[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 多语言支持 #### 通过 GitHub Action 支持（自动更新，始终保持最新） [French](../fr/README.md) | [Spanish](../es/README.md) | [German](../de/README.md) | [Russian](../ru/README.md) | [Arabic](../ar/README.md) | [Persian (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chinese (Simplified)](./README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Japanese](../ja/README.md) | [Korean](../ko/README.md) | [Hindi](../hi/README.md) | [Bengali](../bn/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Portuguese (Brazil)](../br/README.md) | [Italian](../it/README.md) | [Polish](../pl/README.md) | [Turkish](../tr/README.md) | [Greek](../el/README.md) | [Thai](../th/README.md) | [Swedish](../sv/README.md) | [Danish](../da/README.md) | [Norwegian](../no/README.md) | [Finnish](../fi/README.md) | [Dutch](../nl/README.md) | [Hebrew](../he/README.md) | [Vietnamese](../vi/README.md) | [Indonesian](../id/README.md) | [Malay](../ms/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Swahili](../sw/README.md) | [Hungarian](../hu/README.md) | [Czech](../cs/README.md) | [Slovak](../sk/README.md) | [Romanian](../ro/README.md) | [Bulgarian](../bg/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Croatian](../hr/README.md) | [Slovenian](../sl/README.md) | [Ukrainian](../uk/README.md) | [Burmese (Myanmar)](../my/README.md) #### 加入社区 [](https://discord.gg/kzRShWzttr) # 初学者的机器学习课程 > 🌍 跟随我们一起环游世界，通过世界文化学习机器学习 🌍 微软的云倡导者团队很高兴为大家提供一个为期12周、共26节课的机器学习课程。在这个课程中，你将学习被称为**经典机器学习**的内容，主要使用 Scikit-learn 库，并避免涉及深度学习（深度学习内容在我们的 [AI for Beginners' curriculum](https://aka.ms/ai4beginners) 中有详细介绍）。同时可以将这些课程与我们的 ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) 搭配学习！ 跟随我们环游世界，应用这些经典技术处理来自世界各地的数据。每节课都包括课前和课后测验、完成课程的书面指导、解决方案、作业等。我们的项目式教学法让你在实践中学习，这是一种被证明能够让新技能更牢固掌握的方法。 **✍️ 特别感谢我们的作者** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu 和 Amy Boyd **🎨 同样感谢我们的插画师** Tomomi Imura, Dasani Madipalli 和 Jen Looper **🙏 特别感谢 🙏 我们的微软学生大使作者、审阅者和内容贡献者**，尤其是 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila 和 Snigdha Agarwal **🤩 额外感谢微软学生大使 Eric Wanjau, Jasleen Sondhi 和 Vidushi Gupta 为我们提供的 R 课程！** # 开始学习 按照以下步骤： 1. **Fork 仓库**：点击页面右上角的 "Fork" 按钮。 2. **克隆仓库**：`git clone https://github.com/microsoft/ML-For-Beginners.git` > [在我们的 Microsoft Learn 集合中找到本课程的所有额外资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[学生](https://aka.ms/student-page)**，要使用此课程，请将整个仓库 fork 到自己的 GitHub 账户，并独立或与小组一起完成练习： - 从课前测验开始。 - 阅读课程内容并完成活动，在每个知识检查点暂停并反思。 - 尝试通过理解课程内容来创建项目，而不是直接运行解决方案代码；不过解决方案代码可以在每个项目课程的 `/solution` 文件夹中找到。 - 完成课后测验。 - 完成挑战。 - 完成作业。 - 完成一个课程组后，访问 [讨论板](https://github.com/microsoft/ML-For-Beginners/discussions)，通过填写适当的 PAT 评分表“公开学习”。PAT 是一个进度评估工具，通过填写评分表可以进一步学习。你还可以对其他 PAT 评分表进行互动，以便我们共同学习。 > 为了进一步学习，我们推荐以下 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) 模块和学习路径。 **教师**，我们提供了一些 [建议](for-teachers.md) 来帮助您使用此课程。 --- ## 视频讲解 部分课程提供了短视频形式的讲解。你可以在课程中找到这些视频，或者点击下方图片访问 [Microsoft Developer YouTube 频道上的 ML for Beginners 播放列表](https://aka.ms/ml-beginners-videos)。 [](https://aka.ms/ml-beginners-videos) --- ## 团队介绍 [](https://youtu.be/Tj1XWrDSYJU) **Gif 作者** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 点击上方图片观看关于项目及其创建者的视频！ --- ## 教学法 我们在设计课程时选择了两个教学原则：确保课程是**基于项目的**，并且包含**频繁的测验**。此外，这个课程还有一个共同的**主题**，使其更具连贯性。 通过确保内容与项目相结合，学习过程变得更加有趣，学生对概念的记忆也会得到增强。此外，课前的低风险测验可以让学生专注于学习主题，而课后的测验则进一步巩固记忆。这门课程设计灵活有趣，可以完整学习，也可以部分学习。项目从简单开始，到12周课程结束时逐渐变得复杂。课程还包括一个关于机器学习实际应用的附录，可以作为额外学分或讨论的基础。 > 查看我们的 [行为准则](CODE_OF_CONDUCT.md)、[贡献指南](CONTRIBUTING.md) 和 [翻译指南](TRANSLATIONS.md)。我们欢迎您的建设性反馈！ ## 每节课包括 - 可选的手绘笔记 - 可选的补充视频 - 视频讲解（部分课程提供） - [课前热身测验](https://ff-quizzes.netlify.app/en/ml/) - 书面课程内容 - 对于基于项目的课程，提供逐步指导如何完成项目 - 知识检查 - 挑战 - 补充阅读材料 - 作业 - [课后测验](https://ff-quizzes.netlify.app/en/ml/) > **关于语言的说明**：这些课程主要使用 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请访问 `/solution` 文件夹并查找 R 课程。这些课程文件包含 `.rmd` 扩展名，表示 **R Markdown** 文件，它可以简单定义为在 `Markdown 文档` 中嵌入 `代码块`（R 或其他语言）和 `YAML 头部`（指导如何格式化输出，如 PDF）。因此，它是数据科学的一个优秀创作框架，因为它允许你将代码、输出和想法结合起来，用 Markdown 写下来。此外，R Markdown 文档可以渲染为 PDF、HTML 或 Word 等输出格式。 > **关于测验的说明**：所有测验都包含在 [Quiz App 文件夹](../../quiz-app) 中，共有52个测验，每个测验包含三个问题。这些测验在课程中有链接，但测验应用可以本地运行；请按照 `quiz-app` 文件夹中的说明在本地托管或部署到 Azure。 | 课程编号 | 主题 | 课程分组 | 学习目标 | 课程链接 | 作者 | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | 机器学习简介 | [简介](1-Introduction/README.md) | 学习机器学习的基本概念 | [课程](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | 机器学习的历史 | [简介](1-Introduction/README.md) | 学习这一领域的历史背景 | [课程](1-Introduction/2-history-of-ML/README.md) | Jen 和 Amy | | 03 | 公平性与机器学习 | [简介](1-Introduction/README.md) | 学生在构建和应用机器学习模型时应考虑哪些重要的哲学问题？ | [课程](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | 机器学习技术 | [Introduction](1-Introduction/README.md) | 机器学习研究人员用什么技术来构建机器学习模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris 和 Jen | | 05 | 回归简介 | [Regression](2-Regression/README.md) | 使用 Python 和 Scikit-learn 开始学习回归模型 |

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 可视化并清理数据，为机器学习做准备 |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建线性和多项式回归模型 |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen 和 Dmitry
• Eric Wanjau

| | 08 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建逻辑回归模型 |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | 一个网络应用 🔌 | [Web App](3-Web-App/README.md) | 构建一个网络应用来使用你的训练模型 | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | 分类简介 | [Classification](4-Classification/README.md) | 清理、准备并可视化数据；分类简介 |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen 和 Cassie
  • Eric Wanjau
  | | 11 | 美味的亚洲和印度菜肴 🍜 | [Classification](4-Classification/README.md) | 分类器简介 |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen 和 Cassie
    • Eric Wanjau
    | | 12 | 美味的亚洲和印度菜肴 🍜 | [Classification](4-Classification/README.md) | 更多分类器 |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen 和 Cassie
      • Eric Wanjau
      | | 13 | 美味的亚洲和印度菜肴 🍜 | [Classification](4-Classification/README.md) | 使用你的模型构建一个推荐网络应用 | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | 聚类简介 | [Clustering](5-Clustering/README.md) | 清理、准备并可视化数据；聚类简介 |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | 探索尼日利亚的音乐品味 🎧 | [Clustering](5-Clustering/README.md) | 探索 K-Means 聚类方法 |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | 自然语言处理简介 ☕️ | [Natural language processing](6-NLP/README.md) | 通过构建一个简单的机器人学习 NLP 的基础知识 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | 常见 NLP 任务 ☕️ | [Natural language processing](6-NLP/README.md) | 通过理解处理语言结构时所需的常见任务加深对 NLP 的了解 | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | 翻译和情感分析 ♥️ | [Natural language processing](6-NLP/README.md) | 使用 Jane Austen 的作品进行翻译和情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | 欧洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用酒店评论进行情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | 欧洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用酒店评论进行情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | 时间序列预测简介 | [Time series](7-TimeSeries/README.md) | 时间序列预测简介 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ 世界电力使用 ⚡️ - 使用 ARIMA 进行时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用 ARIMA 进行时间序列预测 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ 世界电力使用 ⚡️ - 使用 SVR 进行时间序列预测 | [Time series](7-TimeSeries/README.md) | 使用支持向量回归器进行时间序列预测 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | 强化学习简介 | [Reinforcement learning](8-Reinforcement/README.md) | 使用 Q-Learning 学习强化学习简介 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | 帮助 Peter 避开狼 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 强化学习 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | 后记 | 真实世界中的机器学习场景和应用 | [ML in the Wild](9-Real-World/README.md) | 有趣且发人深省的经典机器学习真实世界应用 | [Lesson](9-Real-World/1-Applications/README.md) | 团队 | | 后记 | 使用 RAI 仪表板进行机器学习模型调试 | [ML in the Wild](9-Real-World/README.md) | 使用负责任的 AI 仪表板组件进行机器学习模型调试 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [在我们的 Microsoft Learn 集合中找到本课程的所有额外资源](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## 离线访问 你可以使用 [Docsify](https://docsify.js.org/#/) 离线运行此文档。Fork 此仓库，在本地机器上[安装 Docsify](https://docsify.js.org/#/quickstart)，然后在此仓库的根文件夹中输入 `docsify serve`。网站将在本地的端口 3000 上运行：`localhost:3000`。 ## PDFs 在 [这里](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) 找到带链接的课程 PDF。 ## 🎒 其他课程 我们的团队还制作了其他课程！查看以下内容： - [生成式 AI 初学者课程](https://aka.ms/genai-beginners) - [生成式 AI 初学者课程 .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [使用 JavaScript 的生成式 AI](https://github.com/microsoft/generative-ai-with-javascript) - [使用 Java 的生成式 AI](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI 初学者课程](https://aka.ms/ai-beginners) - [数据科学初学者课程](https://aka.ms/datascience-beginners) - [机器学习初学者课程](https://aka.ms/ml-beginners) - [网络安全初学者课程](https://github.com/microsoft/Security-101) - [Web 开发初学者课程](https://aka.ms/webdev-beginners) - [物联网初学者课程](https://aka.ms/iot-beginners) - [XR 开发初学者课程](https://github.com/microsoft/xr-development-for-beginners) - [掌握 GitHub Copilot 进行配对编程](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [掌握 GitHub Copilot 为 C#/.NET 开发者服务](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [选择你的 Copilot 冒险](https://github.com/microsoft/CopilotAdventures) --- **免责声明**： 本文档使用AI翻译服务[Co-op Translator](https://github.com/Azure/co-op-translator)进行翻译。尽管我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原始语言的文档作为权威来源。对于关键信息，建议使用专业人工翻译。因使用本翻译而导致的任何误解或误读，我们概不负责。