企业官网建设流程全解析

数据科学场景化思考实战：Data-Science-For-Beginners 第一课作业完整解析与拓展

【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

本文以开源课程 Data-Science-For-Beginners（"10 Weeks, 20 Lessons, Data Science for All!"）第一课《Defining Data Science》配套作业为核心，完整解析这份题为《Devoir : Scénarios en Science des Données》（数据科学场景）的法语版作业：它要求学习者围绕教育、疫苗接种、工作生产力三大领域，从"收集哪些数据、如何收集、如何存储、能得出什么洞察与决策"四个维度展开场景化思考。读完本文，你将掌握数据科学项目立项阶段的四问框架、数据采集与存储选型的方法论、以及对照仓库真实数据集进行方案验证的完整思路，并能据此独立完成这份作业及其评分要求。

一、作业定位：第一课的"数据科学场景"思考题

本作业是课程第一课 Defining Data Science 的收尾任务，位于 translations/fr/1-Introduction/01-defining-data-science/assignment.md（法语版，内容与 英文原版 一致）。它紧承第一课的核心主张：数据科学的价值不在于"处理数据"本身，而在于用数据改进真实世界的流程与决策。因此作业要求学习者面向现实中的业务流程或问题，模拟数据科学家的第一步——不写代码、不做模型，而是先把问题拆解为可被数据回答的问题。

作业要求针对每一个问题领域，逐一回答以下四个问题：

1. 你能收集哪些数据（Quelles données pouvez-vous collecter）？
2. 你打算如何收集这些数据（Comment les collecteriez-vous）？
3. 你会如何存储这些数据？数据的规模大概有多大（Comment stockeriez-vous les données ? Quelle serait probablement la taille des données）？
4. 你能从这些数据中得出什么洞察（aperçus）？基于这些数据我们能做出什么决策（Quelles décisions pourrions-nous prendre）？

这四个问题并非随意罗列，而是对应了第一课 README 中归纳的数据旅程五步：数据获取（Data Acquisition）→ 数据存储（Data Storage）→ 数据处理（Data Processing）→ 可视化/人工洞察（Visualization / Human Insights）→ 预测模型训练（Training a predictive model）。换言之，这份作业就是让你在动手编码之前，先把这五个环节在脑子里各走一遍——这正是数据科学项目立项阶段最关键的"需求分析"。

二、四问框架逐条拆解：怎么把"想法"变成"数据方案"

2.1 问题一：收集哪些数据？

判断"该收集什么数据"的核心原则是：数据必须能反向回答你要解决的业务问题。第一课将数据划分为结构化（structured）、半结构化（semi-structured）与非结构化（unstructured）三类，并给出了常见数据来源清单：

• 结构化数据：IoT 传感器读数（温度、压力）、购买/访问后的用户问卷、用户行为分析（如用户在站点内的浏览深度与离开原因）；
• 非结构化数据：文本（可用于情感分析、关键词提取）、图片/视频（如监控视频用于估算道路交通流量）、Web 服务器日志（哪些页面被访问最多、停留多久）；
• 半结构化数据：社交网络关系图（可刻画用户性格与信息传播潜力）、聚会合影中的人际关系图（Group Dynamics）。

仓库的 data 目录 恰好提供了一批真实可查的结构化数据集，可作为"该收集什么数据"的参照物：例如 honey.csv 记录各州、各年份的蜂群数、单群产量、总产量、库存与单价；birds.csv 记录鸟类物种的目、科、属与体型/翼展/体重区间；diabetes.tsv 为糖尿病患者的年龄、性别、BMI、血压及多项生理指标；emails.csv 则是典型的词频矩阵（每封邮件中各单词的出现次数）。这些文件说明：好的数据集 = 明确的行（对象）+ 明确的列（指标）+ 可追溯的时间/空间维度。你在作业中设计"收集什么数据"时，应当能想象出最终落成的表头长什么样。

2.2 问题二：如何收集？

收集方式取决于数据源类型。第一课给出的典型路径包括：

• IoT / 传感采集：若场景依赖传感器（如教室温湿度、车间设备状态），通常需要缓冲端点（如 IoT Hub）先汇聚海量原始信号，再做后续处理；
• 问卷/表单：面向用户的主观反馈，成本低、可批量；仓库 data/form.csv 即是一份问卷回收数据的样例；
• 日志与行为埋点：被动采集用户在系统内的操作轨迹；
• 公开数据集与爬取：利用现成的开放数据（课程中挑战环节就通过抓取维基百科文本生成词云，代码见 notebook.ipynb）。

作业中你不需要真正实施采集，但必须明确"数据从哪里来、以什么频率/渠道进入系统"，这决定了后续存储与处理的成本。

2.3 问题三：如何存储？数据规模多大？

第一课 README 给出三种典型存储方案，这也是作业评分中明确会考察的一环（评分标准要求"讨论了数据存储方式"）：

规模估算要与存储选型联动：若每天仅产生几百条问卷记录，一张关系表即可承载；若场景是全校每间教室每分钟一次的传感器读数，数年累计将达千万级行——此时就需要考虑数据湖或分布式方案。仓库 2-Working-With-Data 部分专门用两课讲解关系型与非关系型数据（对应目录 05-relational-databases 与 06-non-relational），后者还提供了 JSON 样例（PersonsData.json、TwitterData.json）可供参考。

2.4 问题四：能得出什么洞察与决策？

这是四问的"落点"：数据必须转化为可行动的洞察（actionable insights）。第一课强调，数据科学的最终目标是基于数据做决策，而洞察通常需要经过可视化或统计检验才能被"看见"——这正是课程 3-Data-Visualization 部分（共 5 课：数量、分布、比例、关系与有意义可视化）要训练的能力。在作业阶段，你只需要合情合理地推演："假如我拿到这些数据，我能发现什么规律，并据此做什么改变"。注意：洞察应当可验证、可执行，而不是空泛的"了解情况"。

三、三大示例场景：从"提示"到"可落地的数据方案"

作业给出了三个起始领域（也允许你替换为自己的想法），下面给出每个领域的完整推演示范。完成作业时，可对照此思路填充官方表格。

3.1 场景一：用数据改进儿童的在校教育过程

• 收集哪些数据：学生学习行为数据（各模块/章节的完成时长、作业提交时间与成绩、测验得分、课堂出勤）、教师的评价记录、学生的年龄/年级等属性数据；非结构化数据可包括作业文本与课堂讨论记录（用于理解难点）。
• 如何收集：学习管理系统（LMS）自动埋点记录学习行为；课后测验与作业通过系统提交；学生属性通过注册表单维护。注意保护未成年人数据的合规性。
• 如何存储：学习行为与成绩属于高度结构化的关系数据，宜用关系型数据库按"学生表—课程表—成绩表"建模（主键/外键关联）；讨论文本等非结构化内容可放入 NoSQL 或文件存储。规模上，一所学校数千学生、每年数千条行为记录，单机关系库即可承载。
• 洞察与决策：第一课 README 中的课程优化例子正属于此类——统计每名学生完成每个模块的平均时长（考虑按模块字符数归一化），找出学生普遍卡壳的模块并简化内容；分析测验中每道题的错误率，定位学生理解薄弱的概念点并改进讲义；进一步将完成时长与学生年龄分段交叉分析，可给出分年龄段的课程推荐，减少因预期不符导致的退课。

3.2 场景二：用数据控制疫情期间的疫苗接种

• 收集哪些数据：接种记录（疫苗批号、接种时间、接种点）、人口信息（年龄、地区、慢性病史、职业）、疫情传播数据（每日新增病例、住院率、死亡率）、疫苗库存与有效期数据。
• 如何收集：接种点在接种时通过信息系统实时登记；医疗机构按日上报病例；人口信息来自既有卫生档案；疫苗库存由供应链系统维护。仓库 data/COVID 下的time_series_covid19_confirmed_global.csv、time_series_covid19_deaths_global.csv、time_series_covid19_recovered_global.csv正是这类"按国家/地区+日期"累积的典型时序公开数据，可直接作为"如何组织疫情数据"的参照。
• 如何存储：接种与病例数据为典型的表格时序数据，关系型数据库 + 分区表足以支撑按日期、地区的聚合查询；若涉及全人口级的细粒度轨迹与图谱分析，可引入 NoSQL 或数据湖。规模取决于人口量级：国家级每日千万级记录的聚合运算需考虑集群或列式存储（如 Parquet）。
• 洞察与决策：识别接种率低的人群与地区，定向投放接种宣传与增设临时接种点；监测不同疫苗批次的副作用报告率，辅助安全性决策；结合病例曲线评估某地区疫苗覆盖率与住院率的关系，动态调整分配优先级与解封策略。

3.3 场景三：用数据保证工作生产力

• 收集哪些数据：任务管理系统中的任务完成时间、工作时长记录、会议时长与数量、干扰事件日志（消息/邮件打断频次）、个人健康数据（睡眠时长，若有穿戴设备）。
• 如何收集：项目管理/待办工具自动记录任务耗时；日历与通讯工具导出会议与消息元数据；穿戴设备或手记补充健康维度。注意这类数据高度个人化，需在隐私允许的范围内使用。
• 如何存储：个人量级数据量很小（每天几十到几百条记录），关系型数据库或本地 CSV/电子表格即可；若要跨团队分析，可统一入库并按人员、周聚合。
• 洞察与决策：发现"深度工作时段"与任务产出效率的相关性，据此调整日程安排（把高难度任务排进高效时段、减少中断）；识别会议占比过高的团队并推动会议瘦身；结合任务预估与实际耗时偏差，改进工作估时模型。

3.4 官方作业表格（可直接复制使用）

作业要求填写下表，可用自己的领域替换建议领域（原表共 3 行，务必全部填写）：

四、评分标准解读：三个等级差在哪里

作业末尾附带的评分表（Rubric）是自我校验的标尺，共分三档：

从评分表可以提炼出三条硬性要求：① 领域数量要足够（至少 2 个，理想是 3 个全部覆盖）；② 存储环节不可缺（这是最容易被忽略、也最容易被扣分的一项，务必回到本文 2.3 节的三种存储方案去说明）；③ 洞察与决策必须落到"可采取的行动"，而非泛泛而谈。建议在提交前逐行检查：每一行是否都填满了四列？"存储方式"是否结合了数据规模说明？"洞察/决策"是否具体到"据此可以做什么改变"？

五、拓展：把作业升维成"数据旅程"的完整推演

如果你想让作业质量超出评分表要求，可以在四个问题之外，主动补充以下两层思考——它们全部源于第一课正文，属于课程明确传授的方法论：

1. 数据旅程的完整性：第一课将数据生命周期归纳为"获取→存储→处理→可视化→建模"五步，作业四问其实覆盖了前两步和第四步（决策即"洞察"）。你可以在方案中额外说明：原始数据如何清洗转换（对应课程第 8 课 数据准备），以及最终是否需要训练预测模型（课程第 10 周内容的前置铺垫）。例如疫苗接种场景中，"预测未来两周某地区的确诊趋势"就需要在历史时序数据之上构建预测模型——仓库中的 COVID 时序文件正是这类建模任务的输入素材。

2. 数字化与数字化转型：第一课指出，先要把业务流程转化为数字形式（数字化，digitalization），再对其应用数据科学技术驱动决策、甚至改变业务方向（数字化转型，digital transformation）。在作业的场景描述里点明"该流程中哪些环节目前还是纸面/人工的，需要先数字化"，会让你的方案更贴合数据科学的真实落地逻辑。

此外，仓库为每个主要板块都提供了配套的练习数据集与 Notebook，完成作业后可以挑选一个场景实际动手：例如用 04-stats-and-probability 的统计方法检验你设想中的相关性，或用 3-Data-Visualization 的图表验证你的"洞察假设"。这样就从"纸上推演"跨入了"真实数据科学流程"，与第一课的挑战环节（用 notebook.ipynb 处理维基百科文本生成词云）形成闭环。

六、总结：完成本作业的行动清单

1. 为每个领域写清楚四问答案，至少覆盖教育、疫苗接种、生产力 3 个领域（或用自选领域替换）；
2. 每一问都落到具体：数据要能说出"哪张表、哪些列"，存储要指定"关系型 / NoSQL / 数据湖"并估算规模，决策要具体到"据此做什么行动"；
3. 用本文 3.4 节的表格组织答案，逐格检查是否填满；
4. 对照评分表自我评分：存储是否讨论、领域是否 ≥2、洞察是否可行动；
5. 有余力时，把方案中的关键假设与仓库 data 目录 的真实数据集（如 COVID 时序数据、honey.csv、birds.csv）对照，验证你的数据模型设想是否成立。

完成这份作业，你就完成了数据科学学习的第一步：在写第一行代码之前，学会用数据的眼光重新审视世界上的问题。

【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