---

📖 教程简介

这不仅是一本技术手册，更是一部帮助你建立数据科学思维方式的认知指南。我们不教「调包侠」技能，而是培养真正的数据思维。

项目	说明
目标读者	完全零基础的入门者，无需编程或数学背景
学习方式	Jupyter Notebook 交互式学习
工具要求	Jupyter Lab + Python 3.8+
预计时长	10–12 周（每周 3–5 小时）

🧭 学习路线

不必从头学到尾——按你的目标和时间，选一条出发即可：

路线	适合人群	天数
🟠 全套学习路线	想系统掌握全貌	30
🔵 数据科学家路线	想成为专业数据科学家	20
🟢 数据分析师路线	想做日常数据分析与汇报	18
🟣 AI/大模型路线	想往大模型与 Agent 方向走	15
🟠 职场加分路线	想快速提升职场竞争力	10
🔴 周末速览路线	想先建立整体认知	3

---

教程目录

一、认知篇

• 第 0 章 · 正本清源：数据科学 vs 数据分析 — ch00 →
• 第 1 章 · 数据科学生态全景图 — ch01 →

二、工具篇

• 第 2 章 · 环境搭建与 Jupyter Lab 指南 — ch02 →
• 第 3 章 · Python 速成：够用就好 — ch03 →

三、数据篇

• 第 4 章 · 数据获取：从哪里找数据？ — ch04 →
• 第 5 章 · 数据清洗：脏数据终结者 — ch05 →
• 第 6 章 · 探索性数据分析（EDA） — ch06 →

四、可视化篇

• 第 7 章 · 数据可视化：一图胜千言 — ch07 →

五、分析篇

• 第 8 章 · 统计分析基础：用数据说话 — ch08 →
• 第 9 章 · 从分析到报告：讲好数据故事 — ch09 →

五点五、数学篇

• 第 9.5 章 · 数据科学数学基础：直觉优先 — ch-math →

六、预测篇

• 第 10 章 · 机器学习概览 — ch10 →
• 第 11 章 · 回归分析：预测连续值 — ch11 →
• 第 12 章 · 分类分析：预测类别 — ch12 →

七、实战篇

• 第 13 章 · 综合实战：从零到一完成项目 — ch13 →
• 第 14 章 · 拥抱 AGI 时代 — ch14 →

---

附录： 术语表 · 数据集索引 · 数学速查表

🚀 快速开始

# 1. 克隆仓库
git clone https://github.com/yibohere/Data-Science-For-Beginners.git
cd Data-Science-For-Beginners

# 2. 创建虚拟环境（推荐）
python -m venv .venv
# Windows: .venv\Scripts\activate
# macOS/Linux: source .venv/bin/activate

# 3. 安装依赖
pip install -r requirements.txt

# 4. 启动 Jupyter Lab
jupyter lab

从 第 0 章 开始，按顺序学习即可。

每章结构

每章 Notebook 均遵循统一模板：

• 🎯 学习目标 —— 本章学完后能做什么
• 📝 内容讲解 —— 图文并茂的理论与代码
• ✏️ 动手练习 —— 在 Jupyter 中实时编码
• 🤔 思考留白 —— 开放式问题，引导深度思考
• ✅ 本章小结 —— 核心知识点回顾

设计理念

设计原则	具体体现
认知先行	第 0 章讲透「数据科学 ≠ 数据分析」
思维 > 技能	每章「思考留白」刻意训练数据思维
循序渐进	认知 → 工具 → 数据 → 分析 → 预测 → 实战
实战驱动	每章可运行代码，最终完成完整项目
社区融合	开源社区学习路径 + AGI 视野

🤝 参与贡献

欢迎提交 Issue 和 Pull Request！详见 CONTRIBUTING.md。

许可证

本项目采用 MIT License 开源。

---

_{Made with ❤️follow ⭐Star for Data Science Beginners · 作者：Yibo翊博}