ML-For-Beginners/translations/zh

🌐 多语言支持

通过 GitHub Action 提供支持（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（缅甸） | 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 | 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（古尔穆奇） | 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） | 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

加入我们的社区

我们正在举办一个 Discord 的“与 AI 学习”系列，了解更多并在 2025 年 9 月 18 日至 30 日加入我们：Learn with AI Series。你将获得使用 GitHub Copilot 进行数据科学的技巧与窍门。

面向初学者的机器学习 - 课程

🌍 通过世界各地的文化探索机器学习，环游世界 🌍

微软的云布道者（Cloud Advocates）很高兴提供一个为期 12 周、共 26 节课的关于 机器学习 的课程。在本课程中，你将学习有时被称为 经典机器学习 的内容，主要使用 Scikit-learn 作为库，并避开深度学习（深度学习在我们的 面向初学者的 AI 课程 中有介绍）。同时，可将这些课程与我们的 面向初学者的数据科学课程 配套学习。

和我们一起环游世界，将这些经典技术应用于来自世界各地的数据。每节课都包含课前和课后测验、完成课程的文字说明、解答、作业，以及更多内容。我们以项目为基础的教学法让你在动手构建时学习，这是一种经过验证的新技能“巩固”方式。

✍️ 特别感谢我们的作者 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd

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

🙏 特别感谢 🙏 我们的 Microsoft 学生大使作者、审稿人和内容贡献者，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 Microsoft 学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 为我们的 R 课程所做的贡献！

入门

按以下步骤操作：

1. Fork 仓库：点击此页面右上角的 “Fork” 按钮。
2. 克隆仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 集合中找到本课程的所有附加资源

🔧 需要帮助吗？ 请查看我们的 故障排除指南，了解有关安装、设置和运行课程常见问题的解决方案。

学生，要使用本课程，请将整个仓库 fork 到你自己的 GitHub 帐户，并单独或与小组一起完成练习：

• 从课前测验开始。
• 阅读讲义并完成活动，每个知识点停下来反思。
• 尝试通过理解课程内容而不是直接运行解答代码来创建项目；不过这些代码可以在每个以项目为导向的课程的 /solution 文件夹中找到。
• 参加课后测验。
• 完成挑战。
• 完成作业。
• 在完成一组课程后，访问 讨论区 并通过填写相应的 PAT 量表来“公开学习”。“PAT” 是一个进度评估工具（Progress Assessment Tool），是你填写以促进学习的量表。你也可以对其他人的 PAT 做出反应，以便我们一起学习。

如需进一步学习，我们建议关注这些 Microsoft Learn 模块和学习路径。

教师，我们已在 一些建议 中介绍了如何使用本课程。

---

视频演练

部分课程以短视频形式提供。你可以在课程中找到所有这些视频，或在 Microsoft Developer YouTube 频道上的 ML for Beginners 播放列表 中查看，点击下方图片。

---

团队成员

动图作者 Mohit Jaisal

🎥 点击上方图片，了解关于该项目及其创建者的视频！

---

教学法

在构建本课程时，我们选择了两个教学原则：确保其实践性与 基于项目，并包含 频繁测验。此外，本课程具有统一的 主题 以增强连贯性。

通过确保内容与项目对齐，学习过程对学生更具吸引力，概念的记忆也会增强。此外，课堂前的低风险测验有助于学生确立学习意图，而课后的第二次测验则可确保进一步的记忆。本课程设计灵活有趣，可以全部或部分学习。项目从小型开始，随着 12 周周期的推进逐步变得更复杂。本课程还包括关于机器学习在现实世界中应用的后记，可作为额外学分或讨论素材。

查阅我们的 行为准则、贡献指南、翻译指南 和 故障排除 指南。我们欢迎你的建设性反馈！

每课包含

• 可选的草图笔记
• 可选的补充视频
• 视频演练（仅限部分课程）
• 课前热身测验
• 文字讲义
• 对于基于项目的课程，关于如何构建项目的逐步指南
• 知识点检测
• 一个挑战
• 补充阅读
• 作业
• 课后测验

关于语言的说明：这些课程主要以 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请转到 /solution 文件夹并查找 R 课程。它们包含一个 .rmd 扩展名，表示一个 R Markdown 文件，这可以简单地定义为在 Markdown 文档 中嵌入 code chunks（R 或其他语言）和一个 YAML header（指导如何将输出格式化为 PDF 等）的方式。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、代码输出和想法结合起来，并通过 Markdown 将它们写下来。此外，R Markdown 文档可以渲染为诸如 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，总共有 52 个测验，每个测验包含三道题。它们在课程中有链接，但测验应用程序可以本地运行；请按 quiz-app 文件夹中的说明在本地托管或部署到 Azure。

课次编号	主题	课程分组	学习目标	关联课程	作者
01	机器学习简介	介绍	学习机器学习的基本概念	课程	Muhammad
02	机器学习的历史	介绍	了解这一领域的历史	课程	Jen and Amy
03	公平性与机器学习	介绍	在构建和应用机器学习模型时，学生应考虑哪些与公平性相关的重要哲学问题？	课程	Tomomi
04	机器学习技术	介绍	机器学习研究人员用哪些技术来构建机器学习模型？	课程	Chris and Jen
05	回归简介	回归	使用 Python 和 Scikit-learn 开始构建回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	回归	为机器学习准备数据：可视化和清洗数据	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	回归	构建线性和多项式回归模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜价格 🎃	回归	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	Web 应用 🔌	Web App	构建一个用于使用已训练模型的 Web 应用	Python	Jen
10	分类简介	分类	清理、准备并可视化数据；分类简介	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亚洲和印度菜肴 🍜	分类	分类器简介	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亚洲和印度菜肴 🍜	分类	更多分类器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亚洲和印度菜肴 🍜	分类	使用你的模型构建推荐系统 Web 应用	Python	Jen
14	聚类简介	聚类	清理、准备并可视化数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐偏好 🎧	聚类	探索 K-Means 聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	自然语言处理	通过构建一个简单的机器人学习 NLP 基础知识	Python	Stephen
17	常见的 NLP 任务 ☕️	自然语言处理	通过理解处理语言结构时常见的任务来加深你的 NLP 知识	Python	Stephen
18	翻译与情感分析 ♥️	自然语言处理	以简·奥斯汀的作品进行翻译与情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	自然语言处理	使用酒店评论进行情感分析（1）	Python	Stephen
20	欧洲浪漫酒店 ♥️	自然语言处理	使用酒店评论进行情感分析（2）	Python	Stephen
21	时间序列预测简介	时间序列	时间序列预测简介	Python	Francesca
22	⚡️ 世界电力使用量 ⚡️ - 使用 ARIMA 的时间序列预测	时间序列	使用 ARIMA 的时间序列预测	Python	Francesca
23	⚡️ 世界电力使用量 ⚡️ - 使用 SVR 的时间序列预测	时间序列	使用支持向量回归器的时间序列预测	Python	Anirban
24	强化学习简介	强化学习	使用 Q 学习的强化学习简介	Python	Dmitry
25	帮助 Peter 避开狼！ 🐺	强化学习	强化学习 Gym	Python	Dmitry
Postscript	真实世界的机器学习场景与应用	真实世界的 ML	经典机器学习在真实世界中有趣且富有启发性的应用	课程	Team
Postscript	使用 RAI 仪表板对机器学习模型进行调试	真实世界的 ML	使用 Responsible AI 仪表板组件进行机器学习模型调试	课程	Ruth Yakubu

在我们的 Microsoft Learn 收藏中查找本课程的所有其他资源

离线访问

你可以使用 Docsify 离线运行此文档。Fork 本仓库，在你的本地机器上 安装 Docsify，然后在此仓库的根文件夹中输入 docsify serve。网站将在本地的 3000 端口提供服务：localhost:3000。

PDF

带有链接的课程 PDF 可在 这里 获取。

🎒 其他课程

我们的团队还制作了其他课程！查看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心学习

---

Copilot 系列

获取帮助

如果在构建 AI 应用时遇到困难或有任何问题，请加入学习者和经验丰富的开发者的讨论，一起参与 MCP。这里是一个支持性的社区，欢迎提问并自由分享知识。

如果您在构建过程中有产品反馈或遇到错误，请访问：

---

免责声明： 本文件使用 AI 翻译服务 Co-op Translator 进行翻译。尽管我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原文（原始语言版本）为权威来源。对于重要信息，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。