软件工程第一次作业

软件工程第一次作业

这个作业属于哪个课程	https://edu.cnblogs.com/campus/fzu/202501SoftwareEngineering
这个作业要求在哪里	https://edu.cnblogs.com/campus/fzu/202501SoftwareEngineering/homework/13546
这个作业的目标	创建并完善github账户及博客园账户，掌握markdown语法，掌握git基本命令的用法，熟练运用ai工具，明确自己具备的技能并做好职业规划
学号	102301510

markdown编辑截图

Github团队主页搭建

团队仓库: https://github.com/XunBo2023/cuddly-umbrella

团队logo

自我介绍: https://github.com/XunBo2023/cuddly-umbrella/blob/main/Dafang.md

个人评估

目前具备技能

• c/c++、JavaScript基础，能写简单程序

感兴趣的方面

• 对软件工程，开发程序感兴趣

目前缺少的能力

• 缺少大型项目开发经验

代码量

• 1k+

本学期学习目标

• 希望代码量能达到2k+
• 能完成一个项目

AI生成的学习指南

一、学习核心目标

数据科学的核心是 “从数据中提取价值，用数据驱动决策”，核心目标聚焦 “从‘看懂数据’到‘用数据解决实际问题’的能力跨越”，具体拆解为 3 点：
1.理解数据从采集、清洗、分析到建模、可视化、落地应用的全流程逻辑；
2.掌握各环节的核心工具与算法，能独立完成中小型数据项目的完整落地；
3.建立 “数据思维 + 业务思维” 双驱动模式，具备将数据结论转化为可执行方案的能力。

二、分阶段学习路径（适合新手，周期 7-9 个月）

阶段1：基础能力搭建（2-3 个月）

重点解决 “数据科学是什么、需要哪些基础能力” 的认知问题，避免后续学习陷入 “工具堆砌” 或 “算法空转” 误区。

• 必学内容：
  • 数学基础：概率论（古典概型、条件概率、正态分布）、线性代数（矩阵运算、向量相关性）、统计学（均值、方差、假设检验、置信区间），无需深入推导，重点掌握 “如何用数学思维理解数据规律”；
  • 编程基础：Python 核心语法（变量、循环、函数、类）、数据结构（列表、字典、数组），重点训练 “用代码处理数据的基本能力”；
  • 数据认知：数据类型（结构化数据如 Excel 表格、非结构化数据如文本 / 图片）、数据质量指标（完整性、准确性、一致性）、常见数据来源（公开数据集如 Kaggle、企业内部数据库）。
• 推荐资源：
  • 教材：《Python 编程：从入门到实践》（夯实编程基础）、《深入浅出统计学》（通俗讲解统计核心概念）；
  • 课程：Coursera《Python for Everybody》（密歇根大学，免费，侧重实战）、B 站 “黑马程序员 Python 数据分析”（配套案例 + 代码，适合零基础）；
  • 工具：Anaconda（集成 Python 环境 + 常用库，避免环境配置难题）、Jupyter Notebook（代码 + 笔记一体化，方便复盘）。

核心工具与技能落地（3-4 个月）

用 “工具 + 方法” 打通数据处理全流程，形成 “数据清洗→分析→可视化→建模” 的完整技能链，避免单一工具学习导致的 “碎片化能力”。

学习环节	核心方法	推荐工具/库	学习重点
数据清洗	缺失值处理（删除 / 填充）、异常值识别（箱线图 / IQR）、数据标准化（Min-Max/Z-Score）	Pandas（数据处理核心库）、NumPy（数值计算）	理解 “为什么清洗” 比 “怎么清洗” 更重要，避免过度处理丢失关键信息
数据可视化	单变量分析（直方图 / 箱线图）、双变量分析（散点图 / 折线图）、多变量分析（热力图 / 雷达图）	Matplotlib（基础绘图）、Seaborn（美化 + 统计图表）、GitHub/GitLab（团队协作）	用 “简洁清晰” 原则选择图表，避免为了美观堆砌特效
数据分析	描述性分析（数据分布 / 趋势）、探索性分析（相关性分析 / 归因分析）	Pandas（分组统计）、SciPy（统计检验）	结合业务场景解读数据结论，比如 “用户活跃度下降 30%” 需关联运营动作
数据建模	回归分析（线性回归预测连续值）、分类算法（逻辑回归 / 决策树识别类别）	Scikit-learn（机器学习基础库）	掌握 “模型参数调优”“模型评估指标（MAE/RMSE/ 准确率 / 召回率）”，不追求复杂算法

阶段3：实战项目深化（2-3 个月）

通过 “场景化项目” 验证学习成果，优先从 “贴近生活的小项目” 入手，再过渡到 “模拟企业场景的综合项目”，避免 “学完工具却不会用” 的困境。

1. 个人项目（入门，1-1.5 个月）:
   • 示例 1：“外卖订单数据分析”（用 Kaggle 外卖数据集，分析订单量时间分布、用户偏好菜品、配送时长影响因素，输出可视化报告）；
   • 示例 2：“房价预测小工具”（用某城市房价数据集，通过线性回归模型预测房价，用 Flask 搭建简单网页界面，支持输入面积 / 户型等参数输出预测结果）；
   • 目标：练手数据清洗流程、可视化逻辑、基础模型落地，学会用 “Markdown 写项目报告”，明确 “数据来源→分析步骤→结论→改进方向”。
2. 综合项目（进阶，1-1.5 个月，可 2-3 人协作）:
   • 示例：“电商用户流失预警系统”（分工 “数据采集（模拟用户行为数据）、特征工程（提取用户活跃度 / 消费频率等指标）、模型训练（用决策树 / 随机森林做分类）、可视化看板（用 Tableau 展示流失率趋势）”）；
   • 关键动作：用 GitHub 管理项目代码，按 “需求文档→数据字典→清洗方案→模型报告→可视化成果” 输出完整资料，模拟企业 “数据分析师 + 算法工程师” 协作流程。

三、避坑与高效学习建议

1. 拒绝 “数学焦虑”：新手常因数学基础薄弱放弃，其实初期无需深入推导公式，比如用 “身高体重相关性” 理解线性回归，用 “掷骰子” 理解概率，先会 “用” 再学 “原理”；
2. 避免 “工具堆砌”：不要盲目学 Python、R、SQL、Tableau 等所有工具，先精通 “Python（Pandas/Scikit-learn）+SQL”（企业最常用组合），再根据需求补充其他工具，比如需要复杂可视化再学 Tableau；
3. 别跳过 “业务理解”：很多人沉迷建模却忽略业务，比如 “用户复购率低”，不能只看数据显示 “复购率 20%”，还要结合 “是否有复购优惠活动”“客服售后体验” 等业务信息，否则结论毫无价值；
4. 坚持 “每日小练习”：每天花 30 分钟做 “数据小任务”，比如用 Pandas 处理一份 Excel 表格、用 Matplotlib 画一张趋势图，或在 LeetCode Database 板块刷 1 道 SQL 题，保持数据处理手感。

四、总结

数据科学的核心不是 “学多少算法、会多少工具”，而是 “建立‘用数据解决问题’的思维闭环”。从基础能力搭建打地基，用工具技能形成落地能力，靠实战项目积累经验，逐步实现 “从数据新手到能输出有价值数据结论的从业者” 的跨越，满足企业对 “能干活、懂业务” 的数据人才的核心需求。