Data Engineering Zoomcamp

请帮我把「Data Engineering Zoomcamp」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://github.com/DataTalksClub/data-engineering-zoomcamp
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：每个模块有 homework，最终有一个端到端数据工程项目。参加直播期的学员在 courses.datatalks.club 提交并评分；自学者也可在平台上查看作业，但不计分，需要自行对照检查。项目可在仓库 projects/ 说明下自选数据集完成。
课节（官方顺序）：
1. Module 1: Containerization and Infrastructure as Code：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/01-docker-terraform
2. Module 2: Workflow Orchestration：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/02-workflow-orchestration
3. Workshop 1: Data Ingestion：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/cohorts/2026/workshops/dlt.md
4. Module 3: Data Warehousing：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/03-data-warehouse
5. Module 4: Analytics Engineering：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/04-analytics-engineering
6. Module 5: Data Platforms：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/05-data-platforms
7. Module 6: Batch Processing：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/06-batch
8. Module 7: Streaming：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/07-streaming
9. Project：https://github.com/DataTalksClub/data-engineering-zoomcamp/blob/main/projects

1. 环境
- 安装 Docker Engine 和 docker compose 插件，把用户加入 docker 组（需要 sudo，由我确认）。
- 先阅读官方仓库与首模块指引；个人练习按作者给出的获取步骤操作，本站不镜像托管。pip install uv，用 uv init --python=3.13 建环境。
- 按 HashiCorp 官方源安装 terraform。
- GCP 账号与凭据由我本人创建；云资源可能产生费用，使用后先确认资源清单，再由本人决定如何停止或清理计费资源。
- 先完成官方02-virtual-environment.md的本地示例：在独立Python3.13环境安装pandas、pyarrow，运行给定pipeline.py 10并确认生成output_day_10.parquet；这是课程给定的2行演示数据，不是纽约出租车真实数据管道，后续GCP仍需个人云配置。
- 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
- 课程仓库（全部模块、作业与项目说明）：只记录链接 https://github.com/DataTalksClub/data-engineering-zoomcamp（官方README说明视频、材料与作业免费供自学，首模块明确指导在个人目录创建并运行pipeline.py示例；可按该指引做个人练习。尚未确认适用于整仓的具体转载/修改许可证，本站只链接，不托管材料副本。）
- 作业提交与评分平台：只记录链接 https://courses.datatalks.club/（需注册；自学模式作业不评分）
3. 目录（最外层放在我确认的位置）
data-engineering-zoomcamp/
├── 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
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-docker-terraform/
    ├── 02-workflow-orchestration/
    ├── 03-workshop-dlt/
    ├── 04-data-warehouse/
    ├── 05-analytics-engineering/
    ├── 06-data-platforms/
    ├── 07-batch-processing/
    ├── 08-streaming/
    └── 09-final-project/
- 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。
  - docker run --rm hello-world  → 输出 Hello from Docker!
  - docker compose version  → 输出 Compose 版本
  - uv run python -V  → 输出 Python 3.13.x
  - terraform -version  → 输出 Terraform 版本
- 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。