ML-For-Beginners/translations/zh

🌐 多语言支持

通过 GitHub Action 支持（自动化且始终保持最新）

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

加入社区

初学者的机器学习课程

🌍 跟随我们一起环游世界，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，内容涵盖机器学习的基础知识。在这个课程中，你将学习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 初学者课程 中有详细介绍）。同时，你也可以将这些课程与我们的 '数据科学初学者课程' 搭配学习！

跟随我们环游世界，应用这些经典技术处理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你在实践中学习，这是一种被证明能够让新技能更牢固掌握的方式。

✍️ 特别感谢我们的作者 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！

开始学习

按照以下步骤操作：

1. Fork 仓库：点击页面右上角的 "Fork" 按钮。
2. 克隆仓库：git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 集合中找到本课程的所有额外资源

学生，要使用此课程，请将整个仓库 fork 到自己的 GitHub 账户，并独立或与小组一起完成练习：

• 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，你可以通过填写评分表进一步学习。你也可以对其他 PAT 评分表进行互动，以便我们共同学习。

为了进一步学习，我们推荐以下 Microsoft Learn 模块和学习路径。

教师们，我们已经提供了一些建议来帮助您使用此课程。

---

视频讲解

部分课程提供了短视频形式的讲解。你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“初学者的机器学习”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，并且包含频繁的测验。此外，这个课程还有一个共同的主题，使其更具连贯性。

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。这个课程设计灵活有趣，可以整体学习，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附录，可以作为额外学分或讨论的基础。

查看我们的 行为准则、贡献指南 和 翻译指南。我们欢迎您的建设性反馈！

每节课包括

• 可选的手绘笔记
• 可选的补充视频
• 视频讲解（仅部分课程）
• 课前热身测验
• 书面课程内容
• 对于基于项目的课程，提供逐步指导如何完成项目
• 知识检查
• 挑战
• 补充阅读材料
• 作业
• 课后测验

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，如 PDF）。因此，它是数据科学的一个示范性创作框架，因为它允许你将代码、输出和想法结合起来，用 Markdown 写下来。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，但测验应用可以在本地运行；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	学习这一领域的历史背景	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哪些重要的哲学问题？	课程	Tomomi
04	机器学习技术	Introduction	机器学习研究人员用什么技术来构建机器学习模型？	Lesson	Chris 和 Jen
05	回归简介	Regression	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 🎃	Regression	可视化并清理数据，为机器学习做准备	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	Regression	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 🎃	Regression	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	一个网络应用 🔌	Web App	构建一个网络应用来使用您训练的模型	Python	Jen
10	分类简介	Classification	清理、准备并可视化您的数据；分类简介	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亚洲和印度菜肴 🍜	Classification	分类器简介	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亚洲和印度菜肴 🍜	Classification	更多分类器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亚洲和印度菜肴 🍜	Classification	使用您的模型构建推荐网络应用	Python	Jen
14	聚类简介	Clustering	清理、准备并可视化您的数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚的音乐品味 🎧	Clustering	探索 K-Means 聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	Natural language processing	通过构建一个简单的机器人学习 NLP 的基础知识	Python	Stephen
17	常见 NLP 任务 ☕️	Natural language processing	加深您对 NLP 的理解，了解处理语言结构时所需的常见任务	Python	Stephen
18	翻译和情感分析 ♥️	Natural language processing	使用 Jane Austen 进行翻译和情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	Natural language processing	使用酒店评论进行情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	Natural language processing	使用酒店评论进行情感分析 2	Python	Stephen
21	时间序列预测简介	Time series	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	Time series	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	Time series	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	Reinforcement learning	使用 Q-Learning 进行强化学习简介	Python	Dmitry
25	帮助 Peter 避开狼 🐺	Reinforcement learning	强化学习 Gym	Python	Dmitry
后记	真实世界中的机器学习场景和应用	ML in the Wild	有趣且发人深省的经典机器学习真实世界应用	Lesson	团队
后记	使用 RAI 仪表板进行机器学习模型调试	ML in the Wild	使用负责任的 AI 仪表板组件进行机器学习模型调试	Lesson	Ruth Yakubu

在我们的 Microsoft Learn 集合中找到本课程的所有额外资源

离线访问

您可以使用 Docsify 离线运行此文档。Fork 此仓库，在您的本地机器上安装 Docsify，然后在此仓库的根文件夹中输入 docsify serve。网站将在您的本地主机的 3000 端口上运行：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：

• 生成式 AI 入门
• 生成式 AI 入门 .NET
• 使用 JavaScript 的生成式 AI
• 使用 Java 的生成式 AI
• AI 入门
• 数据科学入门
• 机器学习入门
• 网络安全入门
• Web 开发入门
• 物联网入门
• XR 开发入门
• 掌握 GitHub Copilot 进行配对编程
• 掌握 GitHub Copilot 适用于 C#/.NET 开发者
• 选择您的 Copilot 冒险

---

免责声明：
本文档使用AI翻译服务Co-op Translator进行翻译。尽管我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原始语言的文档作为权威来源。对于关键信息，建议使用专业人工翻译。因使用本翻译而导致的任何误解或误读，我们概不负责。