尧图网站建设 
Data-Science-For-Beginners 第一课作业解析用数据科学四问拆解真实业务场景【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导读本文围绕 Data-Science-For-Beginners 课程第 1 课「定义数据科学」的首个作业展开如何针对一个真实业务流程或问题运用数据科学的思路提出改进方案。文章以作业参考答案translations/el/1-Introduction/01-defining-data-science/solution/assignment.md为骨架完整还原其中的「四问框架」、教育领域完整示例与评分标准Rubric并结合课程正文与示例 Notebook 讲透每个环节的落地方法。读完你将掌握一套可复用的「数据场景设计模板」任何业务问题都能从数据采集、数据存储、洞察提取、决策落地四个维度快速产出可评估的方案。一、作业背景从「定义数据科学」到「设计数据场景」本作业是第 1 课1-Introduction/01-defining-data-science/README.md的课后实践。该课正文给出了数据科学的经典定义用科学方法从结构化与非结构化数据中提取知识与洞察并在广泛的业务领域产生可落地的行动建议。作业正是把定义落到行动上——不要求写代码而是要求你针对不同业务领域problem domain的真实流程或问题思考如何用数据科学流程加以改进。参考答案明确要求围绕以下四个问题逐一展开可以收集哪些数据What data can you collect?如何收集这些数据How would you collect it?如何存储数据数据规模大概多大How would you store the data? How large is the data likely to be?能从数据中得出哪些洞察基于数据能做出哪些决策What insights can you derive? What decisions could be made?这四个问题恰好对应课程正文「数据的旅程」中的核心步骤——数据获取、数据存储、数据处理、可视化与人类洞察、训练预测模型详见 1-Introduction/01-defining-data-science/README.md 的 What you can do with Data 一节是贯穿整门课程的方法论原型。作业要求尝试思考 3 个不同的领域问题并为每个领域逐一回答上述四点。文档还给出了三个可直接上手的方向如何用数据改进学校中儿童的教育过程如何用数据在疫情期间管控疫苗接种如何用数据确保自己在工作中的生产力二、完整参考示例教育领域作业表格参考答案以「教育」领域给出了一个完整示例。下表来自 translations/el/1-Introduction/01-defining-data-science/solution/assignment.md是理解作业期望的第一手素材问题领域问题收集哪些数据如何存储数据可得出哪些洞察/决策教育在大学中讲座出勤率通常很低我们假设经常出勤的学生在考试中平均表现更好。我们希望激励出勤并检验这一假设。可以通过教室安防摄像头拍摄的照片追踪出勤或通过追踪学生在教室内手机的蓝牙/Wi-Fi 地址来追踪。考试成绩数据已存在于大学数据库中。如果采用安防摄像头图像方案需要存储上课期间拍摄的少量5–10 张照片非结构化数据随后用 AI 识别学生人脸将数据转化为结构化形式。可以计算每名学生的平均出勤率并检查其与考试成绩是否存在相关性相关性分析将在 概率与统计 一节深入讲解。为激励学生出勤可以在学校门户发布每周出勤排名并在出勤率最高的学生中抽奖。文档注明我们只提供一个示例答案以便你了解本作业的预期产出。也就是说「疫苗接种」「生产力」两行需由学习者自行补全。逐条拆解示例中的方法论把上表拆开看每个单元格背后都有明确的方法论支撑1问题假设先行。示例先给出可检验的假设——「出勤率高的学生考试成绩更好」——而不是漫无目的地收集数据。这与数据科学的科学方法本质一致先有假设再用数据验证。2多渠道数据采集。示例给出了两条采集路径各有取舍安防摄像头照片非结构化数据成本低、覆盖广但需要后续 AI 人脸识别手机蓝牙/Wi-Fi 地址采集频率高、可自动记录但涉及隐私合规问题考试成绩直接复用大学数据库既有数据无需新采集。3存储方案与数据结构绑定。示例明确指出照片是非结构化数据需先以原始形态存储5–10 张/课再通过 AI 特征提取转化为结构化数据。这正是课程正文「数据处理」步骤的体现——非结构化数据文本、图像需借助 AI 技术提取特征才能进入分析流程。关于结构化、半结构化、非结构化三类数据的对比可参见 1-Introduction/01-defining-data-science/README.md 的 Types of Data 一节。4洞察→决策闭环。洞察层是「计算每人平均出勤率 → 与考试成绩做相关性分析」决策层是「发布每周出勤排名 高出席率抽奖」激励措施。这正是「可落地的行动建议」actionable insights的完整闭环。三、如何完成另外两个领域疫苗接种与生产力参考答案只给了教育一例但作业要求覆盖 3 个领域。下面按照同样的四问框架给出「疫苗接种」「生产力」两个方向的思考路径框架依据来自作业文档本身具体方案由读者自行展开3.1 疫苗接种管控收集哪些数据各地区的接种登记记录接种者年龄、接种时间、疫苗批次、疫苗库存数据、疫情病例与住院数据、人口统计数据。如何收集接种点信息系统自动登记、疾控中心数据平台对接、公开疫情数据接口仓库 data/ 目录中的 COVID 时序数据如time_series_covid19_confirmed_global.csv即为典型的公开疫情数据形态。如何存储接种记录适合结构化存储关系型数据库按时间、地区、人群建索引疫情原始上报数据量极大可考虑数据湖 Parquet 等大数据格式参考课程正文 1-Introduction/01-defining-data-science/README.md 的存储方式论述。洞察与决策识别接种率低的地区与年龄段动态调配疫苗资源评估接种率与感染率的时序相关性指导防控政策调整。3.2 工作生产力收集哪些数据个人/团队的任务完成时长、代码提交与会议记录、专注时段分布、休息频率、工具使用日志IDE、日程、消息应用。如何收集通过时间追踪工具、日历与项目管理系统的 API 自动导出日志数据。如何存储日志类数据以时间序列形式存储单日数据量不大但长期累积可观可用关系型数据库或时序数据库。洞察与决策找出一天中生产力最高的时段并据此安排深度工作识别打断生产力的会议/消息模式调整协作流程。无论选哪个领域都要保证表格的五个列全部填满且存储方案与数据形态结构化/非结构化自洽。四、评分标准Rubric理解作业的验收逻辑作业给出了三档评分标准它同时是自我检查清单优秀Exemplary合格Adequate待改进Needs Improvement能为所有领域识别出合理的数据来源、存储方式以及可能的决策/洞察解决方案的某些方面不够详细未讨论数据存储至少描述了 2 个领域只描述了数据方案的一部分且只考虑了 1 个领域对照此表自查要点覆盖面是否完成 3 个领域只有 1 个领域将直接落入「待改进」档存储讨论是否明确回答「如何存储、数据量多大」漏掉存储环节即降档细节深度数据来源是否合理、采集方式是否可行、洞察是否与问题假设挂钩闭环性每个领域是否做到「数据 → 洞察 → 决策」完整闭环。五、结合仓库源码的深化数据旅程的代码实证作业是纯思维练习但仓库为「从数据到洞察」的完整流程提供了可直接运行的代码实证挑战 Notebook1-Introduction/01-defining-data-science/notebook.ipynb 演示了完整的数据旅程用requests抓取 Wikipedia 页面文本数据获取→ 用 BeautifulSoup 解析 HTML、剥离导航与样板内容数据处理→ 用nlp_rake提取关键词洞察提取→ 生成词云可视化。其完整版见 solution/notebook.ipynb其中还演示了nlp_rake.Rake(max_words2, min_freq3, min_chars5)的参数化关键词提取输出形如[(machine learning, 3.91), ...]的带权关键词列表。相关性分析理论支撑示例中「出勤率 × 考试成绩」的相关性分析对应第 4 课 概率与统计 的均值、方差、中位数、四分位数等基础概念其中的notebook.ipynb提供了基于真实棒球运动员数据的统计实操。数据形态匹配存储第 2 部分课程 2-Working-With-Data/README.md 会系统讲解关系型数据库与非关系型存储的取舍正是作业第三问「如何存储」的后续进阶内容。建议学习路径先独立完成作业表格3 个领域 × 5 列再运行挑战 Notebook 观察代码如何一步步完成「获取 → 转换 → 洞察」的流水线最后带着「数据如何存储更合理」的疑问进入 2-Working-With-Data 部分学习数据库知识。结语这份参考答案的价值不在于给出标准答案而在于示范一种可迁移的数据科学思维模板任何业务问题都可以用「四问框架」拆解并对照三档评分标准自检。掌握它你不仅完成了第一课作业也为后续 19 课的学习建立了统一的分析坐标系。【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 第一课作业解析：用数据科学四问拆解真实业务场景
Data-Science-For-Beginners 第一课作业解析用数据科学四问拆解真实业务场景【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导读本文围绕 Data-Science-For-Beginners 课程第 1 课「定义数据科学」的首个作业展开如何针对一个真实业务流程或问题运用数据科学的思路提出改进方案。文章以作业参考答案translations/el/1-Introduction/01-defining-data-science/solution/assignment.md为骨架完整还原其中的「四问框架」、教育领域完整示例与评分标准Rubric并结合课程正文与示例 Notebook 讲透每个环节的落地方法。读完你将掌握一套可复用的「数据场景设计模板」任何业务问题都能从数据采集、数据存储、洞察提取、决策落地四个维度快速产出可评估的方案。一、作业背景从「定义数据科学」到「设计数据场景」本作业是第 1 课1-Introduction/01-defining-data-science/README.md的课后实践。该课正文给出了数据科学的经典定义用科学方法从结构化与非结构化数据中提取知识与洞察并在广泛的业务领域产生可落地的行动建议。作业正是把定义落到行动上——不要求写代码而是要求你针对不同业务领域problem domain的真实流程或问题思考如何用数据科学流程加以改进。参考答案明确要求围绕以下四个问题逐一展开可以收集哪些数据What data can you collect?如何收集这些数据How would you collect it?如何存储数据数据规模大概多大How would you store the data? How large is the data likely to be?能从数据中得出哪些洞察基于数据能做出哪些决策What insights can you derive? What decisions could be made?这四个问题恰好对应课程正文「数据的旅程」中的核心步骤——数据获取、数据存储、数据处理、可视化与人类洞察、训练预测模型详见 1-Introduction/01-defining-data-science/README.md 的 What you can do with Data 一节是贯穿整门课程的方法论原型。作业要求尝试思考 3 个不同的领域问题并为每个领域逐一回答上述四点。文档还给出了三个可直接上手的方向如何用数据改进学校中儿童的教育过程如何用数据在疫情期间管控疫苗接种如何用数据确保自己在工作中的生产力二、完整参考示例教育领域作业表格参考答案以「教育」领域给出了一个完整示例。下表来自 translations/el/1-Introduction/01-defining-data-science/solution/assignment.md是理解作业期望的第一手素材问题领域问题收集哪些数据如何存储数据可得出哪些洞察/决策教育在大学中讲座出勤率通常很低我们假设经常出勤的学生在考试中平均表现更好。我们希望激励出勤并检验这一假设。可以通过教室安防摄像头拍摄的照片追踪出勤或通过追踪学生在教室内手机的蓝牙/Wi-Fi 地址来追踪。考试成绩数据已存在于大学数据库中。如果采用安防摄像头图像方案需要存储上课期间拍摄的少量5–10 张照片非结构化数据随后用 AI 识别学生人脸将数据转化为结构化形式。可以计算每名学生的平均出勤率并检查其与考试成绩是否存在相关性相关性分析将在 概率与统计 一节深入讲解。为激励学生出勤可以在学校门户发布每周出勤排名并在出勤率最高的学生中抽奖。文档注明我们只提供一个示例答案以便你了解本作业的预期产出。也就是说「疫苗接种」「生产力」两行需由学习者自行补全。逐条拆解示例中的方法论把上表拆开看每个单元格背后都有明确的方法论支撑1问题假设先行。示例先给出可检验的假设——「出勤率高的学生考试成绩更好」——而不是漫无目的地收集数据。这与数据科学的科学方法本质一致先有假设再用数据验证。2多渠道数据采集。示例给出了两条采集路径各有取舍安防摄像头照片非结构化数据成本低、覆盖广但需要后续 AI 人脸识别手机蓝牙/Wi-Fi 地址采集频率高、可自动记录但涉及隐私合规问题考试成绩直接复用大学数据库既有数据无需新采集。3存储方案与数据结构绑定。示例明确指出照片是非结构化数据需先以原始形态存储5–10 张/课再通过 AI 特征提取转化为结构化数据。这正是课程正文「数据处理」步骤的体现——非结构化数据文本、图像需借助 AI 技术提取特征才能进入分析流程。关于结构化、半结构化、非结构化三类数据的对比可参见 1-Introduction/01-defining-data-science/README.md 的 Types of Data 一节。4洞察→决策闭环。洞察层是「计算每人平均出勤率 → 与考试成绩做相关性分析」决策层是「发布每周出勤排名 高出席率抽奖」激励措施。这正是「可落地的行动建议」actionable insights的完整闭环。三、如何完成另外两个领域疫苗接种与生产力参考答案只给了教育一例但作业要求覆盖 3 个领域。下面按照同样的四问框架给出「疫苗接种」「生产力」两个方向的思考路径框架依据来自作业文档本身具体方案由读者自行展开3.1 疫苗接种管控收集哪些数据各地区的接种登记记录接种者年龄、接种时间、疫苗批次、疫苗库存数据、疫情病例与住院数据、人口统计数据。如何收集接种点信息系统自动登记、疾控中心数据平台对接、公开疫情数据接口仓库 data/ 目录中的 COVID 时序数据如time_series_covid19_confirmed_global.csv即为典型的公开疫情数据形态。如何存储接种记录适合结构化存储关系型数据库按时间、地区、人群建索引疫情原始上报数据量极大可考虑数据湖 Parquet 等大数据格式参考课程正文 1-Introduction/01-defining-data-science/README.md 的存储方式论述。洞察与决策识别接种率低的地区与年龄段动态调配疫苗资源评估接种率与感染率的时序相关性指导防控政策调整。3.2 工作生产力收集哪些数据个人/团队的任务完成时长、代码提交与会议记录、专注时段分布、休息频率、工具使用日志IDE、日程、消息应用。如何收集通过时间追踪工具、日历与项目管理系统的 API 自动导出日志数据。如何存储日志类数据以时间序列形式存储单日数据量不大但长期累积可观可用关系型数据库或时序数据库。洞察与决策找出一天中生产力最高的时段并据此安排深度工作识别打断生产力的会议/消息模式调整协作流程。无论选哪个领域都要保证表格的五个列全部填满且存储方案与数据形态结构化/非结构化自洽。四、评分标准Rubric理解作业的验收逻辑作业给出了三档评分标准它同时是自我检查清单优秀Exemplary合格Adequate待改进Needs Improvement能为所有领域识别出合理的数据来源、存储方式以及可能的决策/洞察解决方案的某些方面不够详细未讨论数据存储至少描述了 2 个领域只描述了数据方案的一部分且只考虑了 1 个领域对照此表自查要点覆盖面是否完成 3 个领域只有 1 个领域将直接落入「待改进」档存储讨论是否明确回答「如何存储、数据量多大」漏掉存储环节即降档细节深度数据来源是否合理、采集方式是否可行、洞察是否与问题假设挂钩闭环性每个领域是否做到「数据 → 洞察 → 决策」完整闭环。五、结合仓库源码的深化数据旅程的代码实证作业是纯思维练习但仓库为「从数据到洞察」的完整流程提供了可直接运行的代码实证挑战 Notebook1-Introduction/01-defining-data-science/notebook.ipynb 演示了完整的数据旅程用requests抓取 Wikipedia 页面文本数据获取→ 用 BeautifulSoup 解析 HTML、剥离导航与样板内容数据处理→ 用nlp_rake提取关键词洞察提取→ 生成词云可视化。其完整版见 solution/notebook.ipynb其中还演示了nlp_rake.Rake(max_words2, min_freq3, min_chars5)的参数化关键词提取输出形如[(machine learning, 3.91), ...]的带权关键词列表。相关性分析理论支撑示例中「出勤率 × 考试成绩」的相关性分析对应第 4 课 概率与统计 的均值、方差、中位数、四分位数等基础概念其中的notebook.ipynb提供了基于真实棒球运动员数据的统计实操。数据形态匹配存储第 2 部分课程 2-Working-With-Data/README.md 会系统讲解关系型数据库与非关系型存储的取舍正是作业第三问「如何存储」的后续进阶内容。建议学习路径先独立完成作业表格3 个领域 × 5 列再运行挑战 Notebook 观察代码如何一步步完成「获取 → 转换 → 洞察」的流水线最后带着「数据如何存储更合理」的疑问进入 2-Working-With-Data 部分学习数据库知识。结语这份参考答案的价值不在于给出标准答案而在于示范一种可迁移的数据科学思维模板任何业务问题都可以用「四问框架」拆解并对照三档评分标准自检。掌握它你不仅完成了第一课作业也为后续 19 课的学习建立了统一的分析坐标系。【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