Duke STA210（2023 秋）

请帮我把「Duke STA210（2023 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://sta210-fa23.netlify.app/schedule.html
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：每次课有课堂练习 AE，另有每周实验（Lab 00–06）、5 次作业（HW 01–05）、两次考试和期末项目，页面均公开在课程网站。AE/实验起始仓库在 GitHub 组织中，提交走 Gradescope 并需杜克账号；外部学习者可阅读公开课件和题目；Lab01的起始Quarto文档通过个人GitHub Classroom仓库提供，未取得时不能保证完整复现校内实验。公开材料中的示例可在个人R环境学习，不提交学校表单或冒用选课身份。
课节（官方顺序）：
1. Week 1: Welcome to STA 210; The big picture; Lab 00：https://sta210-fa23.netlify.app/slides/01-welcome.html
2. Week 2: Simple linear regression; Lab 01：https://sta210-fa23.netlify.app/slides/03-slr-intro.html
3. Week 3: SLR: Bootstrap confidence intervals; Randomization test for the slope; Lab 02：https://sta210-fa23.netlify.app/slides/04-slr-bootstrap.html
4. Week 4: SLR: Mathematical models for inference; Model conditions; Lab 03：https://sta210-fa23.netlify.app/slides/06-slr-math-models.html
5. Week 5: SLR: Model evaluation; Multiple linear regression; Lab 04：https://sta210-fa23.netlify.app/slides/08-slr-model-eval.html
6. Week 6: Exam 01 Review; Exam 01：https://sta210-fa23.netlify.app/slides/10-exam-01-review.html
7. Week 7: MLR: Feature engineering; Model workflow; Lab 05：https://sta210-fa23.netlify.app/slides/11-feature-engineering.html
8. Week 8: MLR: Model comparison + cross validation：https://sta210-fa23.netlify.app/slides/13-comparison-cv.html
9. Week 9: Cross validation application; MLR inference, conditions, transformations; Project proposal：https://sta210-fa23.netlify.app/slides/14-cross-validation-pt2.html
10. Week 10: Logistic regression intro; Odds ratios; Lab 06：https://sta210-fa23.netlify.app/slides/16-logistic-intro.html
11. Week 11: Logistic regression: Prediction + classification; Comparing models：https://sta210-fa23.netlify.app/slides/18-logistic-prediction.html
12. Week 12: Logistic regression: Inference; Multinomial logistic regression：https://sta210-fa23.netlify.app/slides/20-logistic-inf.html
13. Week 13: Project work day; HW 05：https://sta210-fa23.netlify.app/hw/hw-05.html
14. Week 14: Multinomial logistic regression: Prediction + Inference; Exam 02 Review：https://sta210-fa23.netlify.app/slides/22-multinomial-logistic-pt2.html
15. Week 15: Exam 02; Project presentations; Final report：https://sta210-fa23.netlify.app/project-instructions#presentation

1. 环境
- Debian/Ubuntu：sudo apt install r-base r-base-dev libcurl4-openssl-dev libssl-dev libxml2-dev（tidyverse 编译依赖），再安装 RStudio Desktop。
- 在 R 控制台：install.packages(c("readr", "tidyverse", "viridis", "DT"))；后续缺包时按 library() 名称补装。
- 每周文件夹中放 AE/实验文档，用 RStudio 渲染。
- 课程文档如使用.qmd，需安装并检查Quarto；如使用.Rmd，需按文档依赖安装rmarkdown。只导入tidyverse不代表文档渲染环境完成。
- 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
- 课程网站（课件、AE、实验、作业说明）：只记录链接 https://sta210-fa23.netlify.app/schedule.html（网站仅标注版权，无许可）
- 课程 GitHub 组织：只记录链接 https://github.com/sta210-fa23（官方Lab01要求领取GitHub Classroom中的个人lab-01仓库，并向课程登记用户名；起始lab-01.qmd不是公共课程网页本身。未取得该仓库时只阅读公开题目与课件，不能宣称完整实验已准备好。）
- 杜克 RStudio 容器、Sakai、Ed、Gradescope：只记录链接 https://cmgr.oit.duke.edu/containers（需要杜克账号，外部学习者无法使用）
3. 目录（最外层放在我确认的位置）
duke-sta210-fa23/
├── 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-welcome-big-picture/
    ├── 02-simple-linear-regression/
    ├── 03-slr-bootstrap-randomization/
    ├── 04-slr-math-models-conditions/
    ├── 05-slr-evaluation-mlr/
    ├── 06-exam-01/
    ├── 07-feature-engineering-workflow/
    ├── 08-model-comparison-cv/
    ├── 09-cv-application-mlr-inference/
    ├── 10-logistic-intro-odds-ratios/
    ├── 11-logistic-prediction-comparison/
    ├── 12-logistic-inference-multinomial/
    ├── 13-project-work/
    ├── 14-multinomial-exam-02-review/
    └── 15-exam-02-presentations/
- 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。
  - R --version  → 输出 R 版本
  - Rscript -e 'library(tidyverse); library(viridis); library(DT); library(readr)'  → 无报错
  - git --version  → 输出 git 版本
  - 人工检查：用RStudio打开一份个人AE/实验文档并渲染；若是.qmd先确认Quarto可用，.Rmd确认rmarkdown可用。  → 生成可打开的HTML；缺包或渲染错误单独记录；此项不是 shell 命令。
- 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。