ML-For-Beginners/translations/zh-CN

🌐 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 | 印尼语 | 意大利语 | 日语 | 卡纳达语 | 高棉语 | 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（古鲁穆奇） | 罗马尼亚语 | 俄语 | 塞尔维亚语（西里尔文） | 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

更喜欢本地克隆吗？

本仓库包含 50 多种语言的翻译，显著增加了下载大小。要克隆时不包含翻译，请使用稀疏检出：

Bash / macOS / Linux:

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'

CMD (Windows):

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"

这样可以让您获得完成课程所需的全部内容，同时下载速度更快。

加入我们的社区

我们正在进行 Discord 上的 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，网址为 Learn with AI Series。您将获得使用 GitHub Copilot 进行数据科学的小贴士和技巧。

初学者机器学习课程

🌍 通过探索世界文化来环游世界，学习机器学习 🌍

微软云倡导者团队很高兴提供一个为期12周、包含26课的机器学习课程。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 作为库，避免深度学习内容，后者涵盖在我们的初学者人工智能课程中。也可搭配我们的初学者数据科学课程一起学习。

与我们一起环游世界，将这些经典技术应用于来自世界各地的数据。每节课包含课前和课后测验、书面指令完成课程、解决方案、作业等。我们的项目式教学方法让您在实践中学习，这是一种经过验证的新技能“固化”方式。

✍️ 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

🎨 也感谢我们的插画师 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特别感谢 🙏 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 提供的 R 语言课程！

开始使用

按照以下步骤操作：

1. Fork 仓库：点击本页面右上角的“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附加资源

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

学生，使用本课程，请 fork 整个仓库到您自己的 GitHub 账户，并自行或与小组一起完成练习：

• 从课前测验开始。
• 阅读课程并完成活动，每个知识点暂停并反思。
• 尽量通过理解课程内容自己完成项目，而不是直接运行解决方案代码；不过每个基于项目的课程中的 /solution 文件夹提供了参考代码。
• 参加课后测验。
• 完成挑战。
• 完成作业。
• 完成一个课程组后，访问讨论区，通过填写相应的 PAT 评分表来“实时学习”。“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 做出反应，以便我们一起学习。

进一步学习，我们推荐遵循这些Microsoft Learn模块和学习路径。

教师们，我们提供了一些建议来指导如何使用本课程。

---

视频讲解

部分课程提供短视频。您可以在课程中内嵌观看，也可通过点击下面图片观看Microsoft 开发者 YouTube 频道上的 ML for Beginners 播放列表。

---

团队介绍

动图制作者： Mohit Jaisal

🎥 点击上方图片观看关于项目及其创始成员的视频！

---

教学理念

我们在构建课程时选择了两个教育原则：确保课程是动手项目式教学，并且包含频繁的小测。此外，本课程采用了一个统一的主题，以保持课程的连贯性。

通过确保内容与项目紧密对应，使学习过程更具吸引力，提升概念记忆。课前的低风险测验帮助学生设定学习目标，课后的测验则促进进一步巩固。本课程设计灵活有趣，既可整体学习，也可部分选学。项目从基础开始，随着12周课程进度逐渐复杂。课程最后还有一个关于机器学习真实应用的附录，可用于加分或者讨论基础。

查看我们的行为准则、贡献指南、翻译和故障排除准则。欢迎您的建设性反馈！

每个课程包括

• 可选的手绘笔记
• 可选的补充视频
• 视频讲解（部分课程）
• 课前预热测验
• 书面教学内容
• 针对项目课程，逐步指导如何构建项目
• 知识点检测
• 一项挑战
• 补充阅读材料
• 作业
• 课后测验

关于语言的说明：这些课程主要使用 Python 编写，但许多课程也提供了 R 版本。要完成 R 课程，请访问 /solution 文件夹并查找 R 课程。它们包含一个 .rmd 后缀，表示一个 R Markdown 文件，简单来说，它是一个在 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）的文件。因此，它作为数据科学的示例性创作框架，因为它允许你将代码、代码输出和想法整合在一起，通过 Markdown 进行书写。此外，R Markdown 文档可以渲染成 PDF、HTML 或 Word 等输出格式。

关于测验的说明：所有测验都包含在 Quiz App folder 中，全部有 52 个测验，每个测验包含三个问题。它们在课程中有链接，但测验应用可以本地运行；请按照 quiz-app 文件夹中的说明进行本地托管或部署到 Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
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	学习该领域背后的历史	Lesson	Jen and Amy
03	公平性与机器学习	Introduction	当学生构建和应用机器学习模型时，应该考虑哪些重要的有关公平性的哲学问题？	Lesson	Tomomi
04	机器学习技术	Introduction	机器学习研究人员用什么技术来构建机器学习模型？	Lesson	Chris and Jen
05	回归简介	Regression	使用 Python 和 Scikit-learn 开始回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	Regression	数据的可视化与清理以为机器学习做准备	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	Regression	构建线性与多项式回归模型	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	一个 Web 应用 🔌	Web App	构建一个用来使用你训练好的模型的 Web 应用	Python	Jen
10	分类简介	Classification	清理、准备并可视化你的数据；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器 Web 应用	Python	Jen
14	聚类简介	Clustering	清理、准备并可视化你的数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚的音乐品味 🎧	Clustering	探索 K-均值聚类方法	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自然语言处理基础	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，深化你的自然语言处理知识	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	酒店评论情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	Natural language processing	酒店评论情感分析 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 的时间序列预测	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 的时间序列预测	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 学习进行强化学习简介	Python	Dmitry
25	帮助彼得躲避狼！ 🐺	Reinforcement learning	强化学习 Gym	Python	Dmitry
Postscript	现实世界的机器学习场景与应用	ML in the Wild	经典机器学习一些有趣且富启发性的现实世界应用	Lesson	Team
Postscript	使用 RAI 仪表盘进行机器学习模型调试	ML in the Wild	使用 Responsible AI 仪表盘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附加资源

离线访问

你可以使用 Docsify 离线运行此文档。Fork 该仓库，在本地机器上安装 Docsify，然后在该仓库的根目录下，输入 docsify serve 。该网站将在本地主机的 3000 端口提供服务：localhost:3000。

PDF 文件

可从此处获取带链接的课程 PDF。

🎒 其他课程

我们的团队还制作其他课程！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，请加入MCP学习者和有经验开发者的讨论。这是一个支持性的社区，欢迎提问并自由分享知识。

如果你有产品反馈或在构建过程中遇到错误，请访问：

额外学习建议

• 每节课后复习笔记本内容以加深理解。
• 练习自己实现算法。
• 利用学习到的概念探索真实世界的数据集。

---

免责声明：
本文件使用 AI 翻译服务 Co-op Translator 翻译。虽然我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始文件的原文应被视为权威来源。对于关键信息，建议采用专业人工翻译。我们不对因使用本翻译而产生的任何误解或曲解承担责任。