ML-For-Beginners/translations/mo

🌐 多語言支援

透過 GitHub Action 支援（自動化且保持最新）

阿拉伯文 | 孟加拉文 | 保加利亞文 | 緬甸文 | 簡體中文 | 繁體中文（香港） | 繁體中文（澳門） | 繁體中文（台灣） | 克羅埃西亞文 | 捷克文 | 丹麥文 | 荷蘭文 | 愛沙尼亞文 | 芬蘭文 | 法文 | 德文 | 希臘文 | 希伯來文 | 印地文 | 匈牙利文 | 印尼文 | 義大利文 | 日文 | 韓文 | 立陶宛文 | 馬來文 | 馬拉地文 | 尼泊爾文 | 挪威文 | 波斯文 | 波蘭文 | 葡萄牙文（巴西） | 葡萄牙文（葡萄牙） | 旁遮普文 | 羅馬尼亞文 | 俄文 | 塞爾維亞文（西里爾字母） | 斯洛伐克文 | 斯洛文尼亞文 | 西班牙文 | 斯瓦希里文 | 瑞典文 | 他加祿文（菲律賓） | 泰米爾文 | 泰文 | 土耳其文 | 烏克蘭文 | 烏爾都文 | 越南文

加入我們的社群

我們正在進行一個名為「與 AI 一起學習」的 Discord 系列活動，了解更多並於 2025 年 9 月 18 日至 30 日加入我們：Learn with AI Series。您將學到使用 GitHub Copilot 進行數據科學的技巧和秘訣。

初學者的機器學習課程

🌍 跟隨我們的腳步，透過世界文化探索機器學習 🌍

Microsoft 的雲端倡導者很高興提供一個為期 12 週、共 26 節課的課程，內容全是關於 機器學習。在這個課程中，您將學習有時被稱為 經典機器學習 的內容，主要使用 Scikit-learn 作為工具庫，並避免深度學習，深度學習的內容則涵蓋在我們的 AI 初學者課程 中。此外，您也可以將這些課程與我們的 '數據科學初學者課程' 搭配學習！

跟隨我們的腳步，探索世界各地的數據，應用這些經典技術。每節課都包含課前和課後測驗、完成課程的書面指導、解決方案、作業等。我們以項目為基礎的教學法讓您在實踐中學習，這是一種能讓新技能更容易掌握的有效方法。

✍️ 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 和 Amy Boyd

🎨 同時感謝我們的插畫家 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特別感謝 🙏 我們的 Microsoft 學生大使作者、審稿人和內容貢獻者，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 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 為我們的 R 課程所做的貢獻！

開始學習

請按照以下步驟操作：

1. Fork 此儲存庫：點擊此頁面右上角的 "Fork" 按鈕。
2. Clone 此儲存庫： git clone https://github.com/microsoft/ML-For-Beginners.git

在 Microsoft Learn 集合中找到本課程的所有額外資源

🔧 需要幫助嗎？ 請查看我們的 故障排除指南，以解決安裝、設置和運行課程的常見問題。

學生，要使用此課程，請將整個儲存庫 fork 到您自己的 GitHub 帳戶，並自行或與小組一起完成練習：

• 從課前測驗開始。
• 閱讀課程並完成活動，在每個知識檢查處停下來並反思。
• 嘗試通過理解課程內容來創建項目，而不是直接運行解決方案代碼；不過，解決方案代碼可在每個以項目為導向的課程的 /solution 資料夾中找到。
• 完成課後測驗。
• 完成挑戰。
• 完成作業。
• 完成一組課程後，訪問 討論板，並通過填寫適當的 PAT 評估表來「大聲學習」。PAT 是一種進度評估工具，您可以填寫該工具來進一步學習。您也可以對其他 PAT 進行回應，讓我們一起學習。

為了進一步學習，我們建議您跟隨這些 Microsoft Learn 模組和學習路徑。

教師們，我們已經 提供了一些建議 關於如何使用此課程。

---

影片教學

部分課程提供短片形式的教學影片。您可以在課程中找到這些影片，或者點擊下方圖片前往 Microsoft Developer YouTube 頻道上的 ML 初學者播放清單。

---

認識團隊

Gif 作者 Mohit Jaisal

🎥 點擊上方圖片觀看關於此項目及創作者的影片！

---

教學法

在設計此課程時，我們選擇了兩個教學原則：確保課程是以 項目為基礎 並且包含 頻繁測驗。此外，這個課程還有一個共同的 主題，以增強其連貫性。

通過確保內容與項目一致，學習過程對學生來說更具吸引力，概念的記憶也會得到增強。此外，課前的低壓測驗可以幫助學生集中注意力學習主題，而課後的第二次測驗則進一步加強記憶。這個課程設計靈活有趣，可以整體學習，也可以部分選擇學習。項目從小型開始，到 12 週課程結束時逐漸變得更複雜。此課程還包括一個關於機器學習在現實世界中的應用的附錄，可以作為額外學分或討論的基礎。

查看我們的 行為準則、貢獻指南、翻譯指南 和 故障排除指南。我們歡迎您的建設性反饋！

每節課包括

• 可選的手繪筆記
• 可選的補充影片
• 影片教學（部分課程）
• 課前暖身測驗
• 書面課程
• 對於以項目為導向的課程，提供如何構建項目的逐步指南
• 知識檢查
• 挑戰
• 補充閱讀
• 作業
• 課後測驗

關於語言的說明：這些課程主要使用 Python 編寫，但許多課程也提供 R 版本。要完成 R 課程，請前往 /solution 資料夾並尋找 R 課程。這些課程包含 .rmd 擴展名，代表 R Markdown 文件，可以簡單地定義為在 Markdown 文件 中嵌入 代碼塊（R 或其他語言）和 YAML 標頭（指導如何格式化輸出，例如 PDF）。因此，它作為數據科學的示範性創作框架，因為它允許您將代碼、輸出和想法結合起來，並以 Markdown 的形式記錄下來。此外，R Markdown 文件可以渲染為 PDF、HTML 或 Word 等輸出格式。

關於測驗的說明：所有測驗都包含在 Quiz App 資料夾 中，共有 52 個測驗，每個測驗包含三個問題。測驗在課程中有鏈接，但測驗應用程序可以在本地運行；請按照 quiz-app 資料夾中的指示在本地托管或部署到 Azure。

課程編號	主題	課程分組	學習目標	相關課程	作者
01	機器學習簡介	Introduction	學習機器學習的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	學習這個領域背後的歷史	Lesson	Jen 和 Amy
03	公平性與機器學習	Introduction	學生在建立和應用機器學習模型時應考慮哪些重要的哲學問題？	Lesson	Tomomi
04	機器學習的技術	Introduction	機器學習研究人員使用哪些技術來建立機器學習模型？	Lesson	Chris 和 Jen
05	回歸簡介	Regression	使用 Python 和 Scikit-learn 開始學習回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	可視化並清理數據以準備進行機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性和多項式回歸模型	Python • R	Jen 和 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來使用您訓練的模型	Python	Jen
10	分類簡介	Classification	清理、準備並可視化您的數據；分類簡介	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亞洲和印度料理 🍜	Classification	分類器簡介	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亞洲和印度料理 🍜	Classification	更多分類器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亞洲和印度料理 🍜	Classification	使用您的模型建立推薦系統網頁應用程式	Python	Jen
14	分群簡介	Clustering	清理、準備並可視化您的數據；分群簡介	Python • R	Jen • Eric Wanjau
15	探索尼日利亞的音樂品味 🎧	Clustering	探索 K-Means 分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	通過建立一個簡單的機器人學習自然語言處理的基礎知識	Python	Stephen
17	常見的自然語言處理任務 ☕️	Natural language processing	通過了解處理語言結構時所需的常見任務來加深您的自然語言處理知識	Python	Stephen
18	翻譯和情感分析 ♥️	Natural language processing	使用 Jane Austen 的作品進行翻譯和情感分析	Python	Stephen
19	歐洲浪漫酒店 ♥️	Natural language processing	使用酒店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫酒店 ♥️	Natural language processing	使用酒店評論進行情感分析 2	Python	Stephen
21	時間序列預測簡介	Time series	時間序列預測簡介	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	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習簡介	Reinforcement learning	使用 Q-Learning 進行強化學習簡介	Python	Dmitry
25	幫助 Peter 避開狼 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界中的機器學習場景和應用	ML in the Wild	有趣且揭示性的經典機器學習真實世界應用	Lesson	Team
後記	使用 RAI 儀表板進行機器學習模型調試	ML in the Wild	使用負責任的 AI 儀表板元件進行機器學習模型調試	Lesson	Ruth Yakubu

在 Microsoft Learn 集合中找到本課程的所有其他資源

離線訪問

您可以使用 Docsify 離線運行此文檔。Fork 此 repo，並在您的本地機器上 安裝 Docsify，然後在此 repo 的根文件夾中輸入 docsify serve。網站將在您的本地端口 3000 上提供服務：localhost:3000。

PDF

在 這裡 找到帶有鏈接的課程 PDF。

🎒 其他課程

我們的團隊還製作其他課程！查看以下內容：

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

尋求幫助

如果您在建立人工智慧應用程式時遇到困難或有任何問題，請加入：

如果您有產品回饋或在建立過程中遇到錯誤，請造訪：

---

免責聲明：
此文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保準確性，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。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。