30 KiB

Raw Blame History Unescape Escape

🌐 多语言支持

通过 GitHub Action 支持（自动且始终保持最新）

更倾向于本地克隆？

本仓库包含 50 多种语言翻译，显著增加了下载大小。若想克隆时不包含翻译，请使用稀疏检出：

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"
这给您提供完成课程所需的一切，且下载速度更快。

加入我们的社区

我们正在进行 Discord 的 AI 学习系列，更多详情并欢迎加入：Learn with AI Series，时间为 2025 年 9 月 18 日至 30 日。您将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。

初学者机器学习课程大纲

🌍 以世界文化为媒介环游世界，共同探索机器学习 🌍

微软云倡导者高兴地推出一门为期 12 周、共 26 课的课程，全部聚焦于机器学习。在本课程中，您将学习常称为经典机器学习的内容，主要使用 Scikit-learn 库，避免涉及深度学习部分，后者包含在我们的初学者 AI 课程中。您还可以将本课程与我们的初学者数据科学课程配合学习。

跟随我们环游世界，将这些经典技巧应用于来自多个地区的数据。每节课包含课前和课后测验、完成课程所需的书面说明、解决方案、作业等。我们基于项目的教学法让您边学边做，是新技能牢固掌握的有效方式。

✍️ 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

🎨 也感谢我们的插画师 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 贡献 R 语言课程！

快速入门

按照以下步骤操作：

Fork 仓库：点击本页右上角的“Fork”按钮。
克隆仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

💡 快速开始提示： 想在浏览器中开始而无需本地设置 Python？使用 GitHub Codespaces 为您的 fork 创建云端开发环境。打开绿色的 Code 菜单，选择 Codespaces，创建代码空间；根据需要在其中安装每节课所需依赖。

在我们的 Microsoft Learn 集合中查找本课程的所有附加资源

🔧 需要帮助？ 查看我们的故障排查指南，其中有安装、设置和运行课程的常见问题解决方案。

学生，要使用本课程，请将整个仓库 Fork 到您自己的 GitHub 账户，并独立或组队完成练习：

从课前测验开始。
阅读课程并完成活动，每个知识点暂停思考。
尽量通过理解课程内容自行创建项目，而非直接运行解决方案代码；不过，解决方案代码可在每个面向项目的课程的 /solution 文件夹中找到。
参加课后测验。
完成挑战。
完成作业。
完成一组课程后，访问讨论区，通过填写相应的 PAT 评分标准表“声声发声”学习。‘PAT’即进展评估工具，是您填写的评分表，辅助深化学习。您也可针对他人的 PAT 进行反馈，共同进步。

进一步学习，我们推荐以下 Microsoft Learn 模块和学习路径。

教师，我们提供了使用本课程的一些建议。

视频讲解

部分课程有短视频讲解。您可在课程中直接观看，或点击下方图片访问Microsoft Developer YouTube 频道中的 ML for Beginners 播放列表。

团队介绍

动图作者 Mohit Jaisal

🎥 点击上方图片观看关于本项目及其创建者的视频！

教学法

我们在构建本课程时遵循两大教学原则：确保课程为动手项目驱动且包含频繁测验。此外，课程围绕一个共同的主题以增强连贯性。

确保内容与项目匹配，使学习过程更具吸引力，同时增强概念的记忆。此外，课堂前的低难度测验帮助学生设定学习目标，课后的测验则加深记忆。课程设计灵活且有趣，可整体或分部分学习。项目由浅入深，12 周周期结束时难度增大。课程还包含关于机器学习实际应用的附录，可用作额外学分或讨论基础。

查看我们的行为准则、贡献指南、翻译指南、故障排查文件。欢迎您提出建设性反馈！

每节课包含

可选手绘笔记
可选补充视频
视频讲解（仅部分课程）
课前热身测验
书面课程内容
对于项目驱动的课程，提供分步骤项目构建指南
知识点检测
挑战
补充阅读材料
作业
课后测验

语言说明：本课程主要用 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请前往 /solution 文件夹查找 R 课程。这些文件带有 .rmd 扩展名，代表 R Markdown 文件，它是一种将 代码块（R 或其他语言）与 YAML 头部（控制输出格式如 PDF）嵌入到 Markdown 文档 中的框架。因此，它是数据科学的优秀创作框架，让您能够将代码、输出和想法结合，并用 Markdown 记录。此外，R Markdown 文档可输出为 PDF、HTML 或 Word 格式。

测验说明：所有测验均包含在 Quiz App 文件夹中，共 52 次测验，每次 3 道题。测验可在课程内链接访问，也可本地运行；有关本地托管或部署到 Azure 的说明，请参阅 quiz-app 文件夹。

课程编号	主题	课程分组	学习目标	关联课程	作者
01	机器学习简介	Introduction	学习机器学习背后的基本概念	Lesson	Muhammad
02	机器学习的历史	Introduction	了解该领域的历史	Lesson	Jen and Amy
03	公平性与机器学习	Introduction	学生在构建和应用机器学习模型时应考虑的重要公平性哲学问题	Lesson	Tomomi
04	机器学习技术	Introduction	机器学习研究人员用来构建模型的技术有哪些？	Lesson	Chris and Jen
05	回归简介	Regression	使用 Python 和 Scikit-learn 开始回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	Regression	为机器学习准备数据的可视化和清理	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	Regression	构建线性和多项式回归模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜价格 🎃	Regression	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	一个网页应用 🔌	Web App	构建一个使用训练模型的网页应用	Python	Jen
10	分类简介	Classification	清理、准备和可视化数据；分类简介	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亚洲和印度美食 🍜	Classification	分类器简介	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亚洲和印度美食 🍜	Classification	更多分类器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亚洲和印度美食 🍜	Classification	使用模型构建推荐网页应用	Python	Jen
14	聚类简介	Clustering	清理、准备和可视化数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐品味 🎧	Clustering	探索 K-均值聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	Natural language processing	通过构建一个简单的机器人了解 NLP 的基础	Python	Stephen
17	常见的 NLP 任务 ☕️	Natural language processing	通过了解处理语言结构时常见任务来加深对 NLP 的理解	Python	Stephen
18	翻译与情感分析 ♥️	Natural language processing	使用简·奥斯汀进行翻译与情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	Natural language processing	使用酒店评论进行情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	Natural language processing	使用酒店评论进行情感分析 2	Python	Stephen
21	时间序列预测简介	Time series	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	Time series	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	Time series	使用支持向量回归进行时间序列预测	Python	Anirban
24	强化学习简介	Reinforcement learning	使用 Q-Learning 介绍强化学习	Python	Dmitry
25	帮助彼得避开狼！🐺	Reinforcement learning	强化学习 Gym	Python	Dmitry
后记	真实世界的机器学习场景和应用	ML in the Wild	经典机器学习在现实中的有趣且启发性的应用	Lesson	Team
后记	使用 RAI 仪表盘进行机器学习模型调试	ML in the Wild	使用 Responsible AI 仪表盘组件进行机器学习模型调试	Lesson	Ruth Yakubu