ML-For-Beginners/translations/tw

🌐 多語言支援

透過 GitHub Action 支援（自動化且保持最新）

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

加入社群

機器學習入門 - 課程

🌍 跟隨我們的腳步，透過世界文化探索機器學習 🌍

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 的技術，主要使用 Scikit-learn 作為庫，並避免深度學習（深度學習在我們的 AI 入門課程 中涵蓋）。您也可以將這些課程與我們的 '資料科學入門課程' 搭配使用！

跟隨我們的腳步，探索世界各地的數據，並應用這些經典技術。每節課都包含課前和課後測驗、完成課程的書面指導、解決方案、作業等。我們的專案式教學法讓您在建構中學習，這是一種能讓新技能更牢固掌握的有效方法。

✍️ 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 和 Amy Boyd

🎨 同時感謝我們的插畫家 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 課程提供支持！

開始使用

請按照以下步驟：

1. Fork 此儲存庫：點擊此頁面右上角的 "Fork" 按鈕。
2. Clone 此儲存庫：git clone https://github.com/microsoft/ML-For-Beginners.git

在 Microsoft Learn 集合中找到本課程的所有額外資源

學生，要使用此課程，請將整個儲存庫 fork 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專案，而不是直接運行解決方案代碼；不過，解決方案代碼可在每個專案式課程的 /solution 資料夾中找到。
• 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。您也可以對其他 PAT 進行回應，讓我們一起學習。

若需進一步學習，我們建議您參考這些 Microsoft Learn 模組和學習路徑。

教師們，我們已 提供一些建議 供您使用此課程。

---

影片導覽

部分課程提供短片形式的影片。您可以在課程中找到這些影片，或在 Microsoft Developer YouTube 頻道上的 ML 入門播放清單 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專案及創建者的影片！

---

教學法

我們在設計此課程時選擇了兩個教學原則：確保課程是 專案式 且包含 頻繁測驗。此外，此課程還有一個共同的 主題，以增強其連貫性。

透過確保內容與專案一致，學習過程變得更具吸引力，並能增強概念的記憶。此外，課前的低壓測驗能讓學生專注於學習主題，而課後的第二次測驗則能進一步加強記憶。此課程設計靈活有趣，可完整或部分學習。專案從小型開始，並在 12 週的循環結束時逐漸變得更複雜。此課程還包含一個關於機器學習實際應用的附錄，可作為額外學分或討論的基礎。

查看我們的 行為準則、貢獻指南 和 翻譯指南。我們歡迎您的建設性反饋！

每節課包含

• 可選的手繪筆記
• 可選的補充影片
• 影片導覽（僅部分課程）
• 課前暖身測驗
• 書面課程
• 專案式課程的逐步指南，教您如何建構專案
• 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，請前往 /solution 資料夾並尋找 R 課程。這些課程包含 .rmd 擴展名，代表 R Markdown 文件，可簡單定義為在 Markdown 文件 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，它是一個出色的資料科學創作框架，因為它允許您結合代碼、輸出和想法，並以 Markdown 的方式記錄下來。此外，R Markdown 文件可以渲染為 PDF、HTML 或 Word 等輸出格式。

關於測驗的說明：所有測驗都包含在 測驗應用程式資料夾 中，共有 52 個測驗，每個測驗包含三個問題。這些測驗在課程中有連結，但測驗應用程式可以在本地運行；請按照 quiz-app 資料夾中的指示在本地主機或部署到 Azure。

課程編號	主題	課程分組	學習目標	課程連結	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	學生在構建和應用機器學習模型時應考慮哪些重要的哲學問題？	課程	Tomomi
04	機器學習技術	Introduction	機器學習研究人員使用哪些技術來建立機器學習模型？	Lesson	Chris 和 Jen
05	回歸分析入門	Regression	使用 Python 和 Scikit-learn 開始建立回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化並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 🎃	Regression	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 🎃	Regression	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用程式 🔌	Web App	建立一個網頁應用程式以使用您訓練的模型	Python	Jen
10	分類入門	Classification	清理、準備並視覺化您的數據；分類入門	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亞洲和印度料理 🍜	Classification	分類器入門	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亞洲和印度料理 🍜	Classification	更多分類器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亞洲和印度料理 🍜	Classification	使用您的模型建立推薦系統網頁應用程式	Python	Jen
14	分群分析入門	Clustering	清理、準備並視覺化您的數據；分群分析入門	Python • R	Jen • Eric Wanjau
15	探索尼日利亞的音樂喜好 🎧	Clustering	探索 K-Means 分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	Natural language processing	通過建立簡單的聊天機器人學習 NLP 的基礎知識	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	深入了解 NLP，理解處理語言結構時所需的常見任務	Python	Stephen
18	翻譯和情感分析 ♥️	Natural language processing	使用 Jane Austen 的作品進行翻譯和情感分析	Python	Stephen
19	歐洲浪漫酒店 ♥️	Natural language processing	酒店評論的情感分析 1	Python	Stephen
20	歐洲浪漫酒店 ♥️	Natural language processing	酒店評論的情感分析 2	Python	Stephen
21	時間序列預測入門	Time series	時間序列預測入門	Python	Francesca
22	⚡️ 世界電力使用 ⚡️ - 使用 ARIMA 進行時間序列預測	Time series	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	Time series	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	使用 Q-Learning 進行強化學習入門	Python	Dmitry
25	幫助 Peter 避開狼 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習場景和應用	ML in the Wild	有趣且啟發性的經典機器學習真實世界應用	Lesson	Team
後記	使用 RAI 儀表板進行機器學習模型調試	ML in the Wild	使用負責任 AI 儀表板元件進行機器學習模型調試	Lesson	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，並在本地機器上 安裝 Docsify，然後在此 repo 的根目錄中輸入 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 找到包含鏈接的課程 PDF。

🎒 其他課程

我們的團隊還製作了其他課程！查看以下內容：

• 生成式 AI 入門
• 生成式 AI 入門 .NET
• 使用 JavaScript 的生成式 AI
• 使用 Java 的生成式 AI
• AI 入門
• 數據科學入門
• 機器學習入門
• 網絡安全入門
• 網頁開發入門
• 物聯網入門
• XR 開發入門
• 掌握 GitHub Copilot 進行配對編程
• 掌握 GitHub Copilot 用於 C#/.NET 開發者
• 選擇您的 Copilot 冒險

---

免責聲明：
本文件使用 AI 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。應以原始語言的文件作為權威來源。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產生的任何誤解或錯誤解讀概不負責。