Merge branch 'pt-PT-Translation' of https://github.com/Midas-sudo/Data-Science-For-Beginners into pt-PT-Translation

Author: Midas

1-Introduction/01-defining-data-science/README.md

@@ -147,7 +147,7 @@ In this challenge, we will try to find concepts relevant to the field of Data Sc
 
 ![Word Cloud for Data Science](images/ds_wordcloud.png)
 
-Visit [`notebook.ipynb`](notebook.ipynb) to read through the code.  You can also run the code, and see how it performs all data transformations in real time. 
+Visit [`notebook.ipynb`](/1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') to read through the code.  You can also run the code, and see how it performs all data transformations in real time. 
 
 > If you do not know how to run code in a Jupyter Notebook, have a look at [this article](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
 

1-Introduction/01-defining-data-science/notebook.ipynb

@@ -70,7 +70,7 @@
     "\r\n",
     "The next step is to convert the data into the form suitable for processing. In our case, we have downloaded HTML source code from the page, and we need to convert it into plain text.\r\n",
     "\r\n",
-    "There are many ways this can be done. We will use the simplest build-in [HTMLParser](https://docs.python.org/3/library/html.parser.html) object from Python. We need to subclass the `HTMLParser` class and define the code that will collect all text inside HTML tags, except `<script>` and `<style>` tags."
+    "There are many ways this can be done. We will use the simplest built-in [HTMLParser](https://docs.python.org/3/library/html.parser.html) object from Python. We need to subclass the `HTMLParser` class and define the code that will collect all text inside HTML tags, except `<script>` and `<style>` tags."
    ],
    "metadata": {}
   },
@@ -115,7 +115,7 @@
    "source": [
     "## Step 3: Getting Insights\r\n",
     "\r\n",
-    "The most important step is to turn our data into some for from which we can draw insights. In our case, we want to extract keywords from the text, and see which keywords are more meaningful.\r\n",
+    "The most important step is to turn our data into some form from which we can draw insights. In our case, we want to extract keywords from the text, and see which keywords are more meaningful.\r\n",
     "\r\n",
     "We will use Python library called [RAKE](https://github.com/aneesha/RAKE) for keyword extraction. First, let's install this library in case it is not present: "
    ],
@@ -416,4 +416,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 2
-}
+}

1-Introduction/01-defining-data-science/translations/README.es.md

@@ -45,7 +45,7 @@ Já que dados são um conceito difundido, a ciência de dados em si também é u
 <dl>
 <dt>Banco de Dados</dt>
 <dd>
-A coisa mais óbvia a considerar é **como armazenar** os dados, ex. como estruturá-los de uma forma que permite um processamento rápido. Existem diferentes tipos de banco de dados que armazenam dados estruturados e não estruturados, que <a href="../../2-Working-With-Data/README.md">nós vamos considerar nesse curso</a>.
+A coisa mais óbvia a considerar é **como armazenar** os dados, ex. como estruturá-los de uma forma que permite um processamento rápido. Existem diferentes tipos de banco de dados que armazenam dados estruturados e não estruturados, que <a href="../../../2-Working-With-Data/README.md">nós vamos considerar nesse curso</a>.
 </dd>
 <dt>Big Data</dt>
 <dd>
@@ -61,7 +61,7 @@ Como aprendizado de máquina, inteligência artificial também se baseia em dado
 </dd>
 <dt>Visualização</dt>
 <dd>
-Vastas quantidades de dados são incompreensíveis para o ser humano, mas uma vez que criamos visualizações úteis - nós podemos começar a dar muito mais sentido aos dados, e desenhar algumas conclusões. Portanto, é importante conhecer várias formas de visualizar informação - algo que vamos cobrir na <a href="../../3-Data-Visualization/README.md">Seção 3</a> do nosso curso. Áreas relacionadas também incluem **Infográficos**, e **Interação Humano-Computador** no geral.
+Vastas quantidades de dados são incompreensíveis para o ser humano, mas uma vez que criamos visualizações úteis - nós podemos começar a dar muito mais sentido aos dados, e desenhar algumas conclusões. Portanto, é importante conhecer várias formas de visualizar informação - algo que vamos cobrir na <a href="../../../3-Data-Visualization/README.md">Seção 3</a> do nosso curso. Áreas relacionadas também incluem **Infográficos**, e **Interação Humano-Computador** no geral.
 </dd>
 </dl>
 

1-Introduction/01-defining-data-science/translations/README.ko.md

@@ -0,0 +1,32 @@
+# Tarea: Escenarios de la ciencia de datos
+
+En esta primera tarea, os pedimos pensar sobre algún problema o proceso de la vida real en distintos contextos, y como se podrían solucionar o mejorar utilizando procesos de ciencia de datos. Piensa en lo siguiente:
+
+1. ¿Qué datos puedes obtener?
+1. ¿Cómo los obtendrías?
+1. ¿Cómo los almacenarías? ¿Qué tamaño es podemos esperar que tengan los datos?
+1. ¿Qué información podrías ser capaz de extraer de estos datos? ¿qué decisiones podríamos tomar basándonos en ellos?
+
+Intenta pensar en 3 diferentes problemas/procesos y describe cada uno de los puntos de arriba para el contexto de cada problema.
+
+Estos son algunos problemas o contextos que pueden ayudarte a empezar a pensar:
+
+1. ¿Cómo se pueden usar los datos para mejorar el proceso de educación de niños en los colegios?
+1. ¿Cómo podemos usar los datos para controlar la vacunación durante la pandemia?
+1. ¿Cómo se pueden usar los datos para asegurarnos de que somos productivos en nuestro trabajo?
+
+## Instrucciones
+
+Rellena la siguiente table (sustituye los problemas sugeridos por los propuestos por tí si es necesario):
+
+| Contexto del problema | Problema | Qué datos obtener | Cómo almacenar los datos | Qué información/decisiones podemos tomar | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| Educación | | | | |
+| Vacunación | | | | |
+| Productividad | | | | |
+
+## Rúbrica
+
+Ejemplar | Adecuada | Necesita mejorar
+--- | --- | -- |
+Es capaz de indentificar fuentes de datos razonables, formas de almacenarlos y posibles decisiones/información para todos los contextos | Algunos aspectos de la solución no están detallados, no se habla sobre el almacenamiento de los datos, al menos se describen dos contextos distintos | Solo se describen partes de la solución, solo se considera un contexto.

1-Introduction/01-defining-data-science/translations/README.nl.md

@@ -0,0 +1,31 @@
+# 과제: 데이터 사이언스 시나리오
+
+이 첫 번째 과제에서는 실제 프로세스 또는 여러 문제 영역의 문제에 대해 생각하고 데이터 사이언스 프로세스를 사용하여 이를 개선할 수 있는 방법에 대해 생각해 보도록 요청합니다. 다음에 대해 생각해 보십시오.
+
+1. 어떤 데이터를 수집할 수 있습니까?
+1. 어떻게 모을 것인가?
+1. 데이터를 어떻게 저장하시겠습니까? 데이터가 얼마나 클 것 같습니까?
+1. 이 데이터에서 얻을 수 있는 통찰력은 무엇입니까? 데이터를 기반으로 어떤 결정을 내릴 수 있습니까?
+
+3가지 다른 문제/프로세스에 대해 생각하고 각 문제 영역에 대해 위의 각 요점을 설명하십시오.
+
+다음은 생각을 시작할 수 있는 몇 가지 문제 영역과 문제입니다.
+
+1. 학교에서 아이들의 교육 과정을 개선하기 위해 데이터를 어떻게 사용할 수 있습니까?
+1. 대유행 기간 동안 예방 접종을 통제하기 위해 데이터를 어떻게 사용할 수 있습니까?
+1. 직장에서 생산성을 유지하기 위해 데이터를 어떻게 사용할 수 있습니까?
+## 지침
+
+다음 표를 채우십시오(필요한 경우 제안된 문제 도메인을 자신의 도메인으로 대체).
+
+| 문제 도메인 | 문제 | 수집할 데이터 | 데이터를 저장하는 방법 | 우리가 내릴 수 있는 통찰력/결정| 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| 교육 | | | | |
+| 예방 접종 | | | | |
+| 생산성 | | | | |
+
+## 기준표
+
+모범 | 충분 | 개선 필요
+--- | --- | -- |
+합리적인 데이터 소스, 데이터 저장 방법 및 모든 도메인 영역에 대한 가능한 결정/통찰력을 식별할 수 있습니다. | 솔루션의 일부 측면이 상세하지 않고, 데이터 저장이 논의되지 않고, 적어도 2개의 문제 영역이 설명되어 있습니다. | 데이터 솔루션의 일부만 설명되고 하나의 문제 영역만 고려됩니다.