25 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 | 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 | 義大利語 | 日語 | 韓語 | 立陶宛語 | 馬來語 | 馬拉地語 | 尼泊爾語 | 挪威語 | 波斯語 | 波蘭語 | 葡萄牙語（巴西） | 葡萄牙語（葡萄牙） | 旁遮普語（古魯穆奇文） | 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
我們正在進行一個與 AI 一起學習的 Discord 系列活動，了解更多並於 2025 年 9 月 18 日至 30 日加入我們的 Learn with AI Series。您將學到使用 GitHub Copilot 進行數據科學的技巧和竅門。
初學者的機器學習 - 課程
🌍 跟隨我們的腳步，通過世界文化探索機器學習 🌍
Microsoft 的雲端倡導者很高興提供一個為期 12 週、共 26 節課的課程，內容涵蓋 機器學習。在這個課程中，您將學習有時被稱為 經典機器學習 的內容，主要使用 Scikit-learn 作為工具庫，並避免涉及深度學習（深度學習內容已包含在我們的 AI for Beginners' curriculum 中）。您也可以將這些課程與我們的 'Data Science for Beginners' curriculum 結合學習！
跟隨我們的腳步，探索世界各地的數據，應用這些經典技術。每節課都包括課前和課後測驗、完成課程的書面指導、解決方案、作業等。我們基於項目的教學法讓您在實踐中學習，這是一種被證明能讓新技能更牢固掌握的方法。
✍️ 特別感謝我們的作者 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd
🎨 也感謝我們的插畫家 Tomomi Imura、Dasani Madipalli 和 Jen Looper
🙏 特別感謝 🙏 我們的 Microsoft 學生大使作者、審稿人和內容貢獻者，特別是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal
🤩 額外感謝 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 為我們的 R 課程所做的貢獻！
開始學習
請按照以下步驟操作：
- Fork 此儲存庫：點擊此頁面右上角的 "Fork" 按鈕。
- Clone 此儲存庫：
git clone https://github.com/microsoft/ML-For-Beginners.git
🔧 需要幫助嗎？ 請查看我們的 故障排除指南，以解決安裝、設置和運行課程時的常見問題。
學生，要使用此課程，請將整個儲存庫 fork 到您自己的 GitHub 帳戶，並自行或與小組一起完成練習：
- 從課前測驗開始。
- 閱讀課程並完成活動，在每個知識檢查點暫停並反思。
- 嘗試通過理解課程內容來創建項目，而不是直接運行解決方案代碼；不過，解決方案代碼可在每個基於項目的課程的
/solution資料夾中找到。 - 完成課後測驗。
- 完成挑戰。
- 完成作業。
- 完成一組課程後，訪問 討論板，通過填寫適當的 PAT 評估表來 "大聲學習"。PAT 是一種進度評估工具，您可以通過填寫該工具來進一步學習。您還可以對其他 PAT 進行回應，這樣我們可以一起學習。
如需進一步學習，我們建議您參考這些 Microsoft Learn 模組和學習路徑。
教師們，我們已經 提供了一些建議 關於如何使用此課程。
視頻教學
部分課程提供短視頻形式的教學。您可以在課程中找到這些視頻，或者點擊下方圖片訪問 Microsoft Developer YouTube 頻道上的 ML for Beginners 播放列表。
認識團隊
Gif 作者 Mohit Jaisal
🎥 點擊上方圖片觀看關於此項目及創建者的視頻！
教學法
在設計此課程時，我們選擇了兩個教學原則：確保它是實踐性的 基於項目，並且包含 頻繁的測驗。此外，這個課程還有一個共同的 主題，以增強其連貫性。
通過確保內容與項目對應，學習過程對學生來說更加有趣，概念的記憶也會得到加強。此外，課前的低壓力測驗可以幫助學生集中注意力學習主題，而課後的第二次測驗則能進一步鞏固記憶。這個課程設計靈活有趣，可以整體學習，也可以部分學習。課程從簡單的項目開始，並在 12 週的學習周期結束時逐漸變得更加複雜。該課程還包括關於機器學習實際應用的附錄，可以作為額外的學分或討論的基礎。
每節課包括
關於語言的說明：這些課程主要以 Python 編寫，但許多課程也提供 R 語言版本。要完成 R 課程，請前往
/solution資料夾，尋找 R 課程。它們包含 .rmd 擴展名，表示 R Markdown 文件，可以簡單地定義為在Markdown 文檔中嵌入R 或其他語言的代碼塊和YAML 標頭（指導如何格式化輸出，例如 PDF）。因此，它作為數據科學的示範性創作框架，因為它允許您將代碼、其輸出和您的想法結合起來，並以 Markdown 的形式記錄下來。此外，R Markdown 文檔可以渲染為 PDF、HTML 或 Word 等輸出格式。
關於測驗的說明：所有測驗都包含在 Quiz App 資料夾 中，共有 52 個測驗，每個測驗包含三個問題。它們在課程中有鏈接，但測驗應用程式也可以在本地運行；請按照
quiz-app資料夾中的指導，在本地或部署到 Azure 上運行。
| 課程編號 | 主題 | 課程分組 | 學習目標 | 相關課程 | 作者 |
|---|---|---|---|---|---|
| 01 | 機器學習簡介 | Introduction | 學習機器學習的基本概念 | Lesson | Muhammad |
| 02 | 機器學習的歷史 | Introduction | 探索這個領域的歷史背景 | Lesson | Jen 和 Amy |
| 03 | 公平性與機器學習 | Introduction | 學生在構建和應用機器學習模型時應考慮哪些重要的哲學問題？ | Lesson | Tomomi |
| 04 | 機器學習的技術 | Introduction | 機器學習研究人員使用哪些技術來構建模型？ | Lesson | Chris 和 Jen |
| 05 | 回歸分析簡介 | Regression | 使用 Python 和 Scikit-learn 開始學習回歸模型 | Python • R | Jen • Eric Wanjau |
| 06 | 北美南瓜價格 🎃 | Regression | 視覺化並清理數據以準備進行機器學習 | Python • R | Jen • Eric Wanjau |
| 07 | 北美南瓜價格 🎃 | Regression | 構建線性和多項式回歸模型 | Python • R | Jen 和 Dmitry • Eric Wanjau |
| 08 | 北美南瓜價格 🎃 | Regression | 構建邏輯回歸模型 | Python • R | Jen • Eric Wanjau |
| 09 | 網頁應用 🔌 | Web App | 構建一個使用訓練模型的網頁應用 | Python | Jen |
| 10 | 分類簡介 | Classification | 清理、準備並視覺化數據；分類簡介 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 11 | 美味的亞洲和印度料理 🍜 | Classification | 分類器簡介 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 12 | 美味的亞洲和印度料理 🍜 | Classification | 更多分類器 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 13 | 美味的亞洲和印度料理 🍜 | Classification | 使用模型構建推薦系統網頁應用 | Python | Jen |
| 14 | 聚類分析簡介 | Clustering | 清理、準備並視覺化數據；聚類分析簡介 | Python • R | Jen • Eric Wanjau |
| 15 | 探索尼日利亞音樂喜好 🎧 | 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 | 通過構建簡單的機器人學習 NLP 的基礎知識 | Python | Stephen |
| 17 | 常見 NLP 任務 ☕️ | Natural language processing | 通過理解處理語言結構時所需的常見任務加深 NLP 知識 | Python | Stephen |
| 18 | 翻譯與情感分析 ♥️ | Natural language processing | 使用 Jane Austen 的作品進行翻譯與情感分析 | Python | Stephen |
| 19 | 歐洲浪漫酒店 ♥️ | Natural language processing | 酒店評論的情感分析 1 | Python | Stephen |
| 20 | 歐洲浪漫酒店 ♥️ | Natural language processing | 酒店評論的情感分析 2 | Python | Stephen |
| 21 | 時間序列預測簡介 | Time series | 時間序列預測簡介 | Python | Francesca |
| 22 | ⚡️ 世界電力使用 ⚡️ - 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 | ⚡️ 世界電力使用 ⚡️ - 使用 SVR 進行時間序列預測 | 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 進行強化學習簡介 | Python | Dmitry |
| 25 | 幫助 Peter 避開狼 🐺 | Reinforcement learning | 強化學習 Gym | Python | Dmitry |
| 後記 | 真實世界中的機器學習場景與應用 | ML in the Wild | 機器學習的有趣且啟發性的真實世界應用 | 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 |
離線訪問
您可以使用 Docsify 離線運行此文檔。Fork 此 repo，並在本地機器上 安裝 Docsify，然後在此 repo 的根文件夾中輸入 docsify serve。網站將在本地端口 3000 上提供服務：localhost:3000。
在此處找到包含鏈接的課程 PDF here。
🎒 其他課程
我們的團隊還製作了其他課程！查看以下內容：
- Edge AI for Beginners
- AI Agents for Beginners
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
獲取幫助
如果您遇到困難或對構建 AI 應用有任何疑問，請加入：
如果您有產品反饋或在構建過程中遇到錯誤，請訪問：
免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。