10 KiB

Raw Blame History

Guia de Uso

Este guia fornece exemplos e fluxos de trabalho comuns para usar o currículo de Ciência de Dados para Iniciantes.

Índice

Como Usar Este Currículo

Este currículo foi projetado para ser flexível e pode ser usado de várias maneiras:

Aprendizado autônomo: Trabalhe nas lições de forma independente, no seu próprio ritmo
Instrução em sala de aula: Use como um curso estruturado com orientação
Grupos de estudo: Aprenda colaborativamente com colegas
Formato de workshop: Sessões intensivas de aprendizado de curto prazo

Trabalhando com as Lições

Cada lição segue uma estrutura consistente para maximizar o aprendizado:

Estrutura da Lição

Quiz pré-lição: Teste seus conhecimentos existentes
Sketchnote (Opcional): Resumo visual dos conceitos principais
Vídeo (Opcional): Conteúdo de vídeo complementar
Lição escrita: Conceitos principais e explicações
Jupyter Notebook: Exercícios práticos de codificação
Tarefa: Pratique o que aprendeu
Quiz pós-lição: Reforce sua compreensão

Exemplo de Fluxo de Trabalho para uma Lição

# 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

Trabalhando com Jupyter Notebooks

Iniciando o 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

Executando Células do Notebook

Executar uma célula: Pressione Shift + Enter ou clique no botão "Run"
Executar todas as células: Selecione "Cell" → "Run All" no menu
Reiniciar kernel: Selecione "Kernel" → "Restart" se encontrar problemas

Exemplo: Trabalhando com Dados em um 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()

Salvando Seu Trabalho

O Jupyter salva automaticamente periodicamente
Salve manualmente: Pressione Ctrl + S (ou Cmd + S no macOS)
Seu progresso é salvo no arquivo .ipynb

Usando o Aplicativo de Quiz

Executando o Aplicativo de Quiz Localmente

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Realizando os Quizzes

Os quizzes pré-lição estão vinculados no início de cada lição
Os quizzes pós-lição estão vinculados no final de cada lição
Cada quiz tem 3 perguntas
Os quizzes são projetados para reforçar o aprendizado, não para testar exaustivamente

Numeração dos Quizzes

Os quizzes são numerados de 0 a 39 (40 quizzes no total)
Cada lição geralmente tem um quiz pré e pós
Os URLs dos quizzes incluem o número do quiz: https://ff-quizzes.netlify.app/en/ds/quiz/0

Fluxos de Trabalho Comuns

Fluxo de Trabalho 1: Caminho para Iniciantes

# 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

Fluxo de Trabalho 2: Aprendizado Específico por Tópico

Se você estiver interessado em um tópico específico:

# 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

Fluxo de Trabalho 3: Aprendizado Baseado em Projetos

# 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

Fluxo de Trabalho 4: Ciência de Dados na Nuvem

# 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

Dicas para Autodidatas

Mantenha-se Organizado

# Create a learning journal
mkdir my-learning-journal

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

Pratique Regularmente

Reserve tempo dedicado diariamente ou semanalmente
Complete pelo menos uma lição por semana
Revise lições anteriores periodicamente

Engaje-se com a Comunidade

Junte-se à comunidade no Discord
Participe do canal #Data-Science-for-Beginners no Discord Discussões no Discord
Compartilhe seu progresso e faça perguntas

Construa Seus Próprios Projetos

Após concluir as lições, aplique os conceitos em projetos pessoais:

# 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)

Dicas para Professores

Configuração da Sala de Aula

Revise for-teachers.md para orientações detalhadas
Configure um ambiente compartilhado (GitHub Classroom ou Codespaces)
Estabeleça um canal de comunicação (Discord, Slack ou Teams)

Planejamento de Lições

Cronograma sugerido de 10 semanas:

Semana 1-2: Introdução (Lições 1-4)
Semana 3-4: Trabalhando com Dados (Lições 5-8)
Semana 5-6: Visualização de Dados (Lições 9-13)
Semana 7-8: Ciclo de Vida da Ciência de Dados (Lições 14-16)
Semana 9: Ciência de Dados na Nuvem (Lições 17-19)
Semana 10: Aplicações Reais & Projetos Finais (Lição 20)

Executando Docsify para Acesso Offline

# Serve documentation locally for classroom use
docsify serve

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

Avaliação de Tarefas

Revise os notebooks dos alunos para exercícios concluídos
Verifique a compreensão por meio das pontuações dos quizzes
Avalie os projetos finais usando os princípios do ciclo de vida da ciência de dados

Criando Tarefas

# 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
"""

Trabalhando Offline

Baixar Recursos

# 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

Executar Documentação Localmente

# Serve with Docsify
docsify serve

# Access at localhost:3000

Executar Aplicativo de Quiz Localmente

cd quiz-app
npm run serve

Acessando Conteúdo Traduzido

As traduções estão disponíveis em mais de 40 idiomas:

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

Cada tradução mantém a mesma estrutura da versão em inglês.

Recursos Adicionais

Continue Aprendendo

Microsoft Learn - Caminhos de aprendizado adicionais
Student Hub - Recursos para estudantes
Azure AI Foundry - Fórum da comunidade

Currículos Relacionados

Obtendo Ajuda

Consulte TROUBLESHOOTING.md para problemas comuns
Pesquise GitHub Issues
Junte-se ao nosso Discord
Revise CONTRIBUTING.md para relatar problemas ou contribuir

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.

10 KiB Raw Blame History