ML-For-Beginners/translations/zh

🌐 多语言支持

通过 GitHub Action 支持（自动且始终保持最新）

阿拉伯语 | 孟加拉语 | 保加利亚语 | 缅甸语 (Myanmar) | 中文（简体） | 中文（繁体，香港） | 中文（繁体，澳门） | 中文（繁体，台湾） | 克罗地亚语 | 捷克语 | 丹麦语 | 荷兰语 | 爱沙尼亚语 | 芬兰语 | 法语 | 德语 | 希腊语 | 希伯来语 | 印地语 | 匈牙利语 | 印度尼西亚语 | 意大利语 | 日语 | 卡纳达语 | 韩语 | 立陶宛语 | 马来语 | 马拉雅拉姆语 | 马拉地语 | 尼泊尔语 | 尼日利亚皮钦语 | 挪威语 | 波斯语 (法尔西) | 波兰语 | 葡萄牙语（巴西） | 葡萄牙语（葡萄牙） | 旁遮普语（古鲁姆奇） | 罗马尼亚语 | 俄语 | 塞尔维亚语（西里尔字母） | 斯洛伐克语 | 斯洛文尼亚语 | 西班牙语 | 斯瓦希里语 | 瑞典语 | 他加禄语（菲律宾语） | 泰米尔语 | 泰卢固语 | 泰语 | 土耳其语 | 乌克兰语 | 乌尔都语 | 越南语

加入我们的社区

我们正在进行一个 Discord 的 AI 学习系列，了解更多并加入我们，时间为 2025 年 9 月 18 日至 30 日，访问 Learn with AI Series。您将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。

面向初学者的机器学习课程

🌍 通过世界文化探索机器学习，环游世界 🌍

微软的云倡导者很高兴提供一个为期 12 周、包含 26 课的完整课程，专注于机器学习。在本课程中，您将学习有时称为经典机器学习的内容，主要使用 Scikit-learn 库，避免深度学习，后者在我们的AI 初学者课程中涵盖。您还可以将这些课程与我们的数据科学初学者课程配合学习。

跟随我们环游世界，将这些经典技术应用于来自世界各地的数据。每节课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。我们的项目驱动教学法让您在构建中学习，这是一种被证明能让新技能“扎根”的方法。

✍️ 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

🎨 同时感谢我们的插画师 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，特别是 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 为我们的 R 课程贡献！

入门指南

请按照以下步骤操作：

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

在我们的 Microsoft Learn 集合中查找本课程的所有额外资源

🔧 需要帮助？ 请查看我们的故障排除指南，解决安装、设置和运行课程的常见问题。

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，在每个知识点检查时暂停并反思。
• 尽量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；不过每个项目导向课程的 /solution 文件夹中都提供了解决方案代码。
• 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 评分表“边学边说”。“PAT”是进度评估工具，是您填写以促进学习的评分表。您也可以对其他人的 PAT 进行反馈，共同学习。

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供您参考如何使用本课程。

---

视频讲解

部分课程提供短视频形式。您可以在课程中内嵌观看，或在微软开发者 YouTube 频道的ML for Beginners 播放列表中观看，点击下方图片即可。

---

团队介绍

动图作者 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

我们在构建本课程时选择了两个教学原则：确保课程是动手的项目驱动，并且包含频繁测验。此外，本课程有一个统一的主题以增强连贯性。

通过确保内容与项目对齐，过程对学生更具吸引力，概念的记忆也会增强。此外，课前的低风险测验设定了学生学习主题的意图，课后的测验则确保进一步巩固。该课程设计灵活有趣，可整体或部分学习。项目从简单开始，至 12 周周期结束时逐渐复杂。本课程还包括关于机器学习实际应用的附录，可作为额外学分或讨论基础。

请查阅我们的行为准则、贡献指南、翻译指南和故障排除指南。我们欢迎您的建设性反馈！

每节课包含

• 可选的手绘笔记
• 可选的补充视频
• 视频讲解（部分课程）
• 课前热身测验
• 书面课程内容
• 针对项目课程，逐步指导如何构建项目
• 知识点检查
• 挑战
• 补充阅读
• 作业
• 课后测验

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，请前往 /solution 文件夹查找 R 课程。它们包含 .rmd 扩展名，代表R Markdown文件，简单来说就是在 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，它是数据科学的示范性创作框架，允许您将代码、输出和想法结合起来，并用 Markdown 书写。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：所有测验均包含在测验应用文件夹中，共 52 个测验，每个测验包含三个问题。它们在课程中有链接，但测验应用也可以本地运行；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	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关于公平性的重要哲学问题是什么？	Lesson	Tomomi
04	机器学习技术	Introduction	机器学习研究人员用来构建机器学习模型的技术有哪些？	Lesson	Chris and Jen
05	回归简介	Regression	使用 Python 和 Scikit-learn 入门回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	Regression	可视化和清理数据，为机器学习做准备	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	Web 应用 🔌	Web App	构建一个使用你训练模型的 Web 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	使用你的模型构建推荐系统 Web 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-Means 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学习 NLP 基础	Python	Stephen
17	常见的 NLP 任务 ☕️	Natural language processing	通过理解处理语言结构时所需的常见任务来加深你的 NLP 知识	Python	Stephen
18	翻译与情感分析 ♥️	Natural language processing	使用简·奥斯汀进行翻译和情感分析	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 进行强化学习简介	Python	Dmitry
25	帮助彼得躲避狼！🐺	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	经典机器学习的有趣且启发性的真实世界应用	Lesson	Team
后记	使用 RAI 仪表板进行机器学习模型调试	ML in the Wild	使用 Responsible AI 仪表板组件进行机器学习模型调试	Lesson	Ruth Yakubu

在我们的 Microsoft Learn 集合中查找本课程的所有额外资源

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。网站将在本地主机的 3000 端口提供服务：localhost:3000。

PDF 文件

在这里找到带有链接的课程 PDF。

🎒 其他课程

我们的团队还制作了其他课程！查看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心学习

---

Copilot 系列

获取帮助

如果你遇到困难或对构建 AI 应用有任何疑问，加入学习者和经验丰富的开发者一起讨论 MCP。这里是一个支持性的社区，欢迎提问并自由分享知识。

如果你在构建过程中有产品反馈或遇到错误，请访问：

---

免责声明：
本文件由人工智能翻译服务Co-op Translator翻译而成。尽管我们力求准确，但请注意自动翻译可能包含错误或不准确之处。原始文件的母语版本应被视为权威来源。对于重要信息，建议使用专业人工翻译。因使用本翻译而产生的任何误解或误释，我们概不负责。