ML-For-Beginners/translations/zh-HK

🌐 多語言支援

透過 GitHub Action 支援（自動且隨時更新）

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

想要本地化克隆？

本倉庫包含50多種語言的翻譯，這大幅增加了下載大小。若想在不下載翻譯的情況下克隆，請使用稀疏檢出：

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'

這樣能讓你以更快的速度獲得完成課程所需的所有內容。

加入我們的社群

我們正在舉辦 Discord AI 學習系列，了解更多並於2025年9月18日至30日期間加入我們，詳情請見 Learn with AI Series。你將獲得使用 GitHub Copilot 進行資料科學的技巧與秘訣。

面向初學者的機器學習課程

🌍 隨我們以世界文化探索機器學習之旅 🌍

微軟的雲端倡導者很高興提供一套為期12週、共26課的 機器學習 課程。在此課程中，你將學習所謂的 經典機器學習，主要使用 Scikit-learn 庫，並避免深度學習部分，深度學習課程可參考我們的AI 初學者課程。同時，建議搭配我們的資料科學初學者課程學習！

跟隨我們，以經典技術應用來自世界各地的資料。每個課程包含課前與課後小測驗、書面說明、解答、作業，等等。我們採用專案導向的教學法，讓你在動手實作中學習，這是一種有效鞏固新技能的方法。

✍️ 特別感謝撰稿人 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 🙏 微軟學生大使撰稿人、審查及內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 負責我們的 R 課程！

開始使用

請依序執行下列步驟：

1. Fork 倉庫：點選本頁右上角的「Fork」按鈕。
2. Clone 倉庫：git clone https://github.com/microsoft/ML-For-Beginners.git

找尋本課程的所有額外資源，請參考我們的 Microsoft Learn 集合

🔧 需要協助？ 請查看我們的故障排除指南，解決安裝、設定和執行課程時的常見問題。

學生，使用此課程前，請將整個倉庫 fork 至自己的 GitHub 帳號，並自行或與團隊完成練習：

• 從課前小測驗開始。
• 閱讀課程內容，完成活動，並在每個知識檢查處暫停和反思。
• 嘗試自行創建專案，理解課程內容，而非直接運行解答程式碼；但每個專案導向課程中 /solution 資料夾提供了完整解答程式碼。
• 進行課後小測驗。
• 完成挑戰。
• 完成作業。
• 完成一組課程後，請造訪討論板，透過填寫合適的 PAT 評分表來「大聲說學習」。PAT 即進度評量工具，是幫助你深化學習的評分表。你也可以回應他人的 PAT，一起學習成長。

進一步學習，我們建議參考這些 Microsoft Learn 模組和學習路徑。

老師們，我們也準備了一些使用本課程的建議。

---

影片導覽

部分課程提供短形式影片。你可以在課程中內嵌找到它們，或在 Microsoft Developer YouTube 頻道的 ML for Beginners 播放列表觀看，點擊下方圖片進入。

---

團隊介紹

動圖製作者 Mohit Jaisal

🎥 點擊上方圖片，觀看關於本專案及其團隊的影片！

---

教學理念

打造本課程時，我們秉持兩大教學原則：確保為動手實作的專案導向，並加入頻繁的小測驗。此外，本課程圍繞一致的主題，提供課程整體性與連貫感。

透過內容與專案緊密結合，使學習過程更加吸引人，且概念記憶更深刻。課前的低壓小測驗幫助學員設定學習目標，課後測驗則加強記憶。此課程設計彈性且有趣，可全程完成或部分選讀。專案由淺入深，於12週結束時達到較高複雜度。本課程並附有關於機器學習實際應用的後記，可作為加分作業或討論基礎。

請閱讀我們的行為守則、貢獻指南、翻譯指南以及故障排除。期待你的建設性回饋！

每堂課程包含

• 選擇性手繪筆記
• 選擇性補充影片
• 影片導覽（部分課程）
• 課前暖身小測驗
• 書面課程說明
• 專案導向課程，逐步指導專案建構
• 知識檢查
• 挑戰任務
• 補充閱讀
• 作業
• 課後測驗

關於語言的說明：課程主要以 Python 撰寫，且多數課程也有 R 版本。欲完成 R 課程，請至 /solution 資料夾尋找 R 課程，檔案副檔名為 .rmd，代表 R Markdown 文件，簡單說就是將 程式碼區塊（R 或其他語言）與 YAML 標頭（控制輸出格式如 PDF）嵌入 Markdown 文件。R Markdown 是一種理想的資料科學撰寫框架，讓你結合程式碼、輸出結果與筆記文字。此外，R Markdown 可輸出成 PDF、HTML 或 Word 等格式。 有關小測驗的說明：所有小測驗均包含在Quiz App folder中，總共52個小測驗，每個小測驗有三條問題。它們在課程內有連結，但該小測驗應用程式可以於本地運行；請遵循 quiz-app 資料夾中的說明來本地託管或部署到 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	了解該領域背後的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	在建立及應用機器學習模型時，學生應考慮哪些重要的公平性哲學議題？	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究人員使用哪些技術來建構機器學習模型？	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	視覺化及清理資料為機器學習做準備	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建構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	網頁應用程式 🔌	Web App	建立一個網頁應用程式使用你訓練的模型	Python	Jen
10	分類簡介	Classification	清理、準備及視覺化你的資料；分類簡介	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲及印度美食 🍜	Classification	分類器介紹	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲及印度美食 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲及印度美食 🍜	Classification	使用你的模型建構推薦網頁應用程式	Python	Jen
14	叢集簡介	Clustering	清理、準備及視覺化你的資料；叢集介紹	Python • R	Jen • Eric Wanjau
15	探索尼日利亞音樂口味 🎧	Clustering	探索 K-平均值叢集方法	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	Natural language processing	透過建造一個簡單機械人學習 NLP 基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	深化你的 NLP 知識，理解處理語言結構所需的常用任務	Python	Stephen
18	翻譯及情感分析 ♥️	Natural language processing	使用珍·奧斯汀進行翻譯及情感分析	Python	Stephen
19	歐洲浪漫酒店 ♥️	Natural language processing	使用酒店評論一的情感分析	Python	Stephen
20	歐洲浪漫酒店 ♥️	Natural language processing	使用酒店評論二的情感分析	Python	Stephen
21	時間序列預測入門	Time series	時間序列預測介紹	Python	Francesca
22	⚡️ 世界電力使用 ⚡️ - 使用 ARIMA 進行時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界電力使用 ⚡️ - 使用 SVR 進行時間序列預測	Time series	使用支持向量回歸(SVR)進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	使用 Q-Learning 介紹強化學習	Python	Dmitry
25	幫彼得避開狼群！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
Postscript	真實世界的機器學習場景和應用	ML in the Wild	傳統機器學習有趣且富啟發性的真實世界應用	Lesson	Team
Postscript	使用 RAI dashboard 進行機器學習模型除錯	ML in the Wild	使用 Responsible AI dashboard 組件進行機器學習模型除錯	Lesson	Ruth Yakubu

在我們的 Microsoft Learn 集合中找到本課程的所有額外資源

離線存取

你可以使用 Docsify 離線運行本文件。請 fork 此 repo，並在本地機器上安裝 Docsify，然後在此 repo 的根目錄中，輸入 docsify serve。網站將在本地端口3000上提供服務：localhost:3000。

PDF 檔案

請在此處找到帶有連結的課程綱要 PDF：here。

🎒 其他課程

我們團隊還製作了其他課程！敬請查看：

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

核心學習

---

Copilot 系列

尋求協助

如果你遇到困難或在建立 AI 應用程式時有任何問題，歡迎加入 MCP 學習者及經驗豐富的開發者討論社群。這是一個支持性強的社區，歡迎提問並自由分享知識。

如果你有產品回饋或在開發時遇到錯誤，請造訪：

---

免責聲明：
本文件由人工智能翻譯服務 Co-op Translator 進行翻譯。儘管我們致力於準確性，但請注意自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要資訊，建議採用專業人工翻譯。我們不對因使用此翻譯而引起的任何誤解或誤釋負責。