Data-Science-For-Beginners/translations/zh/USAGE.md

使用指南

本指南提供了使用《数据科学入门》课程的示例和常见工作流程。

目录

• 如何使用本课程
• 学习课程内容
• 使用 Jupyter Notebooks
• 使用测验应用程序
• 常见工作流程
• 自学者提示
• 教师提示

如何使用本课程

本课程设计灵活，可通过多种方式使用：

• 自学：根据自己的节奏独立完成课程
• 课堂教学：作为结构化课程进行指导教学
• 学习小组：与同伴协作学习
• 工作坊形式：短期强化学习

学习课程内容

每节课遵循一致的结构，以最大化学习效果：

课程结构

1. 课前测验：测试现有知识
2. 手绘笔记（可选）：关键概念的视觉总结
3. 视频（可选）：补充视频内容
4. 书面课程：核心概念和解释
5. Jupyter Notebook：动手编码练习
6. 作业：练习所学内容
7. 课后测验：巩固理解

课程学习示例流程

# 1. Navigate to the lesson directory
cd 1-Introduction/01-defining-data-science

# 2. Read the README.md
# Open README.md in your browser or editor

# 3. Take the pre-lesson quiz
# Click the quiz link in the README

# 4. Open the Jupyter notebook (if available)
jupyter notebook

# 5. Complete the exercises in the notebook

# 6. Work on the assignment

# 7. Take the post-lesson quiz

使用 Jupyter Notebooks

启动 Jupyter

# Activate your virtual environment
source venv/bin/activate  # On macOS/Linux
# OR
venv\Scripts\activate  # On Windows

# Start Jupyter from the repository root
jupyter notebook

运行 Notebook 单元格

1. 执行单元格：按 Shift + Enter 或点击“运行”按钮
2. 运行所有单元格：从菜单中选择“Cell” → “Run All”
3. 重启内核：如果遇到问题，选择“Kernel” → “Restart”

示例：在 Notebook 中处理数据

# Import required libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Load a dataset
df = pd.read_csv('data/sample.csv')

# Explore the data
df.head()
df.info()
df.describe()

# Create a visualization
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()

保存您的工作

• Jupyter 会定期自动保存
• 手动保存：按 Ctrl + S（macOS 上为 Cmd + S）
• 您的进度保存在 .ipynb 文件中

使用测验应用程序

本地运行测验应用程序

# Navigate to quiz app directory
cd quiz-app

# Start the development server
npm run serve

# Access at http://localhost:8080

参加测验

1. 课前测验链接位于每节课顶部
2. 课后测验链接位于每节课底部
3. 每个测验包含 3 个问题
4. 测验旨在巩固学习，而非全面测试

测验编号

• 测验编号为 0-39（共 40 个测验）
• 每节课通常有课前和课后测验
• 测验 URL 包含测验编号：https://ff-quizzes.netlify.app/en/ds/quiz/0

常见工作流程

工作流程 1：完全初学者路径

# 1. Set up your environment (see INSTALLATION.md)

# 2. Start with Lesson 1
cd 1-Introduction/01-defining-data-science

# 3. For each lesson:
#    - Take pre-lesson quiz
#    - Read the lesson content
#    - Work through the notebook
#    - Complete the assignment
#    - Take post-lesson quiz

# 4. Progress through all 20 lessons sequentially

工作流程 2：特定主题学习

如果您对某个特定主题感兴趣：

# Example: Focus on Data Visualization
cd 3-Data-Visualization

# Explore lessons 9-13:
# - Lesson 9: Visualizing Quantities
# - Lesson 10: Visualizing Distributions
# - Lesson 11: Visualizing Proportions
# - Lesson 12: Visualizing Relationships
# - Lesson 13: Meaningful Visualizations

工作流程 3：基于项目的学习

# 1. Review the Data Science Lifecycle lessons (14-16)
cd 4-Data-Science-Lifecycle

# 2. Work through a real-world example (Lesson 20)
cd ../6-Data-Science-In-Wild/20-Real-World-Examples

# 3. Apply concepts to your own project

工作流程 4：基于云的数据科学

# Learn about cloud data science (Lessons 17-19)
cd 5-Data-Science-In-Cloud

# 17: Introduction to Cloud Data Science
# 18: Low-Code ML Tools
# 19: Azure Machine Learning Studio

自学者提示

保持条理

# Create a learning journal
mkdir my-learning-journal

# For each lesson, create notes
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md

定期练习

• 每天或每周安排固定时间学习
• 每周至少完成一节课
• 定期复习之前的课程

参与社区

• 加入 Discord 社区
• 参与 Discord 中的 #Data-Science-for-Beginners 频道 Discord Discussions
• 分享您的学习进度并提出问题

创建自己的项目

完成课程后，将概念应用到个人项目中：

# Example: Analyze your own dataset
import pandas as pd

# Load your own data
my_data = pd.read_csv('my-project/data.csv')

# Apply techniques learned
# - Data cleaning (Lesson 8)
# - Exploratory data analysis (Lesson 7)
# - Visualization (Lessons 9-13)
# - Analysis (Lesson 15)

教师提示

课堂设置

1. 查看 for-teachers.md 获取详细指导
2. 设置共享环境（GitHub Classroom 或 Codespaces）
3. 建立沟通渠道（Discord、Slack 或 Teams）

课程计划

建议的 10 周课程安排：

• 第 1-2 周：介绍（第 1-4 课）
• 第 3-4 周：数据处理（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：云数据科学（第 17-19 课）
• 第 10 周：实际应用与最终项目（第 20 课）

运行 Docsify 以离线访问

# Serve documentation locally for classroom use
docsify serve

# Students can access at localhost:3000
# No internet required after initial setup

作业评分

• 检查学生的 Notebook 是否完成练习
• 通过测验分数检查理解情况
• 使用数据科学生命周期原则评估最终项目

创建作业

# Example custom assignment template
"""
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
"""

离线使用

下载资源

# Clone the entire repository
git clone https://github.com/microsoft/Data-Science-For-Beginners.git

# Download datasets in advance
# Most datasets are included in the repository

本地运行文档

# Serve with Docsify
docsify serve

# Access at localhost:3000

本地运行测验应用程序

cd quiz-app
npm run serve

访问翻译内容

翻译版本支持 40 多种语言：

# Access translated lessons
cd translations/fr  # French
cd translations/es  # Spanish
cd translations/de  # German
# ... and many more

每种翻译版本的结构与英文版保持一致。

其他资源

继续学习

• Microsoft Learn - 更多学习路径
• Student Hub - 学生资源
• Azure AI Foundry - 社区论坛

相关课程

• AI 入门
• ML 入门
• Web 开发入门
• 生成式 AI 入门

获取帮助

• 查看 TROUBLESHOOTING.md 了解常见问题
• 搜索 GitHub Issues
• 加入我们的 Discord
• 查看 CONTRIBUTING.md 以报告问题或贡献内容

---

免责声明：
本文档使用AI翻译服务 Co-op Translator 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。