企业官网建设流程全解析

Data Science for Beginners 第一课作业全解：用数据科学过程设计真实场景方案

【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 课程第一课《Defining Data Science》的配套作业（作业参考答案）展开，系统讲解如何运用数据科学过程去分析真实业务问题：从"该收集什么数据"到"如何收集、如何存储、最终能得到什么洞察与决策"的四问框架。读完本文，你将掌握一套可直接复用的场景设计方法论，并了解课程给出的教育场景完整示例答案与三档评分标准，为后续的概率统计、数据准备与可视化课程打下实践基础。

作业背景：从数据科学定义到实战练习

在 1-Introduction/01-defining-data-science/README.md 中，课程将数据科学定义为"用科学方法从结构化与非结构化数据中提取知识，并将可执行的洞察应用到广泛业务领域"的学科，其核心数据旅程包含五个步骤：

1. 数据获取（Data Acquisition）——从传感器、问卷、行为分析、文本、图像、日志等来源采集数据；
2. 数据存储（Data Storage）——在关系数据库、NoSQL 或 Data Lake 中组织数据；
3. 数据处理（Data Processing）——把原始数据转换为可用于可视化与建模的形式，例如用 AI 从非结构化数据中提取特征；
4. 可视化 / 人类洞察（Visualization / Human Insights）——通过图表与统计方法发现关系、检验假设；
5. 训练预测模型（Training a Predictive Model）——基于数据构建可对新数据做出预测的模型。

本作业正是要求学习者把这一过程"反向"应用：给定一个真实问题，先设计数据方案，再推演洞察与决策。作业原文（英文版与捷克语翻译版）要求你思考不同问题领域中的真实流程或问题，并回答四个固定问题。

核心方法论：设计数据科学场景的四问框架

作业要求围绕任意真实流程/问题，依次回答以下四个问题，这是整个场景设计的骨架：

这四个问题恰好映射课程 README 中"数据旅程"的前四个环节（获取→存储→处理→可视化/洞察），并将第五个环节（模型训练）隐含在"洞察与决策"之中——当数据规模与复杂度上升时，就可以引入机器学习构建预测模型。

作业建议你至少思考3 个不同的问题领域，并为每个领域逐一回答上述四个问题。课程给出了三个可选的起步领域：

1. 如何用数据改进学校中儿童的教育过程？
2. 如何用数据在大流行期间管控疫苗接种？
3. 如何用数据确保自己工作中的生产力？

你可以用自己感兴趣的问题领域替换这三个建议方向。

教育场景完整示例答案拆解

课程在作业中提供了一条完整示例答案（表格形式），用于示范"合格答案"应该长什么样。以**教育（Education）**领域为例：

这个示例有三个值得注意的技术要点：

• 非结构化 → 结构化的转化：摄像头照片属于非结构化数据，必须经过 AI 人脸识别转换成结构化记录（学生 ID、日期、是否出席），才能进入后续统计分析。这与课程 1-Introduction/01-defining-data-science/README.md 中"数据处理"步骤的描述一致：面对文本、图像等非结构化数据时，需要使用 AI 技术提取特征，从而转为结构化形式。
• 混合数据源：答案同时利用了新采集的数据（出勤照片）与既有数据（大学数据库中的考试成绩），这是真实数据项目中非常常见的组合方式。
• 从相关性到决策闭环：答案不只是"算出相关性"，还设计了后续业务动作（公布排名、抽奖激励），完整走通了"洞察 → 决策"的闭环。作业原文还特别提示，相关性（correlation）这一概念会在后续课程 1-Introduction/04-stats-and-probability/README.md 的概率与统计章节中详细讨论——那里会讲解协方差、相关系数、置信区间与假设检验（如 Student t-test），正好是验证"出勤与成绩相关"这一假设的统计工具。

作业表格中**疫苗接种（Vaccination）与生产力（Productivity）**两行留空，留给学习者自行完成。以同样的框架可以这样推演（仅作思路示范，非课程原文内容）：疫苗接种场景可收集接种登记记录、各地区的接种覆盖率与确诊/住院数据（结构化，存于关系数据库），用以发现接种率与感染率的关系并指导疫苗分配决策；生产力场景可收集任务完成时间、会议时长、干扰事件日志等（结构化/半结构化），用以识别低效时段并调整工作安排。

结合仓库数据资产的进阶练习

本作业的最佳进阶方式是"拿着四问框架去看真实数据"。仓库 data 目录中提供了多个可直接用于练习的数据集，例如：

• data/emails.csv——可用于垃圾邮件分类、文本挖掘场景；
• data/taxi.csv——可用于出行行为分析、时间序列场景；
• data/birds.csv 与 data/honey.csv——可用于物种特征分析与农业产量场景；
• data/diabetes.tsv 与 data/mushrooms.csv——可用于医疗与分类预测场景。

选一个数据集，回答"它是结构化还是非结构化数据？存储在什么数据库/格式中最合适？能回答哪些问题、支撑哪些决策？"，即可把作业中的抽象设计落实到具体数据上。同时，第一课的 notebook.ipynb 展示了完整的文本挖掘流程（用requests抓取维基百科页面、用 BeautifulSoup 清洗 HTML、用nlp_rake提取关键词），solution 目录下的 notebook 还演示了针对 Machine Learning 词条的进阶清洗方法——这是"数据获取与处理"环节最直观的代码级参考。

评分标准：如何交付一份高质量答案

作业最后给出了明确的评分标准（Rubric），共三档：

从评分标准可以提炼出三条实战要点：

1. 覆盖面：尽量完成全部 3 个领域，这是拿到"优秀"的前提；
2. 存储环节不可省略：评分标准明确将"未讨论数据存储"列为降档条件，回答第三个问题（如何存储、数据规模多大）是区分合格与优秀答案的关键；
3. 每个领域都要形成闭环：数据来源、存储方式、洞察/决策三要素缺一不可，且要与问题本身对应。

总结

本作业是 Data-Science-For-Beginners 课程的第一项实战任务，其本质是用"数据获取 → 数据存储 → 数据处理 → 可视化/洞察 → 决策"的数据科学过程，为一个真实问题设计端到端的数据方案。掌握四问框架（收集什么、如何收集、如何存储、得到什么洞察与决策），参考教育场景的完整示例答案，再结合仓库中的真实数据集与 notebook 代码进行练习，你就能写出达到"优秀"标准的场景设计。后续课程 2-Working-With-Data/README.md（关系数据库与非关系数据库）、3-Data-Visualization/README.md（可视化）与 1-Introduction/04-stats-and-probability/README.md（概率统计与相关性检验）将分别深化本作业涉及的存储、洞察与假设验证能力。

【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