资源介绍
使用 Python、Streamlit 与机器学习构建糖尿病数据分析仪表盘（中文字幕英文视频教程）
在当今数据驱动决策的时代，医疗健康领域对数据处理与分析的需求日益增长，糖尿病作为常见的慢性疾病，其相关数据的有效分析对病情监测、风险预测具有重要意义。本课程聚焦糖尿病数据领域，以 “理论 + 实践” 的模式，带领学习者从零开始掌握使用 Python、Streamlit 工具以及机器学习技术，最终完成一个功能完善的糖尿病数据分析仪表盘的开发。
课程整体结构清晰，共分为 5 个核心模块，涵盖从基础环境搭建到高级机器学习模型应用与项目部署的全流程。通过视频教学、配套文档与实操案例相结合的方式，确保不同基础的学习者都能逐步掌握相关技能。经统计，课程包含的视频总个数为 31 个，每个视频均配有中文字幕，同时搭配多个辅助学习的 HTML 文档，为学习者提供全方位的学习支持。
二、课程模块详情
（一）模块 1：课程入门与环境准备（Introduction）
本模块作为课程的开篇，旨在帮助学习者快速了解课程目标、完成学习环境搭建，并熟悉课程所需的数据集与基础工具，为后续学习奠定基础。
课程目标介绍：通过 1 个视频（“1 - Introduction - What we'll create in this course!”），清晰阐述本课程最终要完成的糖尿病数据分析仪表盘的核心功能、应用场景与学习价值，让学习者明确学习方向。
环境搭建指导：包含 1 个视频（“2 - Anaconda Download Instructions”），详细讲解 Anaconda 的下载与安装步骤。Anaconda 作为数据科学领域常用的环境管理工具，能帮助学习者便捷地配置 Python 运行环境，避免因环境配置问题影响学习进度。
Jupyter 工具实操：配备 2 个视频（“3 - Opening the Files in Jupyter”）与 1 个辅助 HTML 文档（“3 - Download Link for Jupyter Files.html”）。视频演示如何在 Jupyter 中打开课程提供的文件，HTML 文档则提供 Jupyter 文件的下载链接，同时帮助学习者熟悉 Jupyter 的基本操作，为后续代码编写做好准备。
基础补充与数据集解析：包含 1 个视频（“4 - Explanation of the Dataset”）与 1 个 Python 基础 HTML 文档（“4 - Python Crash Course.html”）。视频详细解读课程所用糖尿病数据集的结构、字段含义与数据特点，让学习者了解数据背景；HTML 文档则针对 Python 基础薄弱的学习者，提供快速入门知识，涵盖数据类型、语法规则等核心内容，确保学习者具备后续编码所需的基础能力。
本模块共包含 4 个视频，通过循序渐进的内容设计，帮助学习者快速进入学习状态，完成从 “了解课程” 到 “具备基础操作能力” 的过渡。
（二）模块 2：基础数据洞察提取（Extracting Basic Insights）
在完成环境准备与基础认知后，本模块聚焦于糖尿病数据的基础分析，教授学习者如何通过编写基础代码提取数据中的关键信息，并将分析结果初步集成到应用中。
基础代码编写：通过 1 个视频（“1 - Coding Basic Commands”），演示如何使用 Python 编写基础的数据处理代码，包括数据读取、数据筛选、基本统计量计算等操作，帮助学习者掌握从数据中提取基础洞察的方法，例如计算糖尿病患者的年龄分布均值、血糖指标范围等关键信息。
应用集成实操：分为 2 个视频（“2 - Uploading Basic Commands to App - Part 1”“3 - Uploading Basic Commands to App - Part 2”），分步骤讲解如何将编写好的基础数据处理代码上传并集成到 Streamlit 应用中。Streamlit 作为轻量级的 Web 应用开发工具，能让学习者快速将数据分析成果转化为可交互的 Web 页面，本部分内容帮助学习者打通 “代码编写” 到 “应用呈现” 的关键环节。
本模块共包含 3 个视频，通过实操性极强的内容，让学习者掌握数据洞察提取的核心技能，同时初步接触应用开发，建立 “数据 - 代码 - 应用” 的完整认知。
（三）模块 3：数据可视化（Data Visualization）
数据可视化是呈现数据规律、传递数据价值的重要手段。本模块围绕糖尿病数据的可视化展开，教授多种可视化图表的制作方法，并实现可视化功能与 Web 应用的集成，同时补充数据清洗知识，确保数据质量。
可视化理论与基础图表制作：包含 1 个辅助 HTML 文档（“1 - Why Visualize Data.html”）与 1 个视频（“1 - Histograms and KDEs”）。HTML 文档阐述数据可视化的重要性、适用场景与核心原则；视频则详细演示如何使用 Python 相关库（如 Matplotlib、Seaborn）制作直方图（Histograms）与核密度估计图（KDEs），通过这两种图表呈现糖尿病数据中关键指标的分布特征，例如患者血糖水平的分布情况。
可视化功能集成：配备 2 个视频（“2 - Adding Histograms to Webapp”“3 - Adding KDEs to Webapp”），讲解如何将制作好的直方图与核密度估计图集成到 Streamlit 应用中，实现图表的交互式展示，让用户能够通过应用直观查看数据分布规律。
多样化图表学习：包含 3 个视频（“4 - Scatterplots”“5 - Subplots”“6 - Heatmaps and Correlations”），分别介绍散点图、子图与热力图的制作方法。散点图可用于分析两个变量（如血糖与血压）之间的相关性；子图能实现多图表的组合展示，提升数据呈现的丰富性；热力图则可清晰呈现多个变量间的相关系数，帮助挖掘糖尿病数据中隐藏的关联关系。
数据清洗与综合集成：包含 2 个视频（“7 - Data Cleaning”“8 - Adding Scatterplots, Correlation Heatmap, and Cleaned Data to App”）。数据清洗视频讲解如何处理糖尿病数据中的缺失值、异常值等问题，确保数据质量；综合集成视频则演示将散点图、相关性热力图以及清洗后的数据集统一集成到 Web 应用中，实现可视化功能的全面升级，让应用具备更完善的数据展示能力。
本模块共包含 8 个视频，通过丰富的图表类型教学与应用集成实操，让学习者熟练掌握数据可视化的核心技能，提升数据呈现与解读能力。
（四）模块 4：机器学习 - 逻辑回归与决策树分类器（Machine Learning - Logistic Regression & Decision Tree Classifiers）
机器学习是实现数据预测与分析的核心技术，本模块聚焦糖尿病风险预测场景，教授两种经典的分类算法 —— 逻辑回归与决策树，并实现算法在 Jupyter 中的验证与 Streamlit 应用中的集成，同时补充机器学习基础理论与 Python 进阶知识。
逻辑回归学习：包含 3 个视频（“1 - Logistic Regression Theory”“2 - Logistic Regression in Jupyter”“3 - Extra! In-Depth, Explained Logistic Regression in Jupyter”）与 1 个辅助 HTML 文档（“5 - Dictionaries Crash Course - Skip if familiar with Python dictionaries.html”）。理论视频讲解逻辑回归的基本原理、适用场景与数学模型，帮助学习者建立理论认知；Jupyter 实操视频分基础版与深入版，详细演示如何在 Jupyter 环境中使用 Python 实现逻辑回归模型，对糖尿病数据进行风险预测，深入版视频还针对模型参数调优、结果分析等内容展开更细致的讲解；HTML 文档则针对 Python 字典知识进行补充，为学习者理解模型代码中的数据存储与处理逻辑提供支持。
模型评估与应用集成：包含 2 个视频（“4 - Explanation of Metrics”“5 - Logistic Regression in Streamlit”）。模型评估视频讲解准确率、精确率、召回率等常用的分类模型评估指标，帮助学习者正确判断逻辑回归模型的预测效果；应用集成视频则演示如何将逻辑回归模型部署到 Streamlit 应用中，实现用户通过输入相关健康指标，即可获取糖尿病风险预测结果的功能。
决策树分类器学习：包含 1 个辅助 HTML 文档（“6 - Supervised vs. Unsupervised Learning.html”）与 3 个视频（“6 - Decision Tree Classifier Theory”“7 - Decision Trees in Jupyter”“8 - Decision Trees in Streamlit”）。HTML 文档介绍监督学习与无监督学习的核心区别，为决策树算法的学习奠定理论基础；理论视频讲解决策树分类器的原理、结构与优缺点；Jupyter 实操视频演示如何在 Jupyter 中构建决策树模型，并基于糖尿病数据进行训练与验证；应用集成视频则将决策树模型集成到 Streamlit 应用中，与逻辑回归模型形成互补，让用户可选择不同模型进行风险预测，提升应用的实用性。
本模块共包含 10 个视频，通过 “理论 - 实操 - 集成” 的完整流程，让学习者掌握两种核心机器学习算法的应用，具备基于数据构建预测模型并集成到应用中的能力。
（五）模块 5：额外内容 - 过拟合与应用部署（Extra Overfitting & Deploying the App）
本模块作为课程的补充与拓展，围绕机器学习模型优化与项目最终部署展开，帮助学习者解决模型常见问题，实现项目从 “本地开发” 到 “在线可用” 的跨越。
过拟合问题解析：包含 1 个辅助 HTML 文档（“1 - Extra ML Lecture What is overfitting.html”），详细讲解过拟合的概念、产生原因与解决方法。过拟合是机器学习模型训练中常见的问题，会导致模型在训练数据上表现良好，但在新数据上预测效果差，文档内容帮助学习者识别并规避过拟合问题，提升模型的泛化能力。