28 KiB

Raw Blame History Unescape Escape

🌐 多語言支援

透過 GitHub Action 支援（自動且隨時更新）

加入我們的社群

我們正在進行 Discord 的 AI 學習系列，了解更多並於 2025 年 9 月 18 日至 30 日加入我們，請參考 Learn with AI Series。您將獲得使用 GitHub Copilot 進行資料科學的技巧與秘訣。

初學者機器學習課程

🌍 透過世界文化探索機器學習，環遊世界之旅 🌍

微軟的雲端推廣團隊很高興提供一個為期 12 週、共 26 課的 機器學習 課程。在此課程中，您將學習有時稱為 經典機器學習 的內容，主要使用 Scikit-learn 函式庫，並避免深度學習，深度學習部分則涵蓋於我們的 AI 初學者課程。您也可以搭配我們的 '資料科學初學者課程' 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資料。每堂課包含課前與課後測驗、書面教學、解答、作業等。我們採用專案導向的教學法，讓您在實作中學習，這是新技能能夠牢固掌握的有效方式。

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

🎨 也感謝我們的插畫師 Tomomi Imura、Dasani Madipalli 與 Jen Looper

🙏 特別感謝 🙏 微軟學生大使作者、審閱者與內容貢獻者，特別是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 與 Snigdha Agarwal

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 為我們的 R 課程所做的貢獻！

開始使用

請依照以下步驟：

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

在我們的 Microsoft Learn 集合中找到本課程的所有額外資源

🔧 需要幫助嗎？ 請參考我們的疑難排解指南，解決安裝、設定及執行課程時常見的問題。

學生，使用此課程時，請將整個儲存庫 fork 到您自己的 GitHub 帳號，並自行或與團隊完成練習：

從課前測驗開始。
閱讀課程並完成活動，每個知識檢查時暫停並反思。
嘗試透過理解課程內容來建立專案，而非直接執行解答程式碼；不過解答程式碼可在每個專案導向課程的 /solution 資料夾中找到。
進行課後測驗。
完成挑戰。
完成作業。
完成一組課程後，請造訪討論區並透過填寫相應的 PAT 評分表「大聲學習」。PAT 是一種進度評估工具，您填寫後可促進學習。您也可以對其他人的 PAT 作出回應，讓我們一起學習。

若要進一步學習，我們建議您參考這些 Microsoft Learn 模組與學習路徑。

教師，我們已在 for-teachers.md 中提供一些使用本課程的建議。

影片導覽

部分課程提供短片形式的影片。您可以在課程中內嵌觀看，或在 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單中觀看，點擊下方圖片即可。

團隊介紹

Gif 製作者 Mohit Jaisal

🎥 點擊上方圖片觀看關於此專案及其創作者的影片！

教學法

我們在設計此課程時選擇了兩個教學原則：確保課程是動手做的 專案導向，並包含 頻繁的測驗。此外，課程有一個共同的主題以增強連貫性。

透過確保內容與專案對齊，讓學生學習過程更具吸引力，並提升概念的記憶度。此外，課前的低壓力測驗設定學生的學習意圖，課後的第二次測驗則確保進一步的記憶。此課程設計靈活且有趣，可整體或部分學習。專案從簡單開始，至 12 週結束時逐漸變得複雜。課程還包含一篇關於機器學習實際應用的後記，可作為額外學分或討論基礎。

請參閱我們的行為準則、貢獻指南、翻譯指南及疑難排解指南。我們歡迎您的建設性回饋！

每堂課包含

選擇性手繪筆記
選擇性補充影片
影片導覽（部分課程）
課前暖身測驗
書面課程
專案導向課程的逐步專案建置指南
知識檢查
挑戰
補充閱讀
作業
課後測驗

關於語言的說明：這些課程主要以 Python 撰寫，但許多課程也提供 R 版本。若要完成 R 課程，請前往 /solution 資料夾尋找 R 課程。它們包含 .rmd 副檔名，代表 R Markdown 檔案，簡單來說是將 程式碼區塊（R 或其他語言）與 YAML 標頭（指示如何格式化輸出，如 PDF）嵌入 Markdown 文件 中。這使其成為資料科學的優秀撰寫框架，因為您可以結合程式碼、輸出結果與想法，並以 Markdown 撰寫。此外，R Markdown 文件可輸出為 PDF、HTML 或 Word 等格式。

關於測驗的說明：所有測驗皆包含於 Quiz App 資料夾，共 52 個測驗，每個測驗有三題。測驗連結嵌入課程中，但測驗應用程式可在本機執行；請參考 quiz-app 資料夾中的說明以在本機架設或部署至 Azure。

課程編號	主題	課程分組	學習目標	連結課程	作者
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	了解此領域背後的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	學生在建立和應用機器學習模型時，應考慮的公平性重要哲學議題是什麼？	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究人員用什麼技術來建立機器學習模型？	Lesson	Chris and Jen
05	回歸簡介	Regression	使用 Python 和 Scikit-learn 開始回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化並清理資料以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性和多項式回歸模型	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	建立一個網頁應用來使用你訓練好的模型	Python	Jen
10	分類簡介	Classification	清理、準備並視覺化你的資料；分類入門	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網頁應用	Python	Jen
14	分群簡介	Clustering	清理、準備並視覺化你的資料；分群入門	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂喜好 🎧	Clustering	探索 K-均值分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	透過建立簡單機器人學習 NLP 基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	透過了解處理語言結構時所需的常見任務，深化你的 NLP 知識	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用珍‧奧斯汀進行翻譯與情感分析	Python	Stephen
19	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 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	⚡️ 世界用電量 ⚡️ - 使用 ARIMA 的時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界用電量 ⚡️ - 使用 SVR 的時間序列預測	Time series	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習簡介	Reinforcement learning	使用 Q-Learning 進行強化學習入門	Python	Dmitry
25	幫助彼得避開狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習場景與應用	ML in the Wild	傳統機器學習有趣且具啟發性的真實世界應用	Lesson	Team
後記	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用負責任 AI 儀表板元件進行機器學習模型除錯	Lesson	Ruth Yakubu