Data Science for Beginners 课程使用指南：20 课数据科学学习路径的完整实操手册

本文是基于开源课程仓库 Data-Science-For-Beginners 官方使用指南（USAGE.md）整理而成的实战手册，面向自学开发者、教师与学习小组，系统讲解课程结构、Jupyter Notebook 操作、测验应用启动、四大学习工作流、10 周授课排期以及离线部署方案。读完本文，你将掌握这套"10 周、20 课"数据科学课程从环境搭建到逐课推进、再到本地离线使用的完整方法，并能直接套用文中命令与模板开始学习或开课。

课程的灵活使用方式

课程设计为高度灵活的开放教育资源，官方使用指南明确列出四种典型使用场景，可单独或组合采用：

• 自定进度学习（Self-paced learning）：按自己的节奏独立完成全部课程，适合在职开发者与在校学生；
• 课堂授课（Classroom instruction）：作为带引导的结构化课程，配合 10 周排期表进行系统教学；
• 学习小组（Study groups）：与同伴协作学习，互相讲解、互相评审作业与项目；
• 工作坊形式（Workshop format）：面向短期集中学习，挑选特定章节（如数据可视化部分）做高强度实战训练。

无论采用哪种方式，课程仓库根目录下的 README.md 都提供了 20 课的整体路线图与模块划分，for-teachers.md 则为教学场景提供了更细致的引导说明。

单课结构与标准学习工作流

每节课的七段式结构

为最大化学习收益，仓库中的每节课都遵循一致的结构（可参照任意课程的 README 验证，例如 01-defining-data-science/README.md）：

1. 课前测验（Pre-lesson Quiz）：检验已有知识，帮助定位起点；
2. 视觉笔记（Sketchnote，可选）：关键概念的图形化总结，全仓库的速记图集中存放在 sketchnotes/ 目录；
3. 视频（可选）：补充视频讲解内容；
4. 书面课程（Written Lesson）：核心概念与文字讲解，即各课程的 README 正文；
5. Jupyter Notebook：动手编码练习，位于课程目录下的 notebook.ipynb；
6. 作业（Assignment）：课程目录下 assignment.md 给出的实战任务；
7. 课后测验（Post-lesson Quiz）：巩固理解、检验学习效果。

一节课程的完整命令行工作流

官方指南给出了逐节推进的标准命令序列：

# 1. 进入课程目录
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（如果该课提供了 notebook）
jupyter notebook

# 5. 完成 notebook 中的练习

# 6. 完成 assignment.md 中的作业

# 7. 完成课后测验

课程目录中统一存放了 README（讲解）、assignment.md（作业）与 notebook.ipynb（练习），其中若干课程还提供 solution/ 参考实现（如 04-stats-and-probability/solution/、09-visualization-quantities/solution/），可供完成后对照。

Jupyter Notebook 实操指南

启动 Jupyter

在完成 INSTALLATION.md 的环境配置后，按以下方式启动：

# 激活虚拟环境
source venv/bin/activate   # macOS/Linux
# 或 Windows:
venv\Scripts\activate

# 在仓库根目录启动 Jupyter
jupyter notebook

单元格执行与内核操作

• 执行单个单元格：按 Shift + Enter，或点击工具栏 "Run" 按钮；
• 全部执行：菜单栏选择 "Cell" → "Run All"；
• 重启内核：遇到问题（如内存占用、变量状态异常）时选择 "Kernel" → "Restart"。

结合仓库真实数据集的数据探索示例

官方指南以 data/sample.csv 为例演示加载流程；在真实仓库中，可直接使用根目录 data/ 下已内置的数据集，例如鸟类观测数据 birds.csv、蘑菇数据集 mushrooms.csv、出租车数据 taxi.csv、糖尿病数据 diabetes.tsv 等，它们分别被 07-python、08-data-preparation、09-visualization-quantities 等课程引用。示例代码如下：

# 导入所需库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 加载数据集（例如课程内置的鸟类数据）
df = pd.read_csv('data/birds.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()

保存进度

Jupyter 会周期性自动保存；也可手动按 Ctrl + S（macOS 为 Cmd + S）保存。所有进度都持久化在对应课程的 .ipynb 文件中，重启后仍可继续。

使用测验应用（quiz-app）

本地启动

测验应用是位于仓库 quiz-app/ 下的 Vue.js 项目。查看 quiz-app/package.json 可知，npm run serve 实际调用 vue-cli-service serve 启动开发服务器：

# 进入测验应用目录
cd quiz-app

# 启动开发服务器
npm run serve

# 浏览器访问
# http://localhost:8080

若 8080 端口被占用，开发服务器会自动切换其他端口，并会在终端输出实际地址。

测验机制与编号规则

• 课前测验链接位于每节课 README 顶部，课后测验位于底部；
• 每个测验包含 3 个问题，设计目的是强化学习而非全面考核；
• 测验按 0-39 编号，共 40 个测验；每节课通常包含一个课前与一个课后测验，测验 URL 中携带编号，例如 https://ff-quizzes.netlify.app/en/ds/quiz/0。

从源码侧可以验证这一规则：quiz-app/src/assets/translations/en/group-1.json 中 id 为 0 的测验标题是 "Defining Data Science - Pre Quiz"（课前），id 为 1 的是 "Defining Data Science: Post-Quiz"（课后），每个测验恰好包含 3 个带 answerOptions 的选择题；翻译文件按 group 拆分并经 quiz-app/src/assets/translations/en/index.js 汇总，支持英语、法语、西班牙语等多语言（对应 quiz-app/src/assets/translations/ 下的子目录）。测验前端组件与路由分别位于 quiz-app/src/components/Quiz.vue 与 quiz-app/src/router/index.js，本地部署的 SPA 回退规则定义在 quiz-app/public/routes.json。

四大常见学习工作流

工作流一：完整初学者路径

按顺序通学全部 20 课，适合零基础入门：

# 1. 按 INSTALLATION.md 完成环境配置

# 2. 从第 1 课开始
cd 1-Introduction/01-defining-data-science

# 3. 每节课依次：课前测验 → 阅读课程 → 完成 notebook → 完成作业 → 课后测验

# 4. 按 01 → 20 顺序推进全部课程

工作流二：主题定向学习

按模块聚焦某一领域，例如数据可视化（第 9-13 课）：

# 进入数据可视化模块
cd 3-Data-Visualization

# 依次学习：
# - Lesson 9: 数量可视化（Visualizing Quantities）
# - Lesson 10: 分布可视化（Visualizing Distributions）
# - Lesson 11: 比例可视化（Visualizing Proportions）
# - Lesson 12: 关系可视化（Visualizing Relationships）
# - Lesson 13: 有意义的数据可视化（Meaningful Visualizations）

其他可选的模块入口包括：1-Introduction（第 1-4 课，数据科学定义与概率统计基础）、2-Working-With-Data（第 5-8 课，关系/非关系数据库、Python 与数据准备）、4-Data-Science-Lifecycle（第 14-16 课，数据科学生命周期）、5-Data-Science-In-Cloud（第 17-19 课，云端数据科学）。

工作流三：项目驱动学习

以完整项目为主线串联知识：

# 1. 先学习数据科学生命周期（第 14-16 课）
cd 4-Data-Science-Lifecycle

# 2. 再研读第 20 课的真实世界案例
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# 3. 将所学概念迁移到自己的项目

第 20 课 20-Real-World-Examples 展示了数据科学在人文学科、可持续发展、科研与现实世界中的多种应用形态，是项目式学习的理想范本。

工作流四：云端数据科学

聚焦云计算环境下的数据科学实践（第 17-19 课）：

# 学习云端数据科学（第 17-19 课）
cd 5-Data-Science-In-Cloud

# 17: 云端数据科学导论
# 18: 低代码机器学习工具
# 19: Azure Machine Learning Studio

其中第 19 课还提供了云端 notebook 参考实现 19-Azure/solution/，可直接对照练习。

自学者技巧

保持条理

建立个人学习日志，逐课沉淀笔记：

# 创建学习日志目录
mkdir my-learning-journal

# 为每节课建立笔记文件
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

规律练习

• 每天或每周预留固定学习时间；
• 每周至少完成一节课；
• 定期回顾前面的课程，避免遗忘。

把知识用到自己的项目

学完课程后，用个人数据集做综合练习，把各课技术串联起来：

import pandas as pd

# 加载自己的数据
my_data = pd.read_csv('my-project/data.csv')

# 应用学到的技术：
# - 数据清洗（第 8 课 Data Preparation）
# - 探索性数据分析（第 7 课 Python）
# - 数据可视化（第 9-13 课）
# - 数据分析（第 15 课 Analyzing）

教师技巧与 10 周排课方案

课堂环境搭建

1. 详细教学指引参见 for-teachers.md；
2. 搭建共享环境（如 GitHub Classroom 或 Codespaces 式云端开发环境）；
3. 建立沟通渠道（Discord、Slack 或 Teams）。

建议的 10 周课表

官方指南给出了直接可用的排期方案，与仓库六大模块一一对应：

周次	内容	课程
第 1-2 周	数据科学导论	第 1-4 课
第 3-4 周	处理数据	第 5-8 课
第 5-6 周	数据可视化	第 9-13 课
第 7-8 周	数据科学生命周期	第 14-16 课
第 9 周	云端数据科学	第 17-19 课
第 10 周	真实世界应用与结业项目	第 20 课

模块边界可通过 docs/_sidebar.md 中的侧边栏导航直接对应：Introduction、Working With Data、Data Visualization、Data Science Lifecycle、Data Science in the Cloud、Data Science in the Wild。

用 Docsify 实现课堂离线访问

# 在仓库根目录本地托管文档（供课堂使用）
docsify serve

# 学生访问 http://localhost:3000
# 完成初始配置后无需联网

仓库根目录的 index.html 是 Docsify 的入口配置：它通过 window.$docsify 设置了 name: 'Data Science for Beginners' 与 relativePath: true（启用相对路径解析，保证多语言目录下的链接正确），并加载 docsify-themeable 主题；docs/_sidebar.md 定义了左侧导航，将全部 20 课组织为六大模块。

作业评分与自定义作业模板

评分建议：检查学生 notebook 中练习的完成度；参考测验得分判断理解程度；用数据科学生命周期原则评估结业项目。

自定义作业模板（官方指南提供，可直接套用）：

"""
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
"""

离线环境工作

下载资源

# 克隆完整仓库（包含全部课程与数据）
git clone https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

# 数据集大多已内置在仓库的 data/ 目录中，可提前准备好

本地运行文档与测验

# 用 Docsify 本地托管文档
docsify serve        # 访问 http://localhost:3000

# 本地运行测验应用
cd quiz-app
npm run serve        # 访问 http://localhost:8080

多语言翻译内容

课程翻译覆盖 40 余种语言，统一存放在 translations/ 目录，每种语言与英文原版保持完全一致的目录结构：

# 访问翻译课程
cd translations/fr   # 法语
cd translations/es   # 西班牙语
cd translations/de   # 德语
# ... 以及更多语言（ar、bn、zh-CN、ja、ko 等）

此外，translated_images/ 目录还按语言存放了翻译后的课程配图与速记图，供多语言学习者使用。

排障与进一步帮助

• 常见问题优先查阅仓库根目录的 TROUBLESHOOTING.md；
• 环境搭建细节见 INSTALLATION.md，其中包含 Git 安装、Python/Jupyter 安装、虚拟环境创建、pip install jupyter pandas numpy matplotlib seaborn scikit-learn 依赖安装、Node.js/npm 与 Docsify 安装、以及验证安装是否成功的完整步骤；
• 想参与贡献或报告问题时，阅读 CONTRIBUTING.md；
• 需要更系统的教学组织方法时，参考 for-teachers.md。

---

使用须知：本仓库的孟加拉语等翻译版使用说明（如 translations/bn/USAGE.md）由 AI 翻译服务生成，内容与英文原版 USAGE.md 一致；如遇翻译歧义，应以英文原版为准。