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

Vodnik za uporabo

Ta vodnik ponuja primere in običajne delovne tokove za uporabo učnega načrta "Data Science for Beginners".

Kazalo vsebine

• Kako uporabljati ta učni načrt
• Delo z lekcijami
• Delo z Jupyter Notebooks
• Uporaba aplikacije za kvize
• Običajni delovni tokovi
• Nasveti za samostojne učence
• Nasveti za učitelje

Kako uporabljati ta učni načrt

Ta učni načrt je zasnovan tako, da je prilagodljiv in ga je mogoče uporabljati na več načinov:

• Samostojno učenje: Lekcije obdelujte neodvisno in v svojem tempu
• Poučevanje v razredu: Uporabite ga kot strukturiran tečaj z vodenim poučevanjem
• Študijske skupine: Učite se skupaj s kolegi
• Delavnice: Intenzivne kratkoročne učne seje

Delo z lekcijami

Vsaka lekcija sledi dosledni strukturi za maksimalno učenje:

Struktura lekcije

1. Predhodni kviz: Preverite svoje obstoječe znanje
2. Sketchnote (neobvezno): Vizualni povzetek ključnih konceptov
3. Video (neobvezno): Dopolnilna video vsebina
4. Pisna lekcija: Osnovni koncepti in razlage
5. Jupyter Notebook: Praktične vaje kodiranja
6. Naloga: Vadite, kar ste se naučili
7. Zaključni kviz: Okrepite svoje razumevanje

Primer delovnega toka za lekcijo

# 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

Delo z Jupyter Notebooks

Zagon Jupyterja

# 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

Zagon celic v Notebooku

1. Izvedite celico: Pritisnite Shift + Enter ali kliknite gumb "Run"
2. Izvedite vse celice: Izberite "Cell" → "Run All" v meniju
3. Ponovni zagon jedra: Izberite "Kernel" → "Restart", če naletite na težave

Primer: Delo s podatki v Notebooku

# 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()

Shranjevanje vašega dela

• Jupyter samodejno shranjuje občasno
• Ročno shranjevanje: Pritisnite Ctrl + S (ali Cmd + S na macOS)
• Vaš napredek je shranjen v datoteki .ipynb

Uporaba aplikacije za kvize

Zagon aplikacije za kvize lokalno

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Reševanje kvizov

1. Predhodni kvizi so povezani na vrhu vsake lekcije
2. Zaključni kvizi so povezani na dnu vsake lekcije
3. Vsak kviz ima 3 vprašanja
4. Kvizi so zasnovani za krepitev učenja, ne za izčrpno testiranje

Oštevilčenje kvizov

• Kvizi so oštevilčeni od 0 do 39 (skupaj 40 kvizov)
• Vsaka lekcija običajno vsebuje predhodni in zaključni kviz
• URL-ji kvizov vključujejo številko kviza: https://ff-quizzes.netlify.app/en/ds/quiz/0

Običajni delovni tokovi

Delovni tok 1: Pot popolnega začetnika

# 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

Delovni tok 2: Učenje specifičnih tem

Če vas zanima določena tema:

# 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

Delovni tok 3: Učenje na podlagi projektov

# 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

Delovni tok 4: Podatkovna znanost v oblaku

# 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

Nasveti za samostojne učence

Bodite organizirani

# Create a learning journal
mkdir my-learning-journal

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

Redno vadite

• Vsak dan ali teden si rezervirajte čas za učenje
• Dokončajte vsaj eno lekcijo na teden
• Občasno preglejte prejšnje lekcije

Povežite se s skupnostjo

• Pridružite se Discord skupnosti
• Sodelujte v kanalu #Data-Science-for-Beginners na Discordu Discord Discussions
• Delite svoj napredek in postavljajte vprašanja

Ustvarite svoje projekte

Po zaključku lekcij uporabite koncepte v osebnih projektih:

# 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)

Nasveti za učitelje

Priprava učilnice

1. Preglejte for-teachers.md za podrobna navodila
2. Nastavite skupno okolje (GitHub Classroom ali Codespaces)
3. Ustanovite komunikacijski kanal (Discord, Slack ali Teams)

Načrtovanje lekcij

Predlagan 10-tedenski urnik:

• 1.-2. teden: Uvod (Lekcije 1-4)
• 3.-4. teden: Delo s podatki (Lekcije 5-8)
• 5.-6. teden: Vizualizacija podatkov (Lekcije 9-13)
• 7.-8. teden: Življenjski cikel podatkovne znanosti (Lekcije 14-16)
• 9. teden: Podatkovna znanost v oblaku (Lekcije 17-19)
• 10. teden: Resnične aplikacije in zaključni projekti (Lekcija 20)

Zagon Docsify za dostop brez povezave

# Serve documentation locally for classroom use
docsify serve

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

Ocena nalog

• Preglejte študentske Notebooke za dokončane vaje
• Preverite razumevanje prek rezultatov kvizov
• Ocenite zaključne projekte z uporabo načel življenjskega cikla podatkovne znanosti

Ustvarjanje nalog

# 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
"""

Delo brez povezave

Prenos virov

# 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

Zagon dokumentacije lokalno

# Serve with Docsify
docsify serve

# Access at localhost:3000

Zagon aplikacije za kvize lokalno

cd quiz-app
npm run serve

Dostop do prevedene vsebine

Prevodi so na voljo v več kot 40 jezikih:

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

Vsak prevod ohranja enako strukturo kot angleška različica.

Dodatni viri

Nadaljujte z učenjem

• Microsoft Learn - Dodatne učne poti
• Student Hub - Viri za študente
• Azure AI Foundry - Skupnostni forum

Povezani učni načrti

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

Pomoč

• Preverite TROUBLESHOOTING.md za pogoste težave
• Iščite GitHub Issues
• Pridružite se našemu Discordu
• Preglejte CONTRIBUTING.md za prijavo težav ali prispevanje

---

Omejitev odgovornosti:
Ta dokument je bil preveden z uporabo storitve AI za prevajanje Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne odgovarjamo za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.