ML-For-Beginners/translations/zh-CN

🌐 多语言支持

通过 GitHub Action 支持（自动且始终保持最新）

阿拉伯语 | 孟加拉语 | 保加利亚语 | 缅甸语（缅甸） | 中文（简体） | 中文（繁体，香港） | 中文（繁体，澳门） | 中文（繁体，台湾） | 克罗地亚语 | 捷克语 | 丹麦语 | 荷兰语 | 爱沙尼亚语 | 芬兰语 | 法语 | 德语 | 希腊语 | 希伯来语 | 印地语 | 匈牙利语 | 印度尼西亚语 | 意大利语 | 日语 | 卡纳达语 | 韩语 | 立陶宛语 | 马来语 | 马拉雅拉姆语 | 马拉地语 | 尼泊尔语 | 尼日利亚洋泾浜语 | 挪威语 | 波斯语（法尔西语） | 波兰语 | 葡萄牙语（巴西） | 葡萄牙语（葡萄牙） | 旁遮普语（古鲁穆奇） | 罗马尼亚语 | 俄语 | 塞尔维亚语（西里尔字母） | 斯洛伐克语 | 斯洛文尼亚语 | 西班牙语 | 斯瓦希里语 | 瑞典语 | 他加禄语（菲律宾语） | 泰米尔语 | 泰卢固语 | 泰语 | 土耳其语 | 乌克兰语 | 乌尔都语 | 越南语

更偏好本地克隆？

此仓库包含 50 多种语言翻译，显著增加下载大小。若想不含翻译克隆，请使用稀疏检出：

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

这给你提供完成课程所需的一切，且下载更迅速。

加入我们的社区

我们正在进行 Discord 上的 AI 学习系列，了解更多并加入我们，时间为 2025 年 9 月 18 日至 30 日，访问 Learn with AI Series。你将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。

面向初学者的机器学习课程

🌍 通过世界文化探索机器学习，环游世界之旅 🌍

微软云倡导者很高兴提供一门为期12周、26课的机器学习课程。在本课程中，你将学习有时称为经典机器学习的内容，主要使用 Scikit-learn 库，避开深度学习，后者包含在我们的 AI 初学者课程 中。你还可以搭配我们的 数据科学初学者课程 一起学习！

跟随我们环游世界，应用这些经典技术于全球各地的数据。每课包含课前和课后测验、书面指导、解决方案、作业等内容。我们的基于项目的教学方法让你在实践中学习，这是一种经验证的技能掌握方式。

✍️ 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

🎨 同时感谢我们的插画师 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特别感谢 🙏 微软学生大使作者、评审及内容贡献者，特别是 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 对我们 R 语言课程的贡献！

入门指南

按以下步骤操作：

1. Fork 仓库：点击本页右上角的“Fork”按钮。
2. 克隆仓库：git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 集合中查找本课程的所有附加资源

🔧 需要帮助？ 请查看我们的 疑难解答指南，了解安装、设置和运行课程常见问题的解决方案。

学生，要使用本课程，请 fork 整个仓库至你自己的 GitHub 账户，独立或组队完成练习：

• 从课前测验开始。
• 阅读讲义，完成活动，每个知识点检查时暂停并反思。
• 尽量通过理解课程内容自己动手创建项目，不仅仅是运行解决方案代码；解决方案代码可在每个项目导向课程的 /solution 文件夹中找到。
• 参加课后测验。
• 完成挑战。
• 完成作业。
• 完成课程组后，访问讨论区，通过填写适当的 PAT 评分量表“大胆表达学习感受”。“PAT”是一个进度评估工具，填写它有助于加深学习。你也可以对其他人的 PAT 进行回应，大家共同学习。

深入学习建议跟进这些 Microsoft Learn 模块和学习途径。

教师，我们提供了 一些建议 来辅助你使用本课程。

---

视频讲解

部分课程提供短视频形式。你可以在课程内嵌链接或通过点击下面图片访问微软开发者 YouTube 频道的“ML for Beginners”播放列表。

---

团队介绍

Gif 制作者 Mohit Jaisal

🎥 点击上方图片，观看项目及开发团队视频！

---

教学理念

构建本课程时，我们遵循了两个教学原则：确保课程是动手的基于项目教学，并包含频繁测验。此外，课程具备统一的主题，以增强课程整体性。

通过使内容与项目紧密结合，让学习过程更吸引人，提升概念记忆度。课前低压力测验激发学习意图，课后测验帮助巩固知识。课程设计灵活且趣味十足，可整体或部分学习。项目由浅入深，层层递进，贯穿12周周期。课程还包括有关机器学习实际应用的附录，供加分或讨论使用。

请查阅我们的 行为规范、贡献指南、翻译指南 和 疑难解答。我们欢迎你的建设性反馈！

每节课均包含

• 可选草图笔记
• 可选补充视频
• 视频讲解（部分课程）
• 课前热身测验
• 书面课程内容
• 对于基于项目的课程，项目构建的逐步指南
• 知识点检查
• 挑战任务
• 补充阅读
• 作业
• 课后测验

关于语言的说明：这些课程主要以 Python 编写，但许多课程也提供 R 版本。若要完成 R 课程，请进入 /solution 文件夹寻找对应的 R 课程文件。它们具有 .rmd 扩展名，代表R Markdown文件，简单来说，是在 Markdown 文档中嵌入 代码块（R 或其他语言）和包含格式输出指引的 YAML 头部。因此，它是数据科学的理想编写框架，允许你同时记录代码、输出及笔记。R Markdown 文档可以渲染成 PDF、HTML 或 Word 等格式。 关于测验的说明：所有测验均包含在测验应用文件夹中，共52个测验，每个测验包含三个问题。测验链接嵌入课程中，但测验应用程序也可本地运行；请按照quiz-app文件夹中的说明本地托管或部署到Azure。

课程编号	主题	课程分组	学习目标	关联课程	作者
01	机器学习简介	简介	了解机器学习的基本概念	课程	Muhammad
02	机器学习的历史	简介	了解该领域的历史背景	课程	Jen 和 Amy
03	公平性与机器学习	简介	学生在构建和应用机器学习模型时，应考虑的重要公平性哲学问题	课程	Tomomi
04	机器学习技术	简介	机器学习研究人员用来构建模型的技术是什么？	课程	Chris 和 Jen
05	回归简介	回归	使用Python和Scikit-learn开始构建回归模型	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	Web应用 🔌	Web App	构建用于使用你训练模型的Web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	使用你的模型构建推荐Web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	探索尼日利亚音乐喜好 🎧	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	通过构建简单机器人了解NLP基础	Python	Stephen
17	常见NLP任务 ☕️	自然语言处理	通过了解处理语言结构所需的常见任务加深NLP知识	Python	Stephen
18	翻译和情感分析 ♥️	自然语言处理	使用简·奥斯汀进行翻译和情感分析	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的时间序列预测	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的时间序列预测	时间序列	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	强化学习	使用Q学习介绍强化学习	Python	Dmitry
25	帮助Peter躲避狼！ 🐺	强化学习	强化学习Gym	Python	Dmitry
后记	现实机器学习场景和应用	现实机器学习	经典机器学习在现实中的有趣且启发性应用	课程	团队
后记	使用RAI仪表盘进行机器学习模型调试	现实机器学习	使用Responsible AI仪表盘组件进行机器学习模型调试	课程	Ruth Yakubu

在我们的Microsoft Learn合集里查找本课程的所有额外资源

离线访问

您可以使用Docsify离线运行这份文档。Fork本仓库后，在本地机器上安装Docsify，然后在本仓库根目录输入docsify serve。网站将在本地主机3000端口运行：localhost:3000。

PDF文件

带链接的课程大纲pdf可在这里找到。

🎒 其他课程

我们的团队还制作了其他课程！看这里：

LangChain

Azure / Edge / MCP / Agents

---

生成式人工智能系列

---

核心学习

---

Copilot 系列

获取帮助

如果遇到困难或对构建人工智能应用有任何疑问，请加入学习者和经验丰富的开发者社区，共同讨论 MCP。这是一个支持性的社区，欢迎提问并自由分享知识。

如果在构建过程中有产品反馈或出现错误，请访问：

---

免责声明：
本文件已使用人工智能翻译服务 Co-op Translator 进行翻译。虽然我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始文件的母语版本应视为权威来源。对于重要信息，建议采用专业人工翻译。我们对因使用本翻译而产生的任何误解或曲解不承担责任。