ML-For-Beginners/translations/zh

初学者的机器学习 - 课程

🌍 跟随我们一起环游世界，通过世界文化来探索机器学习 🌍

微软的云倡导者很高兴为大家提供一个为期12周、共26课的机器学习课程。在这个课程中，你将学习到有时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（在我们的AI初学者课程中有详细介绍）。你也可以将这些课程与我们的'数据科学初学者课程'结合起来学习！

跟随我们环游世界，将这些经典技术应用于世界各地的数据。每节课包括课前和课后测试、完成课程的书面指导、解决方案、作业等。我们的项目驱动教学法允许你在构建中学习，这是一种证明有效的新技能学习方法。

✍️ 衷心感谢我们的作者 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 为我们的R课程提供帮助！

开始

按照以下步骤操作：

1. Fork 这个仓库：点击页面右上角的"Fork"按钮。
2. 克隆这个仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的Microsoft Learn合集里找到所有额外资源

学生们，要使用这个课程，请将整个仓库fork到你自己的GitHub账户中，并独自或与小组一起完成练习：

• 从课前测试开始。
• 阅读课程并完成活动，在每次知识检查时暂停并反思。
• 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；不过这些代码在每个项目导向的课程的/solution文件夹中都可以找到。
• 完成课后测试。
• 完成挑战。
• 完成作业。
• 完成一个课程组后，访问讨论板并通过填写适当的PAT评分表来“公开学习”。PAT是一个进度评估工具，你可以通过填写评分表来进一步学习。你也可以对其他PAT做出反应，以便我们一起学习。

进一步学习，我们推荐你跟随这些Microsoft Learn模块和学习路径。

教师们，我们提供了一些建议关于如何使用这个课程。

---

视频讲解

部分课程有短视频形式。你可以在课程中找到所有这些视频，或者点击下图在微软开发者YouTube频道的初学者机器学习播放列表中观看。

---

团队介绍

Gif 制作 Mohit Jaisal

🎥 点击上图观看关于项目和创建者的视频！

---

教学法

我们在设计这个课程时选择了两个教学原则：确保它是动手的项目驱动和包含频繁的测验。此外，这个课程有一个共同的主题，以确保连贯性。

通过确保内容与项目对齐，这个过程变得更有吸引力，学生对概念的记忆也会增强。此外，课前低风险测验可以让学生集中注意力学习一个主题，而课后测验可以进一步巩固记忆。这个课程设计灵活有趣，可以整体或部分完成。项目从小开始，到12周周期结束时逐渐变得复杂。这个课程还包括一个关于机器学习在现实世界应用的附录，可以作为额外学分或讨论的基础。

查找我们的行为准则，贡献指南和翻译指南。我们欢迎你的建设性反馈！

每节课包括

• 可选的草图笔记
• 可选的补充视频
• 视频讲解（部分课程）
• 课前热身测验
• 书面课程
• 对于项目导向的课程，提供逐步构建项目的指南
• 知识检查
• 挑战
• 补充阅读
• 作业
• 课后测验

关于语言的说明：这些课程主要用Python编写，但许多课程也有R版本。要完成R课程，请转到/solution文件夹并查找R课程。它们包括一个.rmd扩展名，表示一个R Markdown文件，可以简单定义为code chunks（R或其他语言）和YAML header（指导如何格式化输出，如PDF）的嵌入。作为一个优秀的数据科学创作框架，它允许你结合代码、输出和你的想法，将它们写在Markdown中。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：所有测验都包含在测验应用文件夹中，共有52个测验，每个测验有三道题。它们在课程中链接，但测验应用可以本地运行；按照quiz-app文件夹中的说明进行本地托管或部署到Azure。

课程编号	主题	课程分组	学习目标	链接课程	作者
01	机器学习介绍	介绍	学习机器学习的基本概念	课程	Muhammad
02	机器学习的历史	介绍	学习这一领域的历史	课程	Jen 和 Amy
03	机器学习中的公平性	介绍	学生在构建和应用机器学习模型时应该考虑哪些重要的哲学问题？	课程	Tomomi
04	机器学习技术	Introduction	机器学习研究人员使用哪些技术来构建机器学习模型？	Lesson	Chris 和 Jen
05	回归介绍	Regression	开始使用Python和Scikit-learn进行回归模型构建	Python R	Jen Eric Wanjau
06	北美南瓜价格 🎃	Regression	为机器学习做数据可视化和清理	Python R	Jen Eric Wanjau
07	北美南瓜价格 🎃	Regression	构建线性和多项式回归模型	Python R	Jen 和 Dmitry Eric Wanjau
08	北美南瓜价格 🎃	Regression	构建逻辑回归模型	Python R	Jen Eric Wanjau
09	一个网络应用 🔌	Web App	构建一个使用已训练模型的网络应用	Python	Jen
10	分类介绍	Classification	清理、准备和可视化数据；分类介绍	Python R	Jen 和 Cassie Eric Wanjau
11	美味的亚洲和印度菜 🍜	Classification	分类器介绍	Python R	Jen 和 Cassie Eric Wanjau
12	美味的亚洲和印度菜 🍜	Classification	更多分类器	Python R	Jen 和 Cassie Eric Wanjau
13	美味的亚洲和印度菜 🍜	Classification	使用模型构建推荐系统网络应用	Python	Jen
14	聚类介绍	Clustering	清理、准备和可视化数据；聚类介绍	Python R	Jen Eric Wanjau
15	探索尼日利亚的音乐品味 🎧	Clustering	探索 K-Means 聚类方法	Python R	Jen Eric Wanjau
16	自然语言处理简介 ☕️	Natural language processing	通过构建一个简单的机器人学习 NLP 的基础知识	Python	Stephen
17	常见的 NLP 任务 ☕️	Natural language processing	通过了解处理语言结构时所需的常见任务来加深你的 NLP 知识	Python	Stephen
18	翻译和情感分析 ♥️	Natural language processing	使用 Jane Austen 进行翻译和情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	Natural language processing	使用酒店评论进行情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	Natural language processing	使用酒店评论进行情感分析 2	Python	Stephen
21	时间序列预测简介	Time series	时间序列预测简介	Python	Francesca
22	⚡️ 世界电力使用 ⚡️ - 使用 ARIMA 进行时间序列预测	Time series	使用 ARIMA 进行时间序列预测	Python	Francesca
23	⚡️ 世界电力使用 ⚡️ - 使用 SVR 进行时间序列预测	Time series	使用支持向量回归进行时间序列预测	Python	Anirban
24	强化学习简介	Reinforcement learning	使用 Q-Learning 进行强化学习简介	Python	Dmitry
25	帮助 Peter 避开狼！ 🐺	Reinforcement learning	强化学习 Gym	Python	Dmitry
Postscript	真实世界的机器学习场景和应用	ML in the Wild	经典机器学习的有趣且揭示性的真实世界应用	Lesson	Team
Postscript	使用 RAI 仪表板进行机器学习模型调试	ML in the Wild	使用负责任的 AI 仪表板组件进行机器学习模型调试	Lesson	Ruth Yakubu

在我们的 Microsoft Learn 集合中找到本课程的所有附加资源

离线访问

你可以使用 Docsify 离线运行此文档。Fork 此仓库，在本地机器上 安装 Docsify，然后在此仓库的根文件夹中输入 docsify serve。网站将在你的本地主机上的 3000 端口提供服务：localhost:3000。

PDFs

找到包含链接的课程PDF here.

寻求帮助

想要贡献翻译吗？请阅读我们的翻译指南并在这里添加一个模板化问题来管理工作量。

其他课程

我们的团队还制作了其他课程！查看以下内容：

• AI for Beginners
• Data Science for Beginners
• 新版本 2.0 - Generative AI for Beginners
• 新 Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• Machine Learning for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for AI Paired Programming

免责声明： 本文档已使用基于机器的人工智能翻译服务进行翻译。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。应将原文档的母语版本视为权威来源。对于关键信息，建议使用专业人工翻译。对于因使用本翻译而引起的任何误解或误读，我们概不负责。