25 KiB
🌐 多語言支援
透過 GitHub Action 支援（自動化且保持最新）
法文 | 西班牙文 | 德文 | 俄文 | 阿拉伯文 | 波斯文（法爾西） | 烏爾都文 | 中文（簡體） | 中文（繁體，澳門） | 中文（繁體，香港） | 中文（繁體，台灣） | 日文 | 韓文 | 印地文 | 孟加拉文 | 馬拉地文 | 尼泊爾文 | 旁遮普文（古木基文） | 葡萄牙文（葡萄牙） | 葡萄牙文（巴西） | 意大利文 | 波蘭文 | 土耳其文 | 希臘文 | 泰文 | 瑞典文 | 丹麥文 | 挪威文 | 芬蘭文 | 荷蘭文 | 希伯來文 | 越南文 | 印尼文 | 馬來文 | 他加祿文（菲律賓） | 斯瓦希里文 | 匈牙利文 | 捷克文 | 斯洛伐克文 | 羅馬尼亞文 | 保加利亞文 | 塞爾維亞文（西里爾文） | 克羅埃西亞文 | 斯洛文尼亞文 | 烏克蘭文 | 緬甸文（緬甸）
加入我們的社群
我們正在進行一個 Discord 的 AI 學習系列，了解更多並加入我們的 AI 學習系列，活動時間為 2025 年 9 月 18 日至 30 日。您將學到使用 GitHub Copilot 進行數據科學的技巧和方法。
機器學習入門 - 課程
🌍 隨著我們探索世界文化，環遊世界學習機器學習 🌍
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，內容涵蓋 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 的技術，主要使用 Scikit-learn 作為庫，並避免深度學習（深度學習在我們的 AI 入門課程 中有涵蓋）。您也可以將這些課程與我們的 '數據科學入門課程' 搭配使用！
跟隨我們環遊世界，將這些經典技術應用於來自世界各地的數據。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。我們的基於項目的教學法讓您在建設中學習，這是一種能讓新技能更牢固掌握的有效方法。
✍️ 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
🎨 同樣感謝我們的插畫家 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 課程提供支持！
開始使用
請按照以下步驟操作：
- Fork 此儲存庫：點擊此頁面右上角的 "Fork" 按鈕。
- Clone 此儲存庫：
git clone https://github.com/microsoft/ML-For-Beginners.git
學生，要使用此課程，請將整個儲存庫 fork 到您的 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反思。
- 嘗試通過理解課程來創建項目，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基於項目的課程的
/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，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，您可以填寫該表來進一步學習。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，我們建議您參考這些 Microsoft Learn 模組和學習路徑。
教師們，我們提供了一些 建議 供您使用此課程。
影片教學
部分課程提供短片形式的教學。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 入門播放清單。
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
我們在設計此課程時選擇了兩個教學原則：確保課程是 基於項目 且包含 頻繁測驗。此外，此課程還有一個共同的 主題，使其更具連貫性。
通過確保內容與項目相符，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，課前的低壓測驗能讓學生專注於學習主題，而課後的第二次測驗則能進一步加深記憶。此課程設計靈活有趣，可以完整學習或部分學習。項目從小型開始，隨著 12 週的課程逐漸變得更複雜。此課程還包括一個關於機器學習實際應用的附錄，可作為額外學分或討論的基礎。
每節課包含
關於語言的說明：這些課程主要使用 Python，但許多課程也提供 R。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，可簡單定義為在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，它是一個出色的數據科學創作框架，因為它允許您將代碼、輸出和想法結合在一起，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 測驗應用資料夾 中，共有 52 個測驗，每個測驗包含三個問題。測驗在課程中有連結，但測驗應用可以在本地運行；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 | 連結課程 | 作者 |
|---|---|---|---|---|---|
| 01 | 機器學習簡介 | 簡介 | 學習機器學習的基本概念 | 課程 | Muhammad |
| 02 | 機器學習的歷史 | 簡介 | 學習此領域的歷史背景 | 課程 | Jen 和 Amy |
| 03 | 公平性與機器學習 | 簡介 | 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？ | 課程 | Tomomi |
| 04 | 機器學習技術 | 簡介 | 機器學習研究人員使用哪些技術來建立機器學習模型？ | 課程 | Chris 和 Jen |
| 05 | 回歸分析入門 | 回歸分析 | 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 🎃 | 回歸分析 | 視覺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 🎃 | 回歸分析 | 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 🎃 | 回歸分析 | 建立邏輯回歸模型 | Python • R | Jen • Eric Wanjau |
| 09 | 網頁應用 🔌 | 網頁應用 | 建立一個使用您訓練模型的網頁應用 | Python | Jen |
| 10 | 分類入門 | 分類 | 清理、準備並視覺化您的數據；分類入門 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 11 | 美味的亞洲和印度美食 🍜 | 分類 | 分類器入門 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 12 | 美味的亞洲和印度美食 🍜 | 分類 | 更多分類器 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 13 | 美味的亞洲和印度美食 🍜 | 分類 | 使用您的模型建立推薦系統網頁應用 | Python | Jen |
| 14 | 分群分析入門 | 分群分析 | 清理、準備並視覺化您的數據；分群分析入門 | Python • R | Jen • Eric Wanjau |
| 15 | 探索尼日利亞的音樂喜好 🎧 | 分群分析 | 探索 K-Means 分群方法 | Python • R | Jen • Eric Wanjau |
| 16 | 自然語言處理入門 ☕️ | 自然語言處理 | 通過建立一個簡單的機器人來學習 NLP 的基礎知識 | Python | Stephen |
| 17 | 常見 NLP 任務 ☕️ | 自然語言處理 | 通過了解處理語言結構時所需的常見任務來加深您的 NLP 知識 | Python | Stephen |
| 18 | 翻譯與情感分析 ♥️ | 自然語言處理 | 使用 Jane Austen 進行翻譯與情感分析 | Python | Stephen |
| 19 | 歐洲浪漫酒店 ♥️ | 自然語言處理 | 使用酒店評論進行情感分析 1 | Python | Stephen |
| 20 | 歐洲浪漫酒店 ♥️ | 自然語言處理 | 使用酒店評論進行情感分析 2 | Python | Stephen |
| 21 | 時間序列預測入門 | 時間序列 | 時間序列預測入門 | Python | Francesca |
| 22 | ⚡️ 世界電力使用 ⚡️ - 使用 ARIMA 進行時間序列預測 | 時間序列 | 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 | 時間序列 | 使用支持向量回歸進行時間序列預測 | Python | Anirban |
| 24 | 強化學習入門 | 強化學習 | 使用 Q-Learning 進行強化學習入門 | Python | Dmitry |
| 25 | 幫助 Peter 避開狼 🐺 | 強化學習 | 強化學習 Gym | Python | Dmitry |
| 後記 | 真實世界的機器學習場景與應用 | 真實世界的機器學習 | 有趣且揭示性的經典機器學習真實世界應用 | 課程 | 團隊 |
| 後記 | 使用 RAI 儀表板進行機器學習模型調試 | 真實世界的機器學習 | 使用負責任 AI 儀表板組件進行機器學習模型調試 | 課程 | Ruth Yakubu |
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。網站將在您的本地主機的 3000 端口上提供服務：localhost:3000。
在 這裡 找到包含鏈接的課程 PDF。
🎒 其他課程
我們的團隊還製作了其他課程！查看以下內容：
- Edge AI for Beginners
- AI Agents for Beginners
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
獲取幫助
如果您遇到困難或對建立 AI 應用有任何疑問，請加入：
如果您有產品反饋或在構建過程中遇到錯誤，請訪問：
免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保翻譯的準確性，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。