面向初学者的数据科学教程与资源

如果你想了解更多关于数据科学的知识，却不知道从何入手，那么这份列表正适合你！ :chart_with_upwards_trend:

无需任何先验知识，不过掌握Python和统计学基础将会非常有帮助。这些资源在我所在的数据科学学生组织ML-KA中已被众多初学者成功使用。

什么是数据科学？

• 'Quora上的“什么是数据科学？”'
• 重要术语解释 - 区分大数据、机器学习和数据科学。
• 《商业中的数据科学》（书籍） - 数据科学及其作为商业资产的应用入门。
• 数据科学流程：初学者全面指南 - 数据科学所需的技术技能：强调在整个数据科学流程中所需的实践技能。

常见算法与流程

• 监督学习与无监督学习 - 两种最常见的机器学习算法类型。
• 9种重要的数据科学算法及其实现
• 交叉验证 - 评估你的算法或模型性能。
• 特征工程 - 修改数据以更好地进行预测。
• 10种重要数据科学算法的科学介绍
• 模型集成：解释 - 将多个模型结合为一个，以提升性能。

使用Python进行数据科学

本列表仅涵盖Python，因为许多人已经熟悉这门语言。使用R的数据科学教程。

通用

• O'Reilly《从零开始的数据科学》（书籍） - 数据处理、实现和可视化，并附示例代码。
• Coursera应用数据科学课程 - 使用Python的在线课程，覆盖了大部分相关工具包。

学习Python

• sentdex的YouTube教程系列
• 交互式Python教程网站

numpy

numpy 是一个Python库，提供大型多维数组以及在其上进行快速数学运算的能力。

• DataCamp上的numpy教程

pandas

pandas 为Python提供了高效的数据结构和分析工具。它构建在numpy之上。

• pandas简介
• DataCamp pandas基础课程 - 需付费，但注册账户后可享受30天免费试用（足够完成课程）。
• Pandas速查表 - 对最重要函数的快速概述。

scikit-learn

scikit-learn 是Python中最常用的机器学习和数据科学库。

• 简介及首个模型应用
• 选择估计器的粗略指南
• scikit-learn完整用户指南
• 模型集成：Python实现

Jupyter Notebook

Jupyter Notebook 是一个用于轻松数据可视化和代码展示的Web应用程序。

• 下载并运行第一个Jupyter Notebook
• 数据探索示例Notebook
• Seaborn数据可视化教程 - 一个非常适合与Jupyter配合使用的绘图库。

其他有用的工具与资源

• 用于组织数据科学项目的模板文件夹结构
• Anaconda Python发行版 - 包含大多数重要的数据科学Python包。
• Spacy - 一个用于处理文本数据的开源工具包。
• LightGBM梯度提升框架 - 已成功应用于许多Kaggle竞赛。
• 亚马逊AWS - 可租用云服务器来进行耗时计算（r4.xlarge实例是一个不错的起点）。

面向初学者的数据科学挑战

按难度递增排序。

• 房屋价格挑战 walkthrough - 通过一个简单的房屋价格挑战进行讲解。
• 献血挑战 - 预测捐赠者是否会再次献血。
• 泰坦尼克号挑战 - 预测泰坦尼克号上的生还情况。
• 水泵挑战 - 预测非洲地区水泵的工作状态。

更高级的资源与列表

• Awesome Data Science
• 数据科学Python
• 机器学习教程

贡献

欢迎贡献！请先阅读贡献指南。

许可证

在法律允许的最大范围内，Simon Böhm 已放弃本作品的所有版权及相关权利或邻接权利。免责声明：部分链接为联盟推广链接。

awesome-learn-datascience 快速上手指南

本指南旨在帮助初学者利用 awesome-learn-datascience curated 的资源快速进入数据科学领域。该列表主要聚焦于 Python 生态系统。

环境准备

在开始之前，请确保满足以下前置条件：

• 操作系统：Windows, macOS 或 Linux 均可。
• 基础知识：无需深厚背景，但掌握基础的 Python 语法和统计学概念将大有裨益。
• 核心依赖：
  • Python (建议版本 3.8+)
  • 包管理工具 (pip 或 conda)
  • Jupyter Notebook (用于交互式学习和可视化)

国内加速建议： 推荐使用 Anaconda 发行版，它预装了绝大多数数据科学所需的库。

• 下载镜像：清华大学开源软件镜像站 (https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/)
• 配置源：安装后执行以下命令配置清华源以加速包下载：

  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  conda config --set show_channel_urls yes
  

安装步骤

如果你尚未安装相关环境，可以通过以下两种方式快速搭建：

方案 A：使用 Anaconda (推荐)

1. 从上述国内镜像下载并安装 Anaconda。
2. 创建专属学习环境并安装核心库：

   conda create -n ds-learning python=3.9
   conda activate ds-learning
   conda install numpy pandas scikit-learn jupyter matplotlib seaborn
   

方案 B：使用 pip 手动安装

如果已安装 Python，可直接使用 pip 安装（建议配置国内 pip 源）：

python -m pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install numpy pandas scikit-learn jupyterlab matplotlib seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple

验证安装

启动 Jupyter Lab 以验证环境是否就绪：

jupyter lab

基本使用

本资源列表的核心价值在于引导你通过实战学习。以下是基于列表中推荐工具的最简入门流程：

1. 启动学习笔记本

在 Jupyter 中新建一个 Notebook，首先导入核心库并检查版本，这是所有教程的第一步：

import numpy as np
import pandas as pd
import sklearn
import matplotlib.pyplot as plt
import seaborn as sns

print(f"NumPy version: {np.__version__}")
print(f"Pandas version: {pd.__version__}")
print(f"Scikit-learn version: {sklearn.__version__}")

# 设置绘图风格
sns.set(style="whitegrid")

2. 加载与探索数据 (Pandas)

参考列表中关于 pandas 的教程，尝试加载一个简单的数据集（如经典的泰坦尼克号数据集）：

# 示例：加载 CSV 数据
# 实际使用时可替换为本地文件或 URL
url = "https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv"
df = pd.read_csv(url)

# 查看前 5 行数据
print(df.head())

# 查看数据基本信息
print(df.info())

3. 构建第一个模型 (Scikit-Learn)

参考 scikit-learn 部分，尝试建立一个简单的监督学习模型（如预测生存率）：

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 简单的特征选择与预处理
features = ['Pclass', 'Sex', 'Age', 'Fare']
df['Sex'] = df['Sex'].map({'male': 0, 'female': 1})
df = df.dropna(subset=features + ['Survived'])

X = df[features]
y = df['Survived']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化并训练模型
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 评估模型
predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print(f"Model Accuracy: {accuracy:.2f}")

4. 进阶挑战

完成基础练习后，可前往列表中 Data Science Challenges for Beginners 部分，尝试以下实战项目：

• Titanic Challenge: Kaggle Titanic
• House Prices: Dataquest Walkthrough

按照列表提供的链接深入阅读具体算法原理（如交叉验证、特征工程）并应用于这些挑战中。