企业官网建设流程全解析

Data-Science-For-Beginners 实战演练：用数据科学四问拆解教育、疫苗接种与生产力场景

【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

本篇指南围绕 Data-Science-For-Beginners 课程第一课《Defining Data Science》的作业《Data Science Scenarios》展开，手把手演示如何用"收集什么数据、怎么收集、怎么存储、能得出什么洞察与决策"四个问题，为教育、疫苗接种、工作生产力三类真实场景设计数据科学解决方案。读完本文，你将掌握一套可复用的"数据场景四问"分析方法，能独立完成作业表格的填写与评分对照，并理解其背后的数据科学流程（数据获取 → 存储 → 处理 → 可视化 → 模型训练）。

作业背景：第一课为什么从"设计场景"开始

作业文档位于课程英文目录 translations/en/1-Introduction/01-defining-data-science/solution/assignment.md，对应的原始英文课程版本为 1-Introduction/01-defining-data-science/solution/assignment.md，正式作业题则在 1-Introduction/01-defining-data-science/assignment.md 中给出。

这份作业是课程 20 课中的第一个任务，目的并不是让你立刻写代码，而是逼你在接触任何工具之前，先以"数据科学家的思维方式"观察现实世界：任何一个业务流程或问题，都可以通过数据来量化、理解与改进。这正是第一课 Defining Data Science 课程文档 所强调的核心观点——数据科学的本质是从数据中提取知识，并产出可操作的洞察（actionable insights）。

课程文档把数据的旅程拆解为五个步骤，作业中的"四问"正好与之对应：

也就是说，完成这份作业，就等于为每个场景走了一遍完整的数据科学流程骨架。

作业要求：四个问题 × 三个场景

作业的核心指令非常明确：对每个场景，依次思考以下四点：

1. 可以收集哪些数据（Which data can you collect）——这个流程里有哪些可数字化的信号？
2. 如何收集（How would you collect it）——通过传感器、摄像头、问卷、系统日志还是数据库？
3. 如何存储（How would you store the data）——数据大概是结构化、半结构化还是非结构化？量级是 MB、GB 还是 TB？
4. 能得出什么洞察、能做出什么决策（Which insights/decisions）——分析之后能验证什么假设、优化什么流程？

作业要求至少思考三个不同的场景/流程，并为每个场景逐一回答上述四点。原文档给出了三个引导性的问题域：

• 如何用数据改进学校里儿童的教育过程？
• 如何用数据管理疫情期间的疫苗接种？
• 如何用数据确保自己在工作中保持高效？

如果这三个领域都不合你的兴趣，文档明确允许替换成自己的问题域（"substitute suggested problem domains for your own ones if needed"）。

参考示例：教育场景的完整解题思路

为了让你直观理解"每一格该填什么"，作业附上了一个教育领域的参考答案，这是衡量你自己答案质量的重要基准，我们逐格拆解：

这个示例至少展示了三个值得学习的设计要点：

1. 假设驱动：场景先提出一个可验证的假设（出勤率与成绩正相关），数据收集服务于验证假设；
2. 多数据源备选：出勤数据既有摄像头图像方案，也有手机蓝牙/Wi-Fi 追踪方案，两种方案的数据形态（非结构化图像 vs. 结构化信号）完全不同，存储方案也随之变化；
3. 洞察到决策的闭环：计算相关性是"洞察"，发布周排名、抽奖激励是"决策"，二者必须连贯。

示例中的存储与 AI 转换，对应课程中的哪些概念？

• 摄像头照片属于非结构化数据，课程文档明确给出示例："来自监控摄像头的原始视频流"就是典型的非结构化数据；
• "用 AI 识别人脸、将图像转为结构化形式"对应课程数据旅程的**数据处理（Data Processing）**步骤——课程原文指出，处理文本、图像等非结构化数据时，"可能需要使用一些 AI 技术从中提取特征，从而将其转换为结构化形式"；
• 存储方案的设计对应课程对三种存储形态的介绍：关系型数据库（表格 + SQL 查询）、NoSQL 数据库（不强制 schema，可存 JSON 文档与图结构）、数据湖 Data Lake（海量原始非结构化数据的分布式存储，常搭配 Parquet 格式）。出勤记录最终以表格形态进入关系型数据库最自然，而原始照片批次则适合放入数据湖或对象存储。

如何填写剩余两个场景：疫苗接种与工作生产力

作业表格中，Vaccination（疫苗接种）与 Productivity（工作生产力）两行留白，需要你自己思考。下面给出两个完整的填写范例，你可以在此基础上替换为自己的具体问题域——注意，范例不是唯一答案，重点是展示"四问"的推理链条。

场景二：疫情期间的疫苗接种管理

关于"洞察"的验证方法：课程在后续的 统计与概率课程 中介绍了均值、方差、中位数、四分位数与箱线图等工具，这些正是用来"检验假设、证明数据间相关性"的统计手段。你在本作业中描述的任何"相关性洞察"，最终都可以用这些工具落地验证。

场景三：工作生产力追踪

数据来源与量级判断的依据

填写"存储"一栏时，课程文档提供了判断数据形态的参考表：

同时，课程还梳理了典型的数据来源，供你在"如何收集"一栏展开思路：结构化来源包括物联网传感器（IoT）、用户问卷/调查、行为分析；非结构化来源包括文本（可提取情感倾向、关键词与语义）、图像/视频、Web 服务器日志；半结构化来源包括社交网络图谱、聚会照片构成的群体动态图谱等。你可以把这三个场景的收集手段逐一归入这些类别，让答案更有依据。

评分标准（Rubric）：如何自查你的答案

作业末尾给出了三档评分标准，这是提交前最重要的自查清单：

自查要点归纳如下：

• 领域数量：必须覆盖至少 3 个场景才具备冲击"优秀"的资格，只写 1 个场景直接落入"需改进"档；
• 存储不可省略：最容易丢分的点是漏掉"如何存储数据/数据量多大"这一列，它是合格档与优秀档的分水岭；
• 决策/洞察要具体："发现问题"不算完成，还必须说出基于数据能做什么（如调整策略、发布榜单、优化排班）。

从答案到代码：仓库中的真实数据科学实践

完成作业表格后，如果你想立刻体验"数据获取 → 处理 → 洞察 → 可视化"的真实链路，第一课还附带了一个动手挑战，代码在 notebook.ipynb 中（课程原文说明可用 Jupyter Notebook 运行并实时观察数据转换过程）。其完整流程为：

1. 获取数据：用requests下载维基百科"Data Science"词条 HTML；
2. 处理数据：安装beautifulsoup4并用BeautifulSoup解析 HTML，抽取mw-parser-output主内容区，清洗为纯文本；
3. 提取洞察：安装nlp_rake库，用Rake(max_words=2, min_freq=3, min_chars=5)提取关键词及其重要度得分；
4. 可视化结果：先用matplotlib绘制关键词条形图，再用wordcloud库生成词云，最终输出到images/ds_wordcloud.png。

其中 RAKE 关键词提取器就是典型的"从非结构化文本到结构化洞察"的数据处理环节——它把自然语言文本变成"关键词 + 重要度"的结构化列表，正如作业示例中"用 AI 识别人脸把图像转为结构化数据"一样，都是把非结构化数据加工成可分析形态。生成的词云成品如下：

作业联动：课程文档末尾列出两项任务，其中 Task 2 正是本篇讲解的《Think About Data Science Scenarios》场景设计作业（见 assignment.md）；而 Task 1 是修改 notebook 代码，为Big Data和Machine Learning两个领域生成对应的概念词云。如果你完成了 Task 1，也可以把这两门学科纳入你的场景思考素材。

结语

《Data Science Scenarios》这份作业的价值不在于"填表"，而在于建立一套可迁移的思维框架：任何业务流程，都可以用"数据四问"来解剖——收集什么、怎么收、怎么存、能决策什么。当你把教育、疫苗接种、生产力三个领域（或你自己定义的三类问题）完整走完一遍后，你就已经以"数据科学家"的视角重新审视了现实世界，这正是课程 Defining Data Science 希望你在第一周建立的核心能力。后续课程将从关系型数据库（2-Working-With-Data 章节）与可视化（3-Data-Visualization 章节）等方向，逐步把这个框架落到具体的工具与代码上。

免责声明：本翻译文档由 AI 翻译服务 Co-op Translator 提供，可能包含错误或不准确之处，原始英文文档（1-Introduction/01-defining-data-science/solution/assignment.md）应视为权威来源，关键信息请以专业人工翻译为准。

【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