Data Science for Beginners 使用指南：20 课学习路径、Jupyter 工作流与本地测验应用实操

Data Science for Beginners 使用指南20 课学习路径、Jupyter 工作流与本地测验应用实操【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners《Data Science for Beginners》是一门“10 周、20 课、面向所有人”的开源数据科学课程。本篇使用指南围绕课程的使用手册 USAGE.md以爱沙尼亚语译本 translations/et/USAGE.md 为蓝本与英文原版内容一致展开讲清课程的四种使用方式、每一课固定的七步学习结构、Jupyter Notebook 的启动与运行方式、测验应用quiz-app的本地开发流程以及面向自学者和教师的完整工作流帮助读者把这套仓库真正跑起来并纳入自己的学习计划或课堂教学。课程的四种使用方式课程在设计上刻意保持灵活同一套内容可以支撑四种典型使用场景自学Self-paced learning按照自己的节奏独立推进各课内容课堂教学Classroom instruction作为有引导的结构化课程使用学习小组Study groups与同伴协作学习工作坊Workshop高强度、短周期的集中学习。无论采用哪种方式底层目录结构都相同课程按 6 大模块1-Introduction 至 6-Data-Science-In-Wild组织 20 个课时每个课时一个独立目录。教师在 for-teachers.md 中可以找到按模块划分的完整课程清单如第 1 部分 Introduction 包含“定义数据科学、伦理、定义数据、概率与统计概述”4 课。每一课的统一结构七步学习法为了最大化学习效果仓库中的每一课都遵循一致的七步结构以第一课 1-Introduction/01-defining-data-science/README.md 为例可以逐一对应课前测验Pre-lesson Quiz检验已有知识手绘草图Sketchnote可选核心概念的可视化总结全部草图位于 sketchnotes/ 目录视频可选补充视频内容书面课程Written Lesson核心概念与讲解即每课目录下的README.mdJupyter Notebook动手编码练习即notebook.ipynb作业Assignment巩固所学即assignment.md或assignment.ipynb课后测验Post-lesson Quiz强化理解。单课标准工作流下面是一段可直接照做的命令示例来自使用手册原文# 1. 进入课时目录 cd 1-Introduction/01-defining-data-science # 2. 阅读 README.md在浏览器或编辑器中打开 # 3. 完成课前测验点击 README 中的测验链接 # 4. 打开 Jupyter notebook如果该课提供 jupyter notebook # 5. 完成 notebook 中的练习 # 6. 完成作业 # 7. 完成课后测验需要注意的是并非每一课都有 notebook例如 2-Working-With-Data/05-relational-databases/ 提供的是 SQLite 数据库文件airports.db供 SQL 练习而 1-Introduction/02-ethics/ 则只有书面材料与作业。开始前先查看课时目录内容即可。Jupyter Notebook 工作流启动 Jupyter环境准备创建虚拟环境、安装依赖请参考 INSTALLATION.md其中给出的关键命令为python -m venv venv创建虚拟环境随后pip install jupyter pandas numpy matplotlib seaborn scikit-learn安装数据科学库。启动时的标准流程是# 激活虚拟环境 source venv/bin/activate # macOS/Linux # 或者 venv\Scripts\activate # Windows # 在仓库根目录启动 Jupyter jupyter notebook运行与保存单元格执行单元格按Shift Enter或点击 Run 按钮全部执行菜单 Cell → Run All重置内核遇到问题时选择 Kernel → Restart。保存方面Jupyter 会周期自动保存手动保存按Ctrl SmacOS 为Cmd S所有进度都落在.ipynb文件中——这也是教师批改时直接查看学生 notebook 的基础。在 Notebook 中处理数据的标准范式使用手册给出的探索性数据分析EDA模板如下# 导入所需库 import pandas as pd import numpy as np import matplotlib.pyplot as plt # 加载数据集 df pd.read_csv(data/sample.csv) # 探索数据 df.head() df.info() df.describe() # 创建可视化 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()结合本仓库可以落地得更具体data/目录自带多个真实数据集如data/birds.csv、data/honey.csv、data/taxi.csv以及data/COVID/下的三张新冠疫情时间序列 CSV把data/sample.csv换成../data/birds.csv假设 notebook 在课时目录下运行即可直接练习。仓库根目录的 examples/ 还提供了 5 个由浅入深的独立 Python 示例脚本01_hello_world_data_science.py至05_real_world_example.py可作为不依赖 Jupyter 的替代练习。本地运行测验应用quiz-app启动开发服务器# 进入测验应用目录 cd quiz-app # 安装依赖首次运行前 npm install # 启动开发服务器 npm run serve # 在 http://localhost:8080 访问从 quiz-app/package.json 可以确认serve脚本对应vue-cli-service serve该应用基于 Vue 2 vue-router vue-i18n 构建build与lint脚本同样基于 vue/cli-service。路由与测验编号机制从源码 quiz-app/src/router/index.js 可以看到应用只有三条路由首页/、测验页/quiz/:id以及兜底的 404 页面。也就是说每个测验由 URL 中的数字 ID 定位。部署侧的 quiz-app/public/routes.json 则把所有路径/*回退到index.html保证 history 模式下前端路由刷新不 404。测验的使用规则课前测验链接在每课README.md的开头如第一课标题下的 Pre-lecture quiz 小节课后测验链接在每课结尾每份测验包含 3 道题测验的定位是“强化学习”而不是全面考核。编号体系方面全套共 40 份测验编号 0–39通常每课对应一组课前/课后测验测验 URL 路径中包含测验编号形如/en/ds/quiz/0。for-teachers.md 也印证了这套体系“20 lessons, 40 quizzes, and 20 assignments”。四条典型学习工作流工作流 1完整新手路径顺序学完 20 课# 1. 按 INSTALLATION.md 完成环境搭建 # 2. 从第 1 课开始 cd 1-Introduction/01-defining-data-science # 3. 对每一课重复 # - 做课前测验 # - 阅读课程内容 # - 走完 notebook # - 完成作业 # - 做课后测验 # 4. 依次推进全部 20 课工作流 2主题式学习如果只关心某个方向可以跳过前置模块直接切入对应目录。以数据可视化为例# 聚焦数据可视化 cd 3-Data-Visualization # 探索第 9-13 课 # - 第 9 课数量可视化Visualizing Quantities # - 第 10 课分布可视化Visualizing Distributions # - 第 11 课比例可视化Visualizing Proportions # - 第 12 课关系可视化Visualizing Relationships # - 第 13 课有意义的可视化Meaningful Visualizations这 5 课均配有notebook.ipynb且各自带solution/参考解答适合作为独立专项训练。工作流 3项目式学习# 1. 复习数据科学生命周期第 14-16 课 cd 4-Data-Science-Lifecycle # 2. 走一遍真实世界案例第 20 课 cd ../6-Data-Science-In-Wild/20-Real-World-Examples # 3. 把概念应用到自己的项目工作流 4云数据科学# 学习云数据科学第 17-19 课 cd 5-Data-Science-In-Cloud # 第 17 课云数据科学入门 # 第 18 课低代码机器学习工具 # 第 19 课Azure Machine Learning Studio自学者建议保持条理# 建立学习日志 mkdir my-learning-journal # 为每课创建笔记 echo # Lesson 1 Notes my-learning-journal/lesson-01-notes.md规律练习每天或每周固定时间投入学习每周至少完成一课定期回顾之前的课程。参与社区课程维护方提供了 Discord 社区课程 README 中给出入口其中 #Data-Science-for-Beginners 频道用于课程讨论建议分享自己的进度、公开提问。建立自己的项目学完课程后把学到的技术栈用在自己数据上# 示例分析自己的数据集 import pandas as pd # 加载自己的数据 my_data pd.read_csv(my-project/data.csv) # 应用所学技术 # - 数据清洗第 8 课 # - 探索性数据分析第 7 课 # - 可视化第 9-13 课 # - 分析第 15 课教师指南课堂准备先读 for-teachers.md 获取详细指引含 GitHub Classroom 搭建思路、在线/私有两种授课模式搭建共享环境GitHub Classroom 或 Codespaces建立沟通渠道Discord、Slack 或 Teams。for-teachers.md 还指出一个关键细节若使用 GitHub Classroom需要 fork 仓库并把每个课时文件夹拆成独立 repoGitHub Classroom 才能逐课识别。推荐的 10 周排课计划第 1-2 周Introduction第 1-4 课第 3-4 周Working with Data第 5-8 课第 5-6 周Data Visualization第 9-13 课第 7-8 周Data Science Lifecycle第 14-16 课第 9 周Data Science in the Cloud第 17-19 课第 10 周真实世界应用与期末项目第 20 课离线 Docsify 文档服务# 在仓库根目录本地发布文档供课堂使用 docsify serve # 学生在 localhost:3000 访问 # 初始配置完成后无需互联网这与 for-teachers.md 中“该课程可以作为一个离线友好的独立网站运行docsify serve后在localhost:3000访问”的说明一致。另外根目录 package.json 的convert脚本node_modules/.bin/docsify-to-pdf配合 docsifytopdf.js可以把整套文档进一步导出为 PDF。作业批改检查学生 notebook 中练习是否完成通过测验成绩检验理解程度按数据科学生命周期原则评估期末项目。作业模板使用手册给出了一份可直接套用的自定义作业模板Assignment: [主题] Objective: [学习目标] Dataset: [提供数据集或让学生自己找] Tasks: 1. 加载并探索数据集 2. 清洗并准备数据 3. 创建至少 3 张可视化 4. 执行分析 5. 沟通展示发现 Deliverables: - 包含代码与解释的 Jupyter notebook - 发现的书面总结离线使用下载资源git clone克隆整个仓库即可多数数据集已包含在仓库的data/目录中无需额外下载本地运行文档docsify serve后访问localhost:3000本地运行测验应用cd quiz-app npm run serve端口 8080。三样就绪后教学与练习流程即可完全脱离公网运行测验应用首次npm install需要联网。多语言译本体系以爱沙尼亚语版为例本手册的译本 translations/et/USAGE.md 是理解译本体系的入口它完整保留了英文版的章节骨架课程使用方式、课时结构、Jupyter 操作、测验应用、四条工作流、自学者/教师建议、离线方案等仅表格中的目录链接从英文版内的页内锚点改为指向仓库根目录。从仓库结构看translations/目录当前包含 55 个语言目录ar、bg、cs、de、en、es、fr、ja、zh-CN等每个语言目录均含 95 个文件70 个 Markdown 25 个 Jupyter Notebook与英文版保持相同的目录结构# 访问某个语言的课时内容 cd translations/fr # 法语 cd translations/es # 西班牙语 cd translations/de # 德语 # ……以及更多语言每个译本都与英文版结构一一对应例如 translations/et/1-Introduction/ 同样包含01-defining-data-science/README.md等课时文件。需要说明的是译本末尾的声明译内容由 AI 翻译服务生成可能存在误差英文原版为权威来源。获取帮助常见问题排查TROUBLESHOOTING.md贡献与问题反馈流程CONTRIBUTING.md环境安装问题回到 INSTALLATION.md 的“Verify Your Installation”小节逐项自检Jupyter 能否启动、quiz-app 是否可访问、docsify 文档是否在 3000 端口响应。这套“文档 Notebook 测验 数据集”一体化的仓库布局使得从第一次jupyter notebook到第 20 课的期末项目所有材料都可以在本地闭环完成。【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考