उदाहरणांच्या या संचात आपले स्वागत आहे! ही सोपी, व्यवस्थित टिपण्या असलेली उदाहरणे डेटा सायन्स शिकण्यास सुरुवात करण्यासाठी डिझाइन केली आहेत, अगदी तुम्ही पूर्णपणे नवशिके असलात तरीही.
प्रत्येक उदाहरण स्वतंत्र आहे आणि त्यामध्ये समाविष्ट आहे:
- स्पष्ट टिपण्या ज्या प्रत्येक टप्प्याचे स्पष्टीकरण देतात
- सोपे, वाचनीय कोड जो एका वेळी एकच संकल्पना दाखवतो
- वास्तविक जीवनातील संदर्भ जेणेकरून तुम्हाला या तंत्रांचा उपयोग कधी आणि का करायचा हे समजेल
- अपेक्षित आउटपुट जेणेकरून तुम्हाला काय शोधायचे आहे हे समजेल
ही उदाहरणे चालवण्यापूर्वी, खात्री करा की तुमच्याकडे:
- Python 3.7 किंवा त्यापेक्षा उच्च आवृत्ती स्थापित आहे
- Python स्क्रिप्ट कशा चालवायच्या याची मूलभूत समज आहे
pip install pandas numpy matplotlibफाईल: 01_hello_world_data_science.py
तुमचा पहिला डेटा सायन्स प्रोग्राम! शिकाल:
- साधा डेटासेट लोड करणे
- तुमच्या डेटाबद्दल मूलभूत माहिती दाखवणे
- तुमचा पहिला डेटा सायन्स आउटपुट प्रिंट करणे
अगदी नवशिक्यांसाठी योग्य, जे त्यांचा पहिला डेटा सायन्स प्रोग्राम अॅक्शनमध्ये पाहू इच्छितात.
फाईल: 02_loading_data.py
डेटासोबत काम करण्याच्या मूलभूत गोष्टी शिकून घ्या:
- CSV फाईल्समधून डेटा वाचणे
- तुमच्या डेटासेटच्या पहिल्या काही ओळी पाहणे
- तुमच्या डेटाबद्दल मूलभूत आकडेवारी मिळवणे
- डेटा प्रकार समजून घेणे
हे कोणत्याही डेटा सायन्स प्रोजेक्टमधील पहिल्या टप्प्यांपैकी एक आहे!
फाईल: 03_simple_analysis.py
तुमचे पहिले डेटा विश्लेषण करा:
- मूलभूत आकडेवारी (मीन, मीडियन, मोड) काढा
- जास्तीत जास्त आणि किमान मूल्ये शोधा
- मूल्यांची वारंवारता मोजा
- अटींवर आधारित डेटा फिल्टर करा
तुमच्या डेटाबद्दल साधे प्रश्न कसे सोडवायचे ते पाहा.
फाईल: 04_basic_visualization.py
तुमचे पहिले व्हिज्युअलायझेशन तयार करा:
- साधा बार चार्ट तयार करा
- लाईन प्लॉट तयार करा
- पाई चार्ट तयार करा
- तुमची व्हिज्युअलायझेशन प्रतिमा म्हणून सेव्ह करा
तुमच्या निष्कर्षांचे व्हिज्युअल स्वरूपात संप्रेषण कसे करायचे ते शिका!
फाईल: 05_real_world_example.py
संपूर्ण उदाहरणासह सर्व गोष्टी एकत्र करा:
- रेपॉझिटरीमधून वास्तविक डेटा लोड करा
- डेटा स्वच्छ करा आणि तयार करा
- विश्लेषण करा
- अर्थपूर्ण व्हिज्युअलायझेशन तयार करा
- निष्कर्ष काढा
हे उदाहरण सुरुवातीपासून शेवटपर्यंत संपूर्ण वर्कफ्लो दाखवते.
-
सुरुवातीपासून सुरुवात करा: उदाहरणे अडचणीच्या क्रमाने क्रमांकित आहेत.
01_hello_world_data_science.pyपासून सुरुवात करा आणि पुढे जा. -
टिपण्या वाचा: प्रत्येक फाईलमध्ये कोड काय करतो आणि का करतो याचे तपशीलवार स्पष्टीकरण देणाऱ्या टिपण्या आहेत. त्या काळजीपूर्वक वाचा!
-
प्रयोग करा: कोड बदलून पाहा. एखादे मूल्य बदलल्यास काय होते? गोष्टी बिघडवा आणि दुरुस्त करा - अशा प्रकारे तुम्ही शिकता!
-
कोड चालवा: प्रत्येक उदाहरण चालवा आणि आउटपुट पाहा. ते तुम्ही अपेक्षित केलेल्या गोष्टींशी जुळते का ते तपासा.
-
त्यावर आधारित काम करा: एकदा उदाहरण समजले की, तुमच्या स्वतःच्या कल्पनांसह ते विस्तृत करण्याचा प्रयत्न करा.
- घाई करू नका: पुढे जाण्यापूर्वी प्रत्येक उदाहरण समजून घेण्यासाठी वेळ घ्या
- कोड स्वतः टाइप करा: फक्त कॉपी-पेस्ट करू नका. टाइपिंगमुळे तुम्हाला शिकायला आणि लक्षात ठेवायला मदत होते
- अपरिचित संकल्पना शोधा: काहीतरी समजले नाही तर, ते ऑनलाइन किंवा मुख्य धड्यांमध्ये शोधा
- प्रश्न विचारा: चर्चा मंच मध्ये सामील व्हा जर तुम्हाला मदतीची गरज असेल
- नियमित सराव करा: आठवड्यातून एकदा लांब सत्रांऐवजी दररोज थोडा कोड लिहिण्याचा प्रयत्न करा
ही उदाहरणे पूर्ण केल्यानंतर, तुम्ही तयार आहात:
- मुख्य अभ्यासक्रमातील धडे पूर्ण करण्यासाठी
- प्रत्येक धड्याच्या फोल्डरमधील असाइनमेंट्स करण्यासाठी
- अधिक सखोल शिक्षणासाठी Jupyter नोटबुक्स एक्सप्लोर करण्यासाठी
- तुमचे स्वतःचे डेटा सायन्स प्रोजेक्ट तयार करण्यासाठी
- मुख्य अभ्यासक्रम - संपूर्ण 20-धड्यांचा कोर्स
- शिक्षकांसाठी - हा अभ्यासक्रम तुमच्या वर्गात कसा वापरायचा
- Microsoft Learn - मोफत ऑनलाइन शिक्षण संसाधने
- Python दस्तऐवज - अधिकृत Python संदर्भ
काही बग सापडला किंवा नवीन उदाहरणासाठी कल्पना आहे? आम्ही योगदानांचे स्वागत करतो! कृपया आमचा योगदान मार्गदर्शक पहा.
शिकण्याचा आनंद घ्या! 🎉
लक्षात ठेवा: प्रत्येक तज्ञ कधीतरी नवशिकाच होता. एकावेळी एक पाऊल उचला आणि चुका करण्यास घाबरू नका - त्या शिकण्याच्या प्रक्रियेचा भाग आहेत!
अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.