Data Science for Beginners：10 周 20 课开源数据科学课程的完整使用指南

Data Science for Beginners：10 周 20 课开源数据科学课程的完整使用指南

【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

本指南基于开源仓库 Data-Science-For-Beginners（对应保加利亚语版translations/bg/README.md）系统梳理这套"10 周、20 课"数据科学入门课程的整体结构、教学法、课程地图、环境搭建与学习工作流。读完本文，你将掌握如何安装环境、按顺序或按主题学习 20 个课程单元、运行 40 个随堂测验（quiz-app）、使用初学者示例代码（examples），以及通过 Docsify 离线阅读文档。

课程概览：为什么是 10 周 20 课

这套课程由微软 Azure 云布道师团队维护，采用**项目驱动（project-based）与高频测验（frequent quizzes）**两大教学法原则。每个课程单元都包含课前/课后测验、书面讲解、解决方案（solution）与作业（assignment），让学习者"边做边学（learn while building）"。

从仓库目录结构可以看到课程被划分为 6 个主题模块、共 20 个编号课程：

• 1-Introduction/：课程 01–04，数据科学定义、数据伦理、数据定义、统计与概率
• 2-Working-With-Data/：课程 05–08，关系型数据（SQL）、NoSQL、Python 数据处理、数据准备
• 3-Data-Visualization/：课程 09–13，Matplotlib 可视化（数量、分布、比例、关系、有意义可视化）
• 4-Data-Science-Lifecycle/：课程 14–16，数据科学生命周期（引入、分析、沟通）
• 5-Data-Science-In-Cloud/：课程 17–19，云端数据科学（云端入门、Low-Code 工具、Azure Machine Learning Studio）
• 6-Data-Science-In-Wild/：课程 20，真实世界数据科学项目

课程刻意让项目"从小到大"逐步增加复杂度，到 10 周结束时完成一套完整的数据科学能力训练。

教学法：项目驱动 + 课前课后测验

课程设计遵循两个明确的指导原则：

1. 项目驱动：学习者通过亲手构建项目来掌握技能，而不是只看理论。每个项目导向型课程都提供分步构建指南（step-by-step guides），并在课程的/solution目录中提供参考答案。
2. 高频测验：课前进行低压力测验（pre-lesson quiz）帮助学生建立学习意图，课后进行第二次测验（post-lesson quiz）强化记忆。

这种"测验包围"设计让整套课程足够灵活——既可以完整学习，也可以只选取部分章节；既适合自学，也适合课堂教学。

每个课程单元的标准结构

文档明确列出了每个课程单元包含的内容清单：

• 可选的 sketchnote（视觉笔记图）
• 可选的补充视频
• 课前热身测验（pre-lesson warmup quiz）
• 书面课程（written lesson）
• 项目型课程的逐步构建指南
• 知识检查（knowledge checks）
• 挑战（challenge）
• 补充阅读（supplemental reading）
• 作业（assignment）
• 课后测验（post-lesson quiz）

以仓库中的 课程 01 为例，目录下同时包含notebook.ipynb（互动式练习）、assignment.md（作业）与solution/（参考答案），课程 04 还提供assignment.ipynb供课后练习，solution/中存放带答案的 notebook。这种"README + notebook + assignment + solution"四件套结构贯穿大多数课程。

测验系统：40 个测验，每题 3 问

关于测验的说明：所有测验均位于 quiz-app 目录，共计40 个测验、每个测验 3 个问题。它们从课程内部链接引用，测验应用既可以在本地运行，也可以部署到 Azure，具体步骤见quiz-app目录中的说明。测验正在逐步进行本地化（多语言化）。

测验应用是标准的 Vue.js 前端项目，从 quiz-app/package.json 可以看到：

• 依赖 Vue 2（vue ^2.6.11）、Vue Router（vue-router ^3.4.9）、国际化插件（vue-i18n ^8.22.2）
• 提供三个 npm 脚本：
  • npm run serve：启动本地开发服务器（底层是vue-cli-service serve）
  • npm run build：构建生产版本（vue-cli-service build）
  • npm run lint：代码规范检查（vue-cli-service lint）

本地运行测验应用的命令：

# 进入测验应用目录 cd quiz-app # 安装依赖 npm install # 启动开发服务器 npm run serve

应用默认运行在http://localhost:8080（端口被占用时会自动切换到其他端口）。测验的题目资源位于quiz-app/src/assets/translations/目录下，每个语言目录内的 JSON 文件存放对应的测验题目数据。

初学者示例代码：examples 目录

对于完全零基础的学习者，课程专门准备了examples/目录，内含 5 个简单、注释详尽的 Python 示例，覆盖从"Hello World"到完整工作流的进阶路径：

以 01_hello_world_data_science.py 为例，它从 Python 列表构建students/scores两个简单数据集，用max()/min()/sum()/len()计算最高分、最低分与平均分，再通过index()定位最高分学生，最后用字典（key-value pairs）重新组织数据——每一步都配有详细的中文注释，是零基础入门的理想起点。

运行这些示例只需安装基础依赖：

pip install pandas numpy matplotlib

然后直接执行：

python examples/01_hello_world_data_science.py

课程的数据集统一存放在仓库根目录的data/目录中，包括 COVID 时间序列 CSV、birds.csv（课程 09–13 可视化课程使用的鸟类数据）、diabetes.tsv、honey.csv、mushrooms.csv、taxi.csv等，供各课程与示例代码直接读取。

20 课完整课程地图

文档给出了完整的课程对照表（主题、分组、学习目标、对应课程链接与作者），下表完整保留该信息：

环境搭建与快速开始

方式一：Sparse Checkout 克隆（推荐本地克隆）

仓库包含50+ 种语言的翻译，会显著增加下载体积。如果不需要翻译版本，文档推荐使用 sparse checkout 只拉取课程本体：

Bash / macOS / Linux：

git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners.git cd Data-Science-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD（Windows）：

git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners.git cd Data-Science-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

其中--filter=blob:none表示克隆时不下载文件内容（按需获取），--sparse配合--no-cone模式排除translations与translated_images两个大目录，即可获得完成课程所需的全部内容且下载更快。

方式二：本地完整安装

完整环境搭建步骤详见仓库的 INSTALLATION.md，核心链路如下：

1. 安装 Git：Windows/macOS/Linux 各有对应安装方式（Linux 下sudo apt-get install git、sudo dnf install git等）。
2. 安装 Python 3.7+与 Jupyter：

   python3 --version pip install jupyter

3. 创建虚拟环境（推荐，隔离依赖）：

   python -m venv venv # macOS/Linux source venv/bin/activate # Windows venv\Scripts\activate

4. 安装数据科学依赖库：

   pip install jupyter pandas numpy matplotlib seaborn scikit-learn

5. 安装 Node.js 与 npm（运行测验应用需要），然后进入quiz-app执行npm install。
6. 可选：安装 Docsify CLI（离线阅读文档）：npm install -g docsify-cli。

验证安装是否成功：激活虚拟环境后执行jupyter notebook，浏览器会打开 Jupyter 界面，即可导航到任意课程的.ipynb文件；在quiz-app目录执行npm run serve可验证测验应用。

方式三：GitHub Codespaces（云上环境）

如果你希望跳过本地配置，可以在 GitHub 页面点击Code下拉菜单 → 选择Open with Codespaces→ 点击面板底部的+ New codespace，等待 2–3 分钟环境初始化后即可获得预装好全部依赖的开发环境。

方式四：VS Code Remote – Containers

本地已有 Docker 的场景下，可以使用 VS Code 的 Remote - Containers 扩展：

1. 首次使用需确保系统满足前提条件（如已安装 Docker）。
2. 两种打开方式：
   • 在隔离的 Docker 卷中打开：使用Remote-Containers: Clone Repository in Container Volume...命令，将源码克隆进 Docker 卷（卷是容器数据持久化的推荐机制）而非本地文件系统；
   • 打开本地克隆副本：先本地克隆仓库，按F1选择Remote-Containers: Open Folder in Container...，选择克隆目录并等待容器启动。

学习方法与使用工作流

学生快速开始

1. 查看 INSTALLATION.md 配置环境
2. 阅读 USAGE.md 了解如何配合课程工作
3. 从课程 01 开始按顺序学习
4. 加入社区获取支持

自学建议（来自文档）：完整 Fork 仓库后自行完成练习，先做课前测验 → 阅读课程 → 完成其余活动。尽量通过理解课程来构建项目，而不是照抄/solution中的参考答案代码（虽然项目型课程的每个solution/目录都提供了该代码）。另一个思路是组建学习小组，和朋友一起过内容。

教师使用建议

文档在 for-teachers.md 中提供了课堂教学指南。仓库中的 USAGE.md 进一步给出建议的 10 周排期：

• 第 1–2 周：入门（课程 01–04）
• 第 3–4 周：处理数据（课程 05–08）
• 第 5–6 周：数据可视化（课程 09–13）
• 第 7–8 周：数据科学生命周期（课程 14–16）
• 第 9 周：云端数据科学（课程 17–19）
• 第 10 周：真实世界应用与最终项目（课程 20）

三种典型学习工作流

完整入门路径：从1-Introduction/01-defining-data-science开始，对每个课程依次完成课前测验 → 读课程 → 跑 notebook → 做作业 → 课后测验，按顺序走完 20 课。

主题聚焦路径：只学某个主题模块，例如只学数据可视化时进入3-Data-Visualization，聚焦课程 09–13。

项目驱动路径：先学数据科学生命周期（课程 14–16），再通过课程 20 的真实世界示例（位于6-Data-Science-In-Wild/20-Real-World-Examples）把概念应用到自己项目中。

离线访问：Docsify

课程文档支持通过 Docsify 离线阅读。Fork 仓库后，在本地安装 Docsify，然后在仓库根目录执行：

docsify serve

网站会在本机localhost:3000提供服务。文档配套的 docs/_sidebar.md 定义了 Docsify 站点侧边栏导航。

注意：notebook（.ipynb）不会被 Docsify 渲染，需要运行 notebook 时，请单独在 VS Code 中启动 Python 内核执行。

根目录 package.json 还提供了npm run convert脚本（基于docsify-to-pdf），可将文档批量转换为 PDF。

多语言支持：50+ 语言翻译

课程通过 GitHub Action 自动化维护多语言版本，当前支持包括保加利亚语、中文（简体/繁体多种地区变体）、英语、法语、德语、日语、韩语、俄语、西班牙语等 50+ 语言。翻译版本存放于translations/（Markdown 与 notebook 翻译）与translated_images/（图片翻译）两个目录，每个语言目录保持与英文版完全相同的目录结构，例如本文所基于的保加利亚语版即位于 translations/bg/README.md。translated_images/bg/中存放了本文开头两张手绘笔记的保加利亚语翻译版本。

相关课程与获取帮助

微软团队还维护了同系列的姊妹课程，包括机器学习、人工智能、生成式 AI、Web 开发、IoT、网络安全、XR 开发以及 LangChain、MCP、AI Agents 等方向的 "for Beginners" 系列课程。

遇到问题时，可先查阅仓库的 TROUBLESHOOTING.md 获取常见问题解决方案；需要参与共建时，请阅读 CONTRIBUTING.md 贡献指南与 CODE_OF_CONDUCT.md 行为准则。测验相关的题目维护与本地化工作，则按quiz-app目录内的说明进行。

【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