You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
ML-For-Beginners/translations/README.zh-cn.md

14 KiB

GitHub license GitHub contributors GitHub issues GitHub pull-requests PRs Welcome

GitHub watchers GitHub forks GitHub stars

针对初学者的机器学习课程

🌍 环游世界,并通过世界文化来探索机器学习 🌍

微软 Azure Cloud 的倡导者们很高兴可以提供这套十二周、二十四节课的关于机器学习的课程。在这套课程中,你将学习关于经典机器学习的内容,主要将使用 Scikit-learn 这一库。关于深度学习的内容将会尽量避免 —— 它会被我们即将推出的 "AI for Beginners (针对初学者的 AI 教程)" 所涵盖。你也可以把这些课和我们已推出的 Data Science for Beginners针对初学者的数据科学教程 相结合!

通过把这些经典的技术应用在来自世界各地的数据,我们将 “环游世界”。每一节课都包括了课前和课后测验、课程内容的文字讲义说明、示例代码、作业等。通过这种基于项目的教学方法,你将在构建中学习,这样可以把技能学得更牢靠。

✍️ 衷心感谢作者们 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan 以及 Amy Boyd

🎨 同时也要感谢我们的插画师 Tomomi Imura, Dasani Madipalli 以及 Jen Looper

🙏 特别感谢 🙏 我们的微软学生大使作者们,内容贡献和内容复核者们, Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, 和 Snigdha Agarwal 等


准备开始

对于学生们,为了更好的使用这套课程,把整个仓库 fork 到你自己的 GitHub 账户中,并自行(或和一个小组一起)完成以下练习:

  • 从课前测验开始
  • 阅读课程内容,完成所有的活动,在每次 knowledge check 时暂停并思考
  • 我们建议你基于理解来创建项目(而不是仅仅跑一遍示例代码)。示例代码的位置在每一个项目的 /solution 文件夹中。
  • 进行课后测验
  • 完成课程挑战
  • 完成作业
  • 一节课完成后, 访问讨论版,通过填写相应的 PAT Rubric (课程目标) 来深化自己的学习成果。你也可以回应其它的 PAT这样我们可以一起学习。

如果希望进一步学习,我们推荐跟随 Microsoft Learn 的模块和学习路径。

对于老师们,我们对于如何使用这套教程提供了一些建议


项目团队

宣传视频

🎥 点击上方的图片,来观看一个关于这个项目和它的创造者们的视频!


教学方式

此课程基于两个教学原则:学生应该上手进行项目实践,并完成频繁的测验。 此外,为了使整个课程更具有整体性,课程们有一个共同的主题

通过确保课程内容与项目强相关,我们让学习过程对学生更具吸引力,概念的学习也被深化了。难度较低的课前测验可以吸引学生学习课程,而课后的第二次测验也进一步重复了课堂中的概念。该课程被设计地灵活有趣,可以一次性全部学习,或者分开来一部分一部分学习。这些项目由浅入深,从第一周的小项目开始,在第十二周结束时变得较为复杂。本课程还包括一个关于机器学习实际应用的后记,可用作额外学分或进一步讨论的基础。

在这里,你可以找到我们的行为守则对项目作出贡献以及翻译指南。我们欢迎各位提出有建设性的反馈!

每一节课都包含:

  • 可选的笔记
  • 可选的补充视频
  • 课前热身测验
  • 文字课程
  • 对于基于项目的课程,包含构建项目的分步指南
  • knowledge checks
  • 一个挑战
  • 补充阅读
  • 作业
  • 课后测验

关于测验:所有的测验都在这个应用里,总共 50 个测验,每个测验三个问题。它们的链接在每节课中,而且这个测验应用可以在本地运行。请参考 quiz-app 文件夹中的指南。

课程编号 主体 课程组 学习目标 课程链接 作者
01 机器学习简介 简介 了解机器学习背后的基本概念 课程 Muhammad
02 机器学习的历史 简介 了解该领域的历史 课程 Jen 和 Amy
03 机器学习与公平 简介 在构建和应用机器学习模型时,我们应该考虑哪些有关公平的重要哲学问题? 课程 Tomomi
04 机器学习的技术工具 简介 机器学习研究者使用哪些技术来构建机器学习模型? 课程 Chris 和 Jen
05 回归简介 回归 开始使用 Python 和 Scikit-learn 构建回归模型 课程 Jen
06 北美南瓜价格 🎃 回归 可视化、进行数据清理,为机器学习做准备 课程 Jen
07 北美南瓜价格 🎃 回归 建立线性和多项式回归模型 课程 Jen
08 北美南瓜价格 🎃 回归 构建逻辑回归模型 课程 Jen
09 一个网页应用 🔌 网页应用 构建一个 Web 应用程序以使用经过训练的模型 课程 Jen
10 分类简介 分类 清理、准备和可视化数据; 分类简介 课程 Jen 和 Cassie
11 美味的亚洲和印度美食 🍜 分类 分类器简介 课程 Jen 和 Cassie
12 美味的亚洲和印度美食 🍜 分类 关于分类器的更多内容 课程 Jen 和 Cassie
13 美味的亚洲和印度美食 🍜 分类 使用您的模型构建一个可以「推荐」的 Web 应用 课程 Jen
14 聚类简介 聚类 清理、准备和可视化数据; 聚类简介 课程 Jen
15 探索尼日利亚人的音乐品味 🎧 聚类 探索 K-Means 聚类方法 课程 Jen
16 自然语言处理 (NLP) 简介 自然语言处理 通过构建一个简单的 bot (机器人) 来了解 NLP 的基础知识 课程 Stephen
17 常见的 NLP 任务 自然语言处理 通过理解处理语言结构时所需的常见任务来加深对于自然语言处理 (NLP) 的理解 课程 Stephen
18 翻译和情感分析 ♥️ 自然语言处理 对简·奥斯汀的文本进行翻译和情感分析 课程 Stephen
19 欧洲的浪漫酒店 ♥️ 自然语言处理 对于酒店评价进行情感分析(上) 课程 Stephen
20 欧洲的浪漫酒店 ♥️ 自然语言处理 对于酒店评价进行情感分析(下) 课程 Stephen
21 时间序列预测简介 时间序列 时间序列预测简介 forecasting 课程 Francesca
22 世界用电量 - 使用 ARIMA 进行时间序列预测 时间序列 使用 ARIMA 进行时间序列预测 课程 Francesca
23 强化学习简介 强化学习 Q-Learning 强化学习简介 课程 Dmitry
24 帮助 Peter 避开狼!🐺 强化学习 强化学习练习 课程 Dmitry
后记 现实世界中的机器学习场景和应用 自然场景下的机器学习 探索有趣的经典机器学习方法,了解现实世界中机器学习的应用 课程 团队

离线访问

您可以使用 Docsify 离线运行此文档。 Fork 这个仓库,并在你的本地机器上安装 Docsify,并在这个仓库的根文件夹中运行 docsify serve。你可以通过 localhost 的 3000 端口访问此文档:localhost:3000

PDF 文档们

点击这里查找课程的 PDF 文档。

需要你的帮助!

想贡献一份翻译吗?请阅读我们的翻译指南并在此处添加你的意见。

其他课程

我们的团队还制作了其他课程!可以看一下: