Data-Science-For-Beginners/translations/tw

資料科學入門 - 課程大綱

Microsoft 的 Azure Cloud Advocates 很高興提供一個為期 10 週、包含 20 節課的完整資料科學課程。每節課包含課前與課後小測驗、完成課程的書面指示、解答範例與作業。我們採用以專案為本的教學法，讓你在實作中學習，這是讓新技能真正內化的有效方式。

衷心感謝我們的作者： Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 特別感謝 🙏 我們的 Microsoft Student Ambassador 作者、審閱者與內容貢獻者， 特別是 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

資料科學入門 - 手繪速寫 由 @nitya

🌐 多語言支援

透過 GitHub Action 支援（自動且始終保持最新）

阿拉伯語 | 孟加拉語 | 保加利亞語 | 緬甸語 (Myanmar) | 中文（簡體） | 中文（繁體，香港） | 中文（繁體，澳門） | 中文（繁體，台灣） | 克羅埃西亞語 | 捷克語 | 丹麥語 | 荷蘭語 | 愛沙尼亞語 | 芬蘭語 | 法語 | 德語 | 希臘語 | 希伯來語 | 印地語 | 匈牙利語 | 印尼語 | 義大利語 | 日語 | 卡納達語 | 韓語 | 立陶宛語 | 馬來語 | 馬拉雅拉姆語 | 馬拉地語 | 尼泊爾語 | 奈及利亞皮欽語 | 挪威語 | 波斯語（Farsi） | 波蘭語 | 葡萄牙語（巴西） | 葡萄牙語（葡萄牙） | 旁遮普語（Gurmukhi） | 羅馬尼亞語 | 俄語 | 塞爾維亞語（西里爾字母） | 斯洛伐克語 | 斯洛文尼亞語 | 西班牙語 | 斯瓦西里語 | 瑞典語 | 他加祿語（菲律賓） | 泰米爾語 | 泰盧固語 | 泰語 | 土耳其語 | 烏克蘭語 | 烏爾都語 | 越南語

如果您希望增加其他翻譯語言，支援的語言列表請見 這裡

加入我們的社群

我們有持續進行的 Discord 「與 AI 一起學習」系列，更多資訊與加入請見 Learn with AI Series。活動時間為 2025 年 9 月 18 日至 30 日。你將會獲得使用 GitHub Copilot 進行資料科學的技巧與秘訣。

你是學生嗎？

開始使用以下資源：

• 學生中心頁面 在此頁面，你會找到給初學者的資源、學生套件，甚至取得免費認證代金券的方式。這是一個你會想要加入書籤並定期查看的頁面，因為我們至少每月會更新內容。
• Microsoft Learn Student Ambassadors 加入一個全球學生大使社群，這可能是你進入 Microsoft 的一個途徑。

開始使用

📚 文件

• Installation Guide - 給初學者的逐步設定說明
• Usage Guide - 範例與常見工作流程
• Troubleshooting - 常見問題的解決方法
• Contributing Guide - 如何為本專案做出貢獻
• For Teachers - 教學指導與課堂資源

👨‍🎓 給學生

完全新手：剛接觸資料科學嗎？請從我們的友善入門範例開始！這些簡單且註解充分的範例會幫助你在深入完整課程之前了解基礎。 學生：若要自行使用此課程，請 fork 整個 repo，並從課前測驗開始自行完成練習，接著閱讀講義並完成其他活動。盡量透過理解課程內容來建立專案，而不是直接複製解答程式碼；不過，每個專案導向課程的 /solutions 資料夾中都有解答程式碼可供參考。另一個方式是與朋友組成學習小組一起討論與實作。若要進一步學習，我們建議參考 Microsoft Learn。

快速開始：

1. 查看 Installation Guide 以設定您的開發環境
2. 閱讀 Usage Guide 以瞭解如何使用此課程
3. 從 Lesson 1 開始並依序完成課程
4. 加入我們的 Discord 社群 以獲得支援

👩‍🏫 給教師

教師們：我們在 for-teachers.md 中提供了一些關於如何使用此課程的建議。歡迎在我們的 討論論壇 分享您的回饋！

認識團隊

動圖由 Mohit Jaisal

🎥 點擊上方圖片以觀看關於此專案及其創作者的影片！

教學法

在設計這套課程時，我們選擇了兩個教學原則：以專案為導向，並經常安排小測驗。完成整個系列後，學生將學到資料科學的基本原則，包括倫理概念、資料準備、不同的資料處理方式、資料視覺化、資料分析、資料科學的實務應用等。

此外，課前的低壓力小測驗能讓學生定下學習主題的意圖，而課後的第二次小測驗則有助於加強記憶。這套課程被設計為彈性且有趣，可整套修習或分段修習。專案從小型開始，並在 10 週週期結束時逐步變得更為複雜。

找到我們的 行為準則、貢獻指南、翻譯指南。我們歡迎你的建設性回饋！

每堂課包含：

• 可選的圖解筆記
• 可選的補充影片
• 課前暖身小測驗
• 文字課程
• 針對專案導向課程，提供逐步建立專案的指引
• 知識檢核
• 挑戰
• 補充閱讀
• 作業
• 課後小測驗

關於小測驗的一點說明：所有小測驗都包含在 Quiz-App 資料夾中，總共有 40 個小測驗，每個小測驗三題。它們會從課程中連結，但 quiz app 可以在本機執行或部署到 Azure；請遵循 quiz-app 資料夾中的說明。這些小測驗正在逐步被在地化。

🎓 適合新手的範例

是資料科學新手嗎？ 我們建立了一個專門的 examples directory，裡面有簡單且註解完整的程式碼，幫助你開始入門：

• 🌟 Hello World - 你的第一個資料科學程式
• 📂 Loading Data - 學習讀取與探索資料集
• 📊 Simple Analysis - 計算統計並發現模式
• 📈 Basic Visualization - 建立圖表與圖形
• 🔬 Real-World Project - 完整的實務專案工作流程

每個範例都包含詳細註解說明每個步驟，對完全初學者非常合適！

👉 從範例開始 👈

課程

資料科學入門：路線圖 - 圖解筆記 作者 @nitya

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	定義資料科學	導論	了解資料科學背後的基本概念，以及它與人工智慧、機器學習和大數據之間的關係。	課程 影片	Dmitry
02	資料科學倫理	導論	資料倫理的概念、挑戰與框架。	課程	Nitya
03	資料的定義	導論	資料如何分類及其常見來源。	課程	Jasmine
04	統計與機率導論	導論	使用機率與統計的數學技術來理解資料。	課程 影片	Dmitry
05	處理關聯式資料	處理資料	介紹關聯式資料，以及用結構化查詢語言（Structured Query Language，亦稱為 SQL（發音為 “see-quell”））來探索與分析關聯式資料的基礎。	課程	Christopher
06	處理 NoSQL 資料	處理資料	介紹非關聯式資料、其各種型態，以及探索與分析文件型資料庫的基礎。	課程	Jasmine
07	使用 Python 處理資料	處理資料	使用 Python（如 Pandas 等函式庫）進行資料探索的基礎。建議具備 Python 程式設計的基本概念。	課程 影片	Dmitry
08	資料前處理	處理資料	關於資料清理與轉換的技術主題，以處理遺失、不準確或不完整資料的挑戰。	課程	Jasmine
09	數量視覺化	資料視覺化	學習如何使用 Matplotlib 來視覺化鳥類資料 🦆	課程	Jen
10	資料分布的視覺化	資料視覺化	視覺化區間內的觀察與趨勢。	課程	Jen
11	比例視覺化	資料視覺化	視覺化離散與分組的百分比。	課程	Jen
12	關係視覺化	資料視覺化	視覺化資料集合及其變數之間的連結與相關性。	課程	Jen
13	具意義的視覺化	資料視覺化	提供技巧與指引，讓你的視覺化能對問題解決與洞見產生實際價值。	課程	Jen
14	資料科學生命週期導論	生命週期	介紹資料科學生命週期以及其第一步：取得與擷取資料。	課程	Jasmine
15	分析	生命週期	資料科學生命週期中著重於分析資料的技術。	課程	Jasmine
16	溝通	生命週期	這個階段專注於以易於決策者理解的方式呈現資料中的洞見。	課程	Jalen
17	雲端資料科學	雲端資料	這一系列課程介紹雲端中的資料科學及其優勢。	課程	Tiffany and Maud
18	雲端資料科學	雲端資料	使用低程式碼工具訓練模型。	課程	Tiffany and Maud
19	雲端資料科學	雲端資料	使用 Azure Machine Learning Studio 部署模型。	課程	Tiffany and Maud
20	實務中的資料科學	實務應用	真實世界中的資料科學驅動專案。	課程	Nitya

GitHub Codespaces

依照以下步驟在 Codespace 中開啟這個範例：

1. 點選 Code 下拉選單並選擇 Open with Codespaces 選項。
2. 在窗格底部選擇 + New codespace。 欲了解更多資訊，請參閱 GitHub 文件。

VSCode Remote - Containers

依照以下步驟，使用本機與 VSCode（透過 VS Code Remote - Containers 延伸功能）在容器中開啟此 repo：

1. 如果這是你第一次使用開發容器，請確保你的系統符合 入門文件 中的前置需求（例如已安裝 Docker）。

要使用這個倉庫，您可以選擇在隔離的 Docker 卷中開啟倉庫：

注意：在內部，它會使用 Remote-Containers: Clone Repository in Container Volume... 指令，將原始程式碼複製到 Docker 卷中，而不是本機檔案系統。Volumes 是持久化容器資料的首選機制。

或是在本機已克隆或下載的倉庫版本中開啟：

• 將此倉庫克隆到您的本機檔案系統。
• 按 F1 並選擇 Remote-Containers: Open Folder in Container... 指令。
• 選擇此資料夾的克隆副本，等候容器啟動，然後開始使用。

離線存取

您可以使用 Docsify 在離線環境下執行此文件。Fork 這個 repo，在您的本機安裝 Docsify，然後在此 repo 的根目錄中輸入 docsify serve。網站將會在您的本機 localhost 的 3000 埠上提供：localhost:3000。

注意，筆記本（notebooks）不會透過 Docsify 呈現，所以當您需要執行筆記本時，請在執行 Python 核心的 VS Code 中單獨執行。

其他課程

我們團隊也製作其他課程！看看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

取得協助

遇到問題嗎？ 請查看我們的 疑難排解指南 以取得常見問題的解決方案。

如果在建立 AI 應用程式時卡住或有任何問題，歡迎加入 MCP 的學習者與資深開發者討論。這是一個支持性的社群，歡迎提出問題並自由分享知識。

如果在開發過程中有產品回饋或遇到錯誤，請造訪：

---

免責聲明： 本文件由 AI 翻譯服務 Co-op Translator（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們力求準確，但請注意自動翻譯可能包含錯誤或不精確之處。原始語言版本應視為具權威性的來源。對於重要資訊，建議採用專業人工翻譯。我們不對因使用本翻譯而導致的任何誤解或曲解負責。