|
|
[](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/)
|
|
|
|
|
|
[](https://discord.gg/zxKYvhSnVp?WT.mc_id=academic-000002-leestott)
|
|
|
|
|
|
# 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](https://aka.ms/ai4beginners)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'](https://aka.ms/ds4beginners)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](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
|
|
|
|
|
|
**[学生们](https://aka.ms/student-page)**，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](https://github.com/microsoft/ML-For-Beginners/discussions)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](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott)模块和学习路径。
|
|
|
|
|
|
**教师们**，我们[提供了一些建议](for-teachers.md)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](https://aka.ms/ml-beginners-videos)中观看。
|
|
|
|
|
|
[](https://aka.ms/ml-beginners-videos)
|
|
|
|
|
|
---
|
|
|
|
|
|
## 团队介绍
|
|
|
|
|
|
[](https://youtu.be/Tj1XWrDSYJU "宣传视频")
|
|
|
|
|
|
**Gif 制作** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
|
|
|
|
|
|
> 🎥 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](CODE_OF_CONDUCT.md)，[贡献指南](CONTRIBUTING.md)和[翻译指南](TRANSLATIONS.md)。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](../../quiz-app)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](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 | [介绍](1-Introduction/README.md) | 学习这一领域的历史 | [课程](1-Introduction/2-history-of-ML/README.md) | Jen 和 Amy |
|
|
|
| 03 | 机器学习中的公平性 | [介绍](1-Introduction/README.md) | 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](1-Introduction/3-fairness/README.md) | Tomomi |
|
|
|
| 04 | 机器学习技术 | [Introduction](1-Introduction/README.md) | 机器学习研究人员使用哪些技术来构建机器学习模型？ | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris 和 Jen |
|
|
|
| 05 | 回归介绍 | [Regression](2-Regression/README.md) | 开始使用Python和Scikit-learn进行回归模型构建 | <ul><li>[Python](2-Regression/1-Tools/README.md)</li><li>[R](../../2-Regression/1-Tools/solution/R/lesson_1.html)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
|
|
| 06 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 为机器学习做数据可视化和清理 | <ul><li>[Python](2-Regression/2-Data/README.md)</li><li>[R](../../2-Regression/2-Data/solution/R/lesson_2.html)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
|
|
| 07 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建线性和多项式回归模型 | <ul><li>[Python](2-Regression/3-Linear/README.md)</li><li>[R](../../2-Regression/3-Linear/solution/R/lesson_3.html)</li></ul> | <ul><li>Jen 和 Dmitry</li><li>Eric Wanjau</li></ul> |
|
|
|
| 08 | 北美南瓜价格 🎃 | [Regression](2-Regression/README.md) | 构建逻辑回归模型 | <ul><li>[Python](2-Regression/4-Logistic/README.md) </li><li>[R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
|
|
| 09 | 一个网络应用 🔌 | [Web App](3-Web-App/README.md) | 构建一个使用已训练模型的网络应用 | [Python](3-Web-App/1-Web-App/README.md) | Jen |
|
|
|
| 10 | 分类介绍 | [Classification](4-Classification/README.md) | 清理、准备和可视化数据；分类介绍 | <ul><li> [Python](4-Classification/1-Introduction/README.md) </li><li>[R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | <ul><li>Jen 和 Cassie</li><li>Eric Wanjau</li></ul> |
|
|
|
| 11 | 美味的亚洲和印度菜 🍜 | [Classification](4-Classification/README.md) | 分类器介绍 | <ul><li> [Python](4-Classification/2-Classifiers-1/README.md)</li><li>[R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | <ul><li>Jen 和 Cassie</li><li>Eric Wanjau</li></ul> |
|
|
|
| 12 | 美味的亚洲和印度菜 🍜 | [Classification](4-Classification/README.md) | 更多分类器 | <ul><li> [Python](4-Classification/3-Classifiers-2/README.md)</li><li>[R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | <ul><li>Jen 和 Cassie</li><li>Eric Wanjau</li></ul> |
|
|
|
| 13 | 美味的亚洲和印度菜 🍜 | [Classification](4-Classification/README.md) | 使用模型构建推荐系统网络应用 | [Python](4-Classification/4-Applied/README.md) | Jen |
|
|
|
| 14 | 聚类介绍 | [Clustering](5-Clustering/README.md) | 清理、准备和可视化数据；聚类介绍 | <ul><li> [Python](5-Clustering/1-Visualize/README.md)</li><li>[R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
|
|
| 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 | <ul><li> [Python](5-Clustering/2-K-Means/README.md)</li><li>[R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
|
|
|
| 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 | 常见的 NLP 任务 ☕️ | [Natural language processing](6-NLP/README.md) | 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](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 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 进行强化学习简介 | [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 |
|
|
|
| Postscript | 真实世界的机器学习场景和应用 | [ML in the Wild](9-Real-World/README.md) | 经典机器学习的有趣且揭示性的真实世界应用 | [Lesson](9-Real-World/1-Applications/README.md) | Team |
|
|
|
| Postscript | 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附加资源](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](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
|
|
|
|
|
|
## 寻求帮助
|
|
|
|
|
|
想要贡献翻译吗？请阅读我们的[翻译指南](TRANSLATIONS.md)并在[这里](https://github.com/microsoft/ML-For-Beginners/issues)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](https://aka.ms/ai4beginners)
|
|
|
- [Data Science for Beginners](https://aka.ms/datascience-beginners)
|
|
|
- [**新版本 2.0** - Generative AI for Beginners](https://aka.ms/genai-beginners)
|
|
|
- [**新** Cybersecurity for Beginners](https://github.com/microsoft/Security-101??WT.mc_id=academic-96948-sayoung)
|
|
|
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
|
|
- [IoT for Beginners](https://aka.ms/iot-beginners)
|
|
|
- [Machine Learning for Beginners](https://aka.ms/ml4beginners)
|
|
|
- [XR Development for Beginners](https://aka.ms/xr-dev-for-beginners)
|
|
|
- [Mastering GitHub Copilot for AI Paired Programming](https://aka.ms/GitHubCopilotAI)
|
|
|
|
|
|
**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。 |
