30 KiB

Raw Blame History Unescape Escape

🌐 多語言支援

透過 GitHub Action 支援（自動化及持續更新）

想本地 Clone？

本倉庫包含50多種語言的翻譯，顯著增加下載大小。若想不包含翻譯內容進行 clone，請使用稀疏檢出（sparse checkout）：

Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD（Windows）:
git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
這樣你只會下載完成課程所需的內容，速度更快。

加入我們的社群

我們正在舉辦 Discord AI 學習系列，歡迎於2025年9月18日至30日來了解並加入Learn with AI Series。你將學到使用 GitHub Copilot 進行資料科學的技巧與秘訣。

初學者機器學習課程

🌍 跟我們一起環遊世界，以世界各地文化探索機器學習 🌍

微軟的雲端推廣員很高興提供為期12週、共26課的機器學習課程。在此課程中，你將學習所謂的經典機器學習，主要使用 Scikit-learn 函式庫，避免深度學習，後者在我們的AI for Beginners 課程中介紹。也可搭配我們的數據科學初學者課程一起學習！

跟我們一起環遊世界，應用這些經典技術於來自世界各地的資料。每課包含課前及課後小測驗、完成課程的書面說明、解答、作業等。專案導向的教學方式讓你邊做邊學，是新技能牢固吸收的有效方法。

✍️ 衷心感謝作者團隊 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 與 Amy Boyd

🎨 感謝插畫者 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特別感謝🙏 微軟學生大使作者、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

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 協助我們的 R 課程！

開始使用

請依照下列步驟操作：

Fork 此倉庫：點擊本頁右上方的「Fork」按鈕。
Clone 倉庫： git clone https://github.com/microsoft/ML-For-Beginners.git

💡 快速開始建議： 想在瀏覽器直接開始，不想在本地設定 Python 環境？使用 GitHub Codespaces 為你自己的 fork 建立雲端開發環境。打開綠色 Code 選單，選擇 Codespaces，建立新的 codespace；依需要在其中安裝各課程所需的依賴套件。

本站課程的更多資源請見 Microsoft Learn 彙整

🔧 需要協助？ 查看我們的疑難排解指南，解決安裝、設定與執行課程時常見的問題。

學生，使用這課程的方式是 fork 完整倉庫到你的 GitHub 帳號，獨立或小組完成練習：

先完成課前小測驗。
閱讀課程內容並完成活動，每個知識檢測點暫停並思考。
嘗試自己完成專案，不要照抄解答程式碼；但解答程式碼會放在每個專案導向課程的 /solution 資料夾。
完成課後小測驗。
挑戰任務。
作業。
完成一組課程後，請到討論區「大聲學習」（learn out loud），填寫對應的 PAT 評量表。PAT 是進度評估工具，透過填寫可以促進學習。也可以對別人的 PAT 評價，大家一同進步。

若要進一步學習，推薦使用這些 Microsoft Learn 模組與學習路徑。

教師，我們提供了一些建議說明如何運用此課程。

影片教學

部分課程提供短片教學。這些影片可在課程中直接觀看，或在微軟開發者 YouTube 頻道的 ML for Beginners 播放清單中找到，點擊下方圖片即可。

團隊介紹

GIF 由 Mohit Jaisal

🎥 點擊上方圖片觀看關於本專案及創建團隊的影片！

教學法

本課程設計遵循兩大教學原則：確保為動手實作的專案導向與包含頻繁小測驗。此外，課程有統一主題以增強連貫性。

透過專案配合內容，讓學生更投入學習並強化概念記憶。課前低風險小測激發學生學習意圖，課後測驗則深化記憶。本課程靈活且有趣，可完整學完或部分學習。專案由淺入深，隨著12週進度逐漸加深。課程也包含機器學習實務的後記，可作為額外學分或討論基礎。

查閱我們的行為準則、貢獻指南、翻譯指南及疑難排解。歡迎你的建設性回饋！

每堂課包含

可選的手繪筆記
可選的補充影片
影片教學（部分課程）
課前熱身小測
書面課程內容
專案導向課程的專案製作步驟指南
知識檢測
挑戰任務
補充閱讀
作業
課後小測

關於語言說明：這些課程主要使用 Python 撰寫，但很多也提供 R 版本。完成 R 課程請至 /solution 資料夾尋找 R 課程檔案，其具備 .rmd 副檔名，是一種 R Markdown 文件，整合了 code chunks（R 或其他語言程式碼）與 YAML header（指導輸出格式如 PDF）於 Markdown 文件內。此格式非常適合資料科學著作，能讓你結合程式碼、輸出結果及心得並用 Markdown 撰寫。R Markdown 可輸出 PDF、HTML 或 Word 格式。

關於小測說明：52 堂課共設 52 個小測，每個三題，全部集中於Quiz App 資料夾。小測可連結於課程中，亦可於本地執行，詳見 quiz-app 資料夾的指示，支援本地架設或部署至 Azure。

課程編號	主題	課程分組	學習目標	連結課程	作者
01	機器學習簡介	Introduction	學習機器學習背後的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	學習該領域背後的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	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要哲學議題？	Lesson	Tomomi
04	機器學習的技術	Introduction	機器學習研究者使用哪些技術來建立機器學習模型？	Lesson	Chris and Jen
05	回歸簡介	Regression	開始使用 Python 和 Scikit-learn 進行回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化並清理資料以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性和多項式回歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用 🔌	Web App	建立一個網頁應用來使用你訓練好的模型	Python	Jen
10	分類簡介	Classification	清理、準備並視覺化你的資料；分類導論	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲及印度料理 🍜	Classification	分類器導論	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲及印度料理 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲及印度料理 🍜	Classification	使用你的模型建立推薦網頁應用	Python	Jen
14	聚類簡介	Clustering	清理、準備並視覺化你的資料；聚類導論	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂喜好 🎧	Clustering	探索 K-Means 聚類方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	通過建立簡單機械人來學習 NLP 基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	通過理解處理語言結構時所需的常見任務來深化你的 NLP 知識	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用 Jane Austen 的翻譯及情感分析	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	時間序列預測簡介	Time series	時間序列預測導論	Python	Francesca
22	⚡️ 世界電力使用量 ⚡️ - 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	⚡️ 世界電力使用量 ⚡️ - 使用 SVR 的時間序列預測	Time series	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習簡介	Reinforcement learning	使用 Q-Learning 的強化學習導論	Python	Dmitry
25	幫彼得避免狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習場景與應用	ML in the Wild	傳統機器學習在真實世界中的有趣且發人深省的應用	Lesson	Team
後記	使用 RAI 儀表板進行機器學習模型調試	ML in the Wild	使用負責任 AI 儀表板組件進行機器學習模型調試	Lesson	Ruth Yakubu