29 KiB
🌐 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 | 意大利語 | 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（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（西里爾文） | 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（菲律賓語） | 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
我們正舉辦 Discord 的「與 AI 一起學習」系列活動，詳情與加入請到 Learn with AI Series，活動期間為 2025 年 9 月 18 日至 30 日。你將會學到使用 GitHub Copilot 進行資料科學的技巧與秘訣。
Machine Learning for Beginners - A Curriculum
🌍 隨著我們透過世界各地文化探索機器學習，一同環遊世界 🌍
Microsoft 的 Cloud Advocates 很高興推出一個為期 12 週、共 26 節課的完整課程，主題為「機器學習」。在本課程中，你將學到有時被稱為「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（深度學習收錄於我們的 AI for Beginners' curriculum）。也可將這些課程與我們的 『Data Science for Beginners』課程 搭配學習。
跟我們一起環遊世界，將這些傳統技術應用到來自世界各地的資料中。每一課都包含課前與課後小測、完成課程的書面指示、解答、作業與更多內容。我們以專案為基礎的教學法讓你在構建的同時學習，這是讓新技能更牢固的一種驗證方法。
✍️ 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 與 Amy Boyd
🎨 也感謝我們的插畫家 Tomomi Imura、Dasani Madipalli 與 Jen Looper
🙏 特別感謝 🙏 我們的 Microsoft Student Ambassador 的作者、審查者與內容貢獻者，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 Student Ambassadors Eric Wanjau、Jasleen Sondhi 與 Vidushi Gupta 為我們的 R 課程提供協助！
開始使用
請依照下列步驟：
- Fork 該儲存庫：點選本頁右上角的「Fork」按鈕。
- Clone 該儲存庫：
git clone https://github.com/microsoft/ML-For-Beginners.git
🔧 需要協助嗎？ 請查看我們的 Troubleshooting Guide 以取得安裝、設定與執行課程常見問題的解決方法。
學生們，要使用這個課程，請將整個 repo fork 到你自己的 GitHub 帳戶，並獨立或與小組一起完成練習：
- 以課前小測開始。
- 閱讀講義並完成活動，在每個知識檢查時停下來反思。
- 嘗試透過理解課程內容來建立專案，而非直接執行解答程式碼；不過每個以專案為導向的課程在
/solution資料夾中都有對應的解答程式碼可供參考。 - 進行課後小測。
- 完成挑戰。
- 完成作業。
- 在完成一組課程後，請造訪 討論版 並透過填寫適當的 PAT 評分量表來「大聲學習」。PAT 是一種進度評估工具，你可以透過填寫該量表來促進你的學習。你也可以對其他人的 PAT 做出回應，讓我們一起學習。
若要進一步學習，我們建議遵循這些 Microsoft Learn 模組與學習路徑。
教師們，我們在 for-teachers.md 中提供了一些如何使用此課程的建議。
影片導覽
部分課程有短片形式的教學。你可以在各課程內嵌找到這些影片，或於 Microsoft Developer YouTube 頻道上的 ML for Beginners 播放清單 中觀看，點選下方圖片即可前往。
認識團隊
GIF 作者 Mohit Jaisal
🎥 點選上方圖片以觀看關於專案與創作者的影片！
教學法
我們在建立此課程時選擇了兩個教學原則：確保它是以實作為主的 專案導向，並包含 頻繁的小測驗。此外，這個課程有一個共同的 主題，以維持整體連貫性。
透過確保內容與專案一致，學生在學習過程中會更投入，概念的記憶也會提高。此外，上課前的低壓力小測能夠幫助學生設定學習主題的意圖，而下課後的第二次小測則能進一步鞏固記憶。本課程設計彈性且有趣，可完整修習或分段學習。專案從小型開始，並在 12 週週期結束時逐步增加複雜度。此課程亦包含一段關於機器學習在現實世界應用的後記，可用作額外學分或討論基礎。
每堂課包含
關於語言的一則說明：這些課程主要以 Python 撰寫，但也有許多以 R 提供。若要完成 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 document中嵌入code chunks（R 或其他語言）與YAML header（用來指示如何格式化輸出，例如 PDF）。因此，它作為資料科學的示範性撰寫架構，允許你將程式碼、其輸出與想法結合起來，並以 Markdown 撰寫。此外，R Markdown 文件可以輸出為 PDF、HTML 或 Word 等格式。
關於小測的一則說明：所有小測都包含在 Quiz App folder 中，總共有 52 個小測，每個小測有三題。它們在課程中有連結，但也可以在本機執行；請參考
quiz-app資料夾中的說明來在本機托管或部署到 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 | 了解機器學習背後的基本概念 | 課程 | Muhammad |
| 02 | 機器學習的歷史 | 簡介 | 了解此領域背後的歷史 | 課程 | Jen and Amy |
| 03 | 公平與機器學習 | 簡介 | 在構建和應用機器學習模型時，學生應該考慮哪些關於公平性的主要哲學問題？ | 課程 | Tomomi |
| 04 | 機器學習技術 | 簡介 | 機器學習研究人員用甚麼技術來建構模型？ | 課程 | Chris and Jen |
| 05 | 回歸分析入門 | 回歸 | 使用 Python 和 Scikit-learn 入門回歸模型 | Python • R | Jen • Eric Wanjau |
| 06 | 北美南瓜價格 🎃 | 回歸 | 為機器學習準備，視覺化及清理數據 | Python • R | Jen • Eric Wanjau |
| 07 | 北美南瓜價格 🎃 | 回歸 | 建立線性及多項式回歸模型 | Python • R | Jen and Dmitry • Eric Wanjau |
| 08 | 北美南瓜價格 🎃 | 回歸 | 建立邏輯回歸模型 | Python • R | Jen • Eric Wanjau |
| 09 | 網頁應用 🔌 | 網頁應用 | 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 | 分類 | 清理、準備及視覺化你的數據；分類導論 | Python • R | Jen and Cassie • Eric Wanjau |
| 11 | 美味的亞洲與印度菜餚 🍜 | 分類 | 分類器入門 | Python • R | Jen and Cassie • Eric Wanjau |
| 12 | 美味的亞洲與印度菜餚 🍜 | 分類 | 更多的分類器 | Python • R | Jen and Cassie • Eric Wanjau |
| 13 | 美味的亞洲與印度菜餚 🍜 | 分類 | 使用模型建立推薦系統的網頁應用 | Python | Jen |
| 14 | 分群入門 | 分群 | 清理、準備及視覺化你的數據；分群導論 | Python • R | Jen • Eric Wanjau |
| 15 | 探索尼日利亞的音樂喜好 🎧 | 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 | 透過建立一個簡單機器人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 ☕️ | 自然語言處理 | 透過了解處理語言結構時常見的任務，加深你對自然語言處理的認識 | Python | Stephen |
| 18 | 翻譯與情感分析 ♥️ | 自然語言處理 | 以珍·奧斯汀作品進行翻譯與情感分析 | Python | Stephen |
| 19 | 歐洲浪漫酒店 ♥️ | 自然語言處理 | 以酒店評論進行情感分析 1 | Python | Stephen |
| 20 | 歐洲浪漫酒店 ♥️ | 自然語言處理 | 以酒店評論進行情感分析 2 | Python | Stephen |
| 21 | 時間序列預測入門 | 時間序列 | 時間序列預測入門 | 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 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 | 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 | 以 Q-Learning 介紹強化學習 | Python | Dmitry |
| 25 | 幫助 Peter 避開狼！ 🐺 | 強化學習 | Reinforcement learning Gym | Python | Dmitry |
| Postscript | 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具啟發性的應用 | 課程 | Team |
| 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 儀表板組件進行機器學習模型除錯 | 課程 | Ruth Yakubu |
離線存取
你可以使用 Docsify 離線運行此文件。Fork 此 repo，並在你的本機安裝 Docsify，然後在此 repo 的根目錄輸入 docsify serve。網站將會在你本機的 3000 埠提供服務：localhost:3000。
在 這裡 可以找到附有連結的課程 PDF。
🎒 其他課程
我們團隊亦製作其他課程！查看：
LangChain
Azure / Edge / MCP / Agents
生成式 AI 系列
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
核心學習
Copilot 系列
尋求協助
如果於建立 AI 應用程式時遇到困難或有任何疑問。加入學習者及有經驗開發者的討論，一起探討 MCP。這是一個互相支持的社群，歡迎提出問題並自由分享知識。
如果在建立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仍存在錯誤或不準確之處。以原始語言撰寫的原文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。我們對因使用本翻譯而引致的任何誤解或錯誤詮釋概不負責。