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 (Myanmar) | 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 (法尔西语) | 波兰语 | 葡萄牙语 (巴西) | 葡萄牙语 (葡萄牙) | 旁遮普语 (Gurmukhi) | 罗马尼亚语 | 俄语 | 塞尔维亚语 (西里尔字母) | 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 (菲律宾语) | 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

更喜欢本地克隆？

本仓库包括50多种语言的翻译，显著增加了下载大小。要克隆无翻译版本，请使用稀疏检出：

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'

这将提供您完成课程所需的一切，下载速度更快。

加入我们的社区

我们正在进行 Discord上的 AI 学习系列，了解更多并加入我们：Learn with AI Series，活动时间为 2025 年 9 月 18 日至 30 日。您将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。

机器学习入门课程

🌍 以世界文化为纽带，一起探索机器学习之旅 🌍

微软云推广员高兴地提供一个为期12周、共26课时的机器学习课程。在本课程中，您将学习所谓的经典机器学习，主要使用 Scikit-learn 库，避免深度学习，后者涵盖于我们的 AI 初学者课程。建议搭配我们的 '数据科学入门课程' 一起学习！

随着我们的环游世界，应用这些经典技术于来自世界各地的数据。每课包含课前及课后测验、书面完成指导、解决方案、练习任务等。我们的项目导向教学法让您在构建中学习，是提升新技能有效的方法。

✍️ 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

🎨 感谢我们的插画师 Tomomi Imura, Dasani Madipalli 和 Jen Looper

🙏 特别感谢微软学生大使作者、审阅者及内容贡献者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 额外感谢微软学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 为我们的 R 语言课程贡献！

快速开始

请按步骤操作：

1. Fork 仓库：点击页面右上角的 “Fork” 按钮。
2. 克隆仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 集合中查找本课程所有额外资源

🔧 需要帮助？ 请查看我们的 故障排除指南，获取安装、设置和运行课程的常见问题解决方案。

学生，使用本课程时，将整个仓库 Fork 到您自己的 GitHub 账户，并单独或组队完成练习：

• 先做课前测验。
• 阅读课程并完成活动，在每个知识点暂停思考。
• 尽量通过理解课程内容自行完成项目，而不是直接运行解决方案代码；不过每个项目课程的 /solution 文件夹中有对应代码。
• 做课后测验。
• 完成挑战。
• 完成作业。
• 每组课程完成后，请访问 讨论区，通过填写对应的 PAT 评价表“边学边分享”。PAT 是“进度评估工具”，填写后有助于深化学习。您也可以对其他人的 PAT 进行反馈，共同进步。

如需进一步学习，推荐以下 Microsoft Learn 模块和学习路径。

教师，我们提供了 使用建议，欢迎参考。

---

视频示范

部分课程提供短视频示范。您可以在课程内找到这些视频，或访问 微软开发者频道的 ML for Beginners 播放列表，点击下图观看。

---

团队介绍

动图作者： Mohit Jaisal

🎥 点击上图，观看介绍项目和团队成员的视频！

---

教学理念

本课程基于两个教学原则：确保动手的项目导向，并配备频繁测验。此外，课程有统一的主题以增强连贯性。

内容与项目紧密结合，使学习过程更具吸引力，帮助提升概念记忆。课前低风险测验帮助学生预设学习目标，课后测验巩固知识。课程设计灵活且有趣，可全程或部分学习。项目从简到难，逐渐复杂，持续12周。课程还包括机器学习的实际应用附录，可作为额外加分或讨论基础。

请查阅我们的行为守则、贡献指南、翻译指南和故障排除指南。欢迎您的建设性反馈！

每节课包含

• 可选手绘笔记
• 可选补充视频
• 视频示范（部分课程）
• 课前热身测验
• 书面课程内容
• 项目课程中的分步项目构建指导
• 知识点检测
• 挑战题
• 补充阅读资料
• 作业
• 课后测验

关于语言注释：课程主要用 Python 编写，同时许多课程也提供 R 语言版本。完成 R 课程，请前往 /solution 文件夹查找带有 .rmd 扩展名的文件，代表R Markdown文件。这是一种嵌入 代码块（R或其他语言）和 YAML 头部（指示输出格式如 PDF）的 Markdown 文档。因此，R Markdown 是数据科学理想的创作框架，可将代码、输出及注释结合起来，方便在 Markdown 中撰写。R Markdown 文档可导出为 PDF、HTML 或 Word 等格式。 关于测验的说明：所有测验包含在测验应用文件夹中，共有52个测验，每个测验包含三个问题。它们在课程中有链接，但测验应用可以本地运行；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	介绍	学习机器学习背后的基本概念	课程	Muhammad
02	机器学习的历史	介绍	了解该领域的历史	课程	Jen 和 Amy
03	公平性与机器学习	介绍	学生构建和应用机器学习模型时应考虑的重要公平性哲学问题是什么？	课程	Tomomi
04	机器学习技术	介绍	机器学习研究人员用来构建机器学习模型的技术有哪些？	课程	Chris 和 Jen
05	回归简介	回归	开始使用Python和Scikit-learn进行回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	回归	可视化和清理数据，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 和 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	一个网络应用 🔌	网络应用	构建一个用于使用已训练模型的网络应用	Python	Jen
10	分类简介	分类	清理、预处理和可视化数据；分类简介	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亚洲和印度菜肴 🍜	分类	分类器简介	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亚洲和印度菜肴 🍜	分类	更多分类器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亚洲和印度菜肴 🍜	分类	使用你的模型构建推荐网络应用	Python	Jen
14	聚类简介	聚类	清理、预处理和可视化数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐品味 🎧	聚类	探索K均值聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	自然语言处理	通过构建简单机器人学习自然语言处理基础	Python	Stephen
17	常见的NLP任务 ☕️	自然语言处理	通过了解处理语言结构时常见任务深化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	⚡️ 世界电力使用 ⚡️ - 使用ARIMA进行时间序列预测	时间序列	使用ARIMA进行时间序列预测	Python	Francesca
23	⚡️ 世界电力使用 ⚡️ - 使用SVR进行时间序列预测	时间序列	使用支持向量回归进行时间序列预测	Python	Anirban
24	强化学习简介	强化学习	使用Q学习进行强化学习简介	Python	Dmitry
25	帮助Peter避免狼袭击！🐺	强化学习	强化学习Gym	Python	Dmitry
后记	真实世界中的机器学习场景和应用	现实中的机器学习	机器学习经典应用的有趣且启发性的真实案例	课程	团队
后记	使用RAI仪表板进行机器学习模型调试	现实中的机器学习	使用负责AI仪表板组件进行机器学习模型调试	课程	Ruth Yakubu

在我们的Microsoft Learn 课程集合中查找本课程的所有额外资源

离线访问

您可以使用Docsify离线运行此文档。Fork此仓库，在本地计算机上安装Docsify，然后在本仓库的根文件夹中输入 docsify serve。网站将在本地主机的3000端口提供服务：localhost:3000。

PDF文件

在这里查看带链接的课程大纲PDF。

🎒 其他课程

我们的团队还制作了其他课程！敬请查看：

LangChain

---

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心学习

---

Copilot 系列

获取帮助

如果您在构建 AI 应用程序时遇到困难或有任何疑问，请加入学习者和经验丰富的开发者的讨论社区 MCP。这里是一个支持性的社区，欢迎提出问题，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：
本文档使用 AI 翻译服务 Co-op Translator 进行翻译。虽然我们力求准确，但请注意自动翻译可能包含错误或不准确之处。原始文档的母语版本应被视为权威来源。对于重要信息，建议使用专业人工翻译。对于因使用此翻译所引起的任何误解或误释，我们概不负责。