សូមស្វាគមន៍មកកាន់ថតឯកសារឧទាហរណ៍! ការប្រមូលផ្តុំឧទាហរណ៍សាមញ្ញដែលមានការពន្យល់លម្អិតនេះត្រូវបានរចនាឡើងដើម្បីជួយអ្នកចាប់ផ្តើមជាមួយវិទ្យាសាស្ត្រទិន្នន័យ ទោះបីជាអ្នកជាអ្នកចាប់ផ្តើមសង្ខេបក៏ដោយ។
អៀហរណ៍នីមួយៗមានភាពឯករាជ្យ និងរួមបញ្ចូល៖
- កំណត់សម្គាល់ច្បាស់លាស់ ពន្យល់ជំហានរាល់ជំហាន
- កូដសាមញ្ញអាចអានបាន ដែលបង្ហាញមេរៀនមួយក្នុងពេលមួយ
- បរិបទពិតជាពិភពលោក ជួយអ្នកយល់ពីពេលណា និងហេតុអ្វីបានប្រើបច្ចេកទេសទាំងនេះ
- លទ្ធផលដែលរំពឹងទុក ដើម្បីឲ្យអ្នកដឹងត្រូវស្វែងរកអ្វី
មុនពេលរត់ឧទាហរណ៍ទាំងនេះ សូមប្រាកដថាអ្នកមាន៖
- Python 3.7 ឬខ្ពស់ជាងនេះបានដំឡើង
- ការយល់ដឹងមូលដ្ឋានពីរបៀបរត់ស្គ្រីប Python
pip install pandas numpy matplotlibឯកសារ៖ 01_hello_world_data_science.py
កម្មវិធីវិទ្យាសាស្ត្រទិន្នន័យដំបូងរបស់អ្នក! ស្វែងរៀនពីរបៀប៖
- ដោនឡើងបណ្ដុំទិន្នន័យសាមញ្ញ
- បង្ហាញព័ត៌មានមូលដ្ឋានអំពីទិន្នន័យរបស់អ្នក
- បោះពុម្ពលទ្ធផលវិទ្យាសាស្ត្រទិន្នន័យដំបូងរបស់អ្នក
ល្អឥតខ្ចោះសម្រាប់អ្នកចាប់ផ្តើមដែលចង់មើលកម្មវិធីវិទ្យាសាស្ត្រទិន្នន័យដំបូងរបស់ពួកគេក្នុងសកម្មភាព។
ឯកសារ៖ 02_loading_data.py
ស្វែងយល់មូលដ្ឋាននៃការងារជាមួយទិន្នន័យ៖
- អានទិន្នន័យពីឯកសារ CSV
- មើលជួរដំបូងៗនៃបណ្ដុំទិន្នន័យរបស់អ្នក
- ទទួលបានស្ថិតិមូលដ្ឋានអំពីទិន្នន័យរបស់អ្នក
- យល់ពីប្រភេទទិន្នន័យ
នេះជាជំហានដំបូងច្រើនជាងគេនៅក្នុងគម្រោងវិទ្យាសាស្ត្រទិន្នន័យ!
ឯកសារ៖ 03_simple_analysis.py
អនុវត្តវិភាគទិន្នន័យដំបូងរបស់អ្នក៖
- គណនាស្ថិតិមូលដ្ឋាន (មធ្យម, មេឌីយ៉ាន, ម៉ូដ)
- រកតម្លៃអតិបរមា និងអប្បបរមា
- រាប់ចំនួនករណីនៃតម្លៃ
- ផ្ទាត់ទិន្នន័យអាស្រ័យលើលក្ខខណ្ឌ
មើលពីរបៀបឆ្លើយសំណួរសាមញ្ញអំពីទិន្នន័យរបស់អ្នក។
ឯកសារ៖ 04_basic_visualization.py
បង្កើតការបង្ហាញផ្ទាំងដំបូងរបស់អ្នក៖
- បង្កើតក្រាហ្វបារែសាមញ្ញមួយ
- បង្កើតការបង្ហាញជារបារបន្ទាត់
- បង្កើតក្រាហ្វព្រី
- រក្សាទុកការបង្ហាញរបស់អ្នកជារូបភាព
រៀនបច្ចេកទេសផ្សព្វផ្សាយការស្វែងរករបស់អ្នកជាផ្ទាំង!
ឯកសារ៖ 05_real_world_example.py
ប្រមូលចំនុចទាំងអស់ជាមួយឧទាហរណ៍ពេញលេញ៖
- ដោនឡើងទិន្នន័យពិតពីឃ្លាំងទិន្នន័យ
- សម្អាត និងរៀបចំទិន្នន័យ
- អនុវត្តវិភាគ
- បង្កើតការបង្ហាញដ៏មានន័យ
- ស្ដាប់ចេញនូវសេចក្តីសន្និដ្ឋាន
ឧទាហរណ៍នេះបង្ហាញដំណើរការពេញលេញចាប់ពីការចាប់ផ្តើមដល់បញ្ចប់។
-
ចាប់ផ្តើមពីដំបូង៖ ឧទាហរណ៍ត្រូវបានលេខរៀបឡើងតាមកម្រិតភាពខុសប្លែក។ ចាប់ផ្តើមជាមួយ
01_hello_world_data_science.pyហើយបន្តទៅមុខ។ -
អានកំណត់សម្គាល់៖ ឯកសារនីមួយៗមានកំណត់សម្គាល់លម្អិតពន្យល់ពីអ្វីដែលកូដធ្វើ និងហេតុអ្វីបានធ្វើ។ សូមអានយ៉ាងយកចិត្តទុកដាក់!
-
សាកល្បង៖ ព្យាយាមកែប្រែកូដ។ មានអ្វីកើតឡើងប្រសិនបើអ្នកប្ដូរតម្លៃមួយ? បែកបាក់ ហើយជួសជុលវា - នោះជារបៀបដែលអ្នករៀន!
-
រត់កូដ៖ ប្រតិបត្តិឧទាហរណ៍នីមួយៗ ហើយសង្កេតលទ្ធផល។ ប្រៀបធៀបវាជាមួយអ្វីដែលអ្នករំពឹងទុក។
-
ពង្រីកវា៖ ពេលដែលអ្នកយល់ឧទាហរណ៍មួយ សាកល្បងពង្រីកវា ជាមួយគំនិតផ្ទាល់ខ្លួន។
- កុំរត់លឿន៖ ចំណាយពេលយល់ឧទាហរណ៍នីមួយៗ មុនពេលទៅកាន់វាជាថ្មី
- វាយកូដដោយខ្លួនឯង៖ កុំគ្រាន់តែចម្លងបិទបិទ។ ការវាយជួយអ្នករៀន និងចងចាំ
- ស្វែងរកមេរៀនដែលមិនស្គាល់៖ ប្រសិនបើអ្នកឃើញអ្វីមួយដែលមិនយល់ ស្វែងរកវាពីអ៊ិនធឺណែត ឬនៅក្នុងមេរៀនសំខាន់ៗ
- សួរពិភាក្សា៖ ចូលរួមក្នុង វេទិកាពិភាក្សា ប្រសិនបើអ្នកត្រូវការជំនួយ
- ហ្វឹកហ្វឺនជាប្រចាំ៖ ព្យាយាមកូដប្រហែលតិចៗរៀងរាល់ថ្ងៃ ជាជាងពេលវេលាធំធេងមួយភាគច្រេីនក្នុងមួយសប្តាហ៍
បន្ទាប់ពីបញ្ចប់ឧទាហរណ៍ទាំងនេះ អ្នករួចរាល់រាល់បញ្ហា៖
- ធ្វើតាមមេរៀនគ្រប់មេរៀន
- សាកល្បងការងារប្រលងនៅក្នុងថតមេរៀននីមួយៗ
- ស្វែងយល់កំណត់ត្រា Jupyter សម្រាប់ការសិក្សាដ៏ជ្រាលជ្រៅ
- បង្កើតគម្រោងវិទ្យាសាស្ត្រទិន្នន័យផ្ទាល់ខ្លួន
- មេរៀនសំខាន់ - វគ្គរៀនភាគ20ពេញលេញ
- សម្រាប់គ្រូ - ការប្រើវគ្គនេះក្នុងថ្នាក់រៀនរបស់អ្នក
- Microsoft Learn - ប្រភពសិក្សាអនឡាញឥតគិតថ្លៃ
- ឯកសារព័ត៌មាន Python - ឯកសារយោងផ្លូវការរបស់ Python
បានរកឃើញបញ្ហាឬមានគំនិតសម្រាប់ឧទាហរណ៍ថ្មី? យើងសូមស្វាគមន៍ការរួមចំណែក! សូមមើល មគ្គុទេសក៍រួមចំណែក របស់យើង។
សូមរីករាយរៀន! 🎉
ចូរចងចាំ៖ អ្នកជំនាញរាល់គ្នាបានធ្លាប់ជាអ្នកចាប់ផ្តើមមួយនៅពេលម៉ូដមុន។ ចាប់ផ្តើមជំហានមួយៗ ហើយកុំភ័យខ្លាចក្នុងការខកខាន - ពួកវាជាផ្នែកនៃដំណើរការរៀន!
ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែក្នុងការប្រើប្រាស់សេវាកម្មបកប្រែ AI Co-op Translator។ ទោះបីយើងខិតខំប្រឹងប្រែងដើម្បីបានភាពត្រឹមត្រូវ ក៏សូមយល់ថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាដើមគួរត្រូវបានពិចារណាជា ប្រភពមានអាទិភាព ។ សម្រាប់ព័ត៌មានសំខាន់ ផ្តល់អនុសាសន៍ឱ្យប្រើប្រាស់ការបកប្រែដោយមនុស្សជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយតិចតួចណាមួយដែលកើតចេញពីការប្រើប្រាស់ការបកប្រែនេះនោះទេ។