про дані у хмарі та її перевагами.	урок	Tiffany і Maud
18	Наука про дані у хмарі	Хмарні дані	Навчання моделей за допомогою інструментів з низьким кодом (Low Code).	урок	Tiffany і Maud
19	Наука про дані у хмарі	Хмарні дані	Розгортання моделей у Azure Machine Learning Studio.	урок	Tiffany і Maud
20	Наука про дані на практиці	На практиці	Проєкти з науки про дані у реальному світі.	урок	Nitya

GitHub Codespaces

Виконайте ці кроки, щоб відкрити цей приклад у Codespace:

1. Клікніть на меню Code та виберіть опцію Open with Codespaces.
2. Виберіть + New codespace внизу панелі. Докладніше читайте у документації GitHub.

VSCode Remote - Containers

Виконайте ці кроки, щоб відкрити це репозиторії у контейнері, використовуючи вашу локальну машину та VSCode за допомогою розширення VS Code Remote - Containers:

1. Якщо ви вперше використовуєте контейнер для розробки, переконайтеся, що ваша система відповідає вимогам (наприклад, встановлений Docker) за інструкціями "початок роботи".

Щоб користуватися цим репозиторієм, ви можете або відкрити репозиторій у ізольованому Docker-томі:

Примітка: Під капотом це використає команду Remote-Containers: Clone Repository in Container Volume... для клонування коду у Docker-том замість локальної файлової системи. Томи є рекомендованим способом збереження даних контейнера.

Або відкрийте локально клоновану або завантажену копію репозиторія:

• Клонуйте цей репозиторій на ваш локальний диск.
• Натисніть F1 і виберіть команду Remote-Containers: Open Folder in Container....
• Виберіть клоновану папку, почекайте, поки контейнер запуститься, і починайте працювати.

Офлайн-доступ

Ви можете запускати цю документацію офлайн, використавши Docsify. Форкніть цей репозиторій, встановіть Docsify на вашу локальну машину, потім у кореневій папці репозиторію введіть docsify serve. Веб-сайт буде доступний на порту 3000 вашого локального хоста: localhost:3000.

Зверніть увагу, що нотатники не відображатимуться через Docsify, тож коли потрібно запускати нотатник, робіть це окремо у VS Code з увімкненим Python ядром.

Інші курси

Наша команда створює й інші курси! Ознайомтесь з:

LangChain

---

Azure / Edge / MCP / Агенти

---

Серія Generative AI

---

Основи навчання

---

Серія Copilot

Отримання допомоги

Виникли проблеми? Перегляньте наш посібник з усунення несправностей для рішень типових проблем.

Якщо ви застрягли або маєте питання щодо створення AI-додатків, приєднуйтесь до інших учнів та досвідчених розробників у дискусіях про MCP. Це підтримуюча спільнота, де питання вітаються, а знання вільно діляться.

Якщо у вас є відгуки про продукт або ви зіткнулися з помилками під час розробки, відвідайте:

---

Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, враховуйте, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критичної інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.