Data-Science-For-Beginners/translations/hu/USAGE.md

Használati útmutató

Ez az útmutató példákat és gyakori munkafolyamatokat mutat be a "Data Science for Beginners" tananyag használatához.

Tartalomjegyzék

• Hogyan használd ezt a tananyagot
• Munka a leckékkel
• Munka Jupyter Notebookokkal
• A kvíz alkalmazás használata
• Gyakori munkafolyamatok
• Tippek önálló tanulóknak
• Tippek tanároknak

Hogyan használd ezt a tananyagot

Ez a tananyag rugalmasan használható, többféle módon:

• Önálló tanulás: Haladj végig a leckéken saját tempódban
• Osztálytermi oktatás: Strukturált kurzusként, irányított oktatással
• Tanulócsoportok: Tanulj együtt társaiddal
• Workshop formátum: Intenzív, rövid távú tanulási szekciók

Munka a leckékkel

Minden lecke következetes struktúrát követ a hatékony tanulás érdekében:

Lecke felépítése

1. Előzetes kvíz: Teszteld meglévő tudásodat
2. Sketchnote (Opcionális): Kulcsfogalmak vizuális összefoglalója
3. Videó (Opcionális): Kiegészítő videós tartalom
4. Írott lecke: Alapfogalmak és magyarázatok
5. Jupyter Notebook: Gyakorlati kódolási feladatok
6. Feladat: Gyakorold, amit tanultál
7. Utólagos kvíz: Erősítsd meg a megértésedet

Példa egy lecke munkafolyamatára

# 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

Munka Jupyter Notebookokkal

Jupyter indítása

# 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 cellák futtatása

1. Cellák futtatása: Nyomd meg a Shift + Enter billentyűt, vagy kattints a "Run" gombra
2. Összes cella futtatása: Válaszd ki a "Cell" → "Run All" menüpontot
3. Kernel újraindítása: Válaszd ki a "Kernel" → "Restart" opciót, ha problémákba ütközöl

Példa: Adatok kezelése egy Notebookban

# 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()

Munkád mentése

• A Jupyter időszakosan automatikusan ment
• Kézi mentés: Nyomd meg a Ctrl + S (vagy Cmd + S macOS-en)
• Az előrehaladásod a .ipynb fájlban kerül mentésre

A kvíz alkalmazás használata

Kvíz alkalmazás futtatása helyben

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Kvízek kitöltése

1. Az előzetes kvízek a leckék elején találhatók
2. Az utólagos kvízek a leckék végén találhatók
3. Minden kvíz 3 kérdést tartalmaz
4. A kvízek célja a tanulás megerősítése, nem kimerítő tesztelés

Kvíz számozása

• A kvízek 0-39-ig vannak számozva (összesen 40 kvíz)
• Minden lecke általában tartalmaz előzetes és utólagos kvízt
• A kvíz URL-ek tartalmazzák a kvíz számát: https://ff-quizzes.netlify.app/en/ds/quiz/0

Gyakori munkafolyamatok

Munkafolyamat 1: Teljes kezdő útvonal

# 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

Munkafolyamat 2: Téma-specifikus tanulás

Ha egy adott téma érdekel:

# 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

Munkafolyamat 3: Projekt-alapú tanulás

# 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

Munkafolyamat 4: Felhő-alapú adatkutatás

# 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

Tippek önálló tanulóknak

Maradj szervezett

# Create a learning journal
mkdir my-learning-journal

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

Gyakorolj rendszeresen

• Szánj rá dedikált időt minden nap vagy héten
• Fejezz be legalább egy leckét hetente
• Időnként ismételd át a korábbi leckéket

Kapcsolódj a közösséghez

• Csatlakozz a Discord közösséghez
• Vegyél részt a #Data-Science-for-Beginners csatornán a Discordon Discord Discussions
• Oszd meg előrehaladásodat és tegyél fel kérdéseket

Készíts saját projekteket

A leckék befejezése után alkalmazd a tanultakat saját projektjeidben:

# 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)

Tippek tanároknak

Osztálytermi beállítás

1. Tekintsd át a for-teachers.md fájlt részletes útmutatásért
2. Állíts be egy megosztott környezetet (GitHub Classroom vagy Codespaces)
3. Hozz létre egy kommunikációs csatornát (Discord, Slack vagy Teams)

Lecke tervezés

Javasolt 10 hetes ütemterv:

• 1-2. hét: Bevezetés (1-4. lecke)
• 3-4. hét: Adatok kezelése (5-8. lecke)
• 5-6. hét: Adatvizualizáció (9-13. lecke)
• 7-8. hét: Adattudomány életciklusa (14-16. lecke)
• 9. hét: Felhő-alapú adattudomány (17-19. lecke)
• 10. hét: Valós alkalmazások és záró projektek (20. lecke)

Docsify futtatása offline hozzáféréshez

# Serve documentation locally for classroom use
docsify serve

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

Feladatok értékelése

• Ellenőrizd a diákok notebookjait a befejezett gyakorlatokért
• Vizsgáld meg a megértést a kvíz eredmények alapján
• Értékeld a záró projekteket az adattudomány életciklusának elvei szerint

Feladatok létrehozása

# 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
"""

Offline munka

Erőforrások letöltése

# 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

Dokumentáció futtatása helyben

# Serve with Docsify
docsify serve

# Access at localhost:3000

Kvíz alkalmazás futtatása helyben

cd quiz-app
npm run serve

Fordított tartalom elérése

A fordítások több mint 40 nyelven elérhetők:

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

Minden fordítás megtartja az angol verzió struktúráját.

További erőforrások

Továbbtanulás

• Microsoft Learn - További tanulási útvonalak
• Student Hub - Erőforrások diákoknak
• Azure AI Foundry - Közösségi fórum

Kapcsolódó tananyagok

• AI for Beginners
• ML for Beginners
• Web Dev for Beginners
• Generative AI for Beginners

Segítség kérése

• Nézd meg a TROUBLESHOOTING.md fájlt a gyakori problémákért
• Keress a GitHub Issues között
• Csatlakozz a Discordhoz
• Tekintsd át a CONTRIBUTING.md fájlt, hogy hibát jelents vagy hozzájárulj

---

Felelősség kizárása:
Ezt a dokumentumot az Co-op Translator AI fordítási szolgáltatás segítségével fordították le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt a professzionális emberi fordítás igénybevétele. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.