28 KiB

Raw Blame History Unescape Escape

🌐 多語言支援

透過 GitHub Action 支援（自動且永遠保持最新）

偏好本機克隆？

這個儲存庫包含超過50種語言的翻譯，會顯著增加下載大小。若想克隆不包含翻譯，請使用稀疏檢出：
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'
這樣可讓你更快下載，且取得完成課程所需的所有內容。

加入我們的社群

我們正在舉辦 Discord 上的 AI 學習系列，了解更多並於 2025 年 9 月 18 日至 30 日加入我們的 Learn with AI 系列。你將會獲得使用 GitHub Copilot 於資料科學的技巧與秘訣。

初學者機器學習課程

🌍 隨著我們以世界文化探索機器學習，一同環遊世界 🌍

微軟的雲端倡導者很高興推出一套為期 12 週、包含 26 課的完整 機器學習 課程。此課程將教授所謂的 經典機器學習，主要使用 Scikit-learn 函式庫，並避免深度學習部分，深度學習內容包含在我們的初學者人工智慧課程中。你也可將本課程搭配我們的初學者資料科學課程一起學習！

隨我們一同環遊世界，將這些經典技術應用於來自世界各地的資料。每堂課均包含課前及課後測驗、書面說明完成課程、解答、作業等。透過以專案為基礎的教學方法，可以邊學邊做，這是使新技能根深蒂固的有效途徑。

✍️ 誠摯感謝本課程作者： Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 與 Amy Boyd

🎨 感謝插畫師： Tomomi Imura、Dasani Madipalli 與 Jen Looper

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

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 為我們的 R 課程所做的貢獻！

快速開始

請依照以下步驟操作：

派生本儲存庫：點擊本頁右上角的「Fork」按鈕。
克隆儲存庫： git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 資源集合中找到本課程所有額外資源

🔧 需要協助？ 請參考我們的疑難排解指南，其中提供安裝、設定及執行課程時常見問題的解決方法。

學生們，請將整個儲存庫派生到自己的 GitHub 帳號，並個人或組隊完成練習：

從課前測驗開始。
閱讀課文並完成活動，於每個知識檢查點暫停並深思。
嘗試藉由理解課程自己建立專案，而非直接執行解答程式碼；不過每個專案導向的課程裡皆有位於 /solution 資料夾中的解答程式碼可供參考。
完成課後測驗。
完成挑戰任務。
完成作業。
完成一組課程後，請造訪討論版並填寫對應的 PAT 評量表，發表你的學習心得。PAT（進度評估工具）是你填寫以深化學習的評量表，也可以對其他人的 PAT 作出回應，讓我們一起學習。

若要深入學習，我們推薦依序修習這些 Microsoft Learn 模組與學習路徑。

教師們，我們也有一些建議分享如何使用此課程。

影片導覽

部分課程有提供短影片教學。你可以在課程內嵌的影片中觀看，或點擊下方圖片，在微軟開發者 YouTube 頻道的 ML for Beginners 播放清單中看到全部影片。

認識團隊

Gif 製作： Mohit Jaisal

🎥 點擊上方圖片觀看關於本專案和團隊成員的影片！

教學理念

本課程建構時採取兩大教學原則：確保實作的 專案導向，並且包含 頻繁的測驗。此外，課程有共同的主題貫穿始終，產生統一感。

保證內容與專案一致，增加學生的參與感並強化概念記憶；課前低壓力測驗讓學生能有明確的學習目標，課後測驗則有助於加深理解。課程設計靈活且有趣，適合整體或部分修習。專案從簡單開始，逐步複雜，期滿 12 週學習週期。課程末亦附有關於機器學習實際應用的附錄，可作為加分題或討論基礎。

請參閱我們的行為準則、貢獻指南、翻譯說明與疑難排解指南。我們歡迎您提出建設性意見！

每堂課包含

選用的速寫筆記
選用的補充影片
影片導讀（部分課程）
課前暖身測驗
書面課文
對於專案導向課程，提供逐步專案建置指引
知識檢視
挑戰任務
補充閱讀資料
作業
課後測驗

關於語言的說明：這些課程主要使用 Python 撰寫，但許多課程亦提供 R 語言版本。若要完成 R 課程，請至 /solution 資料夾尋找 R 版本的課程，它們擁有 .rmd 副檔名，是一種R Markdown 文件，可被定義為一種 程式碼區塊 （R 或其他語言）與 YAML 頭資料（用於格式化輸出，例如 PDF）嵌入於 Markdown 文件 的格式。R Markdown 是資料科學中很好的創作框架，能讓你結合程式碼、執行結果與思考心得以 Markdown 形式撰寫，更可匯出成 PDF、HTML 或 Word 等格式。 關於測驗的小提醒：所有測驗均包含於Quiz App folder，共有52個測驗，每個測驗包含三條問題。它們從課程中有連結，但可在本地執行測驗應用；請遵循 quiz-app 資料夾中的指示來本地托管或部署至 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	學習機器學習的基本概念	課程	Muhammad
02	機器學習歷史	Introduction	瞭解這個領域背後的歷史	課程	Jen 和 Amy
03	公平與機器學習	Introduction	學生建立及應用ML模型時，應考量哪些重要的公平相關哲學議題？	課程	Tomomi
04	機器學習技術	Introduction	機器學習研究者用什麼技術來建立ML模型？	課程	Chris 和 Jen
05	回歸介紹	Regression	使用 Python 和 Scikit-learn 開始回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化與清理數據以準備進行ML	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性與多項式回歸模型	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 🔌	Web App	建立一個可使用你訓練模型的網頁應用	Python	Jen
10	分類介紹	Classification	清理、準備及視覺化數據；分類入門	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味亞洲與印度料理 🍜	Classification	分類器介紹	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味亞洲與印度料理 🍜	Classification	更多分類器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味亞洲與印度料理 🍜	Classification	用你的模型建立推薦網頁應用	Python	Jen
14	分群介紹	Clustering	清理、準備及視覺化數據；分群入門	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂口味 🎧	Clustering	探索K-Means分群法	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	Natural language processing	透過建立簡單的機器人來學習NLP基礎	Python	Stephen
17	常見NLP任務 ☕️	Natural language processing	透過理解常見處理語言結構所需任務來深化你的NLP知識	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用珍·奧斯汀進行翻譯和情感分析	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	時間序列預測介紹	Time series	時間序列預測入門	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	使用支援向量回歸 (Support Vector Regressor) 進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	Q-Learning 強化學習入門	Python	Dmitry
25	幫助彼得避開狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界的ML場景與應用	ML in the Wild	傳統ML有趣且啟發性的真實應用	課程	團隊
後記	用RAI儀表板進行ML模型除錯	ML in the Wild	使用 Responsible AI 儀表板組件進行機器學習模型除錯	課程	Ruth Yakubu

在我們的 Microsoft Learn 集合中尋找該課程的所有額外資源

離線存取

你可以使用 Docsify 離線瀏覽本文件。複製此倉庫，在你的本機安裝 Docsify，然後於此倉庫根目錄下輸入 docsify serve。網站會在localhost的3000端口提供服務：localhost:3000。

PDF

在這裡找到含連結的課程PDF。

🎒 其他課程

我們團隊還製作其他課程！參考：

LangChain

Azure / Edge / MCP / Agents

生成式AI系列

核心學習

Copilot 系列

獲取幫助

如果你在建構 AI 應用程式時卡住了或有任何問題。加入其他學習者和有經驗的開發者，參與關於 MCP 的討論。這是一個支持性的社群，歡迎提問並自由分享知識。

如果你有產品反饋或在開發過程中遇到錯誤，請訪問：

免責聲明：
本文件係使用人工智能翻譯服務 Co-op Translator 進行翻譯。儘管我們致力於確保準確性，但請注意，自動翻譯可能存在錯誤或不準確之處。原始文件之母語版本應被視為最具權威性的來源。對於關鍵資訊，建議尋求專業人類翻譯。我們不對因使用本翻譯而引起之任何誤解或曲解承擔法律責任。

28 KiB Raw Blame History Unescape Escape