ML-For-Beginners/translations/zh-MO

🌐 多語言支持

透過 GitHub Action 支持（自動化且始終保持最新）

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 | Khmer | 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

想要本地端 Clone？

本倉庫包含超過 50 種語言的翻譯，會顯著增加下載大小。若只想 Clone 不包含翻譯檔案，可使用稀疏檢出：

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"

這樣你可以用更快的下載速度獲得完成課程所需的所有內容。

加入我們的社群

我們正在進行 Discord 上的 AI 學習系列，請於 2025 年 9 月 18 - 30 日從 Learn with AI Series 獲得更多資訊並加入。我們將分享使用 GitHub Copilot 於數據科學的技巧與秘訣。

機器學習初學者課程大綱

🌍 隨著我們透過世界文化探索機器學習，一起環遊世界吧 🌍

微軟的 Cloud Advocates 很高興提供這套為期 12 週、共 26 課的 機器學習 課程。在本課程中，你將學習所謂的經典機器學習，主要使用 Scikit-learn 函式庫，並避開深度學習部分，後者在我們的 AI 初學者課程 裡有涵蓋。你也可以同時搭配我們的 『數據科學初學者課程』 一起學習！

跟隨我們環遊世界，將這些經典技術應用於來自全球各地的資料。每堂課含課前和課後測驗、書面教學、解答、作業等。我們採用專案導向的教學法，讓你透過實作學習，是讓新技能穩固掌握的有效方式。

✍️ 衷心感謝我們的作者們 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 與 Amy Boyd

🎨 感謝我們的插畫師們 Tomomi Imura、Dasani Madipalli 與 Jen Looper

🙏 特別感謝🙏 微軟學生大使的作者、審核者與內容貢獻者，特別是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 與 Snigdha Agarwal

🤩 非常感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 幫助我們的 R 課程！

入門指南

請遵照下列步驟：

1. 分支此倉庫：點擊頁面右上角的「Fork」按鈕。
2. 克隆此倉庫： git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 集合中找到本課程的所有額外資源

🔧 需要幫助？ 查看我們的 疑難排解指南，了解安裝、設定與執行課程常見問題解決方法。

學生們，使用此課程時，請將整個倉庫分支到你自己的 GitHub 帳號，然後獨立或與團隊完成練習：

• 從課前小測驗開始。
• 閱讀授課內容並完成活動，於每個知識檢查點暫停反思。
• 嘗試自己建置專案，以理解課程，而非僅執行解答程式碼；每個專案導向課程的 /solution 資料夾則提供了程式碼示範。
• 參加課後測驗。
• 完成挑戰題。
• 完成作業。
• 完成一組課程後，造訪 討論區 並透過填寫「PAT」評分表格來「大聲學習」──PAT 是一種進度評估工具，填寫後能加深學習。你也可以對其它人的 PAT 作出回應，大家一起學習。

若想深入學習，我們建議你接續以下 Microsoft Learn 模組和學習路徑。

教師們，我們提供了 一些建議 來協助您使用這套課程。

---

影片導覽

部分課程有短影片可看。你可以在課程中直接看到這些影片，或至 Microsoft Developer YouTube 頻道的 ML for Beginners 播放列表 觀看，點擊下方圖片即可連結。

---

團隊介紹

Gif 動畫製作者 Mohit Jaisal

🎥 點擊上方圖片觀看有關這個專案及創作者的影片！

---

教學理念

我們在建立本課程時選擇了兩項教學原則：確保為動手做的專案導向，並包含頻繁小測驗。此外，這個課程有一貫的主題以增進內容的凝聚力。

透過讓內容與專案對應，能提高學生的參與度，並增強概念的記憶。此外，課前低風險測驗能幫助學生定下學習主題的心態，課後測驗則促進再次記憶與鞏固。此課程設計靈活且有趣，可全部或部分學習。專案從簡單開始，隨著 12 週的推進持續變得更複雜。課程末還包含機器學習在現實世界應用的後記，可作為額外學分或討論基礎。

查閱我們的 行為守則、貢獻指南、翻譯 及 疑難排解 指引。我們歡迎您的建設性回饋！

每堂課包含

• 選擇性手繪筆記
• 選擇性補充影片
• 影片導覽（部分課程）
• 課前暖身測驗
• 書面教學
• 專案導向課程含建置專案的步驟指引
• 知識檢查
• 挑戰題
• 補充閱讀
• 作業
• 課後測驗

關於語言的說明：這些課程主要以 Python 編寫，但也有很多課程可用於 R。要完成 R 課程，請前往 /solution 資料夾並尋找 R 課程。這些檔案具有 .rmd 副檔名，代表 R Markdown 檔案，簡單來說就是將 程式碼區塊（R 或其他語言）及 YAML 標頭（用來指示如何格式化輸出，如 PDF）嵌入 Markdown 文件。因此，它作為資料科學的典範創作框架，讓你能將程式碼、輸出及筆記以 Markdown 形式結合書寫。此外，R Markdown 文件可轉換為 PDF、HTML 或 Word 等格式。

關於測驗的說明：所有測驗都包含在 Quiz App folder 中，共 52 個測驗，每個測驗有三題。測驗會從課程中連結，但你也可以在本機執行測驗應用程式；請參照 quiz-app 資料夾中的說明在本機託管或部署至 Azure。

課程編號	主題	課程分類	學習目標	連結課程	作者
01	機器學習入門	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	了解此領域的歷史基礎	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	建立與應用機器學習模型時，學生應考量的公平性相關倫理議題	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究人員用來建立模型的技術	Lesson	Chris and Jen
05	回歸分析入門	Regression	使用 Python 與 Scikit-learn 進行回歸模型入門	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	資料視覺化與清理，為機器學習做準備	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立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	建立一個可使用您訓練模型的網頁應用程式	Python	Jen
10	分類入門	Classification	清理、準備與視覺化資料；分類入門	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲和印度料理 🍜	Classification	分類器入門	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲和印度料理 🍜	Classification	更多分類器	Python • R	Jen and 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	聚類入門	Clustering	清理、準備和視覺化資料；聚類入門	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂喜好 🎧	Clustering	探索 K-平均法聚類	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	Natural language processing	透過建立簡單機器人來學習自然語言處理基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	進一步了解處理語言結構時所需的常見自然語言處理任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	與珍·奧斯汀一起進行情感及翻譯分析	Python	Stephen
19	浪漫歐洲飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 1	Python	Stephen
20	浪漫歐洲飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 2	Python	Stephen
21	時間序列預測入門	Time series	時間序列預測入門	Python	Francesca
22	⚡️ 全球用電量 ⚡️ - ARIMA 的時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 全球用電量 ⚡️ - SVR 的時間序列預測	Time series	使用支持向量迴歸進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	以 Q-Learning 介紹強化學習	Python	Dmitry
25	協助彼得躲避狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
附錄	真實世界的機器學習場景與應用	ML in the Wild	傳統機器學習在真實世界有趣且具啟發性的應用	Lesson	Team
附錄	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板元件對機器學習模型進行除錯	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 離線執行本文件。請 fork 此倉庫，在本機安裝 Docsify，然後在此倉庫的根目錄輸入 docsify serve。網站將在你的本地主機 3000 端口執行：localhost:3000。

PDF 檔案

在 這裡 找到課程綱要的 PDF，內含連結。

🎒 其他課程

我們團隊也有其他課程！請查看：

LangChain

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

尋求幫助

如果你遇到困難或對建立 AI 應用有任何疑問，歡迎加入學習者與經驗豐富的開發者討論 MCP 的群組。這是一個支持性的社群，歡迎提問並自由分享知識。

如果你在建立過程中有產品回饋或發現錯誤，請訪問：

額外學習提示

• 每次課後復習筆記本以加深理解。
• 練習自行實作演算法。
• 利用所學概念探索真實世界數據集。

---

免責聲明：
本文件係使用 AI 翻譯服務 Co-op Translator 翻譯而成。雖然我們致力於翻譯準確，但請注意自動翻譯可能包含錯誤或不準確之處。原始文件以其原文版本為權威資料。對於關鍵資訊，建議採用專業人工翻譯。我們不對因使用本翻譯所引致之任何誤解或誤釋承擔責任。