13 KiB

Raw Blame History Unescape Escape

Οδηγός Χρήσης

Αυτός ο οδηγός παρέχει παραδείγματα και κοινές ροές εργασίας για τη χρήση του προγράμματος σπουδών "Data Science for Beginners".

Πίνακας Περιεχομένων

Πώς να Χρησιμοποιήσετε Αυτό το Πρόγραμμα Σπουδών

Αυτό το πρόγραμμα σπουδών έχει σχεδιαστεί για να είναι ευέλικτο και μπορεί να χρησιμοποιηθεί με πολλούς τρόπους:

Αυτοκαθοδηγούμενη μάθηση: Εργαστείτε ανεξάρτητα με τα μαθήματα με τον δικό σας ρυθμό
Διδασκαλία στην τάξη: Χρησιμοποιήστε το ως δομημένο μάθημα με καθοδηγούμενη διδασκαλία
Ομάδες μελέτης: Μάθετε συνεργατικά με συναδέλφους
Μορφή εργαστηρίου: Εντατικές συνεδρίες μάθησης μικρής διάρκειας

Εργασία με Μαθήματα

Κάθε μάθημα ακολουθεί μια συνεπή δομή για τη μέγιστη μάθηση:

Δομή Μαθήματος

Κουίζ πριν το μάθημα: Δοκιμάστε τις υπάρχουσες γνώσεις σας
Σχεδιάγραμμα (Προαιρετικό): Οπτική περίληψη βασικών εννοιών
Βίντεο (Προαιρετικό): Συμπληρωματικό βίντεο περιεχόμενο
Γραπτό Μάθημα: Βασικές έννοιες και εξηγήσεις
Jupyter Notebook: Ασκήσεις προγραμματισμού
Εργασία: Εξασκηθείτε σε όσα μάθατε
Κουίζ μετά το μάθημα: Ενισχύστε την κατανόησή σας

Παράδειγμα Ροής Εργασίας για ένα Μάθημα

# 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

Εργασία με Jupyter Notebooks

Ξεκινώντας το 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

Εκτέλεση Κελιών Notebook

Εκτέλεση κελιού: Πατήστε Shift + Enter ή κάντε κλικ στο κουμπί "Run"
Εκτέλεση όλων των κελιών: Επιλέξτε "Cell" → "Run All" από το μενού
Επανεκκίνηση πυρήνα: Επιλέξτε "Kernel" → "Restart" αν αντιμετωπίσετε προβλήματα

Παράδειγμα: Εργασία με Δεδομένα σε 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()

Αποθήκευση της Εργασίας σας

Το Jupyter αποθηκεύει αυτόματα περιοδικά
Χειροκίνητη αποθήκευση: Πατήστε Ctrl + S (ή Cmd + S σε macOS)
Η πρόοδός σας αποθηκεύεται στο αρχείο .ipynb

Χρήση της Εφαρμογής Κουίζ

Εκτέλεση της Εφαρμογής Κουίζ Τοπικά

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Συμμετοχή σε Κουίζ

Τα κουίζ πριν το μάθημα συνδέονται στην αρχή κάθε μαθήματος
Τα κουίζ μετά το μάθημα συνδέονται στο τέλος κάθε μαθήματος
Κάθε κουίζ έχει 3 ερωτήσεις
Τα κουίζ έχουν σχεδιαστεί για να ενισχύουν τη μάθηση, όχι για εξαντλητική αξιολόγηση

Αρίθμηση Κουίζ

Τα κουίζ αριθμούνται από 0-39 (40 συνολικά κουίζ)
Κάθε μάθημα συνήθως έχει ένα κουίζ πριν και μετά
Οι διευθύνσεις URL των κουίζ περιλαμβάνουν τον αριθμό του κουίζ: https://ff-quizzes.netlify.app/en/ds/quiz/0

Κοινές Ροές Εργασίας

Ροή Εργασίας 1: Διαδρομή για Απόλυτους Αρχάριους

# 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

Ροή Εργασίας 2: Μάθηση με Ειδικό Θέμα

Αν σας ενδιαφέρει ένα συγκεκριμένο θέμα:

# 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

Ροή Εργασίας 3: Μάθηση με Βάση Έργα

# 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

Ροή Εργασίας 4: Επιστήμη Δεδομένων στο 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

Συμβουλές για Αυτοδίδακτους

Οργανωθείτε

# Create a learning journal
mkdir my-learning-journal

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

Εξασκηθείτε Τακτικά

Αφιερώστε συγκεκριμένο χρόνο κάθε μέρα ή εβδομάδα
Ολοκληρώστε τουλάχιστον ένα μάθημα την εβδομάδα
Επανεξετάστε προηγούμενα μαθήματα περιοδικά

Εμπλακείτε με την Κοινότητα

Γίνετε μέλος της κοινότητας Discord
Συμμετέχετε στο κανάλι #Data-Science-for-Beginners στο Discord Συζητήσεις Discord
Μοιραστείτε την πρόοδό σας και κάντε ερωτήσεις

Δημιουργήστε Δικά σας Έργα

Αφού ολοκληρώσετε τα μαθήματα, εφαρμόστε τις έννοιες σε προσωπικά έργα:

# 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)

Συμβουλές για Δασκάλους

Ρύθμιση Τάξης

Ανατρέξτε στο for-teachers.md για λεπτομερείς οδηγίες
Ρυθμίστε ένα κοινό περιβάλλον (GitHub Classroom ή Codespaces)
Δημιουργήστε ένα κανάλι επικοινωνίας (Discord, Slack ή Teams)

Σχεδιασμός Μαθημάτων

Προτεινόμενο Πρόγραμμα 10 Εβδομάδων:

Εβδομάδα 1-2: Εισαγωγή (Μαθήματα 1-4)
Εβδομάδα 3-4: Εργασία με Δεδομένα (Μαθήματα 5-8)
Εβδομάδα 5-6: Οπτικοποίηση Δεδομένων (Μαθήματα 9-13)
Εβδομάδα 7-8: Κύκλος Ζωής Επιστήμης Δεδομένων (Μαθήματα 14-16)
Εβδομάδα 9: Επιστήμη Δεδομένων στο Cloud (Μαθήματα 17-19)
Εβδομάδα 10: Εφαρμογές στον Πραγματικό Κόσμο & Τελικά Έργα (Μάθημα 20)

Εκτέλεση του Docsify για Πρόσβαση Χωρίς Σύνδεση

# Serve documentation locally for classroom use
docsify serve

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

Βαθμολόγηση Εργασιών

Ελέγξτε τα notebooks των μαθητών για ολοκληρωμένες ασκήσεις
Ελέγξτε την κατανόηση μέσω των βαθμολογιών κουίζ
Αξιολογήστε τα τελικά έργα χρησιμοποιώντας τις αρχές του κύκλου ζωής της επιστήμης δεδομένων

Δημιουργία Εργασιών

# 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
"""

Εργασία Χωρίς Σύνδεση

Λήψη Πόρων

# 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

Εκτέλεση Τεκμηρίωσης Τοπικά

# Serve with Docsify
docsify serve

# Access at localhost:3000

Εκτέλεση Εφαρμογής Κουίζ Τοπικά

cd quiz-app
npm run serve

Πρόσβαση σε Μεταφρασμένο Περιεχόμενο

Οι μεταφράσεις είναι διαθέσιμες σε 40+ γλώσσες:

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

Κάθε μετάφραση διατηρεί την ίδια δομή με την αγγλική έκδοση.

Πρόσθετοι Πόροι

Συνεχίστε τη Μάθηση

Microsoft Learn - Πρόσθετες διαδρομές μάθησης
Student Hub - Πόροι για μαθητές
Azure AI Foundry - Φόρουμ κοινότητας

Σχετικά Προγράμματα Σπουδών

Λήψη Βοήθειας

Ελέγξτε το TROUBLESHOOTING.md για κοινά προβλήματα
Αναζητήστε GitHub Issues
Γίνετε μέλος του Discord
Ανατρέξτε στο CONTRIBUTING.md για να αναφέρετε προβλήματα ή να συνεισφέρετε

Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

13 KiB Raw Blame History Unescape Escape