28 KiB

Raw Permalink Blame History Unescape Escape

🌐 多語言支援

透過 GitHub Action 支援（自動及隨時更新）

想本地 Clone？

此儲存庫包括50多種語言翻譯，顯著增加下載大小。想不包含翻譯地 Clone 請使用 sparse checkout:
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'
如此將快速下載，且包含完成課程所需所有內容。

加入我們的社群

我們在 Discord 舉辦的 AI 學習系列正在進行中，更多資訊及加入請見 Learn with AI Series，時間為 2025 年 9 月 18 至 30 日。你將學到如何使用 GitHub Copilot 進行資料科學操作的小竅門。

初學者的機器學習課程大綱

🌍 透過世界各地文化環遊機器學習的旅程 🌍

微軟的 Cloud Advocates 很高興推出為期 12 週、共 26 課的 機器學習 課程大綱。在此課程中，你將學習所謂的 經典機器學習，主要使用 Scikit-learn 函式庫，並避開深度學習，其內容收錄於我們的 AI for Beginners 課程。另外，也可搭配我們的『資料科學初學者』課程。

跟我們一起環遊世界，使用這些經典技術應用於多元世界資料。每課包含課前與課後測驗、書面指示、解答、作業等。透過專案導向的教學法，讓你一邊建置專案，一邊學習，是學習技能的有效方法。

✍️ 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 以及 Amy Boyd

🎨 亦感謝我們的插畫師 Tomomi Imura、Dasani Madipalli 和 Jen Looper

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

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 為我們的 R 語言課程付出努力！

開始使用

請依照以下步驟操作：

Fork 此儲存庫：點擊本頁右上角的「Fork」按鈕。
Clone 儲存庫： git clone https://github.com/microsoft/ML-For-Beginners.git

課程的所有額外資源可於我們的 Microsoft Learn 收藏頁找到

🔧 需要幫助？ 查看我們的疑難排解指南，找到安裝、設定及執行課程常見問題的解決方案。

學生們，使用此課程前請先 Fork 整個 repo 至你的 GitHub 帳號，並自行或組隊完成練習：

從課前小測驗開始。
閱讀教材並完成課程活動，於每個知識點停下思考。
盡量理解課程內容並嘗試自己完成專案，而非直接執行解答碼；但解答碼已提供於專案課程中每個 /solution 資料夾中。
進行課後小測驗。
完成挑戰任務。
完成作業。
完成一組課程後，請造訪討論區並以適用的 PAT（進度評估工具）問卷表達你的學習過程。我們也歡迎你對他人的 PAT 反饋，和大家一同學習。

若想深入學習，我們推薦跟隨這些 Microsoft Learn 模組及學習路徑。

教師們，我們已提供一些建議內容，助你使用此課程。

影音導覽

部分課程備有精簡影音示範。你可在課程內文中觀看，或至 Microsoft Developer YouTube 頻道上的 ML for Beginners 播放清單，點擊下方圖片觀賞。

團隊介紹

Gif 來自 Mohit Jaisal

🎥 點擊上方圖片觀看專案與團隊成員介紹影片！

教學理念

在建立此課程時，本團隊選擇了兩個教學理念：確保課程是動手做的 專案導向，並且包含 頻繁的小測驗。此外，課程具有一致的主題，使結構緊密連結。

透過專案來調整內容，讓過程更吸引學習者，且加強概念吸收。課前低壓小測驗專注於設定學習意向，課後小測驗則進一步強化記憶。此課程設計靈活且有趣，既可整體參與，也可部分學習。專案規模由淺入深，至 12 週結束時逐步趨於複雜。此外，課程後章提供機器學習的實務應用介紹，可作為額外學分或討論素材。

查看我們的行為準則、貢獻指引、翻譯指南與故障排解。我們歡迎你提供建設性回饋！

每堂課包含

選擇性手繪筆記
選擇性補充影片
影音導覽（部分課程提供）
課前熱身小測
文字課程
專案課程流程指引
知識檢核
挑戰任務
補充閱讀資料
作業
課後小測

關於語言說明：這些課程主要使用 Python 撰寫，但許多課程亦提供 R 語言版本。要完成 R 語言課程，請到 /solution 資料夾找尋帶有 .rmd 格式的 R 課程檔案。此格式是 R Markdown 文件，可視為同時包含 R 或其他語言 程式碼區塊 與 YAML 標頭（用以指示如何產生如 PDF 格式輸出）的 Markdown 檔案。R Markdown 是資料科學的理想創作框架，結合了程式碼、執行結果與書寫筆記功能，且可以匯出為 PDF、HTML 或 Word 等格式。 關於測驗的說明：所有測驗都包含在Quiz App folder中，共有52個測驗，每個測驗包含三個問題。它們在課程中有連結，但測驗應用程式可以在本地運行；請參照quiz-app資料夾中的說明以在本地託管或部署至Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	機器學習簡介	Introduction	學習機器學習的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	了解此領域背後的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	學生在建立和應用機器學習模型時應考慮的重要公平性哲學議題有哪些？	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究者使用哪些技術來建立機器學習模型？	Lesson	Chris and Jen
05	回歸入門	Regression	使用Python和Scikit-learn開始回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化和清理數據以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性和多項式回歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用 🔌	Web App	建立一個網頁應用來使用你訓練好的模型	Python	Jen
10	分類簡介	Classification	清理、準備及視覺化你的數據；分類入門	Python • R	Jen and Cassie • Eric Wanjau
11	美味亞洲和印度料理 🍜	Classification	分類器入門	Python • R	Jen and Cassie • Eric Wanjau
12	美味亞洲和印度料理 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味亞洲和印度料理 🍜	Classification	利用你的模型建立推薦系統網頁應用	Python	Jen
14	分群入門	Clustering	清理、準備及視覺化你的數據；分群介紹	Python • R	Jen • Eric Wanjau
15	探索尼日利亞音樂喜好 🎧	Clustering	探索K-均值分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	透過建立一個簡易機器人了解自然語言處理的基本知識	Python	Stephen
17	常見NLP任務 ☕️	Natural language processing	透過理解處理語言結構時常用的任務加深你的自然語言處理知識	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用珍．奧斯汀進行情感分析與翻譯	Python	Stephen
19	歐洲浪漫飯店 ♥️	Natural language processing	以飯店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫飯店 ♥️	Natural language processing	以飯店評論進行情感分析 2	Python	Stephen
21	時序預測入門	Time series	時序預測入門	Python	Francesca
22	⚡️ 世界電力使用 ⚡️ - 以ARIMA進行時序預測	Time series	使用ARIMA進行時序預測	Python	Francesca
23	⚡️ 世界電力使用 ⚡️ - 以SVR進行時序預測	Time series	使用支持向量回歸進行時序預測	Python	Anirban
24	強化學習入門	Reinforcement learning	強化學習及Q學習入門	Python	Dmitry
25	幫彼得避開狼！ 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	現實世界機器學習場景與應用	ML in the Wild	傳統機器學習有趣且具啟發性的現實應用	Lesson	Team
後記	使用RAI面板進行機器學習模型除錯	ML in the Wild	使用負責任AI面板元件進行機器學習模型除錯	Lesson	Ruth Yakubu