9.6 KiB

Raw Blame History

Panduan Penggunaan

Panduan ini menyediakan contoh dan alur kerja umum untuk menggunakan kurikulum Data Science untuk Pemula.

Daftar Isi

Cara Menggunakan Kurikulum Ini

Kurikulum ini dirancang fleksibel dan dapat digunakan dalam berbagai cara:

Belajar mandiri: Pelajari pelajaran secara independen sesuai kecepatan Anda
Instruksi di kelas: Gunakan sebagai kursus terstruktur dengan bimbingan
Kelompok belajar: Belajar secara kolaboratif dengan teman
Format workshop: Sesi belajar intensif jangka pendek

Bekerja dengan Pelajaran

Setiap pelajaran mengikuti struktur yang konsisten untuk memaksimalkan pembelajaran:

Struktur Pelajaran

Kuis Pra-pelajaran: Uji pengetahuan awal Anda
Sketchnote (Opsional): Ringkasan visual konsep utama
Video (Opsional): Konten video tambahan
Pelajaran Tertulis: Konsep inti dan penjelasan
Jupyter Notebook: Latihan coding langsung
Tugas: Latih apa yang telah Anda pelajari
Kuis Pasca-pelajaran: Perkuat pemahaman Anda

Contoh Alur Kerja untuk Pelajaran

# 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

Bekerja dengan Jupyter Notebooks

Memulai 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

Menjalankan Sel Notebook

Eksekusi sel: Tekan Shift + Enter atau klik tombol "Run"
Eksekusi semua sel: Pilih "Cell" → "Run All" dari menu
Restart kernel: Pilih "Kernel" → "Restart" jika Anda mengalami masalah

Contoh: Bekerja dengan Data di 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()

Menyimpan Pekerjaan Anda

Jupyter secara otomatis menyimpan secara berkala
Simpan secara manual: Tekan Ctrl + S (atau Cmd + S di macOS)
Kemajuan Anda disimpan dalam file .ipynb

Menggunakan Aplikasi Kuis

Menjalankan Aplikasi Kuis Secara Lokal

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Mengikuti Kuis

Kuis pra-pelajaran terhubung di bagian atas setiap pelajaran
Kuis pasca-pelajaran terhubung di bagian bawah setiap pelajaran
Setiap kuis memiliki 3 pertanyaan
Kuis dirancang untuk memperkuat pembelajaran, bukan untuk pengujian yang mendalam

Penomoran Kuis

Kuis diberi nomor 0-39 (total 40 kuis)
Setiap pelajaran biasanya memiliki kuis pra dan pasca
URL kuis mencakup nomor kuis: https://ff-quizzes.netlify.app/en/ds/quiz/0

Alur Kerja Umum

Alur Kerja 1: Jalur Pemula Lengkap

# 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

Alur Kerja 2: Pembelajaran Berdasarkan Topik

Jika Anda tertarik pada topik tertentu:

# 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

Alur Kerja 3: Pembelajaran Berbasis Proyek

# 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

Alur Kerja 4: Data Science Berbasis Cloud

# 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

Tips untuk Pembelajar Mandiri

Tetap Terorganisir

# Create a learning journal
mkdir my-learning-journal

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

Berlatih Secara Teratur

Sisihkan waktu khusus setiap hari atau minggu
Selesaikan setidaknya satu pelajaran per minggu
Tinjau pelajaran sebelumnya secara berkala

Berinteraksi dengan Komunitas

Bergabunglah dengan komunitas Discord
Berpartisipasi di Channel #Data-Science-for-Beginners di Discord Diskusi Discord
Bagikan kemajuan Anda dan ajukan pertanyaan

Bangun Proyek Anda Sendiri

Setelah menyelesaikan pelajaran, terapkan konsep pada proyek pribadi:

# 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)

Tips untuk Pengajar

Pengaturan Kelas

Tinjau for-teachers.md untuk panduan rinci
Siapkan lingkungan bersama (GitHub Classroom atau Codespaces)
Tetapkan saluran komunikasi (Discord, Slack, atau Teams)

Perencanaan Pelajaran

Jadwal 10 Minggu yang Disarankan:

Minggu 1-2: Pengantar (Pelajaran 1-4)
Minggu 3-4: Bekerja dengan Data (Pelajaran 5-8)
Minggu 5-6: Visualisasi Data (Pelajaran 9-13)
Minggu 7-8: Siklus Hidup Data Science (Pelajaran 14-16)
Minggu 9: Data Science Berbasis Cloud (Pelajaran 17-19)
Minggu 10: Aplikasi Dunia Nyata & Proyek Akhir (Pelajaran 20)

Menjalankan Docsify untuk Akses Offline

# Serve documentation locally for classroom use
docsify serve

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

Penilaian Tugas

Tinjau notebook siswa untuk latihan yang telah diselesaikan
Periksa pemahaman melalui skor kuis
Evaluasi proyek akhir menggunakan prinsip siklus hidup data science

Membuat Tugas

# 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
"""

Bekerja Secara Offline

Unduh Sumber Daya

# 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

Jalankan Dokumentasi Secara Lokal

# Serve with Docsify
docsify serve

# Access at localhost:3000

Jalankan Aplikasi Kuis Secara Lokal

cd quiz-app
npm run serve

Mengakses Konten yang Diterjemahkan

Terjemahan tersedia dalam lebih dari 40 bahasa:

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

Setiap terjemahan mempertahankan struktur yang sama seperti versi bahasa Inggris.

Sumber Daya Tambahan

Lanjutkan Belajar

Microsoft Learn - Jalur pembelajaran tambahan
Student Hub - Sumber daya untuk siswa
Azure AI Foundry - Forum komunitas

Kurikulum Terkait

Mendapatkan Bantuan

Periksa TROUBLESHOOTING.md untuk masalah umum
Cari GitHub Issues
Bergabunglah dengan Discord kami
Tinjau CONTRIBUTING.md untuk melaporkan masalah atau berkontribusi

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.

9.6 KiB Raw Blame History