ML-For-Beginners/translations/mo

🌐 多語言支援

透過 GitHub Action 支援（自動化且隨時更新）

阿拉伯語 | 孟加拉語 | 保加利亞語 | 緬甸語（緬甸） | 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 | 尼日利亞皮欽語 | 挪威語 | 波斯語（Farsi） | 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（西里爾字母） | 斯洛伐克語 | 斯洛文尼亞語 | 西班牙語 | 斯瓦希里語 | 瑞典語 | 他加祿語（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

我們有一個正在進行的 Discord「與 AI 一起學習」系列，欲了解更多並在 2025 年 9 月 18 日至 30 日加入我們，請參閱 與 AI 一起學習系列。你將獲得使用 GitHub Copilot 進行資料科學的提示與技巧。

機器學習入門 - 課程綱要

🌍 跟我們一起環遊世界，透過世界各地文化探索機器學習 🌍

Microsoft 的 Cloud Advocates 很高興提供一個為期 12 週、共 26 課的完整課程，專注於 機器學習。在此課程中，你將學到有時稱為 經典機器學習 的內容，主要使用 Scikit-learn 作為函式庫，並避免深度學習（深度學習已在我們的 AI 入門課程 中涵蓋）。也建議搭配我們的 '資料科學入門' 課程 一起學習！

跟我們一起環遊世界，將這些經典技術套用到來自世界各地的資料。每一課都包含課前與課後小測驗、完成課程的書面說明、解答、作業以及更多內容。我們以專案為基礎的教學法讓你一邊學一邊做，這是讓新技能更容易「紮實」的方法。

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

🎨 也感謝我們的插畫師 Tomomi Imura、Dasani Madipalli 以及 Jen Looper

🙏 特別感謝 🙏 我們的 Microsoft 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 與 Snigdha Agarwal

🤩 額外感謝 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 提供我們的 R 課程協助！

開始

請依照以下步驟：

1. Fork 此儲存庫：點選本頁面右上角的「Fork」按鈕。
2. Clone 這個儲存庫： git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 集合中找到這門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 以獲得關於安裝、設定與執行課程常見問題的解決方案。

學生，要使用這個課程，請將整個 repo fork 到你自己的 GitHub 帳號，並單獨或與團體一起完成練習：

• 先完成課前暖身小測驗。
• 閱讀講義並完成活動，在每個知識檢核處暫停並反思。
• 嘗試在理解課程內容的情況下自行建立專案，而不是直接執行解答程式碼；不過解答程式碼可在每個專案導向課程的 /solution 資料夾中找到。
• 完成課後小測驗。
• 完成挑戰。
• 完成作業。
• 完成一組課程後，造訪 討論版 並透過填寫適當的 PAT 評分表「大聲學習」。PAT（進度評估工具）是一個讓你填寫以促進學習的評分表。你也可以對其他人的 PAT 作出反應，讓我們一起學習。

若要進一步學習，我們建議參考這些 Microsoft Learn 的模組與學習路徑。

教師，我們已在 for-teachers.md 中提供一些使用此課程的建議。

---

影片導覽

部分課程提供短片形式的影片。你可以在課程內嵌位置找到所有這些影片，或在 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單 觀看，點擊下方圖片即可。

---

認識團隊

動圖由 Mohit Jaisal

🎥 點擊上方圖片以觀看關於此專案及創作者的影片！

---

教學法

在建立本課程時，我們選擇了兩項教學原則：確保課程是以實作為主的 專案導向，並包含 頻繁的小測驗。此外，本課程還有一個共同的 主題 以提供整體的連貫性。

透過確保內容與專案相聯結，學習過程對學生會更具吸引力，概念的記憶也會被強化。此外，課前的一次低壓力小測驗可幫助學生設定學習意圖，而課後的第二次小測驗則有助於進一步鞏固記憶。本課程設計靈活且有趣，可以全部或部分修習。專案從小而簡單開始，並在 12 週週期結束時漸漸變得較為複雜。本課程亦包含一篇關於機器學習真實世界應用的後記，可用作額外加分或討論的基礎。

查閱我們的 行為準則、貢獻指南、翻譯指南 與 疑難排解。我們歡迎你提供建設性的回饋！

每課包含

• 選擇性手繪筆記
• 選擇性補充影片
• 影片導覽（僅部分課程）
• 課前暖身小測驗
• 課程講義
• 針對專案導向課程，提供逐步指南教你如何建立專案
• 知識檢核
• 一項挑戰
• 補充閱讀
• 作業
• 課後小測驗

關於語言的說明：這些課程主要以 Python 撰寫，但許多也提供 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，可簡單定義為在 Markdown 文件 中嵌入 code chunks（R 或其他語言）與 YAML header（指導如何格式化輸出，例如 PDF）。因此，它作為資料科學範例的撰寫框架非常理想，因為它允許你將程式碼、其輸出與想法結合在一起，並以 Markdown 將它們記錄下來。此外，R Markdown 文件可以渲染為 PDF、HTML 或 Word 等輸出格式。

關於小測驗的說明：所有小測驗都收錄在 Quiz App 資料夾 中，共有 52 個小測驗，每個包含三個問題。它們在課程中有連結，但也可以在本機執行；請依照 quiz-app 資料夾內的說明在本機架設或部署到 Azure。

課程編號	主題	課程分組	學習目標	連結課程	作者
01	機器學習入門	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	了解此領域的發展歷史	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，學生應考慮哪些關於公平性的重大哲學議題？	課程	Tomomi
04	機器學習技術	簡介	機器學習研究者用哪些技術來建立模型？	課程	Chris and Jen
05	迴歸入門	迴歸	使用 Python 和 Scikit-learn 開始建立迴歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	迴歸	視覺化並清理資料以為機器學習做準備	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	迴歸	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 🎃	迴歸	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用程式 🔌	網頁應用程式	建立一個網頁應用程式來使用你訓練好的模型	Python	Jen
10	分類入門	分類	清理、準備並視覺化你的資料；分類簡介	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲與印度料理 🍜	分類	分類器簡介	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲與印度料理 🍜	分類	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲與印度料理 🍜	分類	使用你的模型建立一個推薦系統的網頁應用程式	Python	Jen
14	分群入門	分群	清理、準備並視覺化你的資料；分群簡介	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂喜好 🎧	分群	探索 K-Means 分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	自然語言處理	透過建立一個簡單的機器人來學習 NLP 的基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	自然語言處理	透過了解處理語言結構時常見的任務來深化你的 NLP 知識	Python	Stephen
18	翻譯與情緒分析 ♥️	自然語言處理	使用珍·奧斯汀的文本進行翻譯與情緒分析	Python	Stephen
19	歐洲浪漫飯店 ♥️	自然語言處理	使用飯店評論進行情緒分析 1	Python	Stephen
20	歐洲浪漫飯店 ♥️	自然語言處理	使用飯店評論進行情緒分析 2	Python	Stephen
21	時間序列預測入門	時間序列	時間序列預測簡介	Python	Francesca
22	⚡️ 世界用電量 ⚡️ - 使用 ARIMA 的時間序列預測	時間序列	使用 ARIMA 的時間序列預測	Python	Francesca
23	⚡️ 世界用電量 ⚡️ - 使用 SVR 的時間序列預測	時間序列	使用支援向量回歸 (SVR) 的時間序列預測	Python	Anirban
24	強化學習入門	強化學習	使用 Q-Learning 的強化學習簡介	Python	Dmitry
25	幫助 Peter 避開狼！ 🐺	強化學習	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習情境與應用	實務中的機器學習	傳統機器學習在真實世界中有趣且具啟發性的應用案例	課程	團隊
後記	使用 RAI 儀表板之機器學習模型偵錯	實務中的機器學習	使用 Responsible AI 儀表板元件在機器學習中進行模型偵錯	課程	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 離線檢視這份文件。Fork 此 repo，並在你的本機 安裝 Docsify，然後在本儲存庫的根目錄輸入 docsify serve。網站將在你的本機的 3000 埠提供服務：localhost:3000。

PDF 檔案

在 這裡 找到含連結的課程 PDF。

🎒 其他課程

我們團隊也製作其他課程！看看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

獲取幫助

如果你在構建 AI 應用時遇到困難或有任何問題，請加入 MCP 的學習者與經驗豐富的開發者，一起參與討論。這是一個互相支持的社群，歡迎提出問題並自由分享知識。

如果你在構建過程中有產品反饋或遇到錯誤，請造訪：

---

免責聲明： 本文件已使用 AI 翻譯服務 Co-op Translator（https://github.com/Azure/co-op-translator）進行翻譯。雖然我們力求準確，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應視為具權威性的版本。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的任何誤解或錯誤詮釋承擔責任。