ML-For-Beginners/translations/mo

🌐 多語言支援

透過 GitHub Action 支援（自動化且隨時保持最新）

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（古魯穆奇文） | 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 | 他加祿文（菲律賓語） | 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（西里爾字母） | 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

初學者機器學習課程 - 一個完整的教學計畫

🌍 透過探索世界文化來學習機器學習 🌍

Microsoft 的雲端倡導者很高興提供一個為期 12 週、共 26 節課的教學計畫，專注於 機器學習。在這個課程中，你將學習到有時被稱為 經典機器學習 的內容，主要使用 Scikit-learn 作為工具庫，並避免涉及深度學習（深度學習內容可參考我們的 AI 初學者課程）。此外，也可以將這些課程與我們的 資料科學初學者課程 結合學習！

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、詳細的學習指導、解決方案、作業等。我們的專案導向教學法讓你在實作中學習，這是一種被證明能有效鞏固新技能的方法。

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

🎨 感謝我們的插畫師 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，特別是 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 為我們提供的 R 課程！

開始學習

請按照以下步驟操作：

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

在 Microsoft Learn 集合中找到本課程的其他資源

學生，要使用此課程，請將整個儲存庫 fork 到你的 GitHub 帳戶，並自行或與小組一起完成練習：

• 從課前測驗開始。
• 閱讀課程內容並完成活動，在每個知識檢查點停下來反思。
• 嘗試通過理解課程內容來完成專案，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導向課程的 /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 討論區，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，通過填寫評估表來進一步鞏固學習。你也可以對其他人的 PAT 作出回應，讓我們一起學習。

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

教師們，我們提供了一些 建議 來幫助你使用這個課程。

---

視頻教學

部分課程提供短視頻教學。你可以在課程中找到這些視頻，或者點擊下方圖片訪問 Microsoft Developer YouTube 頻道上的 ML 初學者播放清單。

---

認識團隊

Gif 作者 Mohit Jaisal

🎥 點擊上方圖片觀看關於此專案及其創作者的視頻！

---

教學法

在設計這個課程時，我們選擇了兩個教學原則：確保它是 專案導向 的，並且包含 頻繁的測驗。此外，這個課程還有一個共同的 主題，以增強其連貫性。

通過確保內容與專案相結合，學習過程變得更加有趣，並能增強概念的記憶。此外，課前的低壓力測驗可以幫助學生專注於學習主題，而課後測驗則進一步鞏固記憶。這個課程設計靈活有趣，可以整體學習，也可以部分學習。專案從簡單開始，隨著 12 週的進展逐漸變得複雜。課程還包括一個關於機器學習實際應用的附錄，可以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。我們歡迎你的建設性反饋！

每節課包含

• 可選的手繪筆記
• 可選的補充視頻
• 視頻教學（部分課程）
• 課前熱身測驗
• 書面課程
• 專案導向課程的逐步指導
• 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 語言版本。要完成 R 課程，請前往 /solution 資料夾，尋找 R 課程。這些課程包含 .rmd 擴展名，代表 R Markdown 文件，這是一種將 代碼塊（R 或其他語言）和 YAML 標頭（指導如何格式化輸出，如 PDF）嵌入到 Markdown 文檔中的格式。這使其成為數據科學的理想創作框架，因為它允許你將代碼、輸出和想法結合在一起。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。測驗可以從課程中鏈接，也可以在本地運行；請按照 quiz-app 資料夾中的說明在本地運行或部署到 Azure。

課程編號	主題	課程分組	學習目標	課程鏈接	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	學習這個領域的歷史背景	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的重要哲學問題	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	回歸介紹	Regression	使用 Python 和 Scikit-learn 開始建立回歸模型

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | 北美南瓜價格 🎃 | [Regression](2-Regression/README.md) | 視覺化並清理數據以準備進行機器學習 |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | 北美南瓜價格 🎃 | [Regression](2-Regression/README.md) | 建立線性和多項式回歸模型 |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen 和 Dmitry
• Eric Wanjau

| | 08 | 北美南瓜價格 🎃 | [Regression](2-Regression/README.md) | 建立邏輯回歸模型 |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | 網頁應用 🔌 | [Web App](3-Web-App/README.md) | 建立一個網頁應用來使用您訓練的模型 | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | 分類介紹 | [Classification](4-Classification/README.md) | 清理、準備並視覺化您的數據；分類介紹 |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen 和 Cassie
  • Eric Wanjau
  | | 11 | 美味的亞洲和印度料理 🍜 | [Classification](4-Classification/README.md) | 分類器介紹 |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen 和 Cassie
    • Eric Wanjau
    | | 12 | 美味的亞洲和印度料理 🍜 | [Classification](4-Classification/README.md) | 更多分類器 |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen 和 Cassie
      • Eric Wanjau
      | | 13 | 美味的亞洲和印度料理 🍜 | [Classification](4-Classification/README.md) | 使用您的模型建立推薦系統網頁應用 | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | 聚類介紹 | [Clustering](5-Clustering/README.md) | 清理、準備並視覺化您的數據；聚類介紹 |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | 探索尼日利亞的音樂喜好 🎧 | [Clustering](5-Clustering/README.md) | 探索 K-Means 聚類方法 |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | 自然語言處理介紹 ☕️ | [Natural language processing](6-NLP/README.md) | 通過建立簡單的機器人學習 NLP 的基礎知識 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | 常見 NLP 任務 ☕️ | [Natural language processing](6-NLP/README.md) | 深入了解 NLP，理解處理語言結構時所需的常見任務 | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | 翻譯和情感分析 ♥️ | [Natural language processing](6-NLP/README.md) | 使用 Jane Austen 的作品進行翻譯和情感分析 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | 歐洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用酒店評論進行情感分析 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | 歐洲浪漫酒店 ♥️ | [Natural language processing](6-NLP/README.md) | 使用酒店評論進行情感分析 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | 時間序列預測介紹 | [Time series](7-TimeSeries/README.md) | 時間序列預測介紹 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ 世界電力使用 ⚡️ - 使用 ARIMA 進行時間序列預測 | [Time series](7-TimeSeries/README.md) | 使用 ARIMA 進行時間序列預測 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ 世界電力使用 ⚡️ - 使用 SVR 進行時間序列預測 | [Time series](7-TimeSeries/README.md) | 使用支持向量回歸進行時間序列預測 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | 強化學習介紹 | [Reinforcement learning](8-Reinforcement/README.md) | 使用 Q-Learning 介紹強化學習 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | 幫助 Peter 避開狼 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 強化學習 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | 真實世界的機器學習場景和應用 | [ML in the Wild](9-Real-World/README.md) | 有趣且揭示性的經典機器學習真實世界應用 | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | 使用 RAI 儀表板進行機器學習模型調試 | [ML in the Wild](9-Real-World/README.md) | 使用負責任 AI 儀表板組件進行機器學習模型調試 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | 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

          我們的團隊還製作其他課程！查看以下內容：

          • 生成式 AI 初學者課程
          • 生成式 AI 初學者課程 .NET
          • 使用 JavaScript 的生成式 AI
          • 使用 Java 的生成式 AI
          • AI 初學者課程
          • 數據科學初學者課程
          • 機器學習初學者課程
          • 網絡安全初學者課程
          • Web 開發初學者課程
          • 物聯網初學者課程
          • XR 開發初學者課程
          • 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：
          本文件已使用 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引起的任何誤解或錯誤解讀概不負責。