ML-For-Beginners/translations/zh

🌐 多语言支持

通过 GitHub Action 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） | 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 Discord 上举办 Learn with AI 系列，了解更多并在 2025 年 9 月 18 日至 30 日加入我们：Learn with AI 系列。你将获得使用 GitHub Copilot 进行数据科学的提示和技巧。

面向初学者的机器学习 - 一套课程

🌍 跟随我们通过世界各地的文化来探索机器学习，一起环游世界 🌍

微软的云倡导者很高兴提供一套为期 12 周、共 26 课的完整课程，全部围绕“机器学习”。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 AI for Beginners' curriculum 中有涵盖）。同时，你也可以将这些课程与我们的 Data Science for Beginners' curriculum 配合学习。

跟随我们环游世界，把这些经典技术应用到来自世界各地的数据中。每节课包括课前和课后测验、完成课程的书面说明、一个解答、一个作业等。我们的基于项目的教学法允许你在构建过程中学习，这是让新技能“牢固掌握”的一种行之有效的方法。

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

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

🙏 特别感谢 🙏 我们的 Microsoft 学生大使作者、审阅者和内容贡献者，特别是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 对于我们的 R 课程，额外感谢 Microsoft 学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta！

开始使用

按以下步骤操作：

1. Fork 仓库：点击本页右上角的 "Fork" 按钮。
2. 克隆仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 集合中查找本课程的所有附加资源

🔧 需要帮助？ 请查看我们的 故障排除指南，了解有关安装、设置和运行课程时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，在每个知识点自测时暂停并反思。
• 试着通过理解课程来创建项目，而不是直接运行解答代码；不过这些代码可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。
• 完成一个课程组后，请访问 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，是一个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，我们建议遵循这些 Microsoft Learn 模块和学习路径。

教师，我们在 for-teachers.md 中包含了一些关于如何使用本课程的建议。

---

视频讲解

部分课程有短视频可用。你可以在课程正文中找到这些视频，或者在 Microsoft 开发者 YouTube 频道的 面向初学者的机器学习 播放列表 中，通过点击下面的图片观看全部内容。

---

认识团队

Gif 作者 Mohit Jaisal

🎥 点击上方图片，观看关于该项目及其创建者的视频！

---

教学理念

在构建本课程时，我们选择了两个教学原则：确保课程是动手的、以项目为基础（project-based），并包含频繁的测验。此外，本课程有一个统一的主题以增强连贯性。

通过确保内容与项目对齐，教学过程对学生来说更具吸引力，概念记忆也会得到增强。此外，课前一次低风险的测验可以让学生带着学习意图进入课堂，而课后第二次测验则有助于进一步巩固记忆。本课程设计灵活且有趣，可整体或部分学习。项目从小到大，直到 12 周周期结束时变得更为复杂。本课程还包括关于机器学习在现实世界应用的后记，可作为额外加分或讨论的基础。

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！

每节课包括

• 可选的手绘速记
• 可选的补充视频
• 视频讲解（部分课程）
• 课前热身测验
• 书面课程
• 对于基于项目的课程，关于如何逐步构建项目的指南
• 知识点自测
• 一个挑战
• 补充阅读
• 作业
• 课后测验

关于语言的一点说明：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，请进入 /solution 文件夹并查找 R 课程。它们包含 .rmd 扩展名，表示一个 R Markdown 文件，可以简单地定义为在 Markdown 文档 中嵌入 代码块（R 或其他语言）和 YAML 头（用于指导如何格式化如 PDF 等输出）。因此，它作为数据科学的示例性创作框架非常合适，因为它允许你将代码、代码输出和想法结合起来，并可在 Markdown 中撰写。此外，R Markdown 文档可以呈现为 PDF、HTML 或 Word 等输出格式。

关于测验的一点说明：所有测验都包含在 Quiz App folder 中，共有 52 个测验，每个测验包含三道题。它们在课程中有链接，但测验应用也可以在本地运行；请按照 quiz-app 文件夹中的说明在本地托管或部署到 Azure。

课程编号	主题	课程分组	学习目标	关联课程	作者
01	机器学习简介	简介	了解机器学习背后的基本概念	课程	Muhammad
02	机器学习的历史	简介	了解该领域的历史背景	课程	Jen and Amy
03	公平性与机器学习	简介	在构建和应用机器学习模型时，学生应考虑的与公平性相关的重要哲学问题有哪些？	课程	Tomomi
04	机器学习技术	简介	机器学习研究人员用什么技术来构建模型？	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	可视化并清洗数据，为机器学习做准备	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	清洗、准备并可视化数据；分类简介	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亚洲与印度料理 🍜	分类	分类器入门	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亚洲与印度料理 🍜	分类	更多分类器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亚洲与印度料理 🍜	分类	使用你的模型构建一个推荐系统 Web 应用	Python	Jen
14	聚类简介	聚类	清洗、准备并可视化数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚的音乐喜好 🎧	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 的基础知识	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深化你的 NLP 知识	Python	Stephen
18	翻译与情感分析 ♥️	自然语言处理	使用简·奥斯汀进行翻译和情感分析	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	⚡️ 世界用电量 ⚡️ - 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	⚡️ 世界用电量 ⚡️ - 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-Learning 的强化学习简介	Python	Dmitry
25	帮助彼得躲避狼！ 🐺	强化学习	强化学习 Gym	Python	Dmitry
Postscript	现实世界的机器学习场景与应用	现实世界中的机器学习	经典机器学习在现实世界中有趣且富有启发性的应用	课程	团队
Postscript	使用 RAI 仪表板进行机器学习模型调试	现实世界中的机器学习	使用 Responsible AI 仪表板组件对机器学习进行模型调试	课程	Ruth Yakubu

在我们的 Microsoft Learn 集合中查找本课程的所有其他资源

离线访问

你可以使用 Docsify 离线运行该文档。Fork 此仓库，在本地机器上安装 Docsify，然后在此仓库的根文件夹中，输入 docsify serve。该网站将在你的本地主机的 3000 端口提供服务：localhost:3000。

PDF 文件

在 这里 查找带链接的课程大纲 PDF。

🎒 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

如果你在构建 AI 应用时遇到困难或有任何问题，请加入 MCP 的其他学习者和有经验的开发者的讨论。这里是一个支持性的社区，欢迎提问并自由分享知识。

如果在构建过程中有产品反馈或遇到错误，请访问：

---

免责声明： 本文件已使用 AI 翻译服务 Co-op Translator（https://github.com/Azure/co-op-translator）进行翻译。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始的母语版本应被视为具有权威性的来源。对于关键信息，建议使用专业人工翻译。我们不对因使用本翻译而产生的任何误解或误读承担责任。