Data-Science-For-Beginners/translations/el

Data Science για Αρχάριους - Ένα Πρόγραμμα Σπουδών

Οι Πρεσβευτές του Azure Cloud στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα δεκαεβδομαδιαίο πρόγραμμα σπουδών 10 εβδομάδων και 20 μαθημάτων που αφορά αποκλειστικά την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, μία λύση και μία εργασία. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε καθώς δημιουργείτε, ένας αποδεδειγμένος τρόπος για να "εγκατασταθούν" νέες δεξιότητες.

Καρδιές ευχαριστίες στους συγγραφείς μας: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Ειδικές ευχαριστίες 🙏 στους Πρεσβευτές Φοιτητών Microsoft συγγραφείς, αξιολογητές και συνεισφέροντες περιεχόμενο, ιδιαίτερα στους 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 για Αρχάριους - Συντομόγραμμα από @nitya

🌐 Υποστήριξη Πολλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Προτιμάτε να Κλωνοποιήσετε Τοπικά;

Αυτό το αποθετήριο περιλαμβάνει 50+ μεταφράσεις γλωσσών που αυξάνουν σημαντικά το μέγεθος λήψης. Για να κάνετε κλωνοποίηση χωρίς τις μεταφράσεις, χρησιμοποιήστε sparse checkout:

git clone --filter=blob:none --sparse https://github.com/microsoft/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Αυτό σας δίνει όλα όσα χρειάζεστε για να ολοκληρώσετε το μάθημα με πολύ ταχύτερη λήψη.

Εάν θέλετε να υποστηριχθούν επιπλέον γλώσσες μετάφρασης, αυτές αναφέρονται εδώ

Ελάτε στην Κοινότητά μας

Έχουμε σε εξέλιξη μια σειρά Discord μάθησης με AI, μάθετε περισσότερα και γίνετε μέλος μας στο Learn with AI Series από 18 - 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για την Επιστήμη Δεδομένων.

Είσαι φοιτητής;

Ξεκίνα με τους παρακάτω πόρους:

• Σελίδα Κέντρου Φοιτητών Σε αυτή τη σελίδα, θα βρεις πόρους για αρχάριους, πακέτα για φοιτητές και ακόμη τρόπους να πάρεις δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που θέλεις να αποθηκεύσεις στα αγαπημένα σου και να την ελέγχεις από καιρό σε καιρό καθώς ενημερώνουμε το περιεχόμενο τουλάχιστον κάθε μήνα.
• Πρεσβευτές Φοιτητών Microsoft Γίνε μέλος μιας παγκόσμιας κοινότητας φοιτητών πρεσβευτών, αυτό μπορεί να είναι ο δρόμος σου προς τη Microsoft.

Ξεκινώντας

📚 Τεκμηρίωση

• Οδηγός Εγκατάστασης - Οδηγίες βήμα προς βήμα για αρχάριους
• Οδηγός Χρήσης - Παραδείγματα και συνηθισμένες εργασίες
• Αντιμετώπιση Προβλημάτων - Λύσεις σε συνηθισμένα θέματα
• Οδηγός Συνεργασίας - Πώς να συμβάλλετε σε αυτό το έργο
• Για Εκπαιδευτικούς - Κατευθύνσεις διδασκαλίας και υλικό τάξης

👨‍🎓 Για Φοιτητές

Απόλυτοι Αρχάριοι: Νέοι στην επιστήμη δεδομένων; Ξεκινήστε με τα φιλικά προς αρχάριους παραδείγματά μας! Αυτά τα απλά, καλά σχολιασμένα παραδείγματα θα σας βοηθήσουν να κατανοήσετε τα βασικά πριν βουτήξετε στο πλήρες πρόγραμμα σπουδών. Φοιτητές: για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork όλο το repository και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν το μάθημα. Στη συνέχεια διαβάστε το μάθημα και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να αντιγράψετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα με προσανατολισμό σε έργο. Μια άλλη ιδέα είναι να δημιουργήσετε μια ομάδα μελέτης με φίλους και να περάσετε το περιεχόμενο μαζί. Για περαιτέρω μελέτη, προτείνουμε το Microsoft Learn.

Γρήγορη Εκκίνηση:

1. Ελέγξτε τον Οδηγό Εγκατάστασης για να ρυθμίσετε το περιβάλλον σας
2. Ανασκοπήστε τον Οδηγό Χρήσης για να μάθετε πώς να δουλέψετε με το πρόγραμμα σπουδών
3. Ξεκινήστε με το Μάθημα 1 και συνεχίστε διαδοχικά
4. Γίνετε μέλος της κοινότητας Discord μας για υποστήριξη

👩‍🏫 Για Εκπαιδευτικούς

Εκπαιδευτικοί: έχουμε συμπεριλάβει μερικές προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα χαρούμε να λάβουμε τα σχόλιά σας στο φόρουμ συζητήσεών μας!

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

Παιδαγωγική

Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος σπουδών: να είναι βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Στο τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφόρων τρόπων εργασίας με δεδομένα, οπτικοποίησης δεδομένων, ανάλυσης δεδομένων, πραγματικών περιπτώσεων χρήσης της επιστήμης δεδομένων και άλλα.

Επιπλέον, ένα μικρής κλίμακας κουίζ πριν από ένα μάθημα θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω συγκράτηση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί ολόκληρο ή μεμονωμένα. Τα έργα ξεκινούν μικρά και γίνονται ολοένα και πιο πολύπλοκα μέχρι το τέλος του κύκλου των 10 εβδομάδων.

Βρείτε τους Κανόνες Συμπεριφοράς μας, Κατευθυντήριες Οδηγίες Συμμετοχής, Μετάφρασης. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει:

• Προαιρετικό σκίτσο σημειώσεων
• Προαιρετικό συμπληρωματικό βίντεο
• Προ-μάθημα ζέσταμα κουίζ
• Γραπτό μάθημα
• Για μαθήματα βασισμένα σε έργα, βήμα-βήμα οδηγίες για την κατασκευή του έργου
• Έλεγχοι γνώσεων
• Μια πρόκληση
• Συμπληρωματική ανάγνωση
• Ανάθεση
• Μετα-μάθημα κουίζ

Σημείωση για τα κουίζ: Όλα τα κουίζ βρίσκονται στον φάκελο Quiz-App, συνολικά 40 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα στα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά ή να αναπτυχθεί στο Azure· ακολουθήστε τις οδηγίες στο φάκελο quiz-app. Βρίσκονται σταδιακά σε διαδικασία τοπικοποίησης.

🎓 Παραδείγματα Φιλικά για Αρχάριους

Νέος στην Επιστήμη Δεδομένων; Δημιουργήσαμε έναν ειδικό κατάλογο παραδειγμάτων με απλό, καλο-σχολιασμένο κώδικα για να σας βοηθήσει να ξεκινήσετε:

• 🌟 Hello World - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
• 📂 Φόρτωση Δεδομένων - Μάθετε να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
• 📊 Απλή Ανάλυση - Υπολογίστε στατιστικά και βρείτε μοτίβα
• 📈 Βασική Οπτικοποίηση - Δημιουργήστε γραφήματα και διαγράμματα
• 🔬 Πραγματικό Έργο - Πλήρης ροή εργασίας από την αρχή έως το τέλος

Κάθε παράδειγμα περιλαμβάνει λεπτομερή σχόλια που εξηγούν κάθε βήμα, καθιστώντας το τέλειο για απόλυτους αρχάριους!

👉 Ξεκινήστε με τα παραδείγματα 👈

Μαθήματα

Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Διαδρομών - Σκίτσο σημειώσεων από @nitya

Αριθμός Μαθήματος	Θέμα	Ομάδα Μαθημάτων	Μαθησιακοί Στόχοι	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Ορισμός Επιστήμης Δεδομένων	Εισαγωγή	Μάθετε τις βασικές έννοιες γύρω από την επιστήμη δεδομένων και πώς σχετίζεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα.	μάθημα βίντεο	Dmitry
02	Ηθική στην Επιστήμη Δεδομένων	Εισαγωγή	Έννοιες ηθικής δεδομένων, προκλήσεις και πλαίσια.	μάθημα	Nitya
03	Ορισμός Δεδομένων	Εισαγωγή	Πώς ταξινομούνται τα δεδομένα και οι κοινές πηγές τους.	μάθημα	Jasmine
04	Εισαγωγή στη Στατιστική & Πιθανότητες	Εισαγωγή	Οι μαθηματικές τεχνικές πιθανότητας και στατιστικής για κατανόηση των δεδομένων.	μάθημα βίντεο	Dmitry
05	Εργασία με Σχεσιακά Δεδομένα	Εργασία με Δεδομένα	Εισαγωγή στα σχεσιακά δεδομένα και στα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Γλώσσα Δομημένων Ερωτημάτων, γνωστή και ως SQL (προφέρεται “σι-κουελ”).	μάθημα	Christopher
06	Εργασία με NoSQL Δεδομένα	Εργασία με Δεδομένα	Εισαγωγή σε μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και τα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων.	μάθημα	Jasmine
07	Εργασία με Python	Εργασία με Δεδομένα	Βασικά της χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως οι Pandas. Συνιστάται θεμελιώδης κατανόηση προγραμματισμού Python.	μάθημα βίντεο	Dmitry
08	Προετοιμασία Δεδομένων	Εργασία με Δεδομένα	Θέματα τεχνικών καθαρισμού και μετασχηματισμού δεδομένων για αντιμετώπιση προκλήσεων όπως ελλιπή, ανακριβή ή ατελή δεδομένα.	μάθημα	Jasmine
09	Οπτικοποίηση Ποσοτήτων	Οπτικοποίηση Δεδομένων	Μάθετε πώς να χρησιμοποιείτε το Matplotlib για να οπτικοποιήσετε δεδομένα πουλιών 🦆	μάθημα	Jen
10	Οπτικοποίηση Κατανομών Δεδομένων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα.	μάθημα	Jen
11	Οπτικοποίηση Αναλογιών	Οπτικοποίηση Δεδομένων	Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών.	μάθημα	Jen
12	Οπτικοποίηση Σχέσεων	Οπτικοποίηση Δεδομένων	Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ συνόλων δεδομένων και των μεταβλητών τους.	μάθημα	Jen
13	Σημαντικές Οπτικοποιήσεις	Οπτικοποίηση Δεδομένων	Τεχνικές και οδηγίες για να κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και ανάλυση.	μάθημα	Jen
14	Εισαγωγή στον κύκλο ζωής της Επιστήμης Δεδομένων	Κύκλος Ζωής	Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων.	μάθημα	Jasmine
15	Ανάλυση	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται σε τεχνικές ανάλυσης δεδομένων.	μάθημα	Jasmine
16	Επικοινωνία	Κύκλος Ζωής	Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων εστιάζει στην παρουσίαση των ευρημάτων από τα δεδομένα με τρόπο που διευκολύνει τους φορείς λήψης αποφάσεων να κατανοήσουν.	μάθημα	Jalen
17	Επιστήμη Δεδομένων στο Νέφος	Δεδομένα στο Νέφος	Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο νέφος και τα οφέλη της.	μάθημα	Tiffany και Maud
18	Επιστήμη Δεδομένων στο Νέφος	Δεδομένα στο Νέφος	Εκπαίδευση μοντέλων χρησιμοποιώντας εργαλεία Low Code.	μάθημα	Tiffany και Maud
19	Επιστήμη Δεδομένων στο Νέφος	Δεδομένα στο Νέφος	Ανάπτυξη μοντέλων με το Azure Machine Learning Studio.	μάθημα	Tiffany και Maud
20	Επιστήμη Δεδομένων στην Πράξη	Στην Πράξη	Έργα επιστήμης δεδομένων στον πραγματικό κόσμο.	μάθημα	Nitya

GitHub Codespaces

Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε μία Codespace:

1. Κάντε κλικ στο αναπτυσσόμενο μενού Code και επιλέξτε την επιλογή Open with Codespaces.
2. Επιλέξτε + New codespace στο κάτω μέρος του παραθύρου. Για περισσότερες πληροφορίες, δείτε την τεκμηρίωση του GitHub.

VSCode Remote - Containers

Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το αποθετήριο σε container χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode μέσω της επέκτασης VS Code Remote - Containers:

1. Αν είναι η πρώτη φορά που χρησιμοποιείτε development container, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχει εγκατεστημένο το Docker) σύμφωνα με την τεκμηρίωση εκκίνησης.

Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να το ανοίξετε σε έναν απομονωμένο τόμο Docker:

Σημείωση: Στο παρασκήνιο, αυτό θα χρησιμοποιήσει την εντολή Remote-Containers: Clone Repository in Container Volume... για να κλωνοποιήσει τον πηγαίο κώδικα σε ένα Docker volume αντί του τοπικού συστήματος αρχείων. Volumes είναι ο προτιμώμενος μηχανισμός για την αποθήκευση δεδομένων container.

Ή να ανοίξετε μια τοπικά κλωνοποιημένη ή κατεβασμένη έκδοση του αποθετηρίου:

• Κλωνοποιήστε αυτό το αποθετήριο στο τοπικό σας σύστημα αρχείων.
• Πατήστε F1 και επιλέξτε την εντολή Remote-Containers: Open Folder in Container....
• Επιλέξτε το κλωνοποιημένο αντίγραφο αυτού του φακέλου, περιμένετε να ξεκινήσει το container και δοκιμάστε λειτουργίες.

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτή την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Φτιάξτε ένα fork αυτού του αποθετηρίου, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή, και στη ρίζα του φακέλου αυτού του αποθετηρίου πληκτρολογήστε docsify serve. Ο ιστότοπος θα σερβιριστεί στην θύρα 3000 στο localhost σας: localhost:3000.

Σημείωση, τα notebooks δεν προβάλλονται μέσω Docsify, οπότε όταν χρειάζεται να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code χρησιμοποιώντας ένα Python kernel.

Άλλα Προγράμματα Σπουδών

Η ομάδα μας παράγει και άλλα προγράμματα σπουδών! Δείτε:

LangChain

Azure / Edge / MCP / Πράκτορες

---

Σειρά Δημιουργικού AI

---

Βασική Μάθηση

---

Σειρά Copilot

Λήψη Βοήθειας

Αντιμετωπίζετε προβλήματα; Δείτε τον Οδηγό Επίλυσης Προβλημάτων για λύσεις σε συνηθισμένα θέματα.

Αν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την κατασκευή εφαρμογών AI, συμμετέχετε με άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Αν έχετε σχόλια προϊόντος ή σφάλματα κατά την κατασκευή επισκεφτείτε:

---

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το αρχικό έγγραφο στη γλώσσα του αποτελεί την αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται η επαγγελματική μετάφραση από ανθρώπους. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.