Data Science for Beginners 课程环境搭建全指南从零配置 Jupyter、Python 与 Quiz 应用【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本篇指南基于 Data Science for Beginners 课程仓库的 安装文档 编写面向希望在本机或云端运行该数据科学课程的初学者与教育工作者。通过本文你将掌握从克隆仓库、安装 Python/Jupyter、配置虚拟环境到运行课程 Quiz 应用与 Docsify 文档服务器的完整流程并了解仓库内部源码结构以便后续独立学习与二次开发。安装前的准备工作在开始搭建环境之前请确认自己具备以下基础条件命令行/终端的基本使用能力后续几乎所有操作都在终端中完成包括git、pip、npm等命令的调用一个免费的 GitHub 账号用于克隆仓库git clone 或 Codespaces 云开发环境稳定的网络连接首次安装需要下载 Git、Python、Node.js 以及各类依赖包。快速启动方案优先推荐 GitHub Codespaces对于初学者最省事的方式是使用 GitHub Codespaces——它直接在浏览器中提供一个完整的云端开发环境无需在本机安装任何工具。操作步骤如下打开本课程仓库页面点击Code下拉菜单切换到Codespaces标签页点击Create codespace on main等待环境初始化完成通常需要 23 分钟。初始化完成后环境即已预装全部依赖可以直接开始学习。这种方式尤其适合课堂上快速分配环境相关教学用法可参考仓库根目录的 for-teachers.md。若你更倾向在自己的电脑上开发请继续阅读下面的本地安装流程。本地安装8 个步骤逐步完成Step 1安装 GitGit 用于克隆仓库并跟踪你的代码变更是后续所有步骤的基础。Windows从官方 git-scm 网站下载安装包使用默认设置运行安装程序即可。macOS通过 Homebrew 安装brew install git或从 git-scm 网站下载 macOS 版本。Linux# Debian/Ubuntu sudo apt-get update sudo apt-get install git # Fedora sudo dnf install git # Arch sudo pacman -S gitStep 2克隆仓库# 克隆仓库 git clone https://github.com/microsoft/Data-Science-For-Beginners.git # 进入仓库目录 cd Data-Science-For-Beginners克隆完成后你会看到一个包含 6 个课程模块1-Introduction至6-Data-Science-In-Wild、data数据集、quiz-app测验应用、docs文档等目录的完整课程仓库。Step 3安装 Python 与 Jupyter课程的数据科学章节要求Python 3.7 或更高版本。Windows从 python.org 下载 Python 安装包安装时务必勾选Add Python to PATH验证安装python --versionmacOS# 使用 Homebrew 安装 brew install python3 # 验证安装 python3 --versionLinux# 大多数 Linux 发行版已预装 Python python3 --version # 若未安装 # Debian/Ubuntu sudo apt-get install python3 python3-pip # Fedora sudo dnf install python3 python3-pip提示macOS 与 Linux 上 Python 可执行文件通常命名为python3而 Windows 上一般为python请根据你的平台调整命令。Step 4创建并激活 Python 虚拟环境推荐使用虚拟环境隔离依赖避免不同项目之间的包冲突# 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate激活后终端提示符通常会带上前缀如(venv)表示你已进入虚拟环境。Step 5安装数据科学 Python 包课程练习与 Notebook 主要依赖以下库pip install jupyter pandas numpy matplotlib seaborn scikit-learn各库的用途与仓库中的对应场景如下库用途仓库中的典型使用位置jupyter交互式 Notebook 运行环境各课程的notebook.ipynb与assignment.ipynbpandas数据加载、清洗与表格操作读取 data 目录下的 CSV/TSV 数据集numpy数值计算与数组运算数据变换与统计计算matplotlib基础绘图可视化章节3-Data-Visualizationseaborn统计图表美化分布、关系类图表的绘制scikit-learn机器学习建模分析章节中简单模型训练与评估仓库的 data 目录内置了birds.csv、honey.csv、mushrooms.csv、taxi.csv、diabetes.tsv等真实数据集无需额外下载即可完成大部分练习。Step 6安装 Node.js 与 npmQuiz 测验应用需要课程内置的测验应用quiz-app基于 Vue.js 构建需要 Node.js 与 npm。Windows/macOS从 nodejs.org 下载安装包推荐 LTS 长期支持版本运行安装程序即可。Linux# Debian/Ubuntu # 警告直接从网络管道执行脚本存在安全风险 # 建议先下载并审查脚本内容 # curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x # less setup_lts.x # 审查确认后再执行 # sudo -E bash setup_lts.x # # 或者自行承担风险使用以下一行命令 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # Fedora sudo dnf install nodejs # 验证安装 node --version npm --versionStep 7安装 Quiz 应用依赖# 进入测验应用目录 cd quiz-app # 安装依赖 npm install # 返回仓库根目录 cd ..从 quiz-app/package.json 可以看到该应用基于 Vue 2.6、vue-router 3.4 与 vue-i18n 8.22 构建并预置了三个常用脚本npm run serve启动开发服务器热重载npm run build编译并压缩生产版本npm run lint代码规范检查与自动修复。测验题目以 JSON 形式组织在 quiz-app/src/assets/translations 下按课程分组group-1.jsongroup-6.json存放支持多语言切换。Step 8可选安装 Docsify如需离线阅读课程文档可以全局安装 Docsify CLInpm install -g docsify-cliDocsify 的入口配置位于仓库根目录的 index.html其中通过window.$docsify配置了站点名称、仓库地址与relativePath: true选项导航目录则定义在 docs/_sidebar.md。安装后在仓库根目录执行docsify serve即可在浏览器中以网站形式浏览整个课程。验证安装是否成功完成上述步骤后建议按以下三项逐一验证环境可用。验证 Python 与 Jupyter# 如未激活虚拟环境先激活 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 启动 Jupyter Notebook jupyter notebook浏览器应自动打开 Jupyter 界面此时你可以导航到任意课程的.ipynb文件开始练习。例如 1-Introduction/01-defining-data-science/notebook.ipynb 或 2-Working-With-Data/08-data-preparation/notebook.ipynb。验证 Quiz 测验应用# 进入测验应用目录 cd quiz-app # 启动开发服务器 npm run serve测验应用默认运行在http://localhost:8080若 8080 端口被占用Vue CLI 会自动切换到其他端口并提示。课程中每节课的前置/后置测验都通过该应用进行题目数据源即上文提到的assets/translations下的 JSON 文件。验证 Docsify 文档服务器# 在仓库根目录执行 docsify serve文档站点默认运行在http://localhost:3000你可以在这里获得与在线版本一致的阅读体验且完全离线可用适合课堂等网络受限场景。进阶使用 VS Code Dev Containers 容器化开发如果你安装了 Docker还可以用 VS Code Dev Containers 在一键构建的容器中运行课程环境安装 Docker Desktop安装 Visual Studio Code安装 Remote - Containers 扩展在 VS Code 中打开仓库按F1并选择Remote-Containers: Reopen in Container等待容器首次构建完成仅第一次需要。容器化方案能保证团队成员或学生之间环境完全一致是教学场景中非常稳妥的备选方案。安装后的学习路径与故障排查环境就绪后可以按以下顺序深入阅读 README.md 了解课程全貌20 节课、10 周学习计划参考 USAGE.md 掌握常见工作流与 Notebook 操作技巧如Shift Enter运行单元格、课程的前置测验 → 阅读 → Notebook 练习 → 作业 → 后置测验标准流程遇到问题时查阅 TROUBLESHOOTING.md若希望参与课程改进请先阅读 CONTRIBUTING.md。关于获取帮助如果安装过程仍然报错建议按顺序尝试查阅 TROUBLESHOOTING.md → 在仓库 Issues 中搜索同类问题 → 加入课程 Discord 社区提问 → 在 Issues 中新建问题并附上完整的错误信息与操作系统版本以便维护者快速定位。小结本课程的核心学习载体包括三部分Jupyter Notebook 练习依赖 Python 生态、Quiz 测验应用依赖 Node.js 生态与Docsify 文档站点可选。只要按照本文的 8 个步骤依次完成 Git、Python、虚拟环境、Python 包、Node.js 与 Quiz 依赖的安装再通过验证安装一节的三项测试确认可用你就拥有了完整运行 Data Science for Beginners 课程所需的全部环境可以开始为期 10 周的数据科学之旅。【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 课程环境搭建全指南：从零配置 Jupyter、Python 与 Quiz 应用
Data Science for Beginners 课程环境搭建全指南从零配置 Jupyter、Python 与 Quiz 应用【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本篇指南基于 Data Science for Beginners 课程仓库的 安装文档 编写面向希望在本机或云端运行该数据科学课程的初学者与教育工作者。通过本文你将掌握从克隆仓库、安装 Python/Jupyter、配置虚拟环境到运行课程 Quiz 应用与 Docsify 文档服务器的完整流程并了解仓库内部源码结构以便后续独立学习与二次开发。安装前的准备工作在开始搭建环境之前请确认自己具备以下基础条件命令行/终端的基本使用能力后续几乎所有操作都在终端中完成包括git、pip、npm等命令的调用一个免费的 GitHub 账号用于克隆仓库git clone 或 Codespaces 云开发环境稳定的网络连接首次安装需要下载 Git、Python、Node.js 以及各类依赖包。快速启动方案优先推荐 GitHub Codespaces对于初学者最省事的方式是使用 GitHub Codespaces——它直接在浏览器中提供一个完整的云端开发环境无需在本机安装任何工具。操作步骤如下打开本课程仓库页面点击Code下拉菜单切换到Codespaces标签页点击Create codespace on main等待环境初始化完成通常需要 23 分钟。初始化完成后环境即已预装全部依赖可以直接开始学习。这种方式尤其适合课堂上快速分配环境相关教学用法可参考仓库根目录的 for-teachers.md。若你更倾向在自己的电脑上开发请继续阅读下面的本地安装流程。本地安装8 个步骤逐步完成Step 1安装 GitGit 用于克隆仓库并跟踪你的代码变更是后续所有步骤的基础。Windows从官方 git-scm 网站下载安装包使用默认设置运行安装程序即可。macOS通过 Homebrew 安装brew install git或从 git-scm 网站下载 macOS 版本。Linux# Debian/Ubuntu sudo apt-get update sudo apt-get install git # Fedora sudo dnf install git # Arch sudo pacman -S gitStep 2克隆仓库# 克隆仓库 git clone https://github.com/microsoft/Data-Science-For-Beginners.git # 进入仓库目录 cd Data-Science-For-Beginners克隆完成后你会看到一个包含 6 个课程模块1-Introduction至6-Data-Science-In-Wild、data数据集、quiz-app测验应用、docs文档等目录的完整课程仓库。Step 3安装 Python 与 Jupyter课程的数据科学章节要求Python 3.7 或更高版本。Windows从 python.org 下载 Python 安装包安装时务必勾选Add Python to PATH验证安装python --versionmacOS# 使用 Homebrew 安装 brew install python3 # 验证安装 python3 --versionLinux# 大多数 Linux 发行版已预装 Python python3 --version # 若未安装 # Debian/Ubuntu sudo apt-get install python3 python3-pip # Fedora sudo dnf install python3 python3-pip提示macOS 与 Linux 上 Python 可执行文件通常命名为python3而 Windows 上一般为python请根据你的平台调整命令。Step 4创建并激活 Python 虚拟环境推荐使用虚拟环境隔离依赖避免不同项目之间的包冲突# 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate激活后终端提示符通常会带上前缀如(venv)表示你已进入虚拟环境。Step 5安装数据科学 Python 包课程练习与 Notebook 主要依赖以下库pip install jupyter pandas numpy matplotlib seaborn scikit-learn各库的用途与仓库中的对应场景如下库用途仓库中的典型使用位置jupyter交互式 Notebook 运行环境各课程的notebook.ipynb与assignment.ipynbpandas数据加载、清洗与表格操作读取 data 目录下的 CSV/TSV 数据集numpy数值计算与数组运算数据变换与统计计算matplotlib基础绘图可视化章节3-Data-Visualizationseaborn统计图表美化分布、关系类图表的绘制scikit-learn机器学习建模分析章节中简单模型训练与评估仓库的 data 目录内置了birds.csv、honey.csv、mushrooms.csv、taxi.csv、diabetes.tsv等真实数据集无需额外下载即可完成大部分练习。Step 6安装 Node.js 与 npmQuiz 测验应用需要课程内置的测验应用quiz-app基于 Vue.js 构建需要 Node.js 与 npm。Windows/macOS从 nodejs.org 下载安装包推荐 LTS 长期支持版本运行安装程序即可。Linux# Debian/Ubuntu # 警告直接从网络管道执行脚本存在安全风险 # 建议先下载并审查脚本内容 # curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x # less setup_lts.x # 审查确认后再执行 # sudo -E bash setup_lts.x # # 或者自行承担风险使用以下一行命令 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # Fedora sudo dnf install nodejs # 验证安装 node --version npm --versionStep 7安装 Quiz 应用依赖# 进入测验应用目录 cd quiz-app # 安装依赖 npm install # 返回仓库根目录 cd ..从 quiz-app/package.json 可以看到该应用基于 Vue 2.6、vue-router 3.4 与 vue-i18n 8.22 构建并预置了三个常用脚本npm run serve启动开发服务器热重载npm run build编译并压缩生产版本npm run lint代码规范检查与自动修复。测验题目以 JSON 形式组织在 quiz-app/src/assets/translations 下按课程分组group-1.jsongroup-6.json存放支持多语言切换。Step 8可选安装 Docsify如需离线阅读课程文档可以全局安装 Docsify CLInpm install -g docsify-cliDocsify 的入口配置位于仓库根目录的 index.html其中通过window.$docsify配置了站点名称、仓库地址与relativePath: true选项导航目录则定义在 docs/_sidebar.md。安装后在仓库根目录执行docsify serve即可在浏览器中以网站形式浏览整个课程。验证安装是否成功完成上述步骤后建议按以下三项逐一验证环境可用。验证 Python 与 Jupyter# 如未激活虚拟环境先激活 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 启动 Jupyter Notebook jupyter notebook浏览器应自动打开 Jupyter 界面此时你可以导航到任意课程的.ipynb文件开始练习。例如 1-Introduction/01-defining-data-science/notebook.ipynb 或 2-Working-With-Data/08-data-preparation/notebook.ipynb。验证 Quiz 测验应用# 进入测验应用目录 cd quiz-app # 启动开发服务器 npm run serve测验应用默认运行在http://localhost:8080若 8080 端口被占用Vue CLI 会自动切换到其他端口并提示。课程中每节课的前置/后置测验都通过该应用进行题目数据源即上文提到的assets/translations下的 JSON 文件。验证 Docsify 文档服务器# 在仓库根目录执行 docsify serve文档站点默认运行在http://localhost:3000你可以在这里获得与在线版本一致的阅读体验且完全离线可用适合课堂等网络受限场景。进阶使用 VS Code Dev Containers 容器化开发如果你安装了 Docker还可以用 VS Code Dev Containers 在一键构建的容器中运行课程环境安装 Docker Desktop安装 Visual Studio Code安装 Remote - Containers 扩展在 VS Code 中打开仓库按F1并选择Remote-Containers: Reopen in Container等待容器首次构建完成仅第一次需要。容器化方案能保证团队成员或学生之间环境完全一致是教学场景中非常稳妥的备选方案。安装后的学习路径与故障排查环境就绪后可以按以下顺序深入阅读 README.md 了解课程全貌20 节课、10 周学习计划参考 USAGE.md 掌握常见工作流与 Notebook 操作技巧如Shift Enter运行单元格、课程的前置测验 → 阅读 → Notebook 练习 → 作业 → 后置测验标准流程遇到问题时查阅 TROUBLESHOOTING.md若希望参与课程改进请先阅读 CONTRIBUTING.md。关于获取帮助如果安装过程仍然报错建议按顺序尝试查阅 TROUBLESHOOTING.md → 在仓库 Issues 中搜索同类问题 → 加入课程 Discord 社区提问 → 在 Issues 中新建问题并附上完整的错误信息与操作系统版本以便维护者快速定位。小结本课程的核心学习载体包括三部分Jupyter Notebook 练习依赖 Python 生态、Quiz 测验应用依赖 Node.js 生态与Docsify 文档站点可选。只要按照本文的 8 个步骤依次完成 Git、Python、虚拟环境、Python 包、Node.js 与 Quiz 依赖的安装再通过验证安装一节的三项测试确认可用你就拥有了完整运行 Data Science for Beginners 课程所需的全部环境可以开始为期 10 周的数据科学之旅。【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