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 | 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 | 尼日利亚皮钦语 | 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

更喜欢本地克隆？

该仓库包含50多种语言的翻译，显著增加了下载大小。若要在不下载翻译的情况下克隆，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'

这样你将获得完成课程所需的一切，下载速度更快。

加入我们的社区

我们开展了一个 Discord 中的 AI 学习系列，了解更多信息并加入我们，时间为 2025 年 9 月 18 日至 30 日，访问 Learn with AI Series。您将获得使用 GitHub Copilot 从事数据科学的技巧和窍门。

初学者机器学习课程

🌍 通过探访世界各地文化，一起探索机器学习 🌍

微软云倡导者很高兴提供一份为期12周、共26课的课程，全面介绍机器学习。在此课程中，你将学习有时称为经典机器学习的内容，主要使用Scikit-learn库，避免深度学习部分，深度学习内容已包含于我们的初学者 AI 课程。同时你也可以结合我们的初学者数据科学课程学习。

跟我们一起环游世界，将这些经典技术应用于来自世界各地的数据。每节课都包括课前和课后测验、完成课程的书面说明、解决方案、作业等。我们的项目驱动教学法让你在实战中学习，帮助新技能得以巩固。

✍️ 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

🎨 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、审稿人及内容贡献者，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 为我们的 R 课程做出的贡献！

入门指南

执行以下步骤：

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 集合中查看本课程的所有额外资源

🔧 需要帮助？ 请查阅我们的故障排除指南，解决安装、设置及课程运行的问题。

学生，使用本课程，请将整个仓库 fork 到你自己的 GitHub 账户，并单独或小组完成练习：

• 从课前测验开始。
• 阅读课程内容并完成相关活动，在每个知识点处暂停并思考。
• 尽量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；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。
• 完成挑战任务。
• 完成作业。
• 完成一组课程后，访问讨论区并通过填写相应的 PAT 评估表“公开学习”。‘PAT’ 是一个进度评估工具，这是你填写的一份评分表，帮助你进一步学习。你也可以对其他人的 PAT 作出反馈，共同学习。

进一步学习，我们推荐跟随这些Microsoft Learn模块和学习路径。

教师，我们提供了使用本课程的建议。

---

视频讲解

部分课程提供短视频形式。您可以在课程中查看所有这些视频，或访问微软开发者频道上初学者机器学习视频播放列表，点击下方图片观看。

---

团队介绍

动图由 Mohit Jaisal 制作

🎥 点击上图观看关于项目及其创建者的视频！

---

教学理念

我们在设计此课程时选定了两大教学原则：确保课程是动手的项目驱动，并且包含频繁测验。此外，课程贯穿了统一的主题，以增强整体连贯性。

确保内容与项目相结合，使学习过程更具吸引力，从而增强概念的记忆效果。此外，课前小测验帮助学生确定学习目标，课后测验则促进巩固知识。该课程设计灵活有趣，可以全程学习，也可以部分学习。项目起步简单，到第12周会逐渐变得复杂。课程此外包含有关机器学习实际应用的后记，可用作额外加分或讨论基础。

请查阅我们的行为准则、贡献指南、翻译说明和故障排除指南。我们欢迎您的建设性反馈！

每节课程包含

• 可选的手绘笔记
• 可选的补充视频
• 视频讲解（部分课程）
• 课前热身测验
• 书面课程内容
• 项目课程包含构建项目的逐步指导
• 知识点检查
• 挑战任务
• 补充阅读材料
• 作业
• 课后测验

关于语言说明：这些课程主要用 Python 编写，但很多课程也提供 R 语言版本。要完成 R 课程，请到 /solution 文件夹中查找带有 .rmd 扩展名的文件，它代表R Markdown文件，即将代码块（R 或其他语言）和一个指导如何格式化输出（如PDF）的 YAML 头部嵌入到一个 Markdown 文档中。因此，它是数据科学创作的优秀框架，因为你可以将代码、代码输出和你的想法一并写入 Markdown。R Markdown 文档也可以渲染成 PDF、HTML 或 Word 等输出格式。 关于测验的说明：所有测验都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。测验链接嵌入在课程中，但测验应用可以在本地运行；请按照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	相关课程	作者
01	机器学习简介	介绍	学习机器学习背后的基本概念	课程	Muhammad
02	机器学习的历史	介绍	了解该领域背后的历史	课程	Jen 和 Amy
03	公平性与机器学习	介绍	学生在构建和应用机器学习模型时应考虑的重要哲学性公平问题是什么？	课程	Tomomi
04	机器学习技术	介绍	机器学习研究人员使用哪些技术来构建机器学习模型？	课程	Chris 和 Jen
05	回归简介	回归	使用 Python 和 Scikit-learn 开始回归模型的学习	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	回归	可视化并清理数据以准备机器学习	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	构建一个使用您训练模型的网页应用	Python	Jen
10	分类简介	分类	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	使用您的模型构建推荐网页应用	Python	Jen
14	聚类简介	聚类	清理、准备并可视化您的数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐品味 🎧	聚类	探索 K-均值聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	自然语言处理	通过构建简单的机器人学习自然语言处理基础	Python	Stephen
17	常见的 NLP 任务 ☕️	自然语言处理	通过了解处理语言结构时所需的常见任务，深化您的 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 进行时间序列预测	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 进行时间序列预测	时间序列	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	强化学习	使用 Q 学习入门强化学习	Python	Dmitry
25	帮助彼得躲避狼！🐺	强化学习	强化学习 Gym	Python	Dmitry
附录	现实世界的机器学习场景与应用	野外机器学习	经典机器学习的有趣且发人深省的现实应用	课程	团队
附录	使用 RAI 仪表盘进行机器学习模型调试	野外机器学习	使用负责任的 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 集合中查找本课程的所有附加资源

离线访问

您可以通过使用Docsify离线运行此文档。分叉此仓库，在您的本地机器上安装 Docsify，然后在此仓库的根文件夹中键入docsify serve。该网站将通过本地端口3000提供服务：localhost:3000。

PDF 文件

在这里找到带有链接的课程大纲的 PDF 文件。

🎒 其他课程

我们的团队还制作其他课程！请查看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心学习

---

Copilot 系列

获取帮助

如果您遇到困难或对构建 AI 应用程序有任何疑问，请加入学习者和经验丰富的开发者们的讨论社区 MCP。这里是一个支持性的社区，欢迎提问并自由分享知识。

如果您在构建过程中有产品反馈或遇到错误，请访问：

---

免责声明： 本文件由 AI 翻译服务 Co-op Translator 翻译。尽管我们力求准确，但请注意自动翻译可能包含错误或不准确之处。原始语言版本的文件应被视为权威来源。对于重要信息，建议采用专业人工翻译。我们不对因使用本翻译而引起的任何误解或误释承担任何责任。