通过实践学习数据科学
DataCamp 的目标是打造最优秀的数据科学学习平台。我们的理念是通过做中学数据科学：高质量的视频、浏览器内编码以及游戏化设计，为学习者在浏览器中提供沉浸式的学习体验。同时，我们也希望以数据驱动的方式打造产品，并与世界分享关于学习数据科学的见解。本文将带您走进 DataCamp 的幕后，分享我们对数据科学学习过程的一些洞察。
高质量的课程创建与维护
课程主题
DataCamp 团队始终在寻找最令人兴奋的主题来打造课程，而在不断涌现的新进展与热门话题中做出选择并不容易！因此，我们尽力让这一过程尽可能数据驱动：除了关注数据科学主题与业界最受欢迎的编程语言的最新趋势外，DataCamp 还会联系其讲师网络——包括业界专家和学者——了解他们对接下来应纳入课程体系的内容以及课程应如何设计的看法。
但归根结底，学习者始终是 DataCamp 的核心，这也是我们积极邀请用户参与课程主题选择过程的原因：我们会与用户进行访谈，并请他们填写问卷，以了解学习者的需求。随后，我们将这些数据与专家意见结合起来，不仅确定课程主题，还决定课程将涵盖哪些内容：通过这种方式，所有与学习者相关的材料都会被纳入课程。
此外，我们还会收集用户在站内搜索栏中输入的关键词。借助 R，这些词汇会在内部进行分析、排序与可视化，以便 DataCamp 的课程开发团队据此为接下来的数月规划课程大纲。
在此处查看 DataCamp 的完整课程库。
学习者难点与持续课程改进
测试版试学
在课程上线之前，DataCamp 会先将课程推送给一小部分用户，请他们做记录并通过包含大量开放性问题的问卷提供反馈。这样我们就能在向全部用户宣布新课上线之前，对课程做最后的微调。
提示与解答
确定课程主题并邀请小规模用户对即将上线的课程进行测试是一方面，而在课程上线后，DataCamp 也会关注学习者在课程中可能出现的困难点。
例如，您可知道，每当您请求提示或查看解答时，DataCamp 都会收集这些数据，以统计用户在练习中请求提示或解答的次数吗？我们会利用这些数据及由此获得的洞察来改进课程！
我们通过数据来定位课程可改进之处：当某一练习的提示或解答请求次数过多时，我们就能轻松定位问题并确保改进该练习。改进方式则依据用户反馈来进行：比如，在 Kaggle 课程中有一道用 R 构建决策树的练习，让许多用户感到棘手。最初，练习说明只给出了一个非常笼统的示例，导致提示与解答的请求比例很高。结合用户反馈，DataCamp 团队扩充了说明列表，并新增三个子要点，解释每个参数应如何设定。这样一来，用户需要完成的任务更加清晰、实用，提示请求率降至 15%，考虑到练习难度，这是一个更为合理的水平。类似的经验与改进，当然也帮助我们打造 DataCamp 数据科学课程体系中的未来课程。
另一方面，我们观察到，有些课程（例如“Introduction to R”）的用户问题明显少于诸如“Intro to Statistics with R: Multiple Regression”这类统计课程，因为用户请求的提示和解答更少。这在一定程度上是因为入门课程覆盖面更广，而更高级的课程则给予您更多自主探索材料的空间：当您学习 DataCamp 的课程时，“做中学”的特点会更加明显！课程改进过程必须在做中学与给予学习者所需支持之间保持平衡。
个性化反馈
除了提示与解答，您已经简要读到，DataCamp 在每门课程的编码挑战中都会提供个性化反馈。反馈设计为先可请求提示，最后才是查看解答。后者并不鼓励，因为选择查看解答会影响用户获得的 XP 分数。这会促使学习者先自行上手，并培养直觉，判断为完成编码挑战所需编写的内容。另一个好处是，反馈信息的构建方式能让用户立即明白代码的问题所在，而不必去看一堆起初可能难以理解的报错信息。这同样是在鼓励我们的学习者理解代码，尤其是理解自己错在何处，从而强化数据科学的学习过程。
要实现这种个性化反馈并不容易：在 DataCamp 刚起步时，反馈系统还很初级，导致反馈过于笼统。多年下来，我们逐渐认识到用户带着不同背景与目标来到 DataCamp，这就需要个性化的方法。因此，反馈系统已经取得了长足改进，并且还在持续优化，这要归功于我们不断接收的用户输入：用户在学习过程中遇到的所有问题都会被记录下来，并用于课程与反馈系统的持续改进。
练习耗时
除了跟踪每门课程请求提示与解答的次数，DataCamp 还以更细粒度跟踪学习者完成练习的过程：我们会记录并分析学习者在某道练习上花费的时间，以发现他们在平台上的学习体验问题。为了确保学习者能够以健康的速度推进学习进度，这些信息也会纳入考虑，用于持续提升 DataCamp 课程的质量。
课程评分
除了跟踪练习难度以及用户在练习上花费的时间并利用这些信息改进课程创建流程外，DataCamp 也会关注用户喜欢哪些课程，以便我们继续打造他们感兴趣的新课程。总体而言，统计学、数据处理与数据可视化等主题的受欢迎程度相对较低，而入门级编程课程、机器学习以及项目/案例研究等主题在 DataCamp 用户中表现更好。
这些评分，加上用户请求提示或解答的数量，让我们对哪些课程更需要额外投入有了很好的判断。
结构
无论您是职场人士还是刚开启职业生涯，时间都十分宝贵。因此，我们会在课程中列出理想的先修要求，供学习者在考虑是否选课时参考。以 DataCamp 的 Python Data Science Toolbox 课程为例：
先修要求会清晰列出，帮助用户在开课前了解对其知识与技能的预期。
此外，DataCamp 将课程拆分为更小的章节，甚至更小的单元，视频与带反馈的交互式编码挑战交替出现。这种结构已被证明对学习数据科学的学习者行之有效——不仅因为课程体系更具多样性，也因为学习者应当能够快速且健康地取得进步。这是保持学习者动力与参与度的最佳方式之一：他们更不易中途放弃，更愿意持续学习课程。
界面
对于数据科学学习者来说，界面是教授数据科学的最重要组成部分之一：自创立之初，DataCamp 就打造了一个确保学习者可在自有浏览器中编写代码的界面，无需事先在本地安装 RStudio 或 Python。配合视频与个性化反馈，这大大降低了初学者的门槛，也让学习体验更加成功。
不过，多年来界面也进行了调整，使其比最初更加交互：在当前界面中，学习者可以更轻松地在课程中导航，发现技术问题时联系支持团队，并且更清楚地看到完成某道练习可获得多少 XP。
学习路径
所有数据科学的学习者与教师都知道，找到一门（或一系列）在质量、参与度、学习方式等方面契合需求的数据科学课程并不容易。在这一过程中，人们很容易偏离最初的目标与学习目的。更具体地说，大多数学习者是希望转入数据科学行业的职场人士，因此拥有明确的职业目标；也有一些人已身处数据科学行业，但希望在某一数据科学主题或技能上更进一步。
这就是 DataCamp 近期推出学习路径的原因：它为您可能已熟悉的 DataCamp 课程提供一种结构化的学习方式。通过这种方式，您可以有条理地专注于强化数据科学技能，或朝着一直以来的职业目标迈进。
结合前文所述的课程创建流程与 DataCamp 用户自身情况，您会发现，这些学习路径还能帮助数据科学学习者更有针对性地攻克他们认为困难的数据科学主题，从而快速提升并越过学习曲线。
在此处查看所有 DataCamp 学习路径。
每日练习
通过打造高质量课程与设计学习路径来帮助用户保持专注是一方面，但学习数据科学依然颇具挑战。在 DataCamp，我们希望确保用户每天都能学习——说实话，您需要每天都接触数据科学（哪怕只是一点点！）。学习者经常面临的唯一问题是，很难持续巩固已掌握的知识。这就是 DataCamp 提供每日练习功能的原因，它能帮助您掌握已熟悉的内容，并识别可能需要复习的技能。
机制非常简单：进入练习模式后，系统会给出挑战，帮助您练习已完成课程中的内容。这些挑战由五道不同形式的练习（选择题、填空题等）组成，帮助您记忆课程内容，更好地巩固所学。正确完成这五道挑战，您将获得 250 点经验值。当然，您每天都会收到不同的一组练习。您可以在仪表盘中直接找到每日练习模式！
结语
DataCamp 正在重塑数据科学的学习与评估方式，而这只是我们将数据科学教育研究与最新技术及数据科学本身相结合、推动行业前沿发展的众多举措之一。
如果您对数据科学教育感兴趣，欢迎加入我们，共同打造学习数据科学的最佳去处！查看我们的职位空缺。
通过实践学习数据科学
DataCamp 的目标是打造最优秀的数据科学学习平台。我们的理念是通过做中学数据科学：高质量的视频、浏览器内编码以及游戏化设计，为学习者在浏览器中提供沉浸式的学习体验。同时，我们也希望以数据驱动的方式打造产品，并与世界分享关于学习数据科学的见解。本文将带您走进 DataCamp 的幕后，分享我们对数据科学学习过程的一些洞察。
高质量的课程创建与维护
课程主题
DataCamp 团队始终在寻找最令人兴奋的主题来打造课程，而在不断涌现的新进展与热门话题中做出选择并不容易！因此，我们尽力让这一过程尽可能数据驱动：除了关注数据科学主题与业界最受欢迎的编程语言的最新趋势外，DataCamp 还会联系其讲师网络——包括业界专家和学者——了解他们对接下来应纳入课程体系的内容以及课程应如何设计的看法。
但归根结底，学习者始终是 DataCamp 的核心，这也是我们积极邀请用户参与课程主题选择过程的原因：我们会与用户进行访谈，并请他们填写问卷，以了解学习者的需求。随后，我们将这些数据与专家意见结合起来，不仅确定课程主题，还决定课程将涵盖哪些内容：通过这种方式，所有与学习者相关的材料都会被纳入课程。
此外，我们还会收集用户在站内搜索栏中输入的关键词。借助 R，这些词汇会在内部进行分析、排序与可视化，以便 DataCamp 的课程开发团队据此为接下来的数月规划课程大纲。
在此处查看 DataCamp 的完整课程库。
学习者难点与持续课程改进
测试版试学
在课程上线之前，DataCamp 会先将课程推送给一小部分用户，请他们做记录并通过包含大量开放性问题的问卷提供反馈。这样我们就能在向全部用户宣布新课上线之前，对课程做最后的微调。
提示与解答
确定课程主题并邀请小规模用户对即将上线的课程进行测试是一方面，而在课程上线后，DataCamp 也会关注学习者在课程中可能出现的困难点。
例如，您可知道，每当您请求提示或查看解答时，DataCamp 都会收集这些数据，以统计用户在练习中请求提示或解答的次数吗？我们会利用这些数据及由此获得的洞察来改进课程！
我们通过数据来定位课程可改进之处：当某一练习的提示或解答请求次数过多时，我们就能轻松定位问题并确保改进该练习。改进方式则依据用户反馈来进行：比如，在 Kaggle 课程中有一道用 R 构建决策树的练习，让许多用户感到棘手。最初，练习说明只给出了一个非常笼统的示例，导致提示与解答的请求比例很高。结合用户反馈，DataCamp 团队扩充了说明列表，并新增三个子要点，解释每个参数应如何设定。这样一来，用户需要完成的任务更加清晰、实用，提示请求率降至 15%，考虑到练习难度，这是一个更为合理的水平。类似的经验与改进，当然也帮助我们打造 DataCamp 数据科学课程体系中的未来课程。
另一方面，我们观察到，有些课程（例如“Introduction to R”）的用户问题明显少于诸如“Intro to Statistics with R: Multiple Regression”这类统计课程，因为用户请求的提示和解答更少。这在一定程度上是因为入门课程覆盖面更广，而更高级的课程则给予您更多自主探索材料的空间：当您学习 DataCamp 的课程时，“做中学”的特点会更加明显！课程改进过程必须在做中学与给予学习者所需支持之间保持平衡。
个性化反馈
除了提示与解答，您已经简要读到，DataCamp 在每门课程的编码挑战中都会提供个性化反馈。反馈设计为先可请求提示，最后才是查看解答。后者并不鼓励，因为选择查看解答会影响用户获得的 XP 分数。这会促使学习者先自行上手，并培养直觉，判断为完成编码挑战所需编写的内容。另一个好处是，反馈信息的构建方式能让用户立即明白代码的问题所在，而不必去看一堆起初可能难以理解的报错信息。这同样是在鼓励我们的学习者理解代码，尤其是理解自己错在何处，从而强化数据科学的学习过程。
要实现这种个性化反馈并不容易：在 DataCamp 刚起步时，反馈系统还很初级，导致反馈过于笼统。多年下来，我们逐渐认识到用户带着不同背景与目标来到 DataCamp，这就需要个性化的方法。因此，反馈系统已经取得了长足改进，并且还在持续优化，这要归功于我们不断接收的用户输入：用户在学习过程中遇到的所有问题都会被记录下来，并用于课程与反馈系统的持续改进。
练习耗时
除了跟踪每门课程请求提示与解答的次数，DataCamp 还以更细粒度跟踪学习者完成练习的过程：我们会记录并分析学习者在某道练习上花费的时间，以发现他们在平台上的学习体验问题。为了确保学习者能够以健康的速度推进学习进度，这些信息也会纳入考虑，用于持续提升 DataCamp 课程的质量。
课程评分
除了跟踪练习难度以及用户在练习上花费的时间并利用这些信息改进课程创建流程外，DataCamp 也会关注用户喜欢哪些课程，以便我们继续打造他们感兴趣的新课程。总体而言，统计学、数据处理与数据可视化等主题的受欢迎程度相对较低，而入门级编程课程、机器学习以及项目/案例研究等主题在 DataCamp 用户中表现更好。
这些评分，加上用户请求提示或解答的数量，让我们对哪些课程更需要额外投入有了很好的判断。
结构
无论您是职场人士还是刚开启职业生涯，时间都十分宝贵。因此，我们会在课程中列出理想的先修要求，供学习者在考虑是否选课时参考。以 DataCamp 的 Python Data Science Toolbox 课程为例：
先修要求会清晰列出，帮助用户在开课前了解对其知识与技能的预期。
此外，DataCamp 将课程拆分为更小的章节，甚至更小的单元，视频与带反馈的交互式编码挑战交替出现。这种结构已被证明对学习数据科学的学习者行之有效——不仅因为课程体系更具多样性，也因为学习者应当能够快速且健康地取得进步。这是保持学习者动力与参与度的最佳方式之一：他们更不易中途放弃，更愿意持续学习课程。
界面
对于数据科学学习者来说，界面是教授数据科学的最重要组成部分之一：自创立之初，DataCamp 就打造了一个确保学习者可在自有浏览器中编写代码的界面，无需事先在本地安装 RStudio 或 Python。配合视频与个性化反馈，这大大降低了初学者的门槛，也让学习体验更加成功。
不过，多年来界面也进行了调整，使其比最初更加交互：在当前界面中，学习者可以更轻松地在课程中导航，发现技术问题时联系支持团队，并且更清楚地看到完成某道练习可获得多少 XP。
学习路径
所有数据科学的学习者与教师都知道，找到一门（或一系列）在质量、参与度、学习方式等方面契合需求的数据科学课程并不容易。在这一过程中，人们很容易偏离最初的目标与学习目的。更具体地说，大多数学习者是希望转入数据科学行业的职场人士，因此拥有明确的职业目标；也有一些人已身处数据科学行业，但希望在某一数据科学主题或技能上更进一步。
这就是 DataCamp 近期推出学习路径的原因：它为您可能已熟悉的 DataCamp 课程提供一种结构化的学习方式。通过这种方式，您可以有条理地专注于强化数据科学技能，或朝着一直以来的职业目标迈进。
结合前文所述的课程创建流程与 DataCamp 用户自身情况，您会发现，这些学习路径还能帮助数据科学学习者更有针对性地攻克他们认为困难的数据科学主题，从而快速提升并越过学习曲线。
在此处查看所有 DataCamp 学习路径。
每日练习
通过打造高质量课程与设计学习路径来帮助用户保持专注是一方面，但学习数据科学依然颇具挑战。在 DataCamp，我们希望确保用户每天都能学习——说实话，您需要每天都接触数据科学（哪怕只是一点点！）。学习者经常面临的唯一问题是，很难持续巩固已掌握的知识。这就是 DataCamp 提供每日练习功能的原因，它能帮助您掌握已熟悉的内容，并识别可能需要复习的技能。
机制非常简单：进入练习模式后，系统会给出挑战，帮助您练习已完成课程中的内容。这些挑战由五道不同形式的练习（选择题、填空题等）组成，帮助您记忆课程内容，更好地巩固所学。正确完成这五道挑战，您将获得 250 点经验值。当然，您每天都会收到不同的一组练习。您可以在仪表盘中直接找到每日练习模式！
结语
DataCamp 正在重塑数据科学的学习与评估方式，而这只是我们将数据科学教育研究与最新技术及数据科学本身相结合、推动行业前沿发展的众多举措之一。
如果您对数据科学教育感兴趣，欢迎加入我们，共同打造学习数据科学的最佳去处！查看我们的职位空缺。