ML-For-Beginners/translations/zh-TW

🌐 多語言支援

透過 GitHub Action 支援（自動且持續更新）

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

較喜歡本機複製？

本儲存庫包含超過 50 種語言的翻譯，會大幅增加下載大小。若想不包含翻譯檔案的話，請使用稀疏檢出：

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"

這提供您完成課程所需的一切，且下載速度更快。

加入我們的社群

我們正在舉辦 Discord AI 學習系列，請在 2025 年 9 月 18 日至 30 日期間前往 Learn with AI Series 了解並加入。我們會分享使用 GitHub Copilot 進行資料科學的秘訣與技巧。

初學者機器學習課程大綱

🌍 隨著我們透過全球文化探索機器學習，遍遊世界 🌍

微軟的 Cloud Advocates 很高興能提供一個為期 12 週、共 26 堂課的完整【機器學習】課程。在此課程中，您將學習有時被稱為【經典機器學習】的內容，主要使用 Scikit-learn 函式庫，並避免深度學習，後者收錄於我們的 AI for Beginners 課程。您也能搭配我們的 Data Science for Beginners 課程 來學習！

隨著我們環遊世界，將這些經典技術應用於來自世界各地的數據。每個課程包含課前與課後小測驗、書面操作指引、解答、作業等。透過專案導向的教學法，學生能邊學邊做，這是讓新技能深植的重要方法。

✍️ 衷心感謝作者團隊 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd

🎨 同時感謝插畫作者 Tomomi Imura、Dasani Madipalli 及 Jen Looper

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

🤩 也特別感謝 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 為我們貢獻了 R 課程！

開始使用

請依照以下步驟操作：

1. Fork 本儲存庫：點選本頁右上方的「Fork」按鈕。
2. Clone 本儲存庫： 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

🔧 需要協助？ 請參考我們的 疑難排解指南，解決安裝、設定與執行課程時常見問題。

學生，若要使用本課程，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。
• 閱讀課文並完成活動，在每個知識檢查時暫停且思考。
• 嘗試透過理解課程內容來自行建立專案，而非直接執行解答程式碼；當然，解答程式碼可在每個專案導向課程的 /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，請造訪 討論板 ，透過填寫相應的 PAT 評分表進行「實況學習」。PAT（Progress Assessment Tool）是您填寫來促進學習的評分表。您也可對其他人的 PAT 做出反應，大家一起學習。

更進一步學習，我們建議您參考這些 Microsoft Learn 模組和學習路徑。

教師，我們 提供了一些建議 供您使用本課程。

---

影片導覽

部分課程有短片形式的影片。您可在課程內嵌位置找到影片，或在 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單 觀看，請點擊下方圖片。

---

認識團隊

Gif 製作： Mohit Jaisal

🎥 點擊上方圖片觀看專案及團隊介紹影片！

---

教學法

我們在設計此課程大綱時選擇了兩個教學原則：確保課程為親身實作的專案導向，並包含頻繁的測驗。此外，課程有統一的主題讓內容更為完整。

確保內容與專案一致，能讓學習過程更吸引學生且提升概念記憶。課前低壓力測驗幫助學生設定學習目標，課後測驗則促進概念鞏固。此課程設計靈活且有趣，您可選擇全部或部分完成。專案從小到大，循序漸進到 12 週週期結束時變得更複雜。課程還包含機器學習真實應用的後記，可用作額外學分或討論基礎。

查看我們的 行為守則、貢獻指南、翻譯 和 疑難排解 指南，歡迎您給予建設性回饋！

每堂課包含

• 可選速寫筆記
• 可選補充影片
• 影片導覽（部分課程）
• 課前暖身測驗
• 書面課程內容
• 專案課程的專案建置逐步指引
• 知識檢查
• 挑戰
• 補充閱讀資料
• 作業
• 課後測驗

關於語言的說明：這些課程主要以 Python 編寫，但許多課程也有提供 R 版本。要完成 R 課程，請前往 /solution 資料夾並尋找 R 課程。它們包含副檔名 .rmd，代表 R Markdown 文件，可簡單定義為在 Markdown 文件 中嵌入 程式碼區塊（R 或其他語言）和 YAML 標頭（用於指導如何格式化輸出如 PDF）。因此，它作為一個資料科學的典範撰寫框架，因為它允許您結合程式碼、輸出與您的想法，並可用 Markdown 進行撰寫。此外，R Markdown 文件可渲染成 PDF、HTML 或 Word 等輸出格式。

關於測驗的說明：所有測驗皆收錄於 Quiz App 資料夾 中，共有 52 組測驗，每組包含三題問題。這些測驗會在課程中連結，也可在本地執行測驗應用程式；請依照 quiz-app 資料夾內的指示在本地架設或部署至 Azure。

課程編號	主題	課程分組	學習目標	連結課程	作者
01	機器學習導論	Introduction	了解機器學習背後的基本概念	課程	Muhammad
02	機器學習的歷史	Introduction	了解此領域的歷史背景	課程	Jen and Amy
03	公平性與機器學習	Introduction	學生在建構和應用機器學習模型時應考慮的主要哲學問題是什麼？	課程	Tomomi
04	機器學習技術	Introduction	機器學習研究人員用什麼技術來建構機器學習模型？	課程	Chris and Jen
05	迴歸介紹	Regression	開始使用 Python 和 Scikit-learn 進行迴歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	資料視覺化與清理以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性與多項式迴歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯斯迴歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用程式 🔌	Web App	建立一個使用你訓練模型的網頁應用程式	Python	Jen
10	分類導論	Classification	清理、準備與視覺化資料；分類導論	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲與印度料理 🍜	Classification	分類器入門	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲與印度料理 🍜	Classification	進階分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲與印度料理 🍜	Classification	利用你的模型建立推薦器網頁應用程式	Python	Jen
14	聚類介紹	Clustering	清理、準備與視覺化你的資料；聚類介紹	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂喜好 🎧	Clustering	探索 K-均值聚類方法	Python • R	Jen • Eric Wanjau
16	自然語言處理導論 ☕️	Natural language processing	透過建構簡單機器人學習自然語言處理基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	深入了解處理語言結構時需完成的常見任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用 Jane Austen 的作品進行翻譯與情感分析	Python	Stephen
19	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 2	Python	Stephen
21	時間序列預測導論	Time series	時間序列預測介紹	Python	Francesca
22	⚡️ 世界用電量 ⚡️ - 使用 ARIMA 的時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界用電量 ⚡️ - 使用 SVR 的時間序列預測	Time series	使用支持向量迴歸器進行時間序列預測	Python	Anirban
24	強化學習導論	Reinforcement learning	使用 Q-Learning 介紹強化學習	Python	Dmitry
25	幫助彼得躲避大灰狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
附錄	真實世界的機器學習情境與應用	ML in the Wild	經典機器學習的有趣且具啟發性的實際應用案例	課程	團隊
附錄	使用 RAI 儀表板的機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板元件進行機器學習模型除錯	課程	Ruth Yakubu

在我們的 Microsoft Learn 集合中查找此課程的所有額外資源

離線存取

您可以使用 Docsify 離線執行本文件。Fork 這個專案，並在本機安裝 Docsify，然後在此專案根目錄執行 docsify serve。網站將在本地主機的 3000 端口啟動：localhost:3000。

PDF 檔案

點此 下載課程大綱 PDF，並附有連結。

🎒 其他課程

我們團隊還製作了其他課程！快來看看：

LangChain

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

尋求協助

如果您遇到困難或對構建 AI 應用有任何疑問，請加入其他學習者和有經驗的開發者討論 MCP。這是一個支持性的社群，歡迎提問並自由分享知識。

如果在構建過程中有產品反饋或錯誤，請造訪：

額外學習建議

• 每課後回顧筆記本以加深理解。
• 練習自行實作演算法。
• 利用所學概念探索真實世界資料集。

---

免責聲明：
本文件係使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖我們致力於確保準確性，但請注意，機器翻譯可能包含錯誤或不準確之處。原始文件之母語版本應視為權威來源。對於重要資訊，建議採用專業人工翻譯。我們不對因使用本翻譯而產生之任何誤解或誤譯負責。