vault backup: 2024-01-23 20:03:58

Spaces/000-Task/全栈工程师.md

@@ -2,12 +2,12 @@
 atlas: "[[Task Tracker]]"
 completed: 40
 created: 2023-07-08 03:18:59
-incomplete: 1233
-modified: 2024-01-23 02:30:49
+incomplete: 1640
+modified: 2024-01-23 18:38:53
 tags:
   - Task
 title: 全栈工程师
-total: 1273
+total: 1680
 ---
 
 # GitHub
@@ -818,30 +818,595 @@ total: 1273
 
 ### 数据科学基础
 
+#### 数据科学概念入门
+
+- [ ] 欢迎来到课程一
+- [ ] 课程一介绍
+- [ ] 欢迎来到模块一
+- [ ] 探索你的数据工具箱
+- [ ] 总结
+- [ ] 带着好奇心探索你的数据职业生涯
+- [ ] 准备第一次评估
+
+#### 当今数据的影响
+
+- [ ] 欢迎来到模块二
+- [ ] 创建数据驱动的商业解决方案
+- [ ] 数据驱动型职业推动现代企业发展
+- [ ] 非营利组织利用数据分析
+- [ ] 数据职业所需的顶级技能
+- [ ] 数据专业人员的重要伦理考虑因素
+- [ ] 数据专业人员的职业空间
+- [ ] 总结
+
+#### 作为数据专业人员的职业生涯
+
+- [ ] 欢迎来到模块三
+- [ ] 终生热爱数据
+- [ ] 数据职业的未来
+- [ ] 给求职者的建议
+- [ ] 打造专业的在线形象
+- [ ] 加强专业关系
+- [ ] 为求职做好准备
+- [ ] 突出技术和人员技能
+- [ ] 总结
+
+#### 数据应用和工作流程
+
+- [ ] 欢迎来到模块四
+- [ ] 沟通在数据科学职业中的重要性
+- [ ] PACE 介绍
+- [ ] 沟通的关键要素
+- [ ] 沟通驱动 PACE
+- [ ] 将 PACE 与即将到来的课程主题联系起来
+- [ ] 总结
+
+#### 课程一结业项目
+
+- [ ] 作品集的价值
+- [ ] 课程一结业项目集介绍
+- [ ] 结业项目总结和职业成功秘诀
+- [ ] 总结
+
 ### Python 入门
 
+#### 你好 Python
+
+- [ ] 课程二介绍
+- [ ] 欢迎来到模块一
+- [ ] 我的数据职业之路
+- [ ] Python 入门
+- [ ] 了解有关 Python 的更多信息
+- [ ] Jupyter Notebooks
+- [ ] 面向对象编程
+- [ ] Python 如何助力我的数据科学生涯
+- [ ] 变量和数据类型
+- [ ] 创建精确的变量名
+- [ ] 数据类型和转换
+- [ ] 总结
+
+#### 函数和条件语句
+
+- [ ] 欢迎来到模块二
+- [ ] 应对学习代码时遇到的挑战的技巧
+- [ ] 定义函数和返回值
+- [ ] 编写简洁的代码
+- [ ] 使用注释构建您的代码
+- [ ] 使用运算符进行比较
+- [ ] 使用 if、elif、else 语句进行决策
+- [ ] 总结
+
+#### 循环和字符串
+
+- [ ] 欢迎来到模块三
+- [ ] 用分析思维解决问题
+- [ ] while 循环简介
+- [ ] for 循环简介
+- [ ] 带有多个范围参数的循环
+- [ ] 使用字符串
+- [ ] 字符串切片
+- [ ] 格式化字符串
+- [ ] 总结
+
+#### Python 中的数据结构
+
+- [ ] 欢迎来到模块四
+- [ ] 列表简介
+- [ ] 修改列表内容
+- [ ] 元组简介
+- [ ] 更多有关循环、列表和元组的内容
+- [ ] 字典简介
+- [ ] 字典方法
+- [ ] 集合简介
+- [ ] 包的力量
+- [ ] NumPy 简介
+- [ ] 基本数组操作
+- [ ] Pandas 简介
+- [ ] Pandas 基础
+- [ ] 布尔屏蔽
+- [ ] 分组和聚合
+- [ ] 合并和连接数据
+- [ ] 总结
+
+#### 课程二结业项目
+
+- [ ] 欢迎来到模块五
+- [ ] 课程二结业项目集介绍
+- [ ] 结业项目总结和职业成功秘诀
+- [ ] 总结
+
 ### 超越数字：将数据转化为洞察
 
+#### 使用数据查找和分享故事
+
+- [ ] 欢迎来到课程三
+- [ ] 障碍与成就
+- [ ] 欢迎来到模块一
+- [ ] 使用六种探索性数据分析实践寻找故事
+- [ ] 数据科学和讲故事
+- [ ] 将 PACE 和 EDA 实践相结合
+- [ ] 数据可视化的 PACE
+- [ ] 总结
+
+#### 探索原始数据
+
+- [ ] 欢迎来到模块二
+- [ ] 理解数据以驱动价值
+- [ ] 数据来源
+- [ ] 使用 Python 的基本数据函数进行电子数据处理
+- [ ] 发现数据集中的缺失之处
+- [ ] 使用 Python 进行日期字符串操作
+- [ ] 使用结构化方法在数据集中建立顺序
+- [ ] 使用 Python 构建 EDA 结构
+- [ ] 总结
+
+#### 清洗你的数据
+
+ - [ ] 欢迎来到模块三
+ - [ ] 处理缺失数据的方法
+ - [ ] 在 Python 笔记本中处理缺失数据
+ - [ ] 数据专家的一天
+ - [ ] 考虑异常值
+ - [ ] 用 Python 识别和处理异常值
+ - [ ] 数字与名称排序
+ - [ ] Python 中的标签编码
+ - [ ] 输入验证的价值
+ - [ ] 使用 Python 验证输入
+ - [ ] 总结
+
+#### 数据可视化与演示
+
+- [ ] 欢迎来到模块四
+- [ ] 可视化生命周期
+- [ ] 使用 Tableau（1）
+- [ ] 使用 Tableau（2）
+- [ ] 探索数据的可能性
+- [ ] 使用 Tableau 制作引人入胜的故事
+- [ ] 使用 Tableau 进行专业演示
+- [ ] 总结
+
+#### 课程三结业项目
+
+- [ ] 欢迎来到模块五
+- [ ] 课程三结业项目集介绍
+- [ ] 结业项目总结和职业成功秘诀
+- [ ] 总结
+
 ### 统计的力量
 
+#### 统计入门
+
+- [ ] 欢迎来到课程四
+- [ ] 参与和联系
+- [ ] 欢迎来到模块一
+- [ ] 统计在数据科学中的作用
+- [ ] 实际中的统计：A/B 测试
+- [ ] 描述统计与推断统计
+- [ ] 中心倾向测量法
+- [ ] 离散度测量法
+- [ ] 位置测量法
+- [ ] 统计是数据驱动型解决方案的基础
+- [ ] 用 Python 计算描述统计数据
+- [ ] 总结
+
+#### 可能性
+
+- [ ] 欢迎来到模块二
+- [ ] 客观概率与主观概率
+- [ ] 概率原理
+- [ ] 概率和事件的基本规则
+- [ ] 条件概率
+- [ ] 探索贝叶斯定理
+- [ ] 贝叶斯定理的扩展版
+- [ ] 概率分布简介
+- [ ] 二项分布
+- [ ] 泊松分布
+- [ ] 正态分布
+- [ ] 使用 z 分数对数据进行标准化
+- [ ] 用 Python 处理概率分布
+- [ ] 总结
+
+#### 抽样
+
+- [ ] 欢迎来到模块三
+- [ ] 重视每个人的贡献
+- [ ] 抽样简介
+- [ ] 抽样流程
+- [ ] 比较抽样方法
+- [ ] 抽样偏差的影响
+- [ ] 抽样如何影响你的数据
+- [ ] 中心极限定理
+- [ ] 比例的抽样分布
+- [ ] 用 Python 对分布进行抽样
+- [ ] 总结
+
+#### 置信区间
+
+- [ ] 欢迎来到模块四
+- [ ] 置信区间简介
+- [ ] 解释置信区间
+- [ ] 构建比例的置信区间
+- [ ] 构建均值的置信区间
+- [ ] 使用 Python 的置信区间
+- [ ] 总结
+
+#### 假设检验简介
+
+- [ ] 欢迎来到模块五
+- [ ] 在瞬息万变的数据领域不断学习
+- [ ] 假设检验简介
+- [ ] 均值单样本检验
+- [ ] 双样本测试：均值
+- [ ] 双样本测试：比例
+- [ ] 使用 Python 进行假设检验
+- [ ] 总结
+
+#### 课程四结业项目
+
+- [ ] 欢迎来到模块六
+- [ ] 向潜在雇主展示你的才能
+- [ ] 课程四结业项目集介绍
+- [ ] 总结
+
 ### 回归分析：简化复杂的数据关系
 
+#### 复杂数据关系简介
+
+- [ ] 欢迎来到课程五
+- [ ] 利用回归模型获得可执行的洞察力
+- [ ] 欢迎来到模块一
+- [ ] 回归分析中的 PACE
+- [ ] 线性回归简介
+- [ ] 数学线性回归
+- [ ] 逻辑回归简介
+- [ ] 总结
+
+#### 简单线性回归
+
+- [ ] 欢迎来到模块二
+- [ ] 导师的惊人价值
+- [ ] 普通最小二乘估计
+- [ ] 进行线性回归假设
+- [ ] 用 Python 探索线性回归
+- [ ] 评估回归分析中的不确定性
+- [ ] 模型评估指标
+- [ ] 解释并展示线性回归结果
+- [ ] 总结
+
+#### 多元线性回归
+
+- [ ] 欢迎来到模块三
+- [ ] 多元回归简介
+- [ ] 表示分类变量
+- [ ] 利用多重线性回归进行假设
+- [ ] 解释多元回归系数
+- [ ] 用 Python 解释多元回归结果
+- [ ] 过拟合问题
+- [ ] 顶级变量选择方法
+- [ ] 正则化：Lasso、Ridge 和弹性网回归
+- [ ] 总结
+
+#### 高级假设检验
+
+- [ ] 欢迎来到模块四
+- [ ] 卡方假设检验
+- [ ] 方差分析简介
+- [ ] 用 Python 探索单因子与双因子方差分析测试
+- [ ] 用 Python 进行协方差事后分析
+- [ ] 在你职业生涯的每个阶段进行探索
+- [ ] 协方差分析
+- [ ] 更多因变量：多元方差分析和多变量协方差分析
+- [ ] 总结
+
+#### 逻辑回归
+
+- [ ] 欢迎来到模块五
+- [ ] 为你的数据找到最佳逻辑回归模型
+- [ ] 用 Python 构建逻辑回归模型
+- [ ] 评估二项式逻辑回归模型
+- [ ] 评估逻辑回归结果的关键指标
+- [ ] 解释逻辑回归的结果
+- [ ] 用回归模型回答问题
+- [ ] 总结
+
+#### 课程五结业项目
+
+- [ ] 欢迎来到模块六
+- [ ] 共享模型和建模技术的策略
+- [ ] 课程五结业项目集介绍
+- [ ] 结业项目总结和职业成功秘诀
+- [ ] 总结
+
 ### 机器学习的基础知识
 
+#### 不同类型的机器学习
+
+- [ ] 欢迎来到课程六
+- [ ] 用数据取悦他人
+- [ ] 欢迎来到模块一
+- [ ] 机器学习的主要类型
+- [ ] 确定特征何时为无限
+- [ ] 分类特征和分类模型
+- [ ] 利用推荐系统引导用户兴趣
+- [ ] 机器学习中的公平与公正
+- [ ] 建立道德模型
+- [ ] 用于机器学习的 Python
+- [ ] 不同类型的 Python IDE
+- [ ] 关于 Python 软件包的更多信息
+- [ ] 回答编程问题的资源
+- [ ] 你的机器学习团队
+- [ ] 与数据专业社区建立联系
+- [ ] 总结
+
+#### 构建复杂模型的工作流程
+
+- [ ] 欢迎来到模块二
+- [ ] 机器学习中的 PACE
+- [ ] 规划一个机器学习项目
+- [ ] 克服挑战并从错误中学习
+- [ ] 为机器学习模型分析数据
+- [ ] 特征工程简介
+- [ ] 解决数据集不平衡带来的问题
+- [ ] 特征工程和类平衡
+- [ ] 朴素贝叶斯简介
+- [ ] 用 Python 构建朴素贝叶斯模型
+- [ ] 分类模型的主要评估指标
+- [ ] 总结
+
+#### 无监督学习技术
+
+- [ ] 欢迎来到模块三
+- [ ] K 均值简介
+- [ ] 使用 Python 对颜色进行 K 均值压缩
+- [ ] 表示 K 均值聚类的关键指标
+- [ ] 惯性和轮廓系数指标
+- [ ] 用 Python 应用惯性和轮廓分数
+- [ ] 总结
+
+#### 基于树的模型
+
+- [ ] 欢迎来到模块四
+- [ ] 基于树的模型
+- [ ] 用 Python 构建决策树
+- [ ] 调整决策树
+- [ ] 使用验证功能验证性能
+- [ ] 使用 Python 调整和验证决策树
+- [ ] 引导聚合
+- [ ] 探索随机森林
+- [ ] 调整随机森林
+- [ ] 用 Python 构建并交叉验证随机森林模型
+- [ ] 使用验证数据集构建并验证随机森林模型
+- [ ] 自适应增强简介
+- [ ] 梯度提升机
+- [ ] 调整梯度提升机模型
+- [ ] 使用 Python 构建极端梯度提升模型
+- [ ] 总结
+
+#### 课程六结业项目
+
+- [ ] 欢迎来到模块五
+- [ ] 用你独特的解决方案给面试官留下深刻印象
+- [ ] 课程六结业项目集介绍
+- [ ] 结业项目总结和职业成功秘诀
+- [ ] 总结
+
 ### 结业项目
 
+#### 结业项目介绍 
+
+- [ ] 欢迎来到课程七
+- [ ] 期望在结业项目中获得什么
+- [ ] 结业项目总结和职业成功秘诀
+
+#### 以数据为中心的职业资源
+
+- [ ] 数据专业人员招聘流程
+- [ ] 将项目工作纳入你的数据分析集
+- [ ] 完善简历
+- [ ] 制作一份引人注目的简历
+- [ ] 准备面试
+- [ ] 数据职业生涯可以从任何地方开始
+- [ ] 为什么在线展示很重要
+- [ ] 提升在线形象的技巧
+- [ ] 制作一份引人注目的简历
+- [ ] 让你的简历独一无二
+
+#### 让你的高级数据分析证书发挥作用
+
+- [ ] 恭喜您完成 Google 高级数据分析证书
+- [ ] 探索职业机会
+
 ## IBM 数据分析师
 
 ### 数据分析入门
 
+#### 什么是数据分析
+
+- [ ] 课程介绍
+- [ ] 现代数据生态系统
+- [ ] 数据生态系统中的主要参与者
+- [ ] 定义数据分析
+- [ ] 观点：什么是数据分析？
+- [ ] 数据分析师的职责
+- [ ] 观点：成为数据分析师的素质和技能
+- [ ] 数据分析师的一天
+- [ ] 观点：数据分析的应用
+
+#### 数据生态系统
+
+- [ ] 数据分析师生态系统概述
+- [ ] 数据类型
+- [ ] 了解不同类型的文件格式
+- [ ] 数据来源
+- [ ] 数据专业人员使用的语言
+- [ ] 数据存储库概述
+- [ ] 关系型数据库管理系统
+- [ ] 非关系型数据库
+- [ ] 数据集市、数据湖、ETL 和数据管道
+- [ ] 大数据基础
+- [ ] 大数据处理工具
+
+#### 收集和整理数据
+
+- [ ] 确定分析数据
+- [ ] 数据来源
+- [ ] 如何收集和导入数据
+- [ ] 什么是数据整理？
+- [ ] 数据整理工具
+- [ ] 数据清理
+- [ ] 观点：数据准备和可靠性
+
+#### 数据挖掘和可视化以及结果交流
+
+- [ ] 统计分析概述
+- [ ] 什么是数据挖掘？
+- [ ] 数据挖掘工具
+- [ ] 交流和共享数据分析结果概述
+- [ ] 观点：在数据分析中讲故事
+- [ ] 数据可视化入门
+- [ ] 可视化和仪表板软件简介
+- [ ] 观点可视化工具
+
+#### 职业机会和数据分析实践
+
+- [ ] 数据分析领域的就业机会
+- [ ] 观点：进入数据行业
+- [ ] 观点：雇主对数据分析师有何要求？
+- [ ] 数据分析的多种途径
+- [ ] 观点：数据专业人员的职业选择
+- [ ] 观点：给有抱负的数据分析师的建议
+- [ ] 观点：数据专业中的女性
+
 ### 数据分析 Excel 基础
 
+#### 使用电子表格进行数据分析入门
+
+- [ ] 课程介绍
+- [ ] 电子表格入门
+- [ ] 电子表格基础知识（1）
+- [ ] 电子表格基础知识（2）
+- [ ] 观点：将电子表格用作数据分析工具
+
+#### 开始使用 Excel 速成表
+
+- [ ] 查看、输入和编辑数据
+- [ ] 复制、填充和格式化单元格和数据
+- [ ] 公式基础
+- [ ] 函数入门
+- [ ] 在公式中引用数据
+
+#### 使用电子表格清洗和整理数据
+
+- [ ] 数据质量简介
+- [ ] 导入文件数据
+- [ ] 数据隐私基础知识
+- [ ] 观点：数据质量与隐私
+- [ ] 删除重复或不准确的数据和空行
+- [ ] 处理数据中的不一致之处
+- [ ] 清理数据的更多 Excel 功能
+- [ ] 观点：数据质量问题
+
+#### 使用电子表格分析数据
+
+- [ ] 使用电子表格分析数据入门
+- [ ] 在 Excel 中筛选和排序数据
+- [ ] 观点：筛选和排序
+- [ ] 数据分析的实用功能
+- [ ] 使用 VLOOKUP 和 HLOOKUP 函数
+- [ ] 在 Excel 中创建数据透视表简介
+- [ ] 观点：透视表
+- [ ] 透视表功能
+
 ### 使用 Excel 和 Cognos 实现数据可视化和仪表盘
 
+#### 使用电子表格实现数据可视化
+
+- [ ] 课程介绍
+- [ ] 图表简介
+- [ ] 访谈：使用可视化技术讲述数据故事
+- [ ] 在 Excel 中创建基本图表（折线图、饼图和柱状图）
+- [ ] 使用 Excel PivotChart 功能
+
+#### 使用电子表格创建可视化和仪表盘
+
+- [ ] 创建树状图、散点图和直方图
+- [ ] 创建填充式地图图表和标示线
+- [ ] 仪表板简介
+- [ ] 访谈：使用仪表盘展示数据结果
+- [ ] 使用 Excel 创建一个简单的仪表盘
+
+#### 使用 Cognos Analytics 创建可视化和仪表盘
+
+- [ ] Cognos Analytics：简介和如何注册
+- [ ] 在 Cognos Analytics 中导航
+- [ ] 在 Cognos Analytics 中创建简单仪表盘
+- [ ] Cognos 分析仪表盘的高级功能
+
 ### 用于数据科学、人工智能和开发的 Python
 
+#### Python 基础知识
+
+- [ ] 类型
+- [ ] 表达式和变量
+- [ ] 字符串操作
+
+#### Python 数据结构 
+
+- [ ] 列表和元组
+- [ ] 字典
+- [ ] 设置
+
+#### Python 编程基础
+
+- [ ] 条件和分支
+- [ ] 循环
+- [ ] 函数
+- [ ] 异常处理
+- [ ] 对象和类
+
+#### 用 Python 处理数据
+
+- [ ] 使用 "打开" 读取文件
+- [ ] 使用 "打开" 功能编写文件
+- [ ] 使用 Pandas 加载数据
+- [ ] Pandas 处理和保存数据
+- [ ] 一维 Numpy
+- [ ] 二维 Numpy
+
+#### 应用程序接口和数据收集
+
+- [ ] 简单的应用程序接口 (1)
+- [ ] 简单的应用程序接口 (2)
+- [ ] REST API 和 HTTP 请求 (1)
+- [ ] REST API 和 HTTP 请求 (2)
+- [ ] 用于网络爬虫的 HTML
+- [ ] 网络爬虫
+- [ ] 处理不同的文件格式（csv、xml、json、xlsx）
+
 ### 数据科学 Python 项目
 
+
+
 ### 使用 Python 的数据科学数据库和 SQL
 
 ### 使用 Python 进行数据分析