Azure Cloud Advocates στη Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 10 εβδομάδων, 20 μαθημάτων, που αφορά την Επιστήμη Δεδομένων. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση και εργασία. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος για να αποκτήσετε νέες δεξιότητες που "μένουν".
Ευχαριστίες στους συγγραφείς μας: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.
🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, κριτές και συνεισφέροντες περιεχομένου, όπως οι Aaryan Arora, Aditya Garg, Alondra Sanchez, Ankita Singh, Anupam Mishra, Arpita Das, ChhailBihari Dubey, Dibri Nsofor, Dishita Bhasin, Majd Safi, Max Blum, Miguel Correa, Mohamma Iftekher (Iftu) Ebne Jalal, Nawrin Tabassum, Raymond Wangsa Putra, Rohit Yadav, Samridhi Sharma, Sanya Sinha, Sheena Narula, Tauqeer Ahmad, Yogendrasingh Pawar , Vidushi Gupta, Jasleen Sondhi
 |
|---|
| Επιστήμη Δεδομένων για Αρχάριους - Σκίτσο από @nitya |
Αραβικά | Μπενγκάλι | Βουλγαρικά | Βιρμανικά (Μιανμάρ) | Κινέζικα (Απλοποιημένα) | Κινέζικα (Παραδοσιακά, Χονγκ Κονγκ) | Κινέζικα (Παραδοσιακά, Μακάου) | Κινέζικα (Παραδοσιακά, Ταϊβάν) | Κροατικά | Τσέχικα | Δανικά | Ολλανδικά | Εσθονικά | Φινλανδικά | Γαλλικά | Γερμανικά | Ελληνικά | Εβραϊκά | Χίντι | Ουγγρικά | Ινδονησιακά | Ιταλικά | Ιαπωνικά | Κορεατικά | Λιθουανικά | Μαλαισιανά | Μαραθικά | Νεπαλικά | Νορβηγικά | Περσικά (Φαρσί) | Πολωνικά | Πορτογαλικά (Βραζιλία) | Πορτογαλικά (Πορτογαλία) | Παντζάμπι (Γκουρμούκι) | Ρουμανικά | Ρωσικά | Σερβικά (Κυριλλικά) | Σλοβακικά | Σλοβενικά | Ισπανικά | Σουαχίλι | Σουηδικά | Ταγκαλόγκ (Φιλιππινέζικα) | Ταμίλ | Ταϊλανδικά | Τουρκικά | Ουκρανικά | Ουρντού | Βιετναμέζικα
Αν θέλετε να υποστηριχθούν επιπλέον γλώσσες, οι διαθέσιμες γλώσσες παρατίθενται εδώ
Έχουμε μια σειρά εκμάθησης με AI στο Discord σε εξέλιξη, μάθετε περισσότερα και γίνετε μέλος μας στο Learn with AI Series από 18 - 30 Σεπτεμβρίου, 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για την Επιστήμη Δεδομένων.
Ξεκινήστε με τους παρακάτω πόρους:
- Σελίδα Student Hub Σε αυτή τη σελίδα, θα βρείτε πόρους για αρχάριους, πακέτα για φοιτητές και ακόμη και τρόπους για να αποκτήσετε δωρεάν κουπόνι πιστοποίησης. Αυτή είναι μια σελίδα που θέλετε να προσθέσετε στους σελιδοδείκτες σας και να ελέγχετε από καιρό σε καιρό καθώς αλλάζουμε το περιεχόμενο τουλάχιστον μηνιαία.
- Microsoft Learn Student Ambassadors Γίνετε μέλος μιας παγκόσμιας κοινότητας φοιτητών πρεσβευτών, αυτό θα μπορούσε να είναι η είσοδός σας στη Microsoft.
- Οδηγός Εγκατάστασης - Βήμα προς βήμα οδηγίες εγκατάστασης για αρχάριους
- Οδηγός Χρήσης - Παραδείγματα και κοινές ροές εργασίας
- Αντιμετώπιση Προβλημάτων - Λύσεις για κοινά ζητήματα
- Οδηγός Συνεισφοράς - Πώς να συνεισφέρετε σε αυτό το έργο
- Για Δασκάλους - Οδηγίες διδασκαλίας και πόροι για την τάξη
Απόλυτοι Αρχάριοι: Νέοι στην επιστήμη δεδομένων; Ξεκινήστε με τα παραδείγματα φιλικά προς αρχάριους! Αυτά τα απλά, καλά σχολιασμένα παραδείγματα θα σας βοηθήσουν να κατανοήσετε τα βασικά πριν προχωρήσετε στο πλήρες πρόγραμμα σπουδών. Φοιτητές: για να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών μόνοι σας, κάντε fork ολόκληρο το repo και ολοκληρώστε τις ασκήσεις μόνοι σας, ξεκινώντας με ένα κουίζ πριν το μάθημα. Στη συνέχεια, διαβάστε το μάθημα και ολοκληρώστε τις υπόλοιπες δραστηριότητες. Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να αντιγράφετε τον κώδικα λύσης. Ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solutions σε κάθε μάθημα που βασίζεται σε έργο. Μια άλλη ιδέα θα ήταν να σχηματίσετε μια ομάδα μελέτης με φίλους και να περάσετε το περιεχόμενο μαζί. Για περαιτέρω μελέτη, προτείνουμε Microsoft Learn.
Γρήγορη Έναρξη:
- Ελέγξτε τον Οδηγό Εγκατάστασης για να ρυθμίσετε το περιβάλλον σας
- Ανατρέξτε στον Οδηγό Χρήσης για να μάθετε πώς να εργάζεστε με το πρόγραμμα σπουδών
- Ξεκινήστε με το Μάθημα 1 και προχωρήστε διαδοχικά
- Γίνετε μέλος της κοινότητας Discord για υποστήριξη
Δάσκαλοι: έχουμε συμπεριλάβει κάποιες προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα σπουδών. Θα θέλαμε τα σχόλιά σας στο φόρουμ συζητήσεων μας!
Gif από Mohit Jaisal
🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!
Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά τη δημιουργία αυτού του προγράμματος σπουδών: να διασφαλίσουμε ότι είναι βασισμένο σε έργα και ότι περιλαμβάνει συχνά κουίζ. Μέχρι το τέλος αυτής της σειράς, οι μαθητές θα έχουν μάθει βασικές αρχές της επιστήμης δεδομένων, συμπεριλαμβανομένων ηθικών εννοιών, προετοιμασίας δεδομένων, διαφορετικών τρόπων εργασίας με δεδομένα, οπτικοποίησης δεδομένων, ανάλυσης δεδομένων, πραγματικών εφαρμογών της επιστήμης δεδομένων και πολλά άλλα.
Επιπλέον, ένα κουίζ χαμηλής πίεσης πριν από το μάθημα θέτει την πρόθεση του μαθητή προς την εκμάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα διασφαλίζει περαιτέρω την απομνημόνευση. Αυτό το πρόγραμμα σπουδών σχεδιάστηκε ώστε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ολοκληρωθεί είτε ολόκληρο είτε τμηματικά. Τα έργα ξεκινούν μικρά και γίνονται όλο και πιο σύνθετα μέχρι το τέλος του 10 εβδομαδιαίου κύκλου.
Βρείτε τον Κώδικα Συμπεριφοράς, τις οδηγίες για Συνεισφορά και Μετάφραση. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!
- Προαιρετικό σκίτσο
- Προαιρετικό συμπληρωματικό βίντεο
- Κουίζ προθέρμανσης πριν το μάθημα
- Γραπτό μάθημα
- Για μαθήματα βασισμένα σε έργα, οδηγίες βήμα προς βήμα για την κατασκευή του έργου
- Έλεγχοι γνώσεων
- Μια πρόκληση
- Συμπληρωματική ανάγνωση
- Εργασία
- Κουίζ μετά το μάθημα
Σημείωση για τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz-App, συνολικά 40 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα από τα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να εκτελεστεί τοπικά ή να αναπτυχθεί στο Azure. Ακολουθήστε τις οδηγίες στον φάκελο
quiz-app. Αυτά μεταφράζονται σταδιακά.
Νέοι στην Επιστήμη Δεδομένων; Δημιουργήσαμε έναν ειδικό φάκελο παραδειγμάτων με απλό, σχολιασμένο κώδικα για να σας βοηθήσουμε να ξεκινήσετε:
- 🌟 Hello World - Το πρώτο σας πρόγραμμα επιστήμης δεδομένων
- 📂 Φόρτωση Δεδομένων - Μάθετε να διαβάζετε και να εξερευνάτε σύνολα δεδομένων
- 📊 Απλή Ανάλυση - Υπολογίστε στατιστικά και βρείτε μοτίβα
- 📈 Βασική Οπτικοποίηση - Δημιουργήστε γραφήματα και διαγράμματα
- 🔬 Πραγματικό Έργο - Ολοκληρωμένη ροή εργασίας από την αρχή μέχρι το τέλος
Κάθε παράδειγμα περιλαμβάνει λεπτομερή σχόλια που εξηγούν κάθε βήμα, καθιστώντας το ιδανικό για απόλυτους αρχάριους!
👉 Ξεκινήστε με τα παραδείγματα 👈
 |
|---|
| Επιστήμη Δεδομένων για Αρχάριους: Χάρτης Πορείας - Σκίτσο από @nitya |
| Αριθμός Μαθήματος | Θέμα | Ομαδοποίηση Μαθήματος | Στόχοι Μάθησης | Συνδεδεμένο Μάθημα | Συγγραφέας |
|---|---|---|---|---|---|
| 01 | Ορισμός της Επιστήμης Δεδομένων | Εισαγωγή | Μάθετε τις βασικές έννοιες πίσω από την επιστήμη δεδομένων και πώς συνδέεται με την τεχνητή νοημοσύνη, τη μηχανική μάθηση και τα μεγάλα δεδομένα. | μάθημα βίντεο | Dmitry |
| 02 | Ηθική στην Επιστήμη Δεδομένων | Εισαγωγή | Έννοιες ηθικής δεδομένων, προκλήσεις και πλαίσια. | μάθημα | Nitya |
| 03 | Ορισμός των Δεδομένων | Εισαγωγή | Πώς ταξινομούνται τα δεδομένα και ποιες είναι οι κοινές πηγές τους. | μάθημα | Jasmine |
| 04 | Εισαγωγή στη Στατιστική και Πιθανότητες | Εισαγωγή | Οι μαθηματικές τεχνικές της πιθανότητας και της στατιστικής για την κατανόηση των δεδομένων. | μάθημα βίντεο | Dmitry |
| 05 | Εργασία με Σχεσιακά Δεδομένα | Εργασία με Δεδομένα | Εισαγωγή στα σχεσιακά δεδομένα και τα βασικά της εξερεύνησης και ανάλυσης σχεσιακών δεδομένων με τη Δομημένη Γλώσσα Ερωτημάτων, γνωστή και ως SQL (προφέρεται "σι-κουέλ"). | μάθημα | Christopher |
| 06 | Εργασία με Δεδομένα NoSQL | Εργασία με Δεδομένα | Εισαγωγή στα μη σχεσιακά δεδομένα, τους διάφορους τύπους τους και τα βασικά της εξερεύνησης και ανάλυσης βάσεων δεδομένων εγγράφων. | μάθημα | Jasmine |
| 07 | Εργασία με Python | Εργασία με Δεδομένα | Βασικά στοιχεία χρήσης της Python για εξερεύνηση δεδομένων με βιβλιοθήκες όπως η Pandas. Συνιστάται θεμελιώδης κατανόηση του προγραμματισμού Python. | μάθημα βίντεο | Dmitry |
| 08 | Προετοιμασία Δεδομένων | Εργασία με Δεδομένα | Θέματα τεχνικών δεδομένων για καθαρισμό και μετασχηματισμό δεδομένων ώστε να αντιμετωπιστούν προκλήσεις όπως ελλιπή, ανακριβή ή ατελή δεδομένα. | μάθημα | Jasmine |
| 09 | Οπτικοποίηση Ποσοτήτων | Οπτικοποίηση Δεδομένων | Μάθετε πώς να χρησιμοποιείτε το Matplotlib για να οπτικοποιήσετε δεδομένα πουλιών 🦆 | μάθημα | Jen |
| 10 | Οπτικοποίηση Κατανομών Δεδομένων | Οπτικοποίηση Δεδομένων | Οπτικοποίηση παρατηρήσεων και τάσεων μέσα σε ένα διάστημα. | μάθημα | Jen |
| 11 | Οπτικοποίηση Αναλογιών | Οπτικοποίηση Δεδομένων | Οπτικοποίηση διακριτών και ομαδοποιημένων ποσοστών. | μάθημα | Jen |
| 12 | Οπτικοποίηση Σχέσεων | Οπτικοποίηση Δεδομένων | Οπτικοποίηση συνδέσεων και συσχετίσεων μεταξύ συνόλων δεδομένων και των μεταβλητών τους. | μάθημα | Jen |
| 13 | Σημαντικές Οπτικοποιήσεις | Οπτικοποίηση Δεδομένων | Τεχνικές και καθοδήγηση για να κάνετε τις οπτικοποιήσεις σας πολύτιμες για αποτελεσματική επίλυση προβλημάτων και εξαγωγή πληροφοριών. | μάθημα | Jen |
| 14 | Εισαγωγή στον κύκλο ζωής της Επιστήμης Δεδομένων | Κύκλος Ζωής | Εισαγωγή στον κύκλο ζωής της επιστήμης δεδομένων και το πρώτο βήμα της απόκτησης και εξαγωγής δεδομένων. | μάθημα | Jasmine |
| 15 | Ανάλυση | Κύκλος Ζωής | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται στις τεχνικές ανάλυσης δεδομένων. | μάθημα | Jasmine |
| 16 | Επικοινωνία | Κύκλος Ζωής | Αυτή η φάση του κύκλου ζωής της επιστήμης δεδομένων επικεντρώνεται στην παρουσίαση των πληροφοριών από τα δεδομένα με τρόπο που διευκολύνει τους υπεύθυνους λήψης αποφάσεων να κατανοήσουν. | μάθημα | Jalen |
| 17 | Επιστήμη Δεδομένων στο Cloud | Cloud Δεδομένα | Αυτή η σειρά μαθημάτων εισάγει την επιστήμη δεδομένων στο cloud και τα οφέλη της. | μάθημα | Tiffany και Maud |
| 18 | Επιστήμη Δεδομένων στο Cloud | Cloud Δεδομένα | Εκπαίδευση μοντέλων χρησιμοποιώντας εργαλεία Low Code. | μάθημα | Tiffany και Maud |
| 19 | Επιστήμη Δεδομένων στο Cloud | Cloud Δεδομένα | Ανάπτυξη μοντέλων με το Azure Machine Learning Studio. | μάθημα | Tiffany και Maud |
| 20 | Επιστήμη Δεδομένων στην Πράξη | Στην Πράξη | Έργα επιστήμης δεδομένων στον πραγματικό κόσμο. | μάθημα | Nitya |
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το δείγμα σε Codespace:
- Κάντε κλικ στο αναπτυσσόμενο μενού Code και επιλέξτε την επιλογή Open with Codespaces.
- Επιλέξτε + New codespace στο κάτω μέρος του πίνακα. Για περισσότερες πληροφορίες, δείτε την τεκμηρίωση του GitHub.
Ακολουθήστε αυτά τα βήματα για να ανοίξετε αυτό το αποθετήριο σε ένα container χρησιμοποιώντας τον τοπικό σας υπολογιστή και το VSCode με την επέκταση VS Code Remote - Containers:
- Εάν είναι η πρώτη φορά που χρησιμοποιείτε container ανάπτυξης, βεβαιωθείτε ότι το σύστημά σας πληροί τις προϋποθέσεις (π.χ. έχετε εγκατεστημένο το Docker) στην τεκμηρίωση για την έναρξη.
Για να χρησιμοποιήσετε αυτό το αποθετήριο, μπορείτε είτε να το ανοίξετε σε έναν απομονωμένο όγκο Docker:
Σημείωση: Στο παρασκήνιο, αυτό θα χρησιμοποιήσει την εντολή Remote-Containers: Clone Repository in Container Volume... για να κλωνοποιήσει τον πηγαίο κώδικα σε έναν όγκο Docker αντί για το τοπικό σύστημα αρχείων. Οι Όγκοι είναι ο προτιμώμενος μηχανισμός για τη διατήρηση δεδομένων container.
Ή να ανοίξετε μια τοπικά κλωνοποιημένη ή ληφθείσα έκδοση του αποθετηρίου:
- Κλωνοποιήστε αυτό το αποθετήριο στο τοπικό σας σύστημα αρχείων.
- Πατήστε F1 και επιλέξτε την εντολή Remote-Containers: Open Folder in Container....
- Επιλέξτε την κλωνοποιημένη έκδοση αυτού του φακέλου, περιμένετε να ξεκινήσει το container και δοκιμάστε πράγματα.
Μπορείτε να εκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κλωνοποιήστε αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή, και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Ο ιστότοπος θα εξυπηρετηθεί στην πόρτα 3000 στο localhost σας: localhost:3000.
Σημείωση, τα notebooks δεν θα εμφανίζονται μέσω του Docsify, οπότε όταν χρειαστεί να εκτελέσετε ένα notebook, κάντε το ξεχωριστά στο VS Code εκτελώντας έναν πυρήνα Python.
Η ομάδα μας δημιουργεί και άλλα προγράμματα σπουδών! Δείτε:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Αντιμετωπίζετε προβλήματα; Ελέγξτε τον Οδηγό Αντιμετώπισης Προβλημάτων για λύσεις σε κοινά προβλήματα.
Αν κολλήσετε ή έχετε ερωτήσεις σχετικά με την ανάπτυξη εφαρμογών AI, συμμετάσχετε:
Αν έχετε σχόλια για προϊόντα ή αντιμετωπίζετε σφάλματα κατά την ανάπτυξη, επισκεφθείτε:
Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.