ML-For-Beginners/translations/mo

🌐 多語言支援

透過 GitHub Action 支援（自動且保持最新）

阿拉伯語 | 孟加拉語 | 保加利亞語 | 緬甸語（Myanmar） | 中文（簡體） | 中文（繁體，香港） | 中文（繁體，澳門） | 中文（繁體，台灣） | 克羅地亞語 | 捷克語 | 丹麥語 | 荷蘭語 | 愛沙尼亞語 | 芬蘭語 | 法語 | 德語 | 希臘語 | 希伯來語 | 印地語 | 匈牙利語 | 印尼語 | 義大利語 | 日語 | 卡納達語 | 韓語 | 立陶宛語 | 馬來語 | 馬拉雅拉姆語 | 馬拉地語 | 尼泊爾語 | 奈及利亞皮欽語 | 挪威語 | 波斯語（法爾西） | 波蘭語 | 葡萄牙語（巴西） | 葡萄牙語（葡萄牙） | 旁遮普語（Gurmukhi） | 羅馬尼亞語 | 俄語 | 塞爾維亞語（西里爾字） | 斯洛伐克語 | 斯洛文尼亞語 | 西班牙語 | 斯瓦希里語 | 瑞典語 | 塔加洛語（菲律賓） | 泰米爾語 | 泰盧固語 | 泰語 | 土耳其語 | 烏克蘭語 | 烏爾都語 | 越南語

加入我們的社群

我們正在舉辦 Discord「與 AI 一起學習」系列活動，更多資訊與加入請至 與 AI 一起學習 系列。活動期間為 2025 年 9 月 18 日至 9 月 30 日。您將會獲得有關在資料科學中使用 GitHub Copilot 的技巧與秘訣。

初學者機器學習課程綱要

🌍 跟著我們環遊世界，一邊透過世界文化探索機器學習 🌍

Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課的完整課程，主要內容為 機器學習。在本課程中，您將學到有時被稱為 經典機器學習 的概念，主要使用 Scikit-learn 這個函式庫，並避開深度學習（深度學習已在我們的 AI 初學者課程 中介紹）。也可以搭配我們的 「數據科學初學者」課程 一起學習！

跟著我們周遊世界，將這些經典技術應用到世界各地的資料。每堂課包含課前與課後的測驗、完成課程所需的書面指示、解答、作業，以及更多內容。我們以專案為導向的教學法讓你在實作中學習，這是讓新技能能夠「養成」的有效方式。

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

🎨 也感謝插畫師 Tomomi Imura、Dasani Madipalli 以及 Jen Looper

🙏 特別感謝 🙏 我們的 Microsoft Student Ambassador 作者、審閱者與內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila，以及 Snigdha Agarwal

🤩 額外感謝 Microsoft Student Ambassadors Eric Wanjau、Jasleen Sondhi 以及 Vidushi Gupta 對我們的 R 課程所做的貢獻！

開始使用

請依照下列步驟：

1. Fork 倉庫：點擊此頁面右上角的「Fork」按鈕。
2. Clone 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

🔧 需要協助嗎？ 請查看我們的 疑難排解指南，以解決安裝、設定及執行課程時常見的問題。

學生，要使用此課程，請將整個專案 Fork 到您自己的 GitHub 帳號，並獨立或與小組完成練習：

• 從課前測驗開始。
• 閱讀講義並完成活動，於每個知識檢核處暫停並思考。
• 嘗試透過理解課程內容來建立專案，而不是直接執行解答程式碼；不過每個專案導向課程的解答程式碼都可在 /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，並透過填寫相對應的 PAT 評分表來「大聲學習」。PAT 是一份進度評估工具（Progress Assessment Tool），是一種讓你填寫以促進學習的評分規準。您也可以對其他人的 PAT 作出回應，讓大家一起學習。

若要進一步進修，我們建議追蹤這些 Microsoft Learn 模組與學習路徑。

教師，我們已在 包含一些建議 以說明如何使用本課程。

---

影片導覽

部分課程提供短片形式的教學影片。您可以在每堂課內嵌找到這些影片，或在 Microsoft Developer YouTube 頻道上的 ML for Beginners 播放清單 觀看，點選下方圖片即可前往。

---

認識團隊

GIF 由 Mohit Jaisal

🎥 點擊上方圖片觀看關於專案及其創作者的影片！

---

教學法

本課程在設計時採用了兩個教學原則：確保以實作為主的 專案導向，以及包含 頻繁測驗。此外，本課程具有共同的 主題 以強化內容的一致性。

透過讓內容與專案對齊，學生的學習過程會更有參與感，概念的記憶也會增加。此外，課前的低門檻測驗能幫助學員在課堂前就設定學習意圖，而課後的第二次測驗則能加強記憶。本課程設計上彈性且有趣，可整套修習或單元修習。專案由淺入深，至 12 週結束時逐步提升複雜度。本課程亦包含一段關於機器學習真實世界應用的後記，可作為額外加分或討論基礎。

查閱我們的 行為準則、貢獻指南、翻譯指南 以及 疑難排解。我們歡迎您的建設性意見！

每堂課包含

• 可選的手繪筆記
• 可選的補充影片
• 影片導覽（僅部分課程）
• 課前暖身測驗
• 書面講義
• 對於專案導向課程，提供逐步指南教你如何建置專案
• 知識檢核
• 一個挑戰
• 補充閱讀
• 作業
• 課後測驗

關於語言的一則說明：這些課程主要以 Python 撰寫，但很多課程也提供 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 .rmd 副檔名，代表一個 R Markdown 檔案，可以簡單定義為在 Markdown 文件中嵌入 code chunks（R 或其他語言）與一個 YAML header（用來指導如何輸出為 PDF 等格式）。因此，它是一個示範性的資料科學撰寫框架；您可以結合程式碼、輸出與說明文字，一併以 Markdown 撰寫。R Markdown 文件亦可輸出為 PDF、HTML 或 Word 等格式。

關於測驗的一則說明：所有測驗都集中在 測驗應用程式資料夾，共 52 個測驗，每個測驗三題。這些測驗由課程內連結，但測驗應用程式也可以在本機執行；請依照 quiz-app 資料夾中的說明在本機 host 或部署到 Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	機器學習簡介	簡介	學習機器學習背後的基本概念	課程	Muhammad
02	機器學習的歷史	簡介	了解此領域的歷史	課程	Jen and Amy
03	公平性與機器學習	簡介	在建立與應用機器學習模型時，學生應該考慮哪些與公平性相關的重要哲學議題？	課程	Tomomi
04	機器學習技術	簡介	機器學習研究者使用什麼技術來建立機器學習模型？	課程	Chris and Jen
05	回歸入門	Regression	使用 Python 與 Scikit-learn 開始回歸模型	Python • R	Jen • Eric Wanjau
06	北美洲南瓜價格 🎃	Regression	視覺化並清理資料，以準備進行機器學習	Python • R	Jen • Eric Wanjau
07	北美洲南瓜價格 🎃	Regression	建立線性與多項式回歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美洲南瓜價格 🎃	Regression	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用程式 🔌	Web App	建立一個網頁應用以使用你訓練好的模型	Python	Jen
10	分類入門	Classification	清理、準備並視覺化資料；分類入門	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲與印度料理 🍜	Classification	分類器介紹	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲與印度料理 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲與印度料理 🍜	Classification	使用你的模型建立推薦系統網頁應用程式	Python	Jen
14	分群入門	Clustering	清理、準備並視覺化資料；分群入門	Python • R	Jen • Eric Wanjau
15	探索奈及利亞的音樂喜好 🎧	Clustering	探索 K-Means 分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	Natural language processing	透過建立一個簡單機器人來學習自然語言處理的基礎	Python	Stephen
17	常見的自然語言處理任務 ☕️	Natural language processing	透過理解處理語言結構時常用的任務來深化你對自然語言處理的知識	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	時間序列預測入門	Time series	時間序列預測入門	Python	Francesca
22	⚡️ 全球電力使用 ⚡️ - 使用 ARIMA 的時間序列預測	Time series	使用 ARIMA 的時間序列預測	Python	Francesca
23	⚡️ 全球電力使用 ⚡️ - 使用 SVR 的時間序列預測	Time series	使用 SVR 的時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	以 Q-Learning 為基礎的強化學習介紹	Python	Dmitry
25	幫助 Peter 避免狼！ 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習情境與應用	ML in the Wild	傳統機器學習在真實世界中的有趣且有啟發性的應用	課程	團隊
後記	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板元件進行機器學習模型除錯	課程	Ruth Yakubu

在我們的 Microsoft Learn 集合中找到本課程的所有其他資源

離線存取

您可以使用 Docsify 離線執行此文件。Fork 此 repo，安裝 Docsify 在您的本機機器上，然後在此 repo 的根目錄，輸入 docsify serve。該網站將在您本機的 3000 連接埠上提供：localhost:3000。

PDF 檔案

在 這裡 找到帶連結的課程 PDF。

🎒 其他課程

Our team produces other courses! Check out:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

核心學習

---

Copilot 系列

取得幫助

如果你遇到困難或對建立 AI 應用有任何疑問，加入其他學習者與有經驗的開發者，在關於 MCP 的討論中互相交流。這是一個互相支持的社群，歡迎提問並自由分享知識。

如果你在開發期間有產品回饋或發現錯誤，請造訪：

---

免責聲明： 本文件已使用人工智能翻譯服務 Co-op Translator（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件（其母語版本）應視為具權威性的來源。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導致的任何誤解或曲解承擔責任。