9.7 KiB

Raw Blame History

Käyttöopas

Tämä opas tarjoaa esimerkkejä ja yleisiä työnkulkuja Data Science for Beginners -opetussuunnitelman käyttöön.

Sisällysluettelo

Kuinka käyttää tätä opetussuunnitelmaa

Tämä opetussuunnitelma on joustava ja sitä voi käyttää monin eri tavoin:

Itseopiskelu: Käy oppitunnit läpi itsenäisesti omaan tahtiin
Luokkaopetus: Käytä strukturoituna kurssina ohjatun opetuksen kanssa
Opintoryhmät: Opiskele yhdessä muiden kanssa
Työpajamuoto: Intensiiviset lyhytaikaiset oppimissessiot

Työskentely oppituntien kanssa

Jokainen oppitunti noudattaa johdonmukaista rakennetta oppimisen maksimoimiseksi:

Oppitunnin rakenne

Ennakkokysely: Testaa olemassa olevaa tietämystäsi
Sketchnote (Valinnainen): Visuaalinen yhteenveto keskeisistä käsitteistä
Video (Valinnainen): Lisävideomateriaalia
Kirjallinen oppitunti: Keskeiset käsitteet ja selitykset
Jupyter Notebook: Käytännön koodausharjoituksia
Tehtävä: Harjoittele oppimaasi
Jälkikysely: Vahvista ymmärrystäsi

Esimerkki oppitunnin työnkulusta

# 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

Työskentely Jupyter Notebooks -ympäristössä

Jupyterin käynnistäminen

# 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

Notebook-solujen suorittaminen

Suorita solu: Paina Shift + Enter tai napsauta "Run"-painiketta
Suorita kaikki solut: Valitse "Cell" → "Run All" valikosta
Käynnistä ydin uudelleen: Valitse "Kernel" → "Restart", jos kohtaat ongelmia

Esimerkki: Työskentely datan kanssa Notebookissa

# 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()

Työn tallentaminen

Jupyter tallentaa automaattisesti säännöllisesti
Tallenna manuaalisesti: Paina Ctrl + S (tai Cmd + S macOS:ssä)
Edistymisesi tallennetaan .ipynb-tiedostoon

Kyselysovelluksen käyttö

Kyselysovelluksen suorittaminen paikallisesti

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Kyselyiden tekeminen

Ennakkokyselyt löytyvät oppituntien alusta
Jälkikyselyt löytyvät oppituntien lopusta
Jokaisessa kyselyssä on 3 kysymystä
Kyselyt on suunniteltu oppimisen vahvistamiseen, ei kattavaan testaukseen

Kyselyiden numerointi

Kyselyt on numeroitu 0-39 (yhteensä 40 kyselyä)
Jokaisessa oppitunnissa on yleensä ennakko- ja jälkikysely
Kyselyiden URL-osoitteet sisältävät kyselyn numeron: https://ff-quizzes.netlify.app/en/ds/quiz/0

Yleiset työnkulut

Työnkulku 1: Täysin aloittelijan polku

# 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

Työnkulku 2: Aihekohtainen oppiminen

Jos olet kiinnostunut tietystä aiheesta:

# 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

Työnkulku 3: Projektipohjainen oppiminen

# 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

Työnkulku 4: Pilvipohjainen data-analytiikka

# 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

Vinkkejä itseopiskelijoille

Pysy järjestelmällisenä

# Create a learning journal
mkdir my-learning-journal

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

Harjoittele säännöllisesti

Varaa aikaa päivittäin tai viikoittain
Suorita vähintään yksi oppitunti viikossa
Kertaa aiempia oppitunteja säännöllisesti

Osallistu yhteisöön

Liity Discord-yhteisöön
Osallistu #Data-Science-for-Beginners-kanavalle Discordissa Discord-keskustelut
Jaa edistymisesi ja kysy kysymyksiä

Rakenna omia projekteja

Oppituntien suorittamisen jälkeen sovella käsitteitä omiin projekteihin:

# 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)

Vinkkejä opettajille

Luokkahuoneen valmistelu

Tutustu for-teachers.md -tiedostoon yksityiskohtaisia ohjeita varten
Aseta yhteinen ympäristö (GitHub Classroom tai Codespaces)
Perusta viestintäkanava (Discord, Slack tai Teams)

Oppituntien suunnittelu

Ehdotettu 10 viikon aikataulu:

Viikot 1-2: Johdanto (Oppitunnit 1-4)
Viikot 3-4: Työskentely datan kanssa (Oppitunnit 5-8)
Viikot 5-6: Datavisualisointi (Oppitunnit 9-13)
Viikot 7-8: Data-analytiikan elinkaari (Oppitunnit 14-16)
Viikko 9: Pilvipohjainen data-analytiikka (Oppitunnit 17-19)
Viikko 10: Reaaliaikaiset sovellukset ja lopputyöt (Oppitunti 20)

Docsifyn suorittaminen offline-tilassa

# Serve documentation locally for classroom use
docsify serve

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

Tehtävien arviointi

Tarkista opiskelijoiden notebookit suoritetuista harjoituksista
Arvioi ymmärrystä kyselytulosten perusteella
Arvioi lopputyöt data-analytiikan elinkaaren periaatteiden mukaan

Tehtävien luominen

# 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
"""

Työskentely offline-tilassa

Lataa resurssit

# 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

Suorita dokumentaatio paikallisesti

# Serve with Docsify
docsify serve

# Access at localhost:3000

Suorita kyselysovellus paikallisesti

cd quiz-app
npm run serve

Käännetyn sisällön käyttö

Käännökset ovat saatavilla yli 40 kielellä:

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

Jokainen käännös säilyttää saman rakenteen kuin englanninkielinen versio.

Lisäresurssit

Jatka oppimista

Microsoft Learn - Lisäoppimispolkuja
Student Hub - Resursseja opiskelijoille
Azure AI Foundry - Yhteisöfoorumi

Liittyvät opetussuunnitelmat

Apua saatavilla

Tarkista TROUBLESHOOTING.md yleisiä ongelmia varten
Etsi GitHub Issues
Liity Discordiin
Tutustu CONTRIBUTING.md raportoidaksesi ongelmia tai osallistuaksesi

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.

9.7 KiB Raw Blame History