Skip to content

USAGE.md

Latest commit

 

History

History
374 lines (265 loc) · 10.3 KB

USAGE.md

File metadata and controls

374 lines (265 loc) · 10.3 KB
Raw

Guide d'utilisation

Ce guide fournit des exemples et des workflows courants pour utiliser le programme "Data Science for Beginners".

Table des matières

Comment utiliser ce programme

Ce programme est conçu pour être flexible et peut être utilisé de plusieurs façons :

  • Apprentissage autonome : Parcourez les leçons à votre propre rythme
  • Cours en classe : Utilisez-le comme un cours structuré avec un enseignement guidé
  • Groupes d'étude : Apprenez en collaboration avec vos pairs
  • Format atelier : Sessions intensives d'apprentissage à court terme

Travailler avec les leçons

Chaque leçon suit une structure cohérente pour maximiser l'apprentissage :

Structure des leçons

  1. Quiz avant la leçon : Testez vos connaissances existantes
  2. Sketchnote (Optionnel) : Résumé visuel des concepts clés
  3. Vidéo (Optionnel) : Contenu vidéo supplémentaire
  4. Leçon écrite : Concepts de base et explications
  5. Notebook Jupyter : Exercices pratiques de codage
  6. Exercice : Mettez en pratique ce que vous avez appris
  7. Quiz après la leçon : Renforcez votre compréhension

Exemple de workflow pour une leçon

# 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

Travailler avec les notebooks Jupyter

Démarrer Jupyter

# 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

Exécuter les cellules du notebook

  1. Exécuter une cellule : Appuyez sur Shift + Enter ou cliquez sur le bouton "Run"
  2. Exécuter toutes les cellules : Sélectionnez "Cell" → "Run All" dans le menu
  3. Redémarrer le kernel : Sélectionnez "Kernel" → "Restart" en cas de problème

Exemple : Travailler avec des données dans un 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()

Sauvegarder votre travail

  • Jupyter sauvegarde automatiquement périodiquement
  • Sauvegarde manuelle : Appuyez sur Ctrl + S (ou Cmd + S sur macOS)
  • Vos progrès sont enregistrés dans le fichier .ipynb

Utiliser l'application de quiz

Exécuter l'application de quiz localement

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

Réaliser les quiz

  1. Les quiz avant la leçon sont liés en haut de chaque leçon
  2. Les quiz après la leçon sont liés en bas de chaque leçon
  3. Chaque quiz comporte 3 questions
  4. Les quiz sont conçus pour renforcer l'apprentissage, pas pour tester de manière exhaustive

Numérotation des quiz

  • Les quiz sont numérotés de 0 à 39 (40 quiz au total)
  • Chaque leçon comporte généralement un quiz avant et après
  • Les URL des quiz incluent le numéro du quiz : https://ff-quizzes.netlify.app/en/ds/quiz/0

Workflows courants

Workflow 1 : Parcours complet pour débutants

# 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 : Apprentissage spécifique à un sujet

Si vous êtes intéressé par un sujet spécifique :

# 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 : Apprentissage basé sur des projets

# 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 : Data Science dans le cloud

# 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

Conseils pour les apprenants autonomes

Restez organisé

# Create a learning journal
mkdir my-learning-journal

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

Pratiquez régulièrement

  • Réservez du temps dédié chaque jour ou chaque semaine
  • Complétez au moins une leçon par semaine
  • Révisez périodiquement les leçons précédentes

Engagez-vous avec la communauté

Créez vos propres projets

Après avoir terminé les leçons, appliquez les concepts à des projets personnels :

# 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)

Conseils pour les enseignants

Configuration de la classe

  1. Consultez for-teachers.md pour des conseils détaillés
  2. Configurez un environnement partagé (GitHub Classroom ou Codespaces)
  3. Établissez un canal de communication (Discord, Slack ou Teams)

Planification des leçons

Programme suggéré sur 10 semaines :

  • Semaine 1-2 : Introduction (Leçons 1-4)
  • Semaine 3-4 : Travailler avec les données (Leçons 5-8)
  • Semaine 5-6 : Visualisation des données (Leçons 9-13)
  • Semaine 7-8 : Cycle de vie de la Data Science (Leçons 14-16)
  • Semaine 9 : Data Science dans le cloud (Leçons 17-19)
  • Semaine 10 : Applications réelles et projets finaux (Leçon 20)

Exécuter Docsify pour un accès hors ligne

# Serve documentation locally for classroom use
docsify serve

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

Évaluation des exercices

  • Examinez les notebooks des étudiants pour les exercices complétés
  • Vérifiez la compréhension via les scores des quiz
  • Évaluez les projets finaux en utilisant les principes du cycle de vie de la Data Science

Créer des exercices

# 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
"""

Travailler hors ligne

Télécharger les ressources

# 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

Exécuter la documentation localement

# Serve with Docsify
docsify serve

# Access at localhost:3000

Exécuter l'application de quiz localement

cd quiz-app
npm run serve

Accéder au contenu traduit

Des traductions sont disponibles dans plus de 40 langues :

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

Chaque traduction conserve la même structure que la version anglaise.

Ressources supplémentaires

Continuer à apprendre

Programmes connexes

Obtenir de l'aide

Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.