ML-For-Beginners/translations/tw

🌐 多語言支援

透過 GitHub Action 支援（自動化且始終保持最新）

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） | 克羅埃西亞語 | 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（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 | 斯洛維尼亞語 | 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

We have a Discord learn with AI series ongoing, learn more and join us at Learn with AI Series from 18 - 30 September, 2025. You will get tips and tricks of using GitHub Copilot for Data Science.

初學者機器學習 - 課程大綱

🌍 跟著我們以世界文化為媒介，一起環遊世界探索機器學習 🌍

Cloud Advocates at Microsoft are pleased to offer a 12-week, 26-lesson curriculum all about Machine Learning. In this curriculum, you will learn about what is sometimes called classic machine learning, using primarily Scikit-learn as a library and avoiding deep learning, which is covered in our AI 初學者課程. Pair these lessons with our '資料科學初學者' 課程, as well!

Travel with us around the world as we apply these classic techniques to data from many areas of the world. Each lesson includes pre- and post-lesson quizzes, written instructions to complete the lesson, a solution, an assignment, and more. Our project-based pedagogy allows you to learn while building, a proven way for new skills to 'stick'.

✍️ 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 and Amy Boyd

🎨 同時感謝我們的插畫家 Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 特別感謝 🙏 我們的 Microsoft Student Ambassador 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, 以及 Snigdha Agarwal

🤩 額外感謝 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta 為我們的 R 課程所做的貢獻！

開始使用

Follow these steps:

1. Fork 倉庫: Click on the "Fork" button at the top-right corner of this page.
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其他資源

🔧 需要幫助嗎？ 查看我們的 疑難排解指南 以取得與安裝、設定和執行課程相關的常見問題解決方案。

學生，要使用本課程，請將整個倉庫 fork 到您自己的 GitHub 帳戶，並自行或與團隊一同完成練習：

• 從課前暖身測驗開始。
• 閱讀講義並完成活動，在每個知識檢查處停下來反思。
• 嘗試透過理解課程內容來建立專案，而非僅執行解答程式碼；不過每個專案導向課程的 /solution 資料夾中皆可找到解答程式碼。
• 完成課後測驗。
• 完成挑戰。
• 完成作業。
• 完成一組課程後，請前往 討論板 並透過填寫適當的 PAT 評分表來「大聲學習」。PAT 是一種進度評估工具，是一份可以幫助您進一步學習的評分表。您也可以對其他人的 PAT 作出回應，以便我們一起學習。

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

教師，我們已提供 一些建議 關於如何使用此課程。

---

影片導覽

Some of the lessons are available as short form video. You can find all these in-line in the lessons, or on the ML for Beginners playlist on the Microsoft Developer YouTube channel by clicking the image below.

---

團隊介紹

Gif 作者 Mohit Jaisal

🎥 點擊上方圖片以觀看關於此專案及其創作者的影片！

---

教學法

We have chosen two pedagogical tenets while building this curriculum: ensuring that it is hands-on project-based and that it includes frequent quizzes. In addition, this curriculum has a common theme to give it cohesion.

By ensuring that the content aligns with projects, the process is made more engaging for students and retention of concepts will be augmented. In addition, a low-stakes quiz before a class sets the intention of the student towards learning a topic, while a second quiz after class ensures further retention. This curriculum was designed to be flexible and fun and can be taken in whole or in part. The projects start small and become increasingly complex by the end of the 12-week cycle. This curriculum also includes a postscript on real-world applications of ML, which can be used as extra credit or as a basis for discussion.

查閱我們的 行為準則、貢獻指南、翻譯指南，以及 疑難排解 指南。我們歡迎您提出建設性的回饋！

每堂課包含

• 可選的手繪筆記
• 可選的補充影片
• 影片導覽（僅限部分課程）
• 課前暖身測驗
• 書面講義
• 對於專案導向的課程，提供逐步指南說明如何建立專案
• 知識檢核
• 挑戰
• 補充閱讀
• 作業
• 課後測驗

關於語言的說明：這些課程主要以 Python 撰寫，但許多也有 R 版本。要完成 R 課程，請前往 /solution 資料夾並尋找 R 課程。它們包含一個 .rmd 副檔名，代表一個 R Markdown 檔案，簡單來說就是在 Markdown 文件中嵌入 code chunks（R 或其他語言）以及 YAML header（用來指導如何格式化輸出，例如 PDF）的一種方式。因此，它是一個非常適合資料科學的撰寫框架，能讓您結合程式碼、輸出與說明文字並以 Markdown 撰寫。此外，R Markdown 文件可以匯出成 PDF、HTML 或 Word 等格式。

關於測驗的說明：所有測驗都包含在 Quiz App folder，共 52 個測驗，每個測驗包含三題。這些測驗都從課程中連結，但測驗應用也可以在本機執行；請遵循 quiz-app 資料夾中的指示在本機託管或部署到 Azure。

課程編號	主題	課程分組	學習目標	相關課程連結	作者
01	機器學習介紹	Introduction	學習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	課程	Jen and Amy
03	公正與機器學習	Introduction	在構建和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	Introduction	機器學習研究人員使用哪些技術來建立機器學習模型？	課程	Chris and Jen
05	迴歸入門	Regression	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 🎃	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	建立一個網頁應用程式以使用你訓練好的模型	Python	Jen
10	分類入門	Classification	清理、預處理並視覺化資料；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、預處理並視覺化資料；分群介紹	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	透過建立一個簡單的機器人學習自然語言處理的基礎知識	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	透過理解處理語言結構時常見的任務來加深你的自然語言處理知識	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	用珍·奧斯汀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	時間序列預測入門	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	使用支持向量回歸 (SVR) 進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	以 Q-Learning 介紹強化學習	Python	Dmitry
25	幫助 Peter 避開狼！ 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
Postscript	實務機器學習情境與應用	ML in the Wild	經典機器學習在真實世界中的有趣且具啟發性的應用	課程	團隊
Postscript	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額外資源

離線存取

你可以使用 Docsify 離線執行此文件。Fork 這個 repo，並在你的本機安裝 Docsify，然後在此 repo 的根目錄中輸入 docsify serve。網站將在你的本機 3000 埠提供服務：localhost:3000。

PDF 檔案

在此處找到含連結的課程 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

尋求協助

如果在建立 AI 應用時遇到阻礙或有任何疑問，歡迎加入其他學習者與經驗豐富的開發人員，一起參與關於 MCP 的討論。這是一個支持性的社群，歡迎提出問題並自由分享知識。

如果您在構建過程中有產品回饋或遇到錯誤，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。原始文件的原文應被視為權威來源。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的任何誤解或錯誤詮釋負責。