30 KiB

Raw Blame History Unescape Escape

🌐 多語言支援

透過 GitHub Action 支援（自動且持續更新）

想要在本機克隆？

此儲存庫包含超過 50 種語言的翻譯，會顯著增加下載大小。如需不包含翻譯的克隆，請使用稀疏簽出：

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"
這樣可以用更快的下載速度取得完成課程所需的所有內容。

加入我們的社群

我們正在進行 Discord 的「與 AI 一同學習」系列，詳情與加入請見 Learn with AI Series（2025 年 9 月 18 日至 30 日）。你將學習到使用 GitHub Copilot 於數據科學的技巧和秘訣。

初學者機器學習課程大綱

🌍 透過世界各地文化的視角，環遊世界探索機器學習 🌍

微軟的雲端倡導者很高興提供一個為期 12 週、共 26 課的課程，專注於機器學習。本課程教你有時稱為經典機器學習的內容，主要使用 Scikit-learn 函式庫，避免深度學習，本課題已於我們的初學者 AI 課程涵蓋。建議同時參考我們的初學者數據科學課程。

與我們一同環遊世界，應用這些經典技術分析來自世界各地的數據。每節課包含課前與課後小測驗、書面指引、解決方案、作業等。我們以專案為基礎的教學法讓你一邊建構一邊學習，是學習新技能的良好方法。

✍️ 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

🙏 特別感謝我們的 Microsoft 學生大使作者、審稿人與內容貢獻者，包括 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 與 Snigdha Agarwal

🤩 額外感謝 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 提供我們的 R 課程！

入門指南

請遵循以下步驟：

分叉本儲存庫：點擊本頁右上角的「Fork」按鈕。
克隆儲存庫： git clone https://github.com/microsoft/ML-For-Beginners.git

💡 快速入門提示： 想不用在本機安裝 Python 在瀏覽器中快速開始？使用 GitHub Codespaces 為你的分叉建立雲端開發環境。點擊綠色 Code 選單，選擇 Codespaces，然後建立 codespace；依需要在其中安裝每節課所需的依賴。

在我們的 Microsoft Learn 集合中找到本課程所有額外資源

🔧 需要幫助？ 請參考我們的故障排除指南，協助解決安裝、設定和執行課程的常見問題。

學員如要使用本課程，請將整個儲存庫分叉到你的 GitHub 帳號，並自行或組隊完成練習：

從課前小測驗開始。
閱讀課程內容並完成活動，於每次知識檢測時暫停並反思。
嘗試理解課程內容自行創建專案，而非直接使用解決方案代碼；不過解決方案代碼可在每個專案課程的 /solution 資料夾中找到。
完成課後小測驗。
完成挑戰題。
完成作業。
完成一組課程後，請參加討論區，並透過填寫適用的 PAT 評量表「大聲學習」。PAT 為進度評估工具，是你填寫以推進學習的評量表，也可對其他人的 PAT 給予回饋，一同學習。

如需進一步學習，建議參考這些 Microsoft Learn 模組與學習路徑。

教師們，我們提供了使用本課程的建議。

影片導覽

部分課程有提供短片形式的說明。你可以在課程內嵌中觀看這些影片，也可於 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單中點擊下方圖片觀看。

團隊介紹

動圖由 Mohit Jaisal 製作

🎥 點擊上方圖片觀看關於本專案及創作者的影片！

教學法

我們在設計本課程時選擇了兩大教學準則：確保內容是動手做的專案導向，且包含頻繁的測驗。此外，本課程具有一致的主題以增強連貫性。

透過確保內容與專案對齊，提升學生的學習投入並加強概念記憶。課前低壓力測驗設置學習意向，課後測驗確保知識留存。本課程設計靈活且有趣，可整體或分段學習。專案由淺入深，於 12 週周期結尾達到高度複雜度。本課程亦包含對機器學習實際應用的補充說明，可作為額外學分或討論基礎。

查看我們的行為準則、貢獻指南、翻譯指南與故障排除政策。我們歡迎您的建設性回饋！

每節課包含

選擇性草圖筆記
選擇性補充影片
影片導覽（部分課程）
課前暖身測驗
書面課程內容
專案導向課程附逐步操作指南
知識檢測
挑戰題
補充閱讀資料
作業
課後測驗

關於語言說明：這些課程主要使用 Python 撰寫，但許多也提供 R 語言版本。要完成 R 課程，請前往 /solution 資料夾尋找帶有 .rmd 副檔名的 R 課程檔案。R Markdown 檔案是一種將 R（或其他語言）程式碼區塊 和 YAML 標頭（用於指引格式輸出如 PDF）嵌入於 Markdown 文件 的範例撰寫框架，可同時編寫程式碼、輸出與說明文字，是資料科學的理想工具。R Markdown 還可輸出為 PDF、HTML 或 Word 等格式。

關於測驗提醒：所有測驗皆位於 Quiz App 資料夾，共 52 個測驗，每個測驗有三個問題。測驗從課程中連結，但也可在本機執行；請按照 quiz-app 資料夾中的指示，在本機或 Azure 部署。

課程編號	主題	課程群組	學習目標	關聯課程	作者
01	機器學習導論	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	瞭解這個領域背後的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	建立和應用機器學習模型時，學生應該考慮的公平性相關重要哲學議題是什麼？	Lesson	Tomomi
04	機器學習的技術	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	回歸模型導論	Regression	開始使用 Python 和 Scikit-learn 來建立回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化及清理資料以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性及多項式回歸模型	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	一個網頁應用 🔌	Web App	建立網頁應用來使用你訓練的模型	Python	Jen
10	分類導論	Classification	清理、預處理與視覺化資料；分類導論	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲與印度料理 🍜	Classification	分類器導論	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	叢集導論	Clustering	清理、預處理與視覺化資料；叢集導論	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂喜好 🎧	Clustering	探索 K-均值叢集方法	Python • R	Jen • Eric Wanjau
16	自然語言處理導論 ☕️	Natural language processing	透過建立簡單的 Bot 學習 NLP 基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	深入理解處理語言結構時所需的常見任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用 Jane Austen 進行翻譯及情感分析	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	時間序列預測導論	Time series	時間序列預測導論	Python	Francesca
22	⚡️ 世界電力使用量 ⚡️ - 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	⚡️ 世界電力使用量 ⚡️ - 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	強化學習導論	Reinforcement learning	透過 Q-Learning 瞭解強化學習	Python	Dmitry
25	幫助 Peter 避免狼咬! 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
附錄	現實世界的機器學習場景與應用	ML in the Wild	傳統機器學習的有趣且具啟發性的現實世界應用	Lesson	Team
附錄	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 儀表板組件進行機器學習模型除錯	Lesson	Ruth Yakubu