24 KiB
🌐 多语言支持
通过 GitHub Action 支持（自动更新，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，通过世界文化学习机器学习 🌍
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节课的机器学习课程。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 for Beginners' curriculum 中有详细介绍）。同时可以将这些课程与我们的 'Data Science for Beginners' curriculum 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法。
✍️ 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：
- Fork 仓库：点击页面右上角的 "Fork" 按钮。
- 克隆仓库：
git clone https://github.com/microsoft/ML-For-Beginners.git
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；不过解决方案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，通过填写评分表可以进一步学习。你还可以对其他 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，我们提供了一些 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 ML for Beginners 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。这门课程设计灵活有趣，可以完整学习，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。
每节课包括
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，请访问
/solution文件夹并查找 R 课程。这些课程文件包含.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 头部（指导如何格式化输出，如 PDF）。因此，它是数据科学的一个优秀创作框架，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。这些测验在课程中有链接，但测验应用可以本地运行；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 | 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 开始学习回归模型 |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen 和 Dmitry
- Eric Wanjau
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen 和 Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen 和 Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen 和 Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
离线访问
你可以使用 Docsify 离线运行此文档。Fork 此仓库，在本地机器上安装 Docsify，然后在此仓库的根文件夹中输入
docsify serve。网站将在本地的端口 3000 上运行：localhost:3000。PDFs
在 这里 找到带链接的课程 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 初学者课程
- 生成式 AI 初学者课程 .NET
- 使用 JavaScript 的生成式 AI
- 使用 Java 的生成式 AI
- AI 初学者课程
- 数据科学初学者课程
- 机器学习初学者课程
- 网络安全初学者课程
- Web 开发初学者课程
- 物联网初学者课程
- XR 开发初学者课程
- 掌握 GitHub Copilot 进行配对编程
- 掌握 GitHub Copilot 为 C#/.NET 开发者服务
- 选择你的 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。