Data Science for Beginners 课程使用指南：从课程结构到 Jupyter、Quiz 与离线部署的完整实战手册-开发者社区

Data Science for Beginners 课程使用指南：从课程结构到 Jupyter、Quiz 与离线部署的完整实战手册

【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

本指南以 Data Science for Beginners 课程的 USAGE.md（本仓库根目录）为核心骨架，系统讲解这套"10 周、20 课"数据科学课程的实际使用方法。你将掌握课程的标准化学习流程、Jupyter Notebook 的启动与运行技巧、内置 Quiz 测验应用的本地启动与题目编号规则、四条典型学习路径（自学者路径、专题路径、项目制路径、云上路径），以及面向教师的教学计划安排与离线环境部署方案。

课程概况与本指南的定位

Data Science for Beginners 是一个面向零基础学习者的数据科学课程仓库，共包含20 节课、40 个测验、20 个作业，课程按主题划分为 6 大部分，每部分对应仓库中的独立目录（可从 docs/_sidebar.md 的侧边栏结构确认）：

1-Introduction：定义数据科学（01）、数据伦理（02）、定义数据（03）、概率与统计（04）；
2-Working-With-Data：关系型数据库（05）、非关系型数据库（06）、Python（07）、数据准备（08）；
3-Data-Visualization：数量可视化（09）、分布可视化（10）、占比可视化（11）、关系可视化（12）、有意义的信息图（13）；
4-Data-Science-Lifecycle：生命周期导论（14）、分析（15）、沟通（16）；
5-Data-Science-In-Cloud：云端数据科学导论（17）、低代码 ML 工具（18）、Azure 机器学习工作室（19）；
6-Data-Science-In-Wild：真实世界案例（20）。

本指南面向的是"如何使用"这套课程，而不是"如何安装"——环境搭建细节请参阅 INSTALLATION.md（包含 Git、Python、Jupyter、Node.js、Docsify 的逐步安装流程）。如果学习中遇到环境问题，可查阅 TROUBLESHOOTING.md 或 CONTRIBUTING.md。

如何使用这套课程

课程设计为高度灵活的形态，官方建议四种使用方式，可单独使用也可组合：

自学（Self-paced learning）：按自己的节奏独立完成每一课；
课堂教学（Classroom instruction）：作为结构化课程，由教师引导授课；
学习小组（Study groups）：与同伴协作学习、互相讨论；
工作坊（Workshop format）：以短期密集型学习班的形式集中推进。

无论采用哪种方式，每一课都遵循一套统一的"标准化课程结构"，这是整套课程可复用的关键设计。

课程的标准结构与单课学习流程

每课固定的七步结构

每节课都按以下顺序组织内容，以保证学习体验的一致性：

课前测验（Pre-lesson Quiz）：先测试既有知识，带着问题进入学习；
涂鸦笔记 Sketchnote（可选）：对关键概念的视觉化总结，全部速记图集中在 sketchnotes 目录；
视频（可选）：补充性的视频教学内容；
书面课程（Written Lesson）：核心概念讲解，即各课目录下的README.md；
Jupyter Notebook：动手编程练习；
作业（Assignment）：练习并巩固所学；
课后测验（Post-lesson Quiz）：强化理解。

以第一课为例，1-Introduction/01-defining-data-science 目录下同时包含README.md（书面课程）、notebook.ipynb（编程练习）、assignment.md（作业）与solution/（参考答案），完整体现了这一结构。

单课标准操作流程

官方给出的单课学习命令流程如下（命令中的注释即操作说明）：

# 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 README.md # 3. 完成课前测验 # 点击 README 中的测验链接 # 4. 打开 Jupyter notebook（如该课提供） jupyter notebook # 5. 完成 notebook 中的练习 # 6. 完成作业 # 7. 完成课后测验

在 Jupyter Notebook 中动手实践

启动 Jupyter

进入任一课程目录后，先激活虚拟环境再启动 Jupyter：

# 激活虚拟环境（macOS/Linux） source venv/bin/activate # Windows 使用 venv\Scripts\activate # 在仓库根目录启动 Jupyter jupyter notebook

浏览器将自动打开 Jupyter 界面，随后即可导航到任意课程的.ipynb文件。仓库中大量课程都预置了 notebook：例如 1-Introduction/04-stats-and-probability/notebook.ipynb、2-Working-With-Data/08-data-preparation/notebook.ipynb、3-Data-Visualization/09-visualization-quantities/notebook.ipynb 等。

Notebook 单元格的三种核心操作

执行单个单元格：按Shift + Enter，或点击工具栏 "Run" 按钮；
执行全部单元格：菜单 "Cell" → "Run All"；
重启内核：若遇到状态异常或变量污染，选择 "Kernel" → "Restart" 重新初始化。

在 Notebook 中处理数据的标准范式

课程 notebook 统一使用 pandas + numpy + matplotlib 的"加载—探索—可视化"三段式写法（这段代码也是本仓库各课程 notebook 的共同模式，例如 08-data-preparation 的作业 notebook 即按此范式组织）：

# 导入必需库 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()

实际练习时可将'data/sample.csv'替换为仓库 data 目录中真实存在的数据集，例如birds.csv（鸟类体征数据，用于可视化课程）、honey.csv（美国蜂蜜产量数据）、diabetes.tsv（糖尿病指标数据，注意是制表符分隔，需pd.read_csv('data/diabetes.tsv', sep='\t')）、mushrooms.csv、taxi.csv等；COVID 时序数据位于 data/COVID。

保存你的工作

Jupyter 会周期性自动保存；
手动保存按Ctrl + S（macOS 为Cmd + S）；
所有进度保存在.ipynb文件中，该文件为 JSON 格式，可直接纳入版本管理。

使用 Quiz 测验应用

本地启动 Quiz 应用

Quiz 应用是一个基于 Vue 2 的前端工程，位于 quiz-app 目录，其package.json定义的启动脚本为vue-cli-service serve：

# 进入 quiz 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

从 quiz-app/src/main.js 可以看到应用使用 vue-router（mode: 'history'）与 vue-i18n（默认语言en，回退语言en）构建；路由配置位于 quiz-app/src/router/index.js，核心路由为/quiz/:id，因此测验 URL 形如/quiz/0。生产构建使用npm run build，代码检查使用npm run lint。

测验规则与编号体系

每课两个测验：课前测验链接在每课 README 顶部，课后测验链接在 README 底部；
每场测验 3 道题：这并非约定而是源码强制逻辑——quiz-app/src/components/Quiz.vue 的handleAnswerClick方法中写死nextQuestion < 3才继续出下一题，答满 3 题后进入完成状态；
测验定位为"强化学习"而非"应试评估"：答错会提示错误并要求重试（对应源码中的error状态）；
编号 0-39 共 40 个：与"20 课 × 每课前后各 1 个"一一对应，测验 URL 中包含编号，例如官方示例https://ff-quizzes.netlify.app/en/ds/quiz/0（第 1 课课前测验）；
多语言支持：测验题库按语言分组存放于 quiz-app/src/assets/translations，目前包含en、es、fr三套，可通过 URL 查询参数?loc=fr切换语言。

四条常见学习路径（Common Workflows）

路径 1：零基础完整路线

适合没有任何数据科学背景的初学者，按顺序学完 20 课：

# 1. 配置环境（参见 INSTALLATION.md） # 2. 从第 1 课开始 cd 1-Introduction/01-defining-data-science # 3. 对每一课： # - 完成课前测验 # - 阅读课程内容 # - 完成 notebook 练习 # - 完成作业 # - 完成课后测验 # 4. 依次学完全部 20 课

路径 2：专题定向学习

对某个主题感兴趣时，可跳过其他部分直达目标专题。例如聚焦数据可视化（第 9-13 课）：

cd 3-Data-Visualization # 依次探索： # - 第 9 课：数量可视化 # - 第 10 课：分布可视化 # - 第 11 课：占比可视化 # - 第 12 课：关系可视化 # - 第 13 课：有意义的信息图

该目录下除各课 README 外，还提供 R 语言版本的可视化实现（见 3-Data-Visualization/R），适合偏好 R 的学习者对照学习。

路径 3：项目制学习

先建立"数据科学生命周期"的整体框架，再通过真实案例把知识串起来：

# 1. 先学习数据科学生命周期课程（第 14-16 课） cd 4-Data-Science-Lifecycle # 2. 完成第 20 课的真实世界案例 cd ../6-Data-Science-In-Wild/20-Real-World-Examples # 3. 将所学概念应用到自己的项目中

路径 4：云端数据科学

聚焦云端工作流（第 17-19 课），对应仓库 5-Data-Science-In-Cloud 目录：

# 学习云端数据科学（第 17-19 课） cd 5-Data-Science-In-Cloud # 第 17 课：云端数据科学导论 # 第 18 课：低代码 ML 工具 # 第 19 课：Azure 机器学习工作室

自学者建议

保持组织性：建立学习日志，为每课创建笔记文件：

mkdir my-learning-journal echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

规律练习：每天或每周固定投入时间，建议每周至少完成一课，并周期性回顾已学内容；

学以致用：学完课程后将技术迁移到自己的项目，官方给出的自查清单覆盖了课程核心技能：

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

教师使用指南

课堂环境搭建

详细指引参见 for-teachers.md，其中说明了如何 fork 本仓库并使用 GitHub Classroom 按课拆分仓库、以私有仓库让学生提交作业等操作；
搭建共享环境（GitHub Classroom 或 Codespaces）；
建立沟通渠道（Discord、Slack 或 Teams）。

用 Docsify 实现离线课堂访问

本仓库以 Docsify 组织文档（侧边栏结构见 docs/_sidebar.md），教师可用 Docsify 在本地起一个纯静态文档站，学生连接同一局域网即可访问，首次初始化后无需联网：

# 在仓库根目录本地托管文档 docsify serve # 学生访问 localhost:3000 # 初始配置完成后无需联网

作业批改与自定义作业模板

批改要点：检查学生 notebook 是否完成全部练习、通过测验得分判断理解程度、用数据科学生命周期原则评估期末项目；
自定义作业模板：官方给出的标准模板要求作业覆盖"加载探索 → 清洗准备 → 至少 3 张可视化 → 分析 → 沟通结论"完整链路，产出物为带代码与解释的 Jupyter notebook 加书面结论总结。

完全离线使用

预下载资源

# 克隆整个仓库 git clone https://github.com/microsoft/Data-Science-For-Beginners.git # 数据集已提前内置 # 大多数数据集已包含在仓库的 data/ 目录中

克隆后即可在无网环境中使用全部课程文档、数据集与 notebook。

本地运行文档与 Quiz

# 1. 用 Docsify 本地托管文档 docsify serve # 访问 localhost:3000 # 2. 本地启动 Quiz 应用 cd quiz-app npm run serve # 访问 localhost:8080

需要说明的是：Quiz 应用与 Docsify 文档站依赖 npm 依赖包预装完成，因此建议在联网环境下先完成 INSTALLATION.md 中的环境准备步骤。

访问多语言翻译内容

仓库在 translations 目录下提供40+ 语言的完整翻译，每套翻译与英文原版保持完全一致的目录结构（各语言均包含 70 个 md 文档与 25 个 ipynb notebook）：

# 访问翻译版课程 cd translations/fr # 法语 cd translations/es # 西班牙语 cd translations/de # 德语 # ... 以及更多语言

本文档对应的希腊语版本即位于 translations/el/USAGE.md，可对照阅读。此外 translated_images 目录为各语言提供翻译后的课程配图。

常见问题排查与进一步学习

遇到问题时按以下顺序排查：

查看 TROUBLESHOOTING.md 中记录的常见问题（如端口被占用、notebook 内核异常等）；
在仓库 Issues 中搜索是否已有相同问题；
如需报告问题或参与贡献，遵循 CONTRIBUTING.md 的流程。

本课程是微软"for Beginners"系列课程之一，同系列还包括 AI、ML、Web Dev 与 Generative AI 等主题课程，学完本课程后可沿同类路径继续进阶。所有课程资源（含数据集、notebook、涂鸦笔记）均已包含在本仓库中，无需额外获取外部资料即可完整走完 10 周的学习旅程。

【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

Data Science for Beginners 课程使用指南：从课程结构到 Jupyter、Quiz 与离线部署的完整实战手册