24 KiB
🌐 多语言支持
通过 GitHub Action 支持（自动化且始终保持最新）
法语 | 西班牙语 | 德语 | 俄语 | 阿拉伯语 | 波斯语（法尔西语） | 乌尔都语 | 中文（简体） | 中文（繁体，澳门） | 中文（繁体，香港） | 中文（繁体，台湾） | 日语 | 韩语 | 印地语 | 孟加拉语 | 马拉地语 | 尼泊尔语 | 旁遮普语（古木基文） | 葡萄牙语（葡萄牙） | 葡萄牙语（巴西） | 意大利语 | 波兰语 | 土耳其语 | 希腊语 | 泰语 | 瑞典语 | 丹麦语 | 挪威语 | 芬兰语 | 荷兰语 | 希伯来语 | 越南语 | 印尼语 | 马来语 | 他加禄语（菲律宾语） | 斯瓦希里语 | 匈牙利语 | 捷克语 | 斯洛伐克语 | 罗马尼亚语 | 保加利亚语 | 塞尔维亚语（西里尔文） | 克罗地亚语 | 斯洛文尼亚语 | 乌克兰语 | 缅甸语（缅甸）
加入我们的社区
我们正在进行一个关于 AI 的 Discord 学习系列，了解更多并加入我们吧：Learn with AI Series，时间为 2025 年 9 月 18 日至 30 日。您将学习使用 GitHub Copilot 进行数据科学的技巧和窍门。
初学者的机器学习课程
🌍 跟随我们环游世界，通过世界文化探索机器学习 🌍
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 节课的课程，内容全部围绕 机器学习。在这个课程中，您将学习一些被称为 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 中涵盖）。同时，您也可以将这些课程与我们的 'Data Science for Beginners' curriculum 搭配学习！
跟随我们环游世界，将这些经典技术应用于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您在实践中学习，这是一种被证明能够让新技能“扎根”的方式。
✍️ 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 为我们提供的 R 课程！
入门指南
按照以下步骤操作：
- Fork 仓库：点击页面右上角的 "Fork" 按钮。
- 克隆仓库：
git clone https://github.com/microsoft/ML-For-Beginners.git
学生，要使用此课程，请将整个仓库 fork 到您的 GitHub 账户，并独立或与团队一起完成练习：
- 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；不过这些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，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，您可以通过填写评分表来进一步学习。您还可以对其他 PAT 进行互动，以便我们共同学习。
为了进一步学习，我们建议您跟随这些 Microsoft Learn 模块和学习路径。
教师，我们提供了一些关于如何使用此课程的 建议。
视频讲解
部分课程提供了短视频形式的讲解。您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。
团队介绍
Gif 作者 Mohit Jaisal
🎥 点击上方图片观看关于项目及其创建者的视频！
教学法
我们在设计此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 频繁测验。此外，此课程还有一个共同的 主题，以增强课程的连贯性。
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。此课程设计灵活有趣，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后记，可以作为额外学分或讨论的基础。
每节课包括
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，请转到
/solution文件夹并查找 R 课程。这些课程包含.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（指导如何格式化输出，例如 PDF）。因此，它是数据科学的一个示范性创作框架，因为它允许您将代码、输出和想法结合起来，并以 Markdown 的形式记录下来。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 中，共有 52 个测验，每个测验包含三个问题。测验链接嵌入在课程中，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 | 学习机器学习的基本概念 | 课程 | Muhammad |
| 02 | 机器学习的历史 | 简介 | 学习该领域的历史背景 | 课程 | Jen 和 Amy |
| 03 | 公平性与机器学习 | 介绍 | 学生在构建和应用机器学习模型时应考虑哪些重要的公平性哲学问题？ | 课程 | Tomomi |
| 04 | 机器学习技术 | 介绍 | 机器学习研究人员使用哪些技术来构建机器学习模型？ | 课程 | Chris 和 Jen |
| 05 | 回归简介 | 回归 | 使用 Python 和 Scikit-learn 开始学习回归模型 | Python • R | Jen • Eric Wanjau |
| 06 | 北美南瓜价格 🎃 | 回归 | 可视化和清理数据，为机器学习做准备 | Python • R | Jen • Eric Wanjau |
| 07 | 北美南瓜价格 🎃 | 回归 | 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 🎃 | 回归 | 构建逻辑回归模型 | Python • R | Jen • Eric Wanjau |
| 09 | 一个网络应用 🔌 | 网络应用 | 构建一个使用训练模型的网络应用 | Python | Jen |
| 10 | 分类简介 | 分类 | 清理、准备和可视化数据；分类简介 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 11 | 美味的亚洲和印度美食 🍜 | 分类 | 分类器简介 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 12 | 美味的亚洲和印度美食 🍜 | 分类 | 更多分类器 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 13 | 美味的亚洲和印度美食 🍜 | 分类 | 使用模型构建推荐系统网络应用 | Python | Jen |
| 14 | 聚类简介 | 聚类 | 清理、准备和可视化数据；聚类简介 | Python • R | Jen • Eric Wanjau |
| 15 | 探索尼日利亚的音乐品味 🎧 | 聚类 | 探索 K-Means 聚类方法 | Python • R | Jen • Eric Wanjau |
| 16 | 自然语言处理简介 ☕️ | 自然语言处理 | 通过构建一个简单的机器人学习自然语言处理基础知识 | Python | Stephen |
| 17 | 常见的自然语言处理任务 ☕️ | 自然语言处理 | 通过理解处理语言结构时所需的常见任务加深对自然语言处理的理解 | Python | Stephen |
| 18 | 翻译与情感分析 ♥️ | 自然语言处理 | 使用 Jane Austen 的作品进行翻译与情感分析 | Python | Stephen |
| 19 | 欧洲浪漫酒店 ♥️ | 自然语言处理 | 使用酒店评论进行情感分析 1 | Python | Stephen |
| 20 | 欧洲浪漫酒店 ♥️ | 自然语言处理 | 使用酒店评论进行情感分析 2 | Python | Stephen |
| 21 | 时间序列预测简介 | 时间序列 | 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 | 时间序列 | 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 | 时间序列 | 使用支持向量回归器进行时间序列预测 | Python | Anirban |
| 24 | 强化学习简介 | 强化学习 | 使用 Q-Learning 学习强化学习基础知识 | Python | Dmitry |
| 25 | 帮助 Peter 避开狼 🐺 | 强化学习 | 强化学习 Gym | Python | Dmitry |
| 后记 | 真实世界中的机器学习场景与应用 | 真实世界中的机器学习 | 经典机器学习的有趣且发人深省的真实世界应用 | 课程 | 团队 |
| 后记 | 使用 RAI 仪表板调试机器学习模型 | 真实世界中的机器学习 | 使用负责任的 AI 仪表板组件调试机器学习模型 | 课程 | Ruth Yakubu |
离线访问
您可以使用 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。网站将在本地端口 3000 上运行：localhost:3000。
PDFs
在 这里 找到带有链接的课程 PDF。
🎒 其他课程
我们的团队还制作了其他课程！查看以下内容：
- 初学者的边缘 AI
- 初学者的 AI 代理
- 初学者的生成式 AI
- 初学者的生成式 AI .NET
- 使用 JavaScript 的生成式 AI
- 使用 Java 的生成式 AI
- 初学者的 AI
- 初学者的数据科学
- 初学者的机器学习
- 初学者的网络安全
- 初学者的 Web 开发
- 初学者的物联网
- 初学者的 XR 开发
- 掌握 GitHub Copilot 进行配对编程
- 掌握 GitHub Copilot 为 C#/.NET 开发者服务
- 选择你的 Copilot 冒险
免责声明：
本文档使用AI翻译服务 Co-op Translator 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。