You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
367 lines
20 KiB
367 lines
20 KiB
# ఉపయోగం గైడ్
|
|
|
|
ఈ గైడ్ డేటా సైన్స్ ఫర్ బిగినర్స్ పాఠ్యాంశం ఉపయోగించడానికి ఉదాహరణలు మరియు సాధారణ వర్క్ఫ్లోలను అందిస్తుంది.
|
|
|
|
## విషయ సూచిక
|
|
|
|
- [ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి](../..)
|
|
- [పాఠాలతో పని చేయడం](../..)
|
|
- [జుపిటర్ నోట్బుక్స్తో పని చేయడం](../..)
|
|
- [క్విజ్ అప్లికేషన్ ఉపయోగించడం](../..)
|
|
- [సాధారణ వర్క్ఫ్లోలు](../..)
|
|
- [స్వీయ-అభ్యాసకులకు సూచనలు](../..)
|
|
- [ఉపాధ్యాయులకు సూచనలు](../..)
|
|
|
|
## ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి
|
|
|
|
ఈ పాఠ్యాంశం అనేక విధాలుగా ఉపయోగించడానికి అనువుగా రూపొందించబడింది:
|
|
|
|
- **స్వీయ-గతిలో నేర్చుకోవడం**: మీ స్వంత వేగంతో పాఠాలను స్వతంత్రంగా పూర్తి చేయండి
|
|
- **తరగతి బోధన**: మార్గనిర్దేశక బోధనతో నిర్మిత కోర్సుగా ఉపయోగించండి
|
|
- **అధ్యయన సమూహాలు**: సహచరులతో కలిసి నేర్చుకోండి
|
|
- **వర్క్షాప్ ఫార్మాట్**: తీవ్రతరమైన తక్కువకాలిక నేర్చుకునే సెషన్లు
|
|
|
|
## పాఠాలతో పని చేయడం
|
|
|
|
ప్రతి పాఠం నేర్చుకోవడాన్ని గరిష్టం చేయడానికి ఒక సुस్పష్ట నిర్మాణాన్ని అనుసరిస్తుంది:
|
|
|
|
### పాఠ నిర్మాణం
|
|
|
|
1. **పాఠానికి ముందు క్విజ్**: మీ ప్రస్తుత జ్ఞానాన్ని పరీక్షించండి
|
|
2. **స్కెచ్నోట్** (ఐచ్ఛికం): ముఖ్యమైన భావనల దృశ్య సారాంశం
|
|
3. **వీడియో** (ఐచ్ఛికం): అదనపు వీడియో కంటెంట్
|
|
4. **వ్రాత పాఠం**: ప్రాథమిక భావనలు మరియు వివరణలు
|
|
5. **జుపిటర్ నోట్బుక్**: ప్రాక్టికల్ కోడింగ్ వ్యాయామాలు
|
|
6. **అసైన్మెంట్**: మీరు నేర్చుకున్నదాన్ని అభ్యాసించండి
|
|
7. **పాఠానికి తర్వాత క్విజ్**: మీ అర్థం చేసుకున్నదాన్ని బలోపేతం చేయండి
|
|
|
|
### పాఠానికి ఉదాహరణ వర్క్ఫ్లో
|
|
|
|
```bash
|
|
# 1. పాఠం డైరెక్టరీకి నావిగేట్ చేయండి
|
|
cd 1-Introduction/01-defining-data-science
|
|
|
|
# 2. README.md చదవండి
|
|
# README.md ను మీ బ్రౌజర్ లేదా ఎడిటర్లో తెరవండి
|
|
|
|
# 3. పూర్వ పాఠం క్విజ్ తీసుకోండి
|
|
# READMEలోని క్విజ్ లింక్పై క్లిక్ చేయండి
|
|
|
|
# 4. జూపిటర్ నోట్బుక్ (ఉపలబ్ధి ఉంటే) తెరవండి
|
|
jupyter notebook
|
|
|
|
# 5. నోట్బుక్లోని వ్యాయామాలు పూర్తి చేయండి
|
|
|
|
# 6. అసైన్మెంట్పై పని చేయండి
|
|
|
|
# 7. పాఠం తర్వాత క్విజ్ తీసుకోండి
|
|
```
|
|
|
|
## జుపిటర్ నోట్బుక్స్తో పని చేయడం
|
|
|
|
### జుపిటర్ ప్రారంభించడం
|
|
|
|
```bash
|
|
# మీ వర్చువల్ ఎన్విరాన్మెంట్ను సక్రియం చేయండి
|
|
source venv/bin/activate # macOS/Linux పై
|
|
# లేదా
|
|
venv\Scripts\activate # Windows పై
|
|
|
|
# రిపాజిటరీ రూట్ నుండి Jupyter ప్రారంభించండి
|
|
jupyter notebook
|
|
```
|
|
|
|
### నోట్బుక్ సెల్స్ నడపడం
|
|
|
|
1. **ఒక సెల్ నడపండి**: `Shift + Enter` నొక్కండి లేదా "Run" బటన్ క్లిక్ చేయండి
|
|
2. **అన్ని సెల్స్ నడపండి**: మెనూ నుండి "Cell" → "Run All" ఎంచుకోండి
|
|
3. **కర్నెల్ రీస్టార్ట్ చేయండి**: సమస్యలు ఎదురైతే "Kernel" → "Restart" ఎంచుకోండి
|
|
|
|
### ఉదాహరణ: నోట్బుక్లో డేటాతో పని చేయడం
|
|
|
|
```python
|
|
# అవసరమైన లైబ్రరీలను దిగుమతి చేసుకోండి
|
|
import pandas as pd
|
|
import numpy as np
|
|
import matplotlib.pyplot as plt
|
|
|
|
# డేటాసెట్ను లోడ్ చేయండి
|
|
df = pd.read_csv('data/sample.csv')
|
|
|
|
# డేటాను అన్వేషించండి
|
|
df.head()
|
|
df.info()
|
|
df.describe()
|
|
|
|
# ఒక విజువలైజేషన్ సృష్టించండి
|
|
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()
|
|
```
|
|
|
|
### మీ పని సేవ్ చేయడం
|
|
|
|
- జుపిటర్ స్వయంచాలకంగా కాలానుగుణంగా సేవ్ చేస్తుంది
|
|
- మాన్యువల్గా సేవ్ చేయడానికి: `Ctrl + S` (లేదా macOSలో `Cmd + S`) నొక్కండి
|
|
- మీ పురోగతి `.ipynb` ఫైల్లో సేవ్ అవుతుంది
|
|
|
|
## క్విజ్ అప్లికేషన్ ఉపయోగించడం
|
|
|
|
### క్విజ్ యాప్ను లోకల్గా నడపడం
|
|
|
|
```bash
|
|
# క్విజ్ యాప్ డైరెక్టరీకి నావిగేట్ చేయండి
|
|
cd quiz-app
|
|
|
|
# డెవలప్మెంట్ సర్వర్ ప్రారంభించండి
|
|
npm run serve
|
|
|
|
# http://localhost:8080 వద్ద యాక్సెస్ చేయండి
|
|
```
|
|
|
|
### క్విజ్లు తీసుకోవడం
|
|
|
|
1. పాఠానికి ముందు క్విజ్లు ప్రతి పాఠం టాప్లో లింక్ చేయబడ్డాయి
|
|
2. పాఠానికి తర్వాత క్విజ్లు ప్రతి పాఠం దిగువన లింక్ చేయబడ్డాయి
|
|
3. ప్రతి క్విజ్లో 3 ప్రశ్నలు ఉంటాయి
|
|
4. క్విజ్లు నేర్చుకోవడాన్ని బలోపేతం చేయడానికి రూపొందించబడ్డాయి, పూర్తిగా పరీక్షించడానికి కాదు
|
|
|
|
### క్విజ్ సంఖ్యలు
|
|
|
|
- క్విజ్లు 0-39 వరకు సంఖ్యాబద్ధం చేయబడ్డాయి (మొత్తం 40 క్విజ్లు)
|
|
- ప్రతి పాఠానికి సాధారణంగా ఒక పూర్వ మరియు ఒక పశ్చాత్తాప క్విజ్ ఉంటుంది
|
|
- క్విజ్ URLలు క్విజ్ సంఖ్యను కలిగి ఉంటాయి: `https://ff-quizzes.netlify.app/en/ds/quiz/0`
|
|
|
|
## సాధారణ వర్క్ఫ్లోలు
|
|
|
|
### వర్క్ఫ్లో 1: పూర్తి ప్రారంభ దారి
|
|
|
|
```bash
|
|
# 1. మీ వాతావరణాన్ని సెట్ చేయండి (INSTALLATION.md చూడండి)
|
|
|
|
# 2. పాఠం 1 తో ప్రారంభించండి
|
|
cd 1-Introduction/01-defining-data-science
|
|
|
|
# 3. ప్రతి పాఠం కోసం:
|
|
# - పాఠం ముందు క్విజ్ తీసుకోండి
|
|
# - పాఠం విషయాన్ని చదవండి
|
|
# - నోట్బుక్ ద్వారా పని చేయండి
|
|
# - అసైన్మెంట్ పూర్తి చేయండి
|
|
# - పాఠం తర్వాత క్విజ్ తీసుకోండి
|
|
|
|
# 4. అన్ని 20 పాఠాలను వరుసగా కొనసాగించండి
|
|
```
|
|
|
|
### వర్క్ఫ్లో 2: ప్రత్యేక అంశం నేర్చుకోవడం
|
|
|
|
మీకు ఒక ప్రత్యేక అంశం ఆసక్తి ఉంటే:
|
|
|
|
```bash
|
|
# ఉదాహరణ: డేటా విజువలైజేషన్ పై దృష్టి సారించండి
|
|
cd 3-Data-Visualization
|
|
|
|
# పాఠాలు 9-13 అన్వేషించండి:
|
|
# - పాఠం 9: పరిమాణాలను విజువలైజ్ చేయడం
|
|
# - పాఠం 10: పంపిణీలను విజువలైజ్ చేయడం
|
|
# - పాఠం 11: అనుపాతాలను విజువలైజ్ చేయడం
|
|
# - పాఠం 12: సంబంధాలను విజువలైజ్ చేయడం
|
|
# - పాఠం 13: అర్థవంతమైన విజువలైజేషన్లు
|
|
```
|
|
|
|
### వర్క్ఫ్లో 3: ప్రాజెక్ట్ ఆధారిత నేర్చుకోవడం
|
|
|
|
```bash
|
|
# 1. డేటా సైన్స్ లైఫ్సైకిల్ పాఠాలు (14-16) సమీక్షించండి
|
|
cd 4-Data-Science-Lifecycle
|
|
|
|
# 2. ఒక వాస్తవ ప్రపంచ ఉదాహరణపై పని చేయండి (పాఠం 20)
|
|
cd ../6-Data-Science-In-Wild/20-Real-World-Examples
|
|
|
|
# 3. మీ స్వంత ప్రాజెక్టుకు సూత్రాలను వర్తింపజేయండి
|
|
```
|
|
|
|
### వర్క్ఫ్లో 4: క్లౌడ్ ఆధారిత డేటా సైన్స్
|
|
|
|
```bash
|
|
# క్లౌడ్ డేటా సైన్స్ గురించి తెలుసుకోండి (పాఠాలు 17-19)
|
|
cd 5-Data-Science-In-Cloud
|
|
|
|
# 17: క్లౌడ్ డేటా సైన్స్ పరిచయం
|
|
# 18: లో-కోడ్ ఎంఎల్ టూల్స్
|
|
# 19: అజ్యూర్ మెషీన్ లెర్నింగ్ స్టూడియో
|
|
```
|
|
|
|
## స్వీయ-అభ్యాసకులకు సూచనలు
|
|
|
|
### సక్రమంగా ఉండండి
|
|
|
|
```bash
|
|
# ఒక అభ్యాస జర్నల్ సృష్టించండి
|
|
mkdir my-learning-journal
|
|
|
|
# ప్రతి పాఠం కోసం, గమనికలు సృష్టించండి
|
|
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md
|
|
```
|
|
|
|
### నియమితంగా అభ్యాసం చేయండి
|
|
|
|
- ప్రతి రోజు లేదా వారానికి ప్రత్యేక సమయం కేటాయించండి
|
|
- వారానికి కనీసం ఒక పాఠం పూర్తి చేయండి
|
|
- గత పాఠాలను కాలానుగుణంగా సమీక్షించండి
|
|
|
|
### కమ్యూనిటీతో పాల్గొనండి
|
|
|
|
- [Discord కమ్యూనిటీ](https://aka.ms/ds4beginners/discord)లో చేరండి
|
|
- Discordలో #Data-Science-for-Beginners ఛానెల్లో పాల్గొనండి [Discord చర్చలు](https://aka.ms/ds4beginners/discord)
|
|
- మీ పురోగతిని పంచుకోండి మరియు ప్రశ్నలు అడగండి
|
|
|
|
### మీ స్వంత ప్రాజెక్టులను నిర్మించండి
|
|
|
|
పాఠాలు పూర్తి చేసిన తర్వాత, భావనలను వ్యక్తిగత ప్రాజెక్టులకు వర్తించండి:
|
|
|
|
```python
|
|
# ఉదాహరణ: మీ స్వంత డేటాసెట్ను విశ్లేషించండి
|
|
import pandas as pd
|
|
|
|
# మీ స్వంత డేటాను లోడ్ చేయండి
|
|
my_data = pd.read_csv('my-project/data.csv')
|
|
|
|
# నేర్చుకున్న సాంకేతికతలను వర్తింపజేయండి
|
|
# - డేటా శుభ్రపరిచడం (పాఠం 8)
|
|
# - అన్వేషణాత్మక డేటా విశ్లేషణ (పాఠం 7)
|
|
# - విజువలైజేషన్ (పాఠాలు 9-13)
|
|
# - విశ్లేషణ (పాఠం 15)
|
|
```
|
|
|
|
## ఉపాధ్యాయులకు సూచనలు
|
|
|
|
### తరగతి సెటప్
|
|
|
|
1. వివరమైన మార్గదర్శకానికి [for-teachers.md](for-teachers.md) ను సమీక్షించండి
|
|
2. ఒక పంచుకున్న వాతావరణాన్ని ఏర్పాటు చేయండి (GitHub Classroom లేదా Codespaces)
|
|
3. ఒక కమ్యూనికేషన్ ఛానెల్ను ఏర్పాటు చేయండి (Discord, Slack, లేదా Teams)
|
|
|
|
### పాఠం ప్రణాళిక
|
|
|
|
**సూచించిన 10-వారం షెడ్యూల్:**
|
|
|
|
- **వారం 1-2**: పరిచయం (పాఠాలు 1-4)
|
|
- **వారం 3-4**: డేటాతో పని (పాఠాలు 5-8)
|
|
- **వారం 5-6**: డేటా విజువలైజేషన్ (పాఠాలు 9-13)
|
|
- **వారం 7-8**: డేటా సైన్స్ లైఫ్సైకిల్ (పాఠాలు 14-16)
|
|
- **వారం 9**: క్లౌడ్ డేటా సైన్స్ (పాఠాలు 17-19)
|
|
- **వారం 10**: వాస్తవ ప్రపంచ అనువర్తనాలు & తుది ప్రాజెక్టులు (పాఠం 20)
|
|
|
|
### ఆఫ్లైన్ యాక్సెస్ కోసం Docsify నడపడం
|
|
|
|
```bash
|
|
# తరగతి గదిలో ఉపయోగానికి స్థానికంగా డాక్యుమెంటేషన్ అందించండి
|
|
docsify serve
|
|
|
|
# విద్యార్థులు localhost:3000 వద్ద యాక్సెస్ చేయవచ్చు
|
|
# ప్రారంభ సెటప్ తర్వాత ఇంటర్నెట్ అవసరం లేదు
|
|
```
|
|
|
|
### అసైన్మెంట్ గ్రేడింగ్
|
|
|
|
- పూర్తి చేసిన వ్యాయామాల కోసం విద్యార్థి నోట్బుక్స్ సమీక్షించండి
|
|
- క్విజ్ స్కోర్ల ద్వారా అర్థం చేసుకున్నదాన్ని తనిఖీ చేయండి
|
|
- డేటా సైన్స్ లైఫ్సైకిల్ సూత్రాలను ఉపయోగించి తుది ప్రాజెక్టులను మూల్యాంకనం చేయండి
|
|
|
|
### అసైన్మెంట్లు సృష్టించడం
|
|
|
|
```python
|
|
# ఉదాహరణ కస్టమ్ అసైన్మెంట్ టెంప్లేట్
|
|
"""
|
|
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
|
|
"""
|
|
```
|
|
|
|
## ఆఫ్లైన్లో పని చేయడం
|
|
|
|
### వనరులను డౌన్లోడ్ చేయండి
|
|
|
|
```bash
|
|
# మొత్తం రిపోజిటరీని క్లోన్ చేయండి
|
|
git clone https://github.com/microsoft/Data-Science-For-Beginners.git
|
|
|
|
# ముందుగా డేటాసెట్లను డౌన్లోడ్ చేసుకోండి
|
|
# ఎక్కువ డేటాసెట్లు రిపోజిటరీలోనే ఉన్నాయి
|
|
```
|
|
|
|
### డాక్యుమెంటేషన్ను లోకల్గా నడపండి
|
|
|
|
```bash
|
|
# Docsify తో సేవ్ చేయండి
|
|
docsify serve
|
|
|
|
# localhost:3000 వద్ద యాక్సెస్ చేయండి
|
|
```
|
|
|
|
### క్విజ్ యాప్ను లోకల్గా నడపండి
|
|
|
|
```bash
|
|
cd quiz-app
|
|
npm run serve
|
|
```
|
|
|
|
## అనువదించిన కంటెంట్ యాక్సెస్ చేయడం
|
|
|
|
40+ భాషల్లో అనువాదాలు అందుబాటులో ఉన్నాయి:
|
|
|
|
```bash
|
|
# అనువదించిన పాఠాలను యాక్సెస్ చేయండి
|
|
cd translations/fr # ఫ్రెంచ్
|
|
cd translations/es # స్పానిష్
|
|
cd translations/de # జర్మన్
|
|
# ... మరియు మరిన్ని
|
|
```
|
|
|
|
ప్రతి అనువాదం ఆంగ్ల సంస్కరణతో సమాన నిర్మాణాన్ని కలిగి ఉంటుంది.
|
|
|
|
## అదనపు వనరులు
|
|
|
|
### నేర్చుకోవడం కొనసాగించండి
|
|
|
|
- [Microsoft Learn](https://docs.microsoft.com/learn/) - అదనపు నేర్చుకునే మార్గాలు
|
|
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - విద్యార్థుల కోసం వనరులు
|
|
- [Azure AI Foundry](https://aka.ms/foundry/forum) - కమ్యూనిటీ ఫోరం
|
|
|
|
### సంబంధిత పాఠ్యాంశాలు
|
|
|
|
- [AI for Beginners](https://aka.ms/ai-beginners)
|
|
- [ML for Beginners](https://aka.ms/ml-beginners)
|
|
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
|
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
|
|
|
## సహాయం పొందడం
|
|
|
|
- సాధారణ సమస్యల కోసం [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ను తనిఖీ చేయండి
|
|
- [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) లో శోధించండి
|
|
- మా [Discord](https://aka.ms/ds4beginners/discord)లో చేరండి
|
|
- సమస్యలను నివేదించడానికి లేదా సహకరించడానికి [CONTRIBUTING.md](CONTRIBUTING.md) ను సమీక్షించండి
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**అస్పష్టత**:
|
|
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |