UC Berkeley Data102（2025 秋）

请帮我把「UC Berkeley Data102（2025 秋）」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://data102.org/fa25/
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：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：11 个 Jupyter lab（official/lab/）和 6 份 homework PDF（official/homework/）在公开仓库中；本校学生经 DataHub 完成、Gradescope 提交并自动评分，vitamins 小测和讨论题答案只对选课学生开放。校外学习者在本地完成 lab 和 homework，自行对照讲义检查，没有评分。
课节（官方顺序）：
1. Binary Decision Making I：https://data102.org/fa25/lectures/01
2. Binary Decision Making II：https://data102.org/fa25/lectures/02
3. p-values and Hypothesis Testing：https://data102.org/fa25/lectures/03
4. Multiple Hypothesis Testing and False Discovery Rate Control：https://data102.org/fa25/lectures/04
5. Frequentist vs. Bayesian Decision Making：https://data102.org/fa25/lectures/05
6. Introduction to Frequentist and Bayesian Modeling：https://data102.org/fa25/lectures/06
7. Bayesian Hierarchical Models：https://data102.org/fa25/lectures/07
8. Bayesian Hierarchical Models II：https://data102.org/fa25/lectures/08
9. Bayesian Inference with Sampling：https://data102.org/fa25/lectures/09
10. Regression and GLMs：https://data102.org/fa25/lectures/10
11. GLMs and Model Checking：https://data102.org/fa25/lectures/11
12. Uncertainty Quantification for GLMs：https://data102.org/fa25/lectures/12
13. Nonparametric Methods and Neural Networks：https://data102.org/fa25/lectures/13
14. Neural Networks, Backpropagation, and Interpretability：https://data102.org/fa25/lectures/14
15. Causal Inference I: Association and Causation：https://data102.org/fa25/lectures/15
16. Causal Inference II: Randomized Experiments：https://data102.org/fa25/lectures/16
17. Causal Inference III: Observational Studies：https://data102.org/fa25/lectures/17
18. Concentration Inequalities：https://data102.org/fa25/lectures/18
19. Bandits I：https://data102.org/fa25/lectures/19
20. Bandits II：https://data102.org/fa25/lectures/20
21. Reinforcement Learning I：https://data102.org/fa25/lectures/21
22. Reinforcement Learning II：https://data102.org/fa25/lectures/22
23. Case Studies, Robustness, Generalization：https://data102.org/fa25/lectures/23
24. Bridging Technical & Ethical Perspectives on Modeling and Decisions：https://data102.org/fa25/lectures/24
25. Technical & Ethical Perspectives (continued) and Course Wrap-up：https://data102.org/fa25/lectures/25

1. 环境
- git clone https://github.com/ds-102/fa25-materials official；用 uv venv 建环境并安装 jupyterlab numpy scipy pandas matplotlib seaborn otter-grader。
- 按每个 lab 的 import 语句补装缺少的包；用 uv run jupyter lab 启动。
- 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
- Fall 2025 公开材料（lab、homework、lecture 目录）：git clone --depth 1 https://github.com/ds-102/fa25-materials 到 official/（许可：BSD-3-Clause）；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。
- Gradescope / Ed / Pensieve：只记录链接 https://www.gradescope.com/courses/1104495（仅限选课学生，校外无法访问）
3. 目录（最外层放在我确认的位置）
data102-fa25/
├── 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
├── official/        # 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-binary-decision-making-1/
    ├── 02-binary-decision-making-2/
    ├── 03-p-values-hypothesis-testing/
    ├── 04-multiple-testing-fdr/
    ├── 05-frequentist-vs-bayesian/
    ├── 06-parameter-estimation/
    ├── 07-bayesian-hierarchical-1/
    ├── 08-bayesian-hierarchical-2/
    ├── 09-bayesian-sampling/
    ├── 10-regression-glms/
    ├── 11-glm-model-checking/
    ├── 12-glm-uncertainty/
    ├── 13-nonparametric-neural-nets/
    ├── 14-backprop-interpretability/
    ├── 15-causal-association/
    ├── 16-causal-randomized/
    ├── 17-causal-observational/
    ├── 18-concentration-inequalities/
    ├── 19-bandits-1/
    ├── 20-bandits-2/
    ├── 21-reinforcement-learning-1/
    ├── 22-reinforcement-learning-2/
    ├── 23-robustness-generalization/
    ├── 24-technical-ethical-1/
    └── 25-technical-ethical-2/
- 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 "from pathlib import Path; assert Path('official/lab').exists() and Path('official/homework').exists(); print('files-ready')"  → lab 与 homework 材料已克隆
  - uv run python -c "import numpy, scipy, pandas, matplotlib"  → 无报错
  - uv run jupyter lab --version  → 输出 JupyterLab 版本
  - uv run python -c "import otter, seaborn; print('lab02-ready')"  → 首个公开实验Lab02所需Otter和seaborn可导入；在Jupyter运行初始化及现成绘图单元，不代写题目或提交。
- 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。