Data-Science-For-Beginners/translations/uk

Data Science for Beginners - Навчальна програма

Azure Cloud Advocates at Microsoft are pleased to offer a 10-week, 20-lesson curriculum all about Data Science. Each lesson includes pre-lesson and post-lesson quizzes, written instructions to complete the lesson, a solution, and an assignment. Our project-based pedagogy allows you to learn while building, a proven way for new skills to 'stick'.

Щире дякуємо нашим авторам: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Особлива подяка 🙏 нашим Microsoft Student Ambassador авторам, рецензентам та контриб’юторам вмісту, зокрема 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

Data Science For Beginners - Скетчноут від @nitya

🌐 Підтримка кількох мов

Підтримується через GitHub Action (автоматично та завжди актуально)

Арабська | Бенгальська | Болгарська | Бірманська (М'янма) | Китайська (спрощена) | Китайська (традиційна, Гонконг) | Китайська (традиційна, Макао) | Китайська (традиційна, Тайвань) | Хорватська | Чеська | Данська | Нідерландська | Естонська | Фінська | Французька | Німецька | Грецька | Іврит | Гінді | Угорська | Індонезійська | Італійська | Японська | Каннада | Корейська | Литовська | Малайська | Малаялам | Мараті | Непальська | Нігерійський пігін | Норвезька | Перська (фарсі) | Польська | Португальська (Бразилія) | Португальська (Португалія) | Пенджабі (гурмухі) | Румунська | Російська | Сербська (кирилиця) | Словацька | Словенська | Іспанська | Свахілі | Шведська | Тагальська (філіппінська) | Тамільська | Телугу | Тайська | Турецька | Українська | Урду | В'єтнамська

Якщо ви бажаєте, щоб додаткові мови перекладу були підтримані, вони перераховані тут

Приєднуйтесь до нашої спільноти

У нас триває серія «Навчайся з ШІ» у Discord — дізнайтеся більше та приєднуйтесь до нас на Серія «Навчайся з ШІ» з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі щодо використання GitHub Copilot для Data Science.

Ви студент?

Почніть із наступних ресурсів:

• Сторінка Student Hub На цій сторінці ви знайдете ресурси для початківців, набори для студентів і навіть способи отримати безкоштовний ваучер на сертифікацію. Це сторінка, яку варто додати в закладки і перевіряти час від часу, оскільки ми оновлюємо вміст принаймні щомісяця.
• Microsoft Learn Student Ambassadors Приєднуйтесь до глобальної спільноти студентських послів — це може стати вашим шляхом до Microsoft.

Початок роботи

📚 Документація

• Керівництво з встановлення - Покрокові інструкції з налаштування для початківців
• Посібник з використання - Приклади та поширені робочі процеси
• Усунення несправностей - Рішення для поширених проблем
• Посібник для контриб'юторів - Як робити внесок у цей проєкт
• Для викладачів - Рекомендації для викладання та ресурси для класу

👨‍🎓 Для студентів

Абсолютні початківці: Новачок у Data Science? Почніть із наших прикладів для початківців! Ці прості, добре прокоментовані приклади допоможуть вам зрозуміти основи перед тим, як переходити до повної навчальної програми. Студенти: щоб використовувати цю навчальну програму самостійно, зробіть fork усього репозиторію та виконуйте вправи самостійно, починаючи з передлекційного тесту. Потім прочитайте лекцію та завершіть решту завдань. Намагайтеся створювати проєкти, розуміючи уроки, а не просто копіюючи код рішень; проте цей код доступний у папках /solutions в кожному уроці, орієнтованому на проєкт. Ще одна ідея — сформувати навчальну групу з друзями та проходити матеріал разом. Для подальшого вивчення ми рекомендуємо Microsoft Learn.

Швидкий старт:

1. Перевірте Керівництво з встановлення, щоб налаштувати середовище
2. Перегляньте Посібник з використання, щоб дізнатися, як працювати з навчальною програмою
3. Розпочніть з Уроку 1 і проходьте послідовно
4. Приєднуйтесь до нашої спільноти в Discord для підтримки

👩‍🏫 Для викладачів

Викладачі: ми включили кілька пропозицій у для викладачів щодо використання цієї навчальної програми. Ми будемо вдячні за ваші відгуки у нашому форумі обговорень!

Знайомтесь із командою

GIF від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт людей, які його створили!

Педагогіка

Ми обрали два педагогічні принципи під час створення цієї навчальної програми: забезпечити її проєктно-орієнтованою та включити часті вікторини. До кінця цього циклу студенти засвоять базові принципи Data Science, включаючи етичні поняття, підготовку даних, різні способи роботи з даними, візуалізацію даних, аналіз даних, приклади використання Data Science у реальному світі та інше.

Крім того, низькопріоритетна вікторина перед заняттям налаштовує намір студента на вивчення теми, тоді як друга вікторина після заняття забезпечує подальше закріплення. Ця навчальна програма була спроектована як гнучка та цікава, і її можна проходити повністю або частково. Проєкти починаються з простих і поступово ускладнюються до кінця 10-тижневого циклу.

Знайдіть наші Кодекс поведінки, Поради щодо внеску, Переклад інструкції. Ми будемо раді вашим конструктивним відгукам!

Кожен урок включає:

• Опційна скетчноут
• Опційне додаткове відео
• Невелика розминка-вікторина перед уроком
• Письмовий урок
• Для уроків на основі проєктів — покрокові інструкції з побудови проєкту
• Перевірки знань
• Виклик
• Додаткове читання
• Домашнє завдання
• Післяурочна вікторина

Примітка щодо вікторин: Усі вікторини містяться в папці quiz-app, загалом 40 вікторин по три питання в кожній. Вони пов'язані з уроками, але додаток для вікторин можна запускати локально або розгортати в Azure; дотримуйтесь інструкцій у папці quiz-app. Їх поступово локалізують.

🎓 Приклади для початківців

Новачок у Data Science? Ми створили спеціальний каталог прикладів з простим, добре прокоментованим кодом, щоб допомогти вам почати:

• 🌟 Hello World - Ваша перша програма з Data Science
• 📂 Loading Data - Навчіться читати та досліджувати набори даних
• 📊 Simple Analysis - Обчислюйте статистику та знаходьте закономірності
• 📈 Basic Visualization - Створюйте діаграми та графіки
• 🔬 Real-World Project - Повний робочий процес від початку до кінця

Кожен приклад містить детальні коментарі, що пояснюють кожен крок, тож він ідеально підходить для абсолютних початківців!

👉 Почніть з прикладів 👈

Уроки

Data Science For Beginners: Roadmap - Скетчноут від @nitya

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Визначення Data Science	Introduction	Вивчіть базові концепції Data Science та те, як воно пов'язане з штучним інтелектом, машинним навчанням та великими даними.	урок відео	Dmitry
02	Етика Data Science	Introduction	Поняття етики даних, проблеми та рамки.	урок	Nitya
03	Визначення даних	Introduction	Як класифікуються дані та їх поширені джерела.	урок	Jasmine
04	Вступ до статистики та теорії ймовірностей	Introduction	Математичні методи ймовірності та статистики для розуміння даних.	урок відео	Dmitry
05	Робота з реляційними даними	Working With Data	Вступ до реляційних даних та основи дослідження й аналізу реляційних даних за допомогою Structured Query Language, також відомої як SQL (вимовляється “see-quell”).	урок	Christopher
06	Робота з NoSQL-даними	Working With Data	Вступ до нереляційних даних, їх різних типів та основ дослідження й аналізу документних баз даних.	урок	Jasmine
07	Робота з Python	Working With Data	Основи використання Python для дослідження даних з бібліотеками, такими як Pandas. Рекомендується базове розуміння програмування на Python.	урок відео	Dmitry
08	Підготовка даних	Working With Data	Техніки очищення та трансформації даних для вирішення проблем відсутніх, неточних або неповних даних.	урок	Jasmine
09	Візуалізація кількостей	Data Visualization	Навчіться використовувати Matplotlib для візуалізації даних про птахів 🦆	урок	Jen
10	Візуалізація розподілів даних	Data Visualization	Візуалізація спостережень і тенденцій у межах інтервалу.	урок	Jen
11	Візуалізація пропорцій	Data Visualization	Візуалізація дискретних та згрупованих відсотків.	урок	Jen
12	Візуалізація взаємозв'язків	Data Visualization	Візуалізація зв'язків та кореляцій між наборами даних і їх змінними.	урок	Jen
13	Значущі візуалізації	Data Visualization	Техніки та поради щодо створення візуалізацій, які допомагають ефективно вирішувати задачі та отримувати інсайти.	урок	Jen
14	Вступ до життєвого циклу Data Science	Lifecycle	Вступ до життєвого циклу Data Science і його першого кроку — отримання та витяг даних.	урок	Jasmine
15	Аналіз	Lifecycle	Цей етап життєвого циклу Data Science зосереджений на техніках аналізу даних.	урок	Jasmine
16	Комунікація	Lifecycle	Цей етап життєвого циклу Data Science зосереджений на представленні інсайтів із даних у формі, що полегшує їх розуміння для осіб, які приймають рішення.	урок	Jalen
17	Data Science у хмарі	Cloud Data	Ця серія уроків знайомить із Data Science у хмарі та її перевагами.	урок	Tiffany and Maud
18	Data Science у хмарі	Cloud Data	Навчання моделей за допомогою інструментів Low Code.	урок	Tiffany and Maud
19	Data Science у хмарі	Cloud Data	Розгортання моделей за допомогою Azure Machine Learning Studio.	урок	Tiffany and Maud
20	Data Science у реальному світі	In the Wild	Проєкти, що використовують Data Science у реальному світі.	урок	Nitya

GitHub Codespaces

Дотримуйтесь цих кроків, щоб відкрити цей приклад у Codespace:

1. Натисніть меню Code і виберіть опцію Open with Codespaces.
2. Виберіть + New codespace внизу панелі. Для додаткової інформації перегляньте документацію GitHub.

VSCode Remote - Containers

Дотримуйтесь цих кроків, щоб відкрити цей репозиторій у контейнері, використовуючи вашу локальну машину та VSCode за допомогою розширення VS Code Remote - Containers:

1. Якщо ви вперше використовуєте контейнер розробки, будь ласка, переконайтесь, що ваша система відповідає попереднім вимогам (тобто, встановлено Docker) у документації для початку роботи.

Щоб використовувати цей репозиторій, ви можете або відкрити репозиторій у ізольованому Docker-томі:

Note: Під капотом, це буде використовувати команду Remote-Containers: Clone Repository in Container Volume... для клонування вихідного коду в Docker-том замість локальної файлової системи. Volumes є рекомендованим механізмом для збереження даних контейнера.

Або відкрийте локально клоновану або завантажену копію репозиторію:

• Клонуйте цей репозиторій у вашу локальну файлову систему.
• Натисніть F1 і виберіть команду Remote-Containers: Open Folder in Container....
• Виберіть клоновану копію цієї папки, зачекайте, поки контейнер запуститься, і випробуйте.

Офлайн-доступ

Ви можете запускати цю документацію офлайн за допомогою Docsify. Форкніть цей репозиторій, встановіть Docsify на вашому локальному комп'ютері, потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде обслуговуватись на порту 3000 на вашому localhost: localhost:3000.

Примітка, блокноти не будуть відображатися через Docsify, тому коли вам потрібно запустити блокнот, робіть це окремо у VS Code з запущеним Python-ядром.

Інші курси

Наша команда створює інші курси! Перегляньте:

LangChain

---

Azure / Edge / MCP / Agents

---

Серія Generative AI

---

Основне навчання

---

Серія Copilot

Отримання допомоги

Стикаєтесь з проблемами? Перегляньте наш Посібник з усунення несправностей для вирішення поширених проблем.

Якщо ви застрягли або маєте будь-які питання щодо створення AI додатків. Приєднуйтесь до інших учнів і досвідчених розробників у обговореннях про MCP. Це підтримуюча спільнота, де питання вітаються і знання вільно поширюються.

Якщо у вас є відгуки про продукт або помилки під час розробки, відвідайте:

---

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу машинного перекладу Co-op Translator. Хоча ми прагнемо до точності, майте на увазі, що автоматичні переклади можуть містити помилки чи неточності. Оригінал документа мовою оригіналу слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного перекладу, виконаного людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.