29 KiB

Raw Blame History Unescape Escape

🌐 多語言支援

透過 GitHub Action 支援（自動且保持最新）

偏好本地克隆？

此存儲庫包含 50 多種語言的翻譯，會大幅增加下載大小。若想不含翻譯檔，請使用稀疏檢出（sparse checkout）：

Bash / macOS / Linux：
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'
CMD (Windows)：
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"
這能讓你快速取得完整課程所需內容，下載速度更快。

加入我們的社群

我們正舉行 Discord 的 AI 學習系列活動，詳細內容及加入請見 Learn with AI Series，活動期間為 2025 年 9 月 18 日至 30 日。你將獲得使用 GitHub Copilot 於資料科學的技巧與秘訣。

初學者機器學習課程大綱

🌍 透過世界文化探索機器學習，一同環遊世界 🌍

微軟的 Cloud Advocates 為大家帶來一個為期 12 週、共 26 課的 機器學習 課程。在這課程中，你將學習有時稱為 經典機器學習 的內容，主要使用 Scikit-learn 函式庫，並避開深度學習內容，後者已包含於我們的 AI for Beginners 課程中。也可以搭配我們的「初學者資料科學」課程一起學習。

跟著我們環遊世界，將這些經典技術應用於來自世界各地的數據。每課包含課前與課後的測驗、課文說明、解答、作業和更多。我們採用以專案為基礎的教學法，讓你在實作中學習，這是新技能穩固的有效方法。

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

🎨 也感謝插畫師 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特別感謝 🙏 微軟學生大使作者、審稿和內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 另外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 為我們的 R 課程付出！

開始使用

請依照以下步驟操作：

Fork 該儲存庫：點擊本頁右上角的「Fork」按鈕。
Clone 該儲存庫：git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 集合中找到本課程所有額外資源

🔧 需要協助？ 請查看我們的故障排解指南，解決一般安裝、設定及執行課程問題。

學生，使用此課程請 fork 完整儲存庫至你的 GitHub 帳號，並自行或與小組完成練習：

先完成課前測驗。
閱讀課文並完成活動，每進行一段知識點檢查就暫停並反思。
嘗試透過理解課程內容自己做專案，而非直接執行解答程式碼；不過每個專案課程的 /solution 資料夾內有完整解答程式碼可參考。
做完課後測驗。
完成挑戰題。
完成作業。
完成一組課程後，請到討論板分享學習心得，並填寫對應的 PAT 量表。PAT 是進度評估工具，藉由填寫來深化學習。你也可以對其他人的 PAT 進行回應，一同學習。

建議參考以下這些 Microsoft Learn 模組及學習路線作進一步學習。

老師們，我們也有提供一些使用建議。

影片導覽

部分課程可透過短影片學習。可於課程中直接觀看，或至 Microsoft Developer YouTube 頻道 ML for Beginners 播放清單由下方圖片連結進入。

團隊介紹

GIF 製作者 Mohit Jaisal

🎥 點擊上方圖片觀看關於該專案及製作者的影片！

教學理念

我們建立此課程時，選擇兩項教學原則：確保為實作導向 以專案為本 且包含 頻繁測驗。此外，課程具有統一的主題以增強連貫性。

透過以專案對應內容，提高學習趣味與概念記憶度。課前低風險的測驗設定學習目標，課後再測則加強記憶。課程設計靈活有趣，可全部或部分修習。專案由淺入深，涵蓋 12 週內容。課程還提供機器學習實務應用的後記，適合作為額外學分或討論基礎。

請參考我們的行為守則、貢獻指南、翻譯說明及故障排解指南。歡迎提供建設性回饋！

各課程皆包含

選填手繪筆記
選填補充影片
影片導覽（部分課程）
課前暖身測驗
課文資料
專案課程含逐步專案建置教學
知識檢核
挑戰題
補充閱讀
作業
課後測驗

關於語言的說明：本課程主要採 Python 編寫，但許多內容也有 R 版本。要完成 R 課程，請至 /solution 資料夾尋找 R 檔案。這些檔案有 .rmd 副檔名，代表 R Markdown 文件，是 Markdown 文件中嵌入 R 或其他程式碼區塊與 YAML 標頭（控制輸出格式如 PDF）的格式。因此 R Markdown 是一個優秀的資料科學撰寫框架，允許你將程式碼、結果與筆記合為一體，並可以輸出成 PDF、HTML 或 Word 等格式。 關於小測驗的說明：所有小測驗均包含在 Quiz App folder 中，共有 52 個小測驗，每個包含三條問題。這些小測驗在課程中均有連結，但測驗應用程式亦可在本地運行；請按照 quiz-app 文件夾中的說明在本地端託管或部署至 Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	機器學習簡介	Introduction	學習機器學習背後的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	學習此領域的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	學生在建構與應用機器學習模型時，應考慮之公平性重要哲學議題為何？	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究者用以建立機器學習模型的技術有哪些？	Lesson	Chris and Jen
05	回歸簡介	Regression	開始使用 Python 及 Scikit-learn 進行回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化並清理資料以準備進行機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性與多項式回歸模型	Python • R	Jen and 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 🔌	Web App	建立一個用以運行你的訓練模型的網頁應用	Python	Jen
10	分類簡介	Classification	清理、預備和視覺化資料；分類初探	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲與印度料理 🍜	Classification	分類器入門	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲與印度料理 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲與印度料理 🍜	Classification	使用你的模型建立推薦系統網頁應用	Python	Jen
14	叢集簡介	Clustering	清理、預備及視覺化資料；叢集簡介	Python • R	Jen • Eric Wanjau
15	探索奈及利亞的音樂品味 🎧	Clustering	探索 K-Means 叢集方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	透過建立簡易機器人學習 NLP 基礎	Python	Stephen
17	常見 NLP 任務 ☕️	Natural language processing	深入理解處理語言結構時所需之常見任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	以珍·奧斯汀作品做翻譯與情感分析	Python	Stephen
19	歐洲浪漫酒店 ♥️	Natural language processing	使用酒店評論做情感分析 1	Python	Stephen
20	歐洲浪漫酒店 ♥️	Natural language processing	使用酒店評論做情感分析 2	Python	Stephen
21	時間序列預測簡介	Time series	時間序列預測入門	Python	Francesca
22	⚡️ 世界電力使用量 ⚡️ - ARIMA 時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界電力使用量 ⚡️ - SVR 時間序列預測	Time series	使用支持向量回歸（SVR）模型進行時間序列預測	Python	Anirban
24	強化學習簡介	Reinforcement learning	使用 Q-學習介紹強化學習	Python	Dmitry
25	幫助 Peter 避開狼！ 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界機器學習應用	ML in the Wild	有趣且啟發性十足的傳統機器學習真實案例	Lesson	Team
後記	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板元件進行機器學習模型除錯	Lesson	Ruth Yakubu