保留问题。
也要保留证据。
让每次实验更容易复现:记录问题、数据、方法、观察到的结果及局限性。
请用这种方法组织真实练习,而不是收集所有数据科学参考资料。所链接的 Saif Saber Studio 模板是学习参考材料:它们不能执行 SQL、托管笔记本环境或提供 AI 模型。如果愿意,普通的 Notion 页面就足够用作记录表。
先提出一个可以回答的问题
选择一个有权使用的小型数据集或虚构表格。例如:“每个类别中完成了多少项练习任务?”编写查询前,定义每一行、每个字段以及“已完成”的含义。即使结果出乎意料,也要保留最初的问题。
1. 用可复现的小型输入学习 SQL
来源目录中的 SQL Language 是一份参考资料,而不是数据库服务器。例如,练习查询 SELECT category, COUNT(*) FROM tasks WHERE completed = 1 GROUP BY category 假定存在名为 tasks 的表。这只是示例,并未使用真实用户数据运行。
- 记下示例字段和行数。
- 在适合的数据库中执行一条查询。
- 手动核对几行的结果。
- 在笔记中保存真实输出和意外情况。

2. 根据任务选择 Python、R 或 MATLAB
目录列出了 Python Language, R Language 以及 MATLAB Language 等独立参考资料。你不需要全部三种语言。选择一个能够运行代码、验证输入、进行小规模转换并保存代码与结果的环境。
记录单位、缺失数据、必要的软件版本,以及图表背后的假设。图形看起来整洁,并不意味着分析一定正确。
3. 仅在有助于回答问题时评估 AI
AI & LLM Engineering 是来源目录中的参考产品,目前归为付费产品。它不是可直接调用的 AI 模型服务。进行提示词实验时,请记录任务、示例输入、评估标准、输出和一个失败案例。
独立核实事实性和数值性回答。不要在共享笔记、示例或公开链接中泄露私人数据集或服务凭据。

4. 在 Notion 中记录实验日志
| 字段 | 记录内容 |
|---|---|
| 问题 | 一个需要研究的具体论断 |
| 输入 | 获准使用的来源、样本量与单位 |
| 方法 | 查询、代码或提示词及相关版本 |
| 观察到的结果 | 真实输出,而不是期望中的答案 |
| 局限性 | 缺失数据、不确定性及下一项检查 |
链接到外部执行环境。Notion 可以组织证据,但无法取代真正的数据库、分析工具或模型接口。
一个小型虚构练习
- 创建十行虚构练习任务,包含类别和完成标记。
- 在真实的本地 SQL 环境中按类别汇总已完成的行。
- 将结果与手动计数比较。
- 记录类别缺失或行重复时会发生什么。
在实际运行前不要编造查询结果。这些示例任务不能说明真实客户活动或任何课程的质量。
分享前检查证据和权限
当前的规范产品页面仅证明参考资料列于目录,并不意味着独立核验了课程内容的正确性、价格、语言或执行能力。本文没有进行购买、运行代码、评估数据集或浏览器测试。
使用获得适当许可的数据和经过脱敏的示例。若要规划编程基础学习,请参阅 初学者编程路线图;若要练习 HTML/CSS/React,请参阅 前端学习流程.
常见问题
我需要学习列出的所有语言吗?
不需要。从一项任务和适合的工具开始,只在实际需要时扩展。
Notion 能替我执行这些分析吗?
这些只是参考模板。请在合适的外部环境中运行 SQL、代码及 AI 请求,再链接到结果。


