ML-For-Beginners/translations/hk

🌐 多語言支援

透過 GitHub Action 支援（自動化並永遠更新）

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

想本地克隆？

此倉庫包含超過 50 種語言翻譯，會顯著增加下載大小。若想不帶翻譯文件克隆，請使用稀疏結帳：

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'

這樣你就能以更快的下載速度獲得完成課程所需的所有內容。

加入我們的社群

我們正在舉辦 Discord 的 AI 學習系列，了解詳情並於 2025 年 9 月 18 日至 30 日加入我們，詳情請見 Learn with AI Series。你將獲得使用 GitHub Copilot 於資料科學的技巧與秘訣。

機器學習入門 - 課程大綱

🌍 透過世界各地文化來環遊世界，認識機器學習 🌍

微軟的 Cloud Advocates 很高興提供一個為期 12 週、共 26 節課的 機器學習 課程大綱。在這個課程中，你會學習到有時稱作 經典機器學習 的內容，主要使用 Scikit-learn 這個函式庫，並避開深度學習（深度學習則包含在我們的 AI for Beginners 課程 中）。你也可以搭配我們的 'Data Science for Beginners' 課程 一起學習！

與我們一同遊歷世界，將這些經典技術應用於世界各地的資料。每節課包含課前與課後測驗、書面教學、解答、習題等內容。我們採用以專案為導向的教學法，透過實作學習，確保新技能牢牢掌握。

✍️ 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 及 Amy Boyd

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

🙏 特別感謝 🙏 微軟學生大使作者、審閱者及內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 及 Snigdha Agarwal

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

開始

請按照以下步驟操作：

1. Fork 倉庫：點擊本頁右上角的「Fork」按鈕。
2. 克隆倉庫：git clone https://github.com/microsoft/ML-For-Beginners.git

你可以在我們的 Microsoft Learn 集合中找到本課程的所有附加資源

🔧 需要協助嗎？ 請參考我們的 疑難排解指南，其中涵蓋安裝、配置及執行課程常見問題的解決方案。

學生，使用此課程請將整個倉庫 fork 至你自己的 GitHub 帳戶，並自行完成練習或組成小組：

• 從課前小測開始。
• 閱讀課程並完成活動，於每個知識點靜下心反思。
• 嘗試理解課程內容並自行建立專案，而非直接執行解答程式碼；不過，每個專案導向課程的 /solution 資料夾中仍有對應的解答程式碼。
• 完成課後小測。
• 完成挑戰。
• 完成作業。
• 完成一組課程後，請造訪 討論區 並以「大聲學習」的方式填寫相應的 PAT 打分表。PAT（進度評估工具）是你填寫以自行學習進程的評分標準。你也可以對其他人的 PAT 作出回應，和大家一起進步。

若想進一步學習，我們推薦以下 Microsoft Learn 模組與學習路徑。

教師，我們也在 for-teachers.md 提供了如何使用本課程的一些建議。

---

視頻示範

部分課程有短片教學，可在課程內嵌連結找到，或在 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單 觀看，點擊下方圖片即可。

---

團隊介紹

GIF 動畫由 Mohit Jaisal 製作

🎥 點擊上方圖片，觀看本專案及創作者的影片介紹！

---

教學方法

我們建立本課程時秉持兩大教學原則：確保它是以專案導向為基礎，並包含頻繁的測驗。此外，本課程圍繞著一個共同的主題，以凝聚整體內容。

確保內容與專案對齊，使學生更投入學習並增強觀念的記憶。此外，上課前的低壓力測驗有助訂立學習目標，課後的第二次測驗則加強記憶。課程設計靈活且有趣，可全程參加或選擇部分學習。專案從小而簡單開始，12 週期末逐漸提升難度。本課程並包含關於機器學習實際應用的後記，可以作為額外學習學分或討論基礎。

請參考我們的 行為守則、貢獻指南、翻譯指南、與 疑難排解，我們歡迎你的建設性回饋！

每節課包括

• 選配速寫筆記
• 選配輔助視頻
• 視頻示範（部分課程）
• 課前暖身測驗
• 書面課程內容
• 專案課程包含逐步指引建置專案
• 知識檢測
• 挑戰題
• 補充閱讀
• 作業
• 課後測驗

關於語言的備註：本課程主要使用 Python 撰寫，但也有許多課程提供 R 版本。若要完成 R 課程，請到 /solution 資料夾尋找 R 課程，文件帶有 .rmd 副檔名，代表 R Markdown 文件。R Markdown 是一種結合 程式碼區塊（可包含 R 或其他語言）與 YAML 標頭（用於格式化輸出，如 PDF）於 Markdown 文件中的檔案格式。此架構非常適合數據科學創作，因可同時包含程式碼、輸出結果及書寫的想法。R Markdown 也可以輸出為 PDF、HTML 或 Word 等格式。 有關小測的說明：所有小測均收錄於 Quiz App folder，共52個小測，每個含三題。它們會從課程中連結，但小測應用程式可本地執行；請依 quiz-app 資料夾中的指示在本地端架設或部署至 Azure。

Lesson Number	主題	課程分類	學習目標	相關課程	作者
01	機器學習簡介	Introduction	了解機器學習的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	了解此領域的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	學生應考量建立與應用機器學習模型時，公平性的哲學議題	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究者使用哪種技術來建立模型？	Lesson	Chris and Jen
05	回歸簡介	Regression	開始使用 Python 和 Scikit-learn 建立回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化與清理資料以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性與多項式回歸模型	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	Web App 🔌	Web App	建立一個網頁應用程式以使用你訓練的模型	Python	Jen
10	分類簡介	Classification	清理、準備及視覺化資料；分類入門	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲和印度料理 🍜	Classification	介紹分類器	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲和印度料理 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲和印度料理 🍜	Classification	使用你的模型建立推薦網頁應用程式	Python	Jen
14	叢集簡介	Clustering	清理、準備及視覺化資料；叢集入門	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂品味 🎧	Clustering	探索 K-均值叢集法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	透過建立簡單機器人學習 NLP 基礎	Python	Stephen
17	常見的 NLP 工作 ☕️	Natural language processing	透過理解處理語言結構時所需的常見任務來深化 NLP 知識	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用 Jane Austen 文本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	時間序列預測簡介	Time series	時間序列預測入門	Python	Francesca
22	⚡️ 世界電力消耗 ⚡️ - 使用 ARIMA 進行時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界電力消耗 ⚡️ - 使用 SVR 進行時間序列預測	Time series	使用支持向量回歸 (SVR) 進行時間序列預測	Python	Anirban
24	強化學習簡介	Reinforcement learning	Q-Learning 強化學習入門	Python	Dmitry
25	幫彼得避開狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	現實世界中的機器學習情境與應用	ML in the Wild	古典機器學習有趣且啟發性的真實世界應用	Lesson	團隊
後記	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板元件來進行機器學習模型除錯	Lesson	Ruth Yakubu

在我們的 Microsoft Learn 集合中找到此課程的所有額外資源

離線存取

你可以使用 Docsify 離線瀏覽此說明文件。將本 repo 分叉，於本地機器安裝 Docsify，接著在本 repo 根目錄輸入 docsify serve。網站會在本地主機的 3000 埠上提供服務：localhost:3000。

PDF

可在此處找到課程 PDF 並含有連結 here。

🎒 其他課程

我們團隊還有其他課程！快來看看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心學習

---

Copilot 系列

獲得協助

如果你遇上困難或對構建 AI 應用程式有任何疑問，歡迎加入 MCP 中的學習者和經驗豐富的開發者討論。這是個支持性的社區，大家樂於提問，並自由分享知識。

如果你在構建中有產品反饋或遇到錯誤，請訪問：

---

免責聲明：
本文件乃使用 AI 翻譯服務 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。原始文件以其原文語言版本為準參考。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引起的任何誤解或誤釋承擔責任。