Stanford STATS202：Statistical Learning and Data Science（2025 夏）

请帮我把「Stanford STATS202：Statistical Learning and Data Science（2025 夏）」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://stats-202.github.io/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：在本机动手。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：课程有 4 次作业（各 50 分）、期中期末和一个预测类期末项目，提交走 Gradescope（含自动评分），只对选课学生开放；网站只公开 HW 0，HW 1–4 题目未公开。校外学习者可按每讲对应的 ISL 章节做书后习题和 ISLP 实验笔记本，项目说明见 project.html 可参考自拟。
课节（官方顺序）：
1. Introduction and Background (Supervised vs Unsupervised learning)：https://stats-202.github.io/assets/slides/lec1.pdf
2. Classification & Clustering：https://stats-202.github.io/assets/slides/lec2.pdf
3. Section: Probability, Statistics, and Linear Algebra review：https://stats-202.github.io/assets/slides/sec1.pdf
4. Linear Regression：https://stats-202.github.io/assets/slides/lec3.pdf
5. Finish Linear Regression & Classification：https://stats-202.github.io/assets/slides/lec4.pdf
6. Evaluation and Uncertainty：https://stats-202.github.io/assets/slides/lec5.pdf
7. Model Selection & Regularization：https://stats-202.github.io/assets/slides/lec6.pdf
8. Section: Midterm review：https://stats-202.github.io/assets/slides/sec2.pdf
9. Beyond linearity：https://stats-202.github.io/assets/slides/lec7.pdf
10. Support Vector Machines：https://stats-202.github.io/assets/slides/lec8.pdf
11. Decision Trees & Random Forests：https://stats-202.github.io/assets/slides/lec9.pdf
12. Boosting：https://stats-202.github.io/assets/slides/lec10.pdf
13. Neural Networks：https://stats-202.github.io/assets/slides/lec11.pdf
14. An Introduction to Transformers：https://stats-202.github.io/assets/slides/lec12.pdf
15. Survival Analysis：https://stats-202.github.io/assets/slides/lec13.pdf
16. Section: Final project / exam review：https://stats-202.github.io/assets/slides/sec3.pdf

1. 环境
- pip install uv；uv venv islp；source islp/bin/activate；uv pip install ISLP jupyterlab。
- git clone https://github.com/intro-stat-learning/ISLP_labs islp-labs。
- 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
- 每讲幻灯片 PDF：只记录链接 https://stats-202.github.io/syllabus.html（未标注许可，按 lessons 中的链接在线查看）
- HW 0（Gradescope 练习）：只记录链接 https://stats-202.github.io/assets/hw/hw0.pdf
- ISLP 实验笔记本（教材官方）：git clone --depth 1 https://github.com/intro-stat-learning/ISLP_labs 到 islp-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。
- 课程录像、Ed、Gradescope：只记录链接 https://canvas.stanford.edu/（仅限斯坦福选课学生）
3. 目录（最外层放在我确认的位置）
stats202-2025/
├── 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.sh     # 环境自检，按 README 操作
├── islp-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-classification-clustering/
    ├── 03-review-prob-stats-linalg/
    ├── 04-linear-regression/
    ├── 05-regression-classification/
    ├── 06-evaluation-uncertainty/
    ├── 07-model-selection-regularization/
    ├── 08-midterm-review/
    ├── 09-beyond-linearity/
    ├── 10-support-vector-machines/
    ├── 11-trees-random-forests/
    ├── 12-boosting/
    ├── 13-neural-networks/
    ├── 14-transformers/
    ├── 15-survival-analysis/
    └── 16-final-review/
- 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.sh，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。使用当前系统的终端运行。
  - python -c "import ISLP, sklearn, statsmodels"  → 无报错（在 islp 环境内）
  - jupyter lab --version  → 输出 JupyterLab 版本
  - python -c "from pathlib import Path; assert Path('islp-labs').exists(); print('files-ready')"  → ISLP 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。