|
|
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
|
|
|
[](../http://makeapullrequest.com)
|
|
|
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
|
|
|
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
|
|
|
|
|
|
# 针对初学者的机器学习课程
|
|
|
|
|
|
> 🌍 环游世界，并通过世界文化来探索机器学习 🌍
|
|
|
|
|
|
微软 Azure Cloud 的倡导者们很高兴可以提供这套十二周、二十四节课的关于**机器学习**的课程。在这套课程中，你将学习关于**经典机器学习**的内容，主要将使用 Scikit-learn 这一库。关于深度学习的内容将会尽量避免 —— 它会被我们即将推出的 "AI for Beginners (针对初学者的 AI 教程)" 所涵盖。你也可以把这些课和我们即将推出的 "Data Science for Beginners (针对初学者的数据科学教程)" 相结合！
|
|
|
|
|
|
通过把这些经典的技术应用在来自世界各地的数据，我们将 “环游世界”。每一节课都包括了课前和课后测验、课程内容的文字讲义说明、示例代码、作业等。通过这种基于项目的教学方法，你将在构建中学习，这样可以把技能学的更牢靠。
|
|
|
|
|
|
**✍️ 衷心感谢作者们** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan 以及 Amy Boyd
|
|
|
|
|
|
**🎨 同时也要感谢我们的插画师** Tomomi Imura, Dasani Madipalli 以及 Jen Looper
|
|
|
|
|
|
**🙏 特别感谢 🙏 我们的微软学生大使作者们，内容贡献和内容复核者们**, Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, 和 Snigdha Agarwal 等
|
|
|
|
|
|
---
|
|
|
# 准备开始
|
|
|
|
|
|
**对于学生们**，为了更好的使用这套课程，把整个仓库 fork 到你自己的 Github 账户中，并自行（或和一个小组一起）完成以下练习：
|
|
|
|
|
|
- 从课前测验开始
|
|
|
- 阅读课程内容，完成所有的活动，在每次 knowledge check 时暂停并思考
|
|
|
- 我们建议你基于理解来创建项目（而不是仅仅跑一遍示例代码）。示例代码的位置在每一个项目的 `/solution` 文件夹中。
|
|
|
- 进行课后测验
|
|
|
- 完成课程挑战
|
|
|
- 完成作业
|
|
|
- 一节课完成后, 访问[讨论版](https://github.com/microsoft/ML-For-Beginners/discussions)，通过填写相应的 PAT Rubric (课程目标) 来深化自己的学习成果。你也可以回应其它的 PAT，这样我们可以一起学习。
|
|
|
|
|
|
> 如果希望进一步学习，我们推荐跟随 [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-15963-cxa) 的模块和学习路径。
|
|
|
|
|
|
**对于老师们**，我们对于如何使用这套教程[提供了一些建议](../for-teachers.md)。
|
|
|
|
|
|
---
|
|
|
|
|
|
## 项目团队
|
|
|
|
|
|
[](https://youtu.be/Tj1XWrDSYJU "宣传视频")
|
|
|
|
|
|
> 🎥 点击上方的图片，来观看一个关于这个项目和它的创造者们的视频！
|
|
|
|
|
|
---
|
|
|
## 教学方式
|
|
|
|
|
|
此课程基于两个教学原则：学生应该上手进行**项目实践**，并完成**频繁的测验**。 此外，为了使整个课程更具有整体性，课程们有一个共同的**主题**。
|
|
|
|
|
|
通过确保课程内容与项目强相关，我们让学习过程对学生更具吸引力，概念的学习也被深化了。难度较低的课前测验可以吸引学生学习课程，而课后的第二次测验也进一步重复了课堂中的概念。该课程被设计地灵活有趣，可以一次性全部学习，或者分开来一部分一部分学习。这些项目由浅入深，从第一周的小项目开始，在第十二周结束时变得较为复杂。本课程还包括一个关于机器学习实际应用的后记，可用作额外学分或进一步讨论的基础。
|
|
|
|
|
|
> 在这里，你可以找到我们的[行为守则](../CODE_OF_CONDUCT.md)，[对项目作出贡献](../CONTRIBUTING.md)以及[翻译](../TRANSLATIONS.md)指南。我们欢迎各位提出有建设性的反馈！
|
|
|
|
|
|
## 每一节课都包含：
|
|
|
|
|
|
- 可选的笔记
|
|
|
- 可选的补充视频
|
|
|
- 课前热身测验
|
|
|
- 文字课程
|
|
|
- 对于基于项目的课程，包含构建项目的分步指南
|
|
|
- knowledge checks
|
|
|
- 一个挑战
|
|
|
- 补充阅读
|
|
|
- 作业
|
|
|
- 课后测验
|
|
|
|
|
|
> **关于测验**：所有的测验都在[这个应用里](https://jolly-sea-0a877260f.azurestaticapps.net)，总共 50 个测验，每个测验三个问题。它们的链接在每节课中，而且这个测验应用可以在本地运行。请参考 `quiz-app` 文件夹中的指南。
|
|
|
|
|
|
|
|
|
| 课程编号 | 主体 | 课程组 | 学习目标 | 课程链接 | 作者 |
|
|
|
| :-----------: | :--------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :---------------------------------------------------: | :------------: |
|
|
|
| 01 | 机器学习简介 | [简介](../1-Introduction/README.md) | 了解机器学习背后的基本概念 | [课程](../1-Introduction/1-intro-to-ML/README.md) | Muhammad |
|
|
|
| 02 | 机器学习的历史 | [简介](../1-Introduction/README.md) | 了解该领域的历史 | [课程](../1-Introduction/2-history-of-ML/README.md) | Jen 和 Amy |
|
|
|
| 03 | 机器学习与公平 | [简介](../1-Introduction/README.md) | 在构建和应用机器学习模型时，我们应该考虑哪些有关公平的重要哲学问题？ | [课程](../1-Introduction/3-fairness/README.md) | Tomomi |
|
|
|
| 04 | 机器学习的技术工具 | [简介](../1-Introduction/README.md) | 机器学习研究者使用哪些技术来构建机器学习模型？ | [课程](../1-Introduction/4-techniques-of-ML/README.md) | Chris 和 Jen |
|
|
|
| 05 | 回归简介 | [回归](../2-Regression/README.md) | 开始使用 Python 和 Scikit-learn 构建回归模型 | [课程](../2-Regression/1-Tools/README.md) | Jen |
|
|
|
| 06 | 北美南瓜价格 🎃 | [回归](../2-Regression/README.md) | 可视化、进行数据清理，为机器学习做准备 | [课程](../2-Regression/2-Data/README.md) | Jen |
|
|
|
| 07 | 北美南瓜价格 🎃 | [回归](../2-Regression/README.md) | 建立线性和多项式回归模型 | [课程](../2-Regression/3-Linear/README.md) | Jen |
|
|
|
| 08 | 北美南瓜价格 🎃 | [回归](../2-Regression/README.md) | 构建逻辑回归模型 | [课程](../2-Regression/4-Logistic/README.md) | Jen |
|
|
|
| 09 | 一个网页应用 🔌 | [网页应用](../3-Web-App/README.md) | 构建一个 Web 应用程序以使用经过训练的模型 | [课程](../3-Web-App/1-Web-App/README.md) | Jen |
|
|
|
| 10 | 分类简介 | [分类](../4-Classification/README.md) | 清理、准备和可视化数据； 分类简介 | [课程](../4-Classification/1-Introduction/README.md) | Jen 和 Cassie |
|
|
|
| 11 | 美味的亚洲和印度美食 🍜 | [分类](../4-Classification/README.md) | 分类器简介 | [课程](../4-Classification/2-Classifiers-1/README.md) | Jen 和 Cassie |
|
|
|
| 12 | 美味的亚洲和印度美食 🍜 | [分类](../4-Classification/README.md) | 关于分类器的更多内容 | [课程](../4-Classification/3-Classifiers-2/README.md) | Jen 和 Cassie |
|
|
|
| 13 | 美味的亚洲和印度美食 🍜 | [分类](../4-Classification/README.md) | 使用您的模型构建一个可以「推荐」的 Web 应用 | [课程](../4-Classification/4-Applied/README.md) | Jen |
|
|
|
| 14 | 聚类简介 | [聚类](../5-Clustering/README.md) | 清理、准备和可视化数据； 聚类简介 | [课程](../5-Clustering/1-Visualize/README.md) | Jen |
|
|
|
| 15 | 探索尼日利亚人的音乐品味 🎧 | [聚类](../5-Clustering/README.md) | 探索 K-Means 聚类方法 | [课程](../5-Clustering/2-K-Means/README.md) | Jen |
|
|
|
| 16 | 自然语言处理 (NLP) 简介 ☕️ | [自然语言处理](../6-NLP/README.md) | 通过构建一个简单的 bot (机器人) 来了解 NLP 的基础知识 | [课程](../6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
|
|
|
| 17 | 常见的 NLP 任务 ☕️ | [自然语言处理](../6-NLP/README.md) | 通过理解处理语言结构时所需的常见任务来加深对于自然语言处理 (NLP) 的理解 | [课程](../6-NLP/2-Tasks/README.md) | Stephen |
|
|
|
| 18 | 翻译和情感分析 ♥️ | [自然语言处理](../6-NLP/README.md) | 对简·奥斯汀的文本进行翻译和情感分析 | [课程](../6-NLP/3-Translation-Sentiment/README.md) | Stephen |
|
|
|
| 19 | 欧洲的浪漫酒店 ♥️ | [自然语言处理](../6-NLP/README.md) | 对于酒店评价进行情感分析（上） | [课程](../6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
|
|
|
| 20 | 欧洲的浪漫酒店 ♥️ | [自然语言处理](../6-NLP/README.md) | 对于酒店评价进行情感分析（下） | [课程](../6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
|
|
|
| 21 | 时间序列预测简介 | [时间序列](../7-TimeSeries/README.md) | 时间序列预测简介 forecasting | [课程](../7-TimeSeries/1-Introduction/README.md) | Francesca |
|
|
|
| 22 | ⚡️ 世界用电量 ⚡️ - 使用 ARIMA 进行时间序列预测 | [时间序列](../7-TimeSeries/README.md) | 使用 ARIMA 进行时间序列预测 | [课程](../7-TimeSeries/2-ARIMA/README.md) | Francesca |
|
|
|
| 23 | 强化学习简介 | [强化学习](../8-Reinforcement/README.md) | Q-Learning 强化学习简介 | [课程](../8-Reinforcement/1-QLearning/README.md) | Dmitry |
|
|
|
| 24 | 帮助 Peter 避开狼！🐺 | [强化学习](../8-Reinforcement/README.md) | 强化学习练习 | [课程](../8-Reinforcement/2-Gym/README.md) | Dmitry |
|
|
|
| 后记 | 现实世界中的机器学习场景和应用 | [自然场景下的机器学习](../9-Real-World/README.md) | 探索有趣的经典机器学习方法，了解现实世界中机器学习的应用 | [课程](../9-Real-World/1-Applications/README.md) | 团队 |
|
|
|
## 离线访问
|
|
|
|
|
|
您可以使用 [Docsify](https://docsify.js.org/#/) 离线运行此文档。 Fork 这个仓库，并在你的本地机器上[安装 Docsify](https://docsify.js.org/#/quickstart)，并在这个仓库的根文件夹中运行 `docsify serve`。你可以通过 localhost 的 3000 端口访问此文档：`localhost:3000`。
|
|
|
## PDF 文档们
|
|
|
|
|
|
点击[这里](../pdf/readme.pdf)查找课程的 PDF 文档们。
|
|
|
|
|
|
## 需要你的帮助！
|
|
|
|
|
|
想贡献一份翻译吗？请阅读我们的[翻译指南](../TRANSLATIONS.md)并在[此处](https://github.com/microsoft/ML-For-Beginners/issues/71)添加你的意见。
|
|
|
|
|
|
## 其他课程
|
|
|
|
|
|
我们的团队还制作了其他课程！可以看一下：
|
|
|
|
|
|
- [针对初学者的 Web 开发课程](https://aka.ms/webdev-beginners)
|
|
|
- [针对初学者的物联网课程](https://aka.ms/iot-beginners)
|
|
|
|
