ML-For-Beginners/translations/mo

🌐 多語言支援

透過 GitHub Action 支援（自動化且始終保持最新）

阿拉伯文 | 孟加拉文 | 保加利亞文 | 緬甸文 | 中文（簡體） | 中文（繁體，香港） | 中文（繁體，澳門） | 中文（繁體，台灣） | 克羅埃西亞文 | 捷克文 | 丹麥文 | 荷蘭文 | 愛沙尼亞文 | 芬蘭文 | 法文 | 德文 | 希臘文 | 希伯來文 | 印地文 | 匈牙利文 | 印尼文 | 意大利文 | 日文 | 韓文 | 立陶宛文 | 馬來文 | 馬拉地文 | 尼泊爾文 | 尼日利亞皮欽語 | 挪威文 | 波斯文（法爾西） | 波蘭文 | 葡萄牙文（巴西） | 葡萄牙文（葡萄牙） | 旁遮普文（古木基文） | 羅馬尼亞文 | 俄文 | 塞爾維亞文（西里爾文） | 斯洛伐克文 | 斯洛文尼亞文 | 西班牙文 | 斯瓦希里文 | 瑞典文 | 他加祿文（菲律賓文） | 泰米爾文 | 泰文 | 土耳其文 | 烏克蘭文 | 烏爾都文 | 越南文

加入我們的社群

我們正在進行一個 AI 學習系列，了解更多並加入我們的 AI 學習系列，時間為 2025 年 9 月 18 日至 30 日。您將學到使用 GitHub Copilot 進行數據科學的技巧和秘訣。

初學者的機器學習課程

🌍 隨著我們探索世界文化，環遊世界學習機器學習 🌍

Microsoft 的雲端倡導者很高興提供一個為期 12 週、共 26 節課的課程，內容全是關於 機器學習。在這個課程中，您將學習有時被稱為 經典機器學習 的內容，主要使用 Scikit-learn 作為庫，並避免深度學習，深度學習則涵蓋在我們的 AI 初學者課程 中。此外，您還可以搭配我們的 '數據科學初學者課程' 一起學習！

跟隨我們環遊世界，將這些經典技術應用於來自世界各地的數據。每節課都包括課前和課後測驗、完成課程的書面指導、解決方案、作業等。我們的基於項目的教學法讓您在建設中學習，這是一種能讓新技能更牢固的有效方式。

✍️ 衷心感謝我們的作者 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd

🎨 同樣感謝我們的插畫家 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特別感謝 🙏 我們的 Microsoft 學生大使作者、審稿人和內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 額外感謝 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 為我們的 R 課程所做的貢獻！

開始使用

請按照以下步驟：

1. 分叉此倉庫：點擊此頁面右上角的 "Fork" 按鈕。
2. 克隆此倉庫：git clone https://github.com/microsoft/ML-For-Beginners.git

在 Microsoft Learn 集合中找到此課程的所有額外資源

🔧 需要幫助嗎？ 查看我們的 故障排除指南，以解決安裝、設置和運行課程的常見問題。

學生，要使用此課程，請將整個倉庫分叉到您的 GitHub 帳戶，並自行或與小組一起完成練習：

• 從課前測驗開始。
• 閱讀課程並完成活動，在每次知識檢查時停下來反思。
• 嘗試通過理解課程來創建項目，而不是直接運行解決方案代碼；不過，該代碼可在每個基於項目的課程的 /solution 文件夾中找到。
• 完成課後測驗。
• 完成挑戰。
• 完成作業。
• 完成一組課程後，訪問 討論板，並通過填寫適當的 PAT 評估表來 "大聲學習"。PAT 是一種進度評估工具，您可以填寫該表來進一步學習。您還可以對其他 PAT 進行反應，讓我們一起學習。

為了進一步學習，我們建議您跟隨這些 Microsoft Learn 模組和學習路徑。

教師們，我們提供了一些 建議 來幫助您使用此課程。

---

視頻教學

部分課程提供短視頻形式。您可以在課程中找到所有這些視頻，或者在 Microsoft Developer YouTube 頻道上的 ML 初學者播放列表 中找到，點擊下方圖片即可。

---

認識團隊

Gif 作者 Mohit Jaisal

🎥 點擊上方圖片觀看關於此項目及其創作者的視頻！

---

教學法

我們在設計此課程時選擇了兩個教學原則：確保它是 基於項目 的且包含 頻繁測驗。此外，此課程還有一個共同的 主題，使其更具凝聚力。

通過確保內容與項目一致，學習過程對學生來說更具吸引力，概念的保留也會得到增強。此外，課前的低壓測驗可以讓學生專注於學習某個主題，而課後的第二次測驗則進一步加強記憶。此課程設計靈活有趣，可以整體或部分學習。項目從小開始，並在 12 週的周期結束時變得越來越複雜。此課程還包括一個關於機器學習的真實應用的附錄，可用作額外學分或討論的基礎。

查看我們的 行為準則、貢獻指南、翻譯指南 和 故障排除指南。我們歡迎您的建設性反饋！

每節課包括

• 可選的手繪筆記
• 可選的補充視頻
• 視頻教學（僅部分課程）
• 課前熱身測驗
• 書面課程
• 對於基於項目的課程，提供如何構建項目的分步指南
• 知識檢查
• 挑戰
• 補充閱讀
• 作業
• 課後測驗

關於語言的說明：這些課程主要使用 Python，但許多課程也提供 R。要完成 R 課程，請轉到 /solution 文件夾並查找 R 課程。它們包含 .rmd 擴展名，代表 R Markdown 文件，可以簡單地定義為在 Markdown 文檔 中嵌入 代碼塊（R 或其他語言）和 YAML 標頭（指導如何格式化輸出，例如 PDF）。因此，它作為數據科學的示範性創作框架，因為它允許您將代碼、輸出和想法結合起來，並以 Markdown 的形式記錄下來。此外，R Markdown 文檔可以渲染為 PDF、HTML 或 Word 等輸出格式。

關於測驗的說明：所有測驗都包含在 測驗應用文件夾 中，共有 52 個測驗，每個測驗包含三個問題。它們在課程中有鏈接，但測驗應用可以在本地運行；請按照 quiz-app 文件夾中的指示在本地托管或部署到 Azure。

課程編號	主題	課程分組	學習目標	相關課程	作者
01	機器學習簡介	簡介	學習機器學習的基本概念	課程	Muhammad
02	機器學習的歷史	簡介	學習這個領域背後的歷史	課程	Jen 和 Amy
03	公平性與機器學習	簡介	學生在建立和應用機器學習模型時應考慮的公平性相關哲學問題是什麼？	課程	Tomomi
04	機器學習的技術	簡介	機器學習研究人員用什麼技術來建立機器學習模型？	課程	Chris 和 Jen
05	回歸分析簡介	回歸分析	使用 Python 和 Scikit-learn 開始學習回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	回歸分析	視覺化和清理數據以準備進行機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	回歸分析	建立線性和多項式回歸模型	Python • R	Jen 和 Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	回歸分析	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	一個網頁應用 🔌	網頁應用	建立一個網頁應用來使用您訓練的模型	Python	Jen
10	分類簡介	分類	清理、準備和視覺化您的數據；分類簡介	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亞洲和印度美食 🍜	分類	分類器簡介	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亞洲和印度美食 🍜	分類	更多分類器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亞洲和印度美食 🍜	分類	使用您的模型建立一個推薦系統網頁應用	Python	Jen
14	聚類分析簡介	聚類分析	清理、準備和視覺化您的數據；聚類分析簡介	Python • R	Jen • Eric Wanjau
15	探索尼日利亞的音樂品味 🎧	聚類分析	探索 K-Means 聚類方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	自然語言處理	通過建立一個簡單的機器人學習 NLP 的基礎知識	Python	Stephen
17	常見的 NLP 任務 ☕️	自然語言處理	通過了解處理語言結構時所需的常見任務來加深您的 NLP 知識	Python	Stephen
18	翻譯與情感分析 ♥️	自然語言處理	使用 Jane Austen 的作品進行翻譯與情感分析	Python	Stephen
19	歐洲浪漫酒店 ♥️	自然語言處理	使用酒店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫酒店 ♥️	自然語言處理	使用酒店評論進行情感分析 2	Python	Stephen
21	時間序列預測簡介	時間序列	時間序列預測簡介	Python	Francesca
22	⚡️ 世界電力使用 ⚡️ - 使用 ARIMA 進行時間序列預測	時間序列	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界電力使用 ⚡️ - 使用 SVR 進行時間序列預測	時間序列	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習簡介	強化學習	使用 Q-Learning 進行強化學習簡介	Python	Dmitry
25	幫助 Peter 避開狼！🐺	強化學習	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習場景和應用	野外的機器學習	有趣且啟發性的經典機器學習的真實應用	課程	團隊
後記	使用 RAI 儀表板進行機器學習模型調試	野外的機器學習	使用負責任的 AI 儀表板組件進行機器學習模型調試	課程	Ruth Yakubu

在 Microsoft Learn 集合中找到本課程的所有額外資源

離線訪問

您可以使用 Docsify 離線運行此文檔。Fork 此 repo，在本地機器上安裝 Docsify，然後在此 repo 的根文件夾中輸入 docsify serve。網站將在您的本地主機的 3000 端口上提供服務：localhost:3000。

PDFs

在此處找到帶有鏈接的課程 PDF here。

🎒 其他課程

我們的團隊還製作了其他課程！查看：

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

尋求幫助

如果你遇到困難或對構建 AI 應用有任何疑問，歡迎加入其他學員和有經驗的開發者的討論。這是一個支持性的社區，問題可以隨時提出，知識也會被自由分享。

如果你有產品反饋或在構建過程中遇到錯誤，請訪問：

---

免責聲明：
此文件已使用人工智能翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原文文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。