An Introduction to Statistical Learning with Applications in Python

请帮我把「An Introduction to Statistical Learning with Applications in Python」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://www.statlearning.com/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：运行 Python Lab。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：每章末有 Lab（官方笔记本在 ISLP_labs 仓库）和概念题、应用题两类习题，全部公开，无提交与评分；官方不提供完整习题答案。第 10 章深度学习 lab 需要 PyTorch，CPU 可运行但较慢。
课节（官方顺序）：
1. Introduction：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch1_Inroduction.pdf
2. Statistical Learning：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch2_Statistical_Learning.pdf
3. Linear Regression：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch3_Linear_Regression.pdf
4. Classification：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch4_Classification.pdf
5. Resampling Methods：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch5_Resampling_Methods.pdf
6. Linear Model Selection and Regularization：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch6_Model_Selection.pdf
7. Moving Beyond Linearity：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch7_Moving_Beyond_Linearity.pdf
8. Tree-Based Methods：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch8_Tree_Based_Methods.pdf
9. Support Vector Machines：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch9_Support_Vector_Machines.pdf
10. Deep Learning：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch10_Deep_Learning.pdf
11. Survival Analysis and Censored Data：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch11_Survival_Analysis.pdf
12. Unsupervised Learning：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch12_Unsupervised_Learning.pdf
13. Multiple Testing：https://web.stanford.edu/~hastie/ISLR2/Slides/Ch13_Multiple_Testing.pdf

1. 环境
- 在 PowerShell 执行：pip install uv；uv venv islp；islp\Scripts\Activate.ps1；uv pip install ISLP jupyterlab。
- git clone https://github.com/intro-stat-learning/ISLP_labs labs；如需与书完全一致的冻结环境，按仓库说明用 v2.2.4 标签的 requirements.txt 安装（含固定版本的 torch、torchinfo、torchvision）。
- PDF 由我在浏览器中从官网下载保存到 book/。
- PowerShell激活若被执行策略阻止，不修改系统策略；直接调用课程虚拟环境中的Scripts/python.exe及python -m pip/jupyter。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- ISLP 书 PDF：只记录链接 https://hastie.su.domains/ISLP/ISLP_website.pdf.download.html（官网免费提供，版权所有（All Rights Reserved），不在套件中复制）
- ISLP 官方实验笔记本：git clone --depth 1 https://github.com/intro-stat-learning/ISLP_labs 到 labs/（许可：BSD-2-Clause）；按 README 选择与教材对应的标签或分支；不要把 /tree/ 页面作为 git clone 地址。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 全部 CSV 数据集：只记录链接 https://www.statlearning.com/s/ALL-CSV-FILES-2nd-Edition-corrected.zip（多数数据已随 ISLP 包提供）
- 各章幻灯片（ZIP）：只记录链接 https://web.stanford.edu/~hastie/ISLR2/Slides/Ch1-13_pdfs.zip
3. 目录（最外层放在我确认的位置）
islp-learning/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── labs/            # 官方材料
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-introduction/
    ├── 02-statistical-learning/
    ├── 03-linear-regression/
    ├── 04-classification/
    ├── 05-resampling-methods/
    ├── 06-model-selection-regularization/
    ├── 07-beyond-linearity/
    ├── 08-tree-based-methods/
    ├── 09-support-vector-machines/
    ├── 10-deep-learning/
    ├── 11-survival-analysis/
    ├── 12-unsupervised-learning/
    └── 13-multiple-testing/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import ISLP"  → 无报错（在 islp 环境内）
  - python -c "from ISLP import load_data; print(load_data('Auto').shape)"  → 输出 Auto 数据集的行列数
  - jupyter lab --version  → 输出 JupyterLab 版本
  - python -c "from pathlib import Path; assert Path('labs').exists(); print('files-ready')"  → 官方实验笔记本已克隆
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。