9.3 KiB

Raw Blame History

Gebruikershandleiding

Deze handleiding biedt voorbeelden en veelvoorkomende workflows voor het gebruik van het curriculum Data Science voor Beginners.

Inhoudsopgave

Hoe gebruik je dit curriculum

Dit curriculum is ontworpen om flexibel te zijn en kan op verschillende manieren worden gebruikt:

Zelfstudie: Werk zelfstandig door de lessen in je eigen tempo
Klassikale instructie: Gebruik het als een gestructureerde cursus met begeleide instructie
Studiegroepen: Leer samen met anderen
Workshopformaat: Intensieve kortetermijn leersessies

Werken met lessen

Elke les volgt een consistente structuur om het leren te maximaliseren:

Lesstructuur

Pre-les quiz: Test je bestaande kennis
Sketchnote (Optioneel): Visuele samenvatting van belangrijke concepten
Video (Optioneel): Aanvullende videocontent
Geschreven les: Kernconcepten en uitleg
Jupyter Notebook: Praktische codeeropdrachten
Opdracht: Oefen wat je hebt geleerd
Post-les quiz: Versterk je begrip

Voorbeeldworkflow voor een les

# 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

Werken met Jupyter Notebooks

Jupyter starten

# 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

Notebookcellen uitvoeren

Voer een cel uit: Druk op Shift + Enter of klik op de knop "Run"
Voer alle cellen uit: Selecteer "Cell" → "Run All" in het menu
Kernel herstarten: Selecteer "Kernel" → "Restart" als je problemen ondervindt

Voorbeeld: Werken met data in een 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()

Je werk opslaan

Jupyter slaat automatisch periodiek op
Handmatig opslaan: Druk op Ctrl + S (of Cmd + S op macOS)
Je voortgang wordt opgeslagen in het .ipynb-bestand

De quizapplicatie gebruiken

De quizapp lokaal uitvoeren

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Quizzen maken

Pre-les quizzen staan bovenaan elke les
Post-les quizzen staan onderaan elke les
Elke quiz bevat 3 vragen
Quizzen zijn bedoeld om het leren te versterken, niet om uitgebreid te testen

Quiznummering

Quizzen zijn genummerd van 0-39 (40 quizzen in totaal)
Elke les heeft meestal een pre- en post-quiz
Quiz-URL's bevatten het quiznummer: https://ff-quizzes.netlify.app/en/ds/quiz/0

Veelvoorkomende workflows

Workflow 1: Pad voor complete beginners

# 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

Workflow 2: Specifiek leren per onderwerp

Als je geïnteresseerd bent in een specifiek onderwerp:

# 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

Workflow 3: Projectgebaseerd leren

# 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

Workflow 4: Cloud-gebaseerde data science

# 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

Tips voor zelfstudie

Blijf georganiseerd

# Create a learning journal
mkdir my-learning-journal

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

Oefen regelmatig

Reserveer elke dag of week tijd om te leren
Voltooi minstens één les per week
Herhaal eerdere lessen regelmatig

Betrek jezelf bij de community

Word lid van de Discord-community
Doe mee in het #Data-Science-for-Beginners-kanaal op Discord Discord Discussies
Deel je voortgang en stel vragen

Bouw je eigen projecten

Pas na het voltooien van lessen de concepten toe op persoonlijke projecten:

# 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)

Tips voor docenten

Klassikale opzet

Bekijk for-teachers.md voor gedetailleerde richtlijnen
Stel een gedeelde omgeving in (GitHub Classroom of Codespaces)
Creëer een communicatiekanaal (Discord, Slack of Teams)

Lesplanning

Voorgesteld 10-weken schema:

Week 1-2: Introductie (Lessen 1-4)
Week 3-4: Werken met data (Lessen 5-8)
Week 5-6: Datavisualisatie (Lessen 9-13)
Week 7-8: Data Science Lifecycle (Lessen 14-16)
Week 9: Cloud Data Science (Lessen 17-19)
Week 10: Toepassingen in de praktijk & eindprojecten (Les 20)

Docsify offline uitvoeren

# Serve documentation locally for classroom use
docsify serve

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

Opdrachten beoordelen

Controleer studentnotebooks op voltooide oefeningen
Controleer begrip via quizscores
Beoordeel eindprojecten aan de hand van principes van de data science lifecycle

Opdrachten maken

# 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 werken

Bronnen downloaden

# 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

Documentatie lokaal uitvoeren

# Serve with Docsify
docsify serve

# Access at localhost:3000

Quizapp lokaal uitvoeren

cd quiz-app
npm run serve

Toegang tot vertaalde content

Vertalingen zijn beschikbaar in meer dan 40 talen:

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

Elke vertaling behoudt dezelfde structuur als de Engelse versie.

Aanvullende bronnen

Verder leren

Microsoft Learn - Aanvullende leerpaden
Student Hub - Bronnen voor studenten
Azure AI Foundry - Communityforum

Gerelateerde curricula

Hulp krijgen

Bekijk TROUBLESHOOTING.md voor veelvoorkomende problemen
Zoek in GitHub Issues
Word lid van onze Discord
Bekijk CONTRIBUTING.md om problemen te melden of bij te dragen

Disclaimer:
Dit document is vertaald met behulp van de AI-vertalingsservice Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor cruciale informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.

9.3 KiB Raw Blame History