Data-Science-For-Beginners/translations/mo

初學者的數據科學 - 課程大綱

Azure 的雲端倡導者團隊很高興為您提供一個為期 10 週、共 20 節課的數據科學課程。每節課都包含課前和課後測驗、完成課程的書面指導、解決方案以及作業。我們的專案式教學法讓您在實作中學習，這是一種能讓新技能牢牢掌握的有效方式。

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

🙏 特別感謝 🙏 我們的 Microsoft 學生大使 作者、審稿人和內容貢獻者們， 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。

初學者的數據科學 - 由 @nitya 繪製的手繪筆記

公告 - 全新生成式 AI 課程已發布！

我們剛剛發布了一個包含 12 節課的生成式 AI 課程。學習內容包括：

• 提示設計與提示工程
• 文本與圖像應用生成
• 搜索應用

和往常一樣，每節課都包含課程內容、作業、知識檢查和挑戰。

查看課程內容：

https://aka.ms/genai-beginners

你是學生嗎？

可以從以下資源開始：

• 學生中心頁面 在這個頁面上，您可以找到初學者資源、學生套件，甚至有機會獲得免費認證憑證。這是一個值得收藏並定期查看的頁面，因為我們至少每月更新一次內容。
• Microsoft 學生大使計劃 加入一個全球性的學生大使社群，這可能是您進入 Microsoft 的途徑。

開始學習

教師們：我們已提供了一些建議來幫助您使用這份課程。我們期待您在討論論壇中的反饋！

學生們：如果您想自行使用這份課程，請將整個倉庫分叉，並從課前測驗開始完成練習。然後閱讀課程內容並完成其餘活動。嘗試通過理解課程內容來創建專案，而不是直接複製解決方案代碼；不過，解決方案代碼可以在每個專案導向課程的 /solutions 資料夾中找到。另一個建議是與朋友組成學習小組，一起學習這些內容。進一步學習，我們推薦 Microsoft Learn。

認識團隊

Gif 作者 Mohit Jaisal

🎥 點擊上方圖片觀看關於這個專案及其創作者的影片！

教學法

在設計這份課程時，我們選擇了兩個教學原則：確保課程是專案導向的，並且包含頻繁的測驗。在這個系列結束時，學生將學習到數據科學的基本原則，包括倫理概念、數據準備、不同的數據處理方式、數據可視化、數據分析、數據科學的實際應用案例等。

此外，課前的低壓力測驗可以幫助學生專注於學習主題，而課後的測驗則能進一步鞏固記憶。這份課程設計靈活且有趣，可以整體學習，也可以部分學習。專案從簡單開始，並在 10 週的學習周期中逐漸變得複雜。

查看我們的 行為準則、貢獻指南、翻譯指南。我們歡迎您的建設性反饋！

每節課包含：

• 可選的手繪筆記
• 可選的補充影片
• 課前熱身測驗
• 書面課程內容
• 專案導向課程的分步指導
• 知識檢查
• 挑戰
• 補充閱讀
• 作業
• 課後測驗

關於測驗的說明：所有測驗都包含在 Quiz-App 資料夾中，共有 40 個測驗，每個測驗包含三個問題。測驗可以從課程中鏈接，也可以在本地運行或部署到 Azure；請按照 quiz-app 資料夾中的指導進行操作。我們正在逐步進行本地化。

課程內容

初學者的數據科學：路線圖 - 由 @nitya 繪製的手繪筆記

課程編號	主題	課程分組	學習目標	課程鏈接	作者
01	定義數據科學	簡介	學習數據科學的基本概念，以及它與人工智慧、機器學習和大數據的關係。	課程 影片	Dmitry
02	數據科學倫理	簡介	數據倫理的概念、挑戰與框架。	課程	Nitya
03	定義數據	簡介	數據的分類方式及其常見來源。	課程	Jasmine
04	統計與機率入門	簡介	使用機率與統計的數學技術來理解數據。	課程 影片	Dmitry
05	使用關聯數據	數據處理	關聯數據的介紹，以及使用結構化查詢語言（SQL，發音為 "see-quell"）探索和分析關聯數據的基礎知識。	課程	Christopher
06	使用 NoSQL 數據	數據處理	非關聯數據的介紹、其各種類型以及探索和分析文檔數據庫的基礎知識。	課程	Jasmine
07	使用 Python	數據處理	使用 Python 進行數據探索的基礎知識，包括 Pandas 等庫。建議具備 Python 程式設計的基礎知識。	課程 影片	Dmitry
08	數據準備	處理數據	關於清理和轉換數據的技術，應對缺失、不準確或不完整數據的挑戰。	課程	Jasmine
09	數量可視化	數據可視化	學習如何使用 Matplotlib 可視化鳥類數據 🦆	課程	Jen
10	數據分佈可視化	數據可視化	可視化區間內的觀察和趨勢。	課程	Jen
11	比例可視化	數據可視化	可視化離散和分組百分比。	課程	Jen
12	關係可視化	數據可視化	可視化數據集及其變量之間的連接和相關性。	課程	Jen
13	有意義的可視化	數據可視化	提供技術和指導，讓您的可視化在解決問題和洞察方面更具價值。	課程	Jen
14	數據科學生命周期介紹	生命周期	介紹數據科學生命周期及其第一步：獲取和提取數據。	課程	Jasmine
15	分析	生命周期	數據科學生命周期的這一階段專注於分析數據的技術。	課程	Jasmine
16	溝通	生命周期	數據科學生命周期的這一階段專注於以易於決策者理解的方式呈現數據洞察。	課程	Jalen
17	雲端中的數據科學	雲端數據	這系列課程介紹雲端中的數據科學及其優勢。	課程	Tiffany 和 Maud
18	雲端中的數據科學	雲端數據	使用低代碼工具訓練模型。	課程	Tiffany 和 Maud
19	雲端中的數據科學	雲端數據	使用 Azure Machine Learning Studio 部署模型。	課程	Tiffany 和 Maud
20	野外的數據科學	野外應用	現實世界中的數據科學驅動項目。	課程	Nitya

GitHub Codespaces

按照以下步驟在 Codespace 中打開此範例：

1. 點擊 Code 下拉菜單，選擇 Open with Codespaces 選項。
2. 在面板底部選擇 + New codespace。 如需更多資訊，請查看 GitHub 文檔。

VSCode Remote - Containers

按照以下步驟使用本地機器和 VSCode 的 VS Code Remote - Containers 擴展在容器中打開此倉庫：

1. 如果您是第一次使用開發容器，請確保您的系統符合前置要求（例如已安裝 Docker），請參考 入門文檔。

要使用此倉庫，您可以選擇以下方式之一：

注意：在底層，這將使用 Remote-Containers: Clone Repository in Container Volume... 命令將源代碼克隆到 Docker 卷中，而不是本地文件系統。卷 是持久化容器數據的首選機制。

或者打開本地克隆或下載的倉庫版本：

• 將此倉庫克隆到您的本地文件系統。
• 按 F1 並選擇 Remote-Containers: Open Folder in Container... 命令。
• 選擇此文件夾的克隆副本，等待容器啟動，然後試用。

離線訪問

您可以使用 Docsify 離線運行此文檔。Fork 此倉庫，在您的本地機器上 安裝 Docsify，然後在此倉庫的根文件夾中輸入 docsify serve。網站將在您的本地主機的 3000 端口上提供服務：localhost:3000。

注意，筆記本文件不會通過 Docsify 渲染，因此當您需要運行筆記本時，請在 VS Code 中使用 Python kernel 單獨運行。

尋求幫助！

如果您希望翻譯全部或部分課程，請遵循我們的 翻譯指南。

其他課程

我們的團隊還製作了其他課程！查看以下內容：

• 生成式 AI 初學者課程
• 生成式 AI 初學者課程 .NET
• 使用 JavaScript 的生成式 AI
• 使用 Java 的生成式 AI
• AI 初學者課程
• 數據科學初學者課程
• 機器學習初學者課程
• 網絡安全初學者課程
• Web 開發初學者課程
• 物聯網初學者課程
• XR 開發初學者課程
• 掌握 GitHub Copilot 進行配對編程
• 掌握 GitHub Copilot 用於 C#/.NET 開發者
• 選擇您的 Copilot 冒險

---

免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。