10 KiB

Raw Blame History

Guia de Utilização

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

Índice

Como Utilizar Este Currículo

Este currículo foi concebido para ser flexível e pode ser utilizado de várias formas:

Aprendizagem autónoma: Trabalhe nas lições de forma independente ao seu próprio ritmo
Instrução em sala de aula: Utilize como um curso estruturado com orientação
Grupos de estudo: Aprenda colaborativamente com colegas
Formato de workshop: Sessões intensivas de aprendizagem de curto prazo

Trabalhar com as Lições

Cada lição segue uma estrutura consistente para maximizar a aprendizagem:

Estrutura da Lição

Questionário pré-lição: Teste os seus conhecimentos existentes
Sketchnote (Opcional): Resumo visual dos conceitos principais
Vídeo (Opcional): Conteúdo suplementar em vídeo
Lição escrita: Conceitos principais e explicações
Jupyter Notebook: Exercícios práticos de programação
Tarefa: Pratique o que aprendeu
Questionário pós-lição: Reforce a 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

Trabalhar com Jupyter Notebooks

Iniciar 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

Executar 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: Trabalhar com Dados num 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()

Guardar o Seu Trabalho

O Jupyter guarda automaticamente periodicamente
Guardar manualmente: Pressione Ctrl + S (ou Cmd + S no macOS)
O seu progresso é guardado no ficheiro .ipynb

Utilizar a Aplicação de Questionários

Executar a Aplicação de Questionários Localmente

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Realizar Questionários

Os questionários pré-lição estão ligados no início de cada lição
Os questionários pós-lição estão ligados no final de cada lição
Cada questionário tem 3 perguntas
Os questionários são concebidos para reforçar a aprendizagem, não para testar exaustivamente

Numeração dos Questionários

Os questionários estão numerados de 0 a 39 (40 questionários no total)
Cada lição geralmente tem um questionário pré e pós
Os URLs dos questionários incluem o número do questionário: 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: Aprendizagem Específica por Tópico

Se estiver interessado num 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: Aprendizagem Baseada 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 Autoaprendizes

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

Envolva-se com a Comunidade

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

Crie os Seus Próprios Projetos

Depois de completar 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 partilhado (GitHub Classroom ou Codespaces)
Estabeleça um canal de comunicação (Discord, Slack ou Teams)

Planeamento de Lições

Cronograma sugerido de 10 semanas:

Semana 1-2: Introdução (Lições 1-4)
Semana 3-4: Trabalhar 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)

Executar 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 verificar os exercícios concluídos
Verifique a compreensão através dos resultados dos questionários
Avalie os projetos finais utilizando os princípios do ciclo de vida da ciência de dados

Criar 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
"""

Trabalhar Offline

Transferir 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 Aplicação de Questionários Localmente

cd quiz-app
npm run serve

Aceder a 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

Continuar a Aprender

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

Currículos Relacionados

Obter Ajuda

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

Aviso:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.

10 KiB Raw Blame History