wehub/microsoft--ml-for-beginners

Fork 0

Files

T

wehub-resource-sync 2cf2d009e4 docs: make Chinese README the default

2026-07-13 09:52:46 +00:00

30 KiB

Raw Permalink Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

🌐 多语言支持

通过 GitHub Action 支持（自动化且始终保持最新）

希望在本地克隆？

本仓库包含 50+ 种语言翻译，会显著增加下载体积。若要在克隆时排除翻译文件，请使用 sparse checkout（稀疏检出）：

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"
这样你就能获得完成课程所需的全部内容，同时下载速度会快得多。

加入我们的社区

我们正在 Discord 上举办 Learn with AI 系列学习活动，了解更多并加入我们：Learn with AI Series（2025 年 9 月 18 日至 30 日）。你将获得在数据科学中使用 GitHub Copilot 的技巧与窍门。

机器学习入门 — 一门课程

🌍 伴随世界各地文化，一起环游地球，探索机器学习 🌍

Microsoft 云倡导者（Cloud Advocates）团队很高兴提供这门为期 12 周、共 26 课时的机器学习课程。在本课程中，你将学习有时被称为**经典机器学习（classic machine learning）**的内容，主要使用 Scikit-learn 作为库，并刻意避开深度学习；深度学习内容请参阅我们的 AI for Beginners' curriculum.。你也可以将这些课时与我们的 'Data Science for Beginners' curriculum, 搭配学习！

与我们一同环游世界，将这些经典技术应用于来自全球各地的数据。每节课都包含课前与课后测验、完成课时所需的书面说明、参考答案、作业等内容。我们以项目为基础的教学法让你边做边学，这是帮助新技能真正“扎根”的经证实有效的方式。

✍️ 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 and Amy Boyd

🎨 同时也感谢我们的插画师 Tomomi Imura, Dasani Madipalli, and Jen Looper

🙏 特别感谢 🙏 我们的 Microsoft Student Ambassador 作者、审稿人与内容贡献者， notably Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal

🤩 额外感谢 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta 为我们提供的 R 语言课程！

入门指南

请按以下步骤操作：

Fork 本仓库：点击本页面右上角的 "Fork" 按钮。
克隆仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

在 Microsoft Learn 合集中查找本课程的全部附加资源

🔧 需要帮助？ 请查看我们的故障排除指南，获取有关安装、配置和运行课时的常见问题解决方案。

学生,若要使用本课程，请将整个仓库 fork 到你自己的 GitHub 账户，并自行或与小组一起完成练习：

从课前测验开始。
阅读讲义并完成活动，在每个知识点检查时暂停并反思。
尽量通过理解课程内容来完成项目，而不是直接运行参考答案代码；不过，在每节以项目为导向的课时中，参考答案代码可在 /solution 文件夹中找到。
完成课后测验。
完成挑战任务。
完成作业。
完成一组课时后，请访问讨论区，通过填写相应的 PAT 评分量表来“大声学习”。'PAT' 是 Progress Assessment Tool（学习进度评估工具）的缩写，是你用来促进学习的评分量表。你也可以对其他人的 PAT 做出回应，这样我们就能一起学习。

如需进一步学习，我们建议跟随这些 Microsoft Learn 模块和学习路径。

教师朋友们，我们提供了一些使用建议，介绍如何使用本课程。

视频导览

部分课程提供短视频形式。你可以在课程内联找到这些内容，也可以点击下方图片，在 Microsoft Developer YouTube 频道上的 ML for Beginners 播放列表中查看。

认识团队

Gif 作者： Mohit Jaisal

🎥 点击上方图片，观看关于本项目及其创建者的视频！

教学法

在构建本课程时，我们遵循两大教学原则：确保课程是动手实践的项目驱动，并包含频繁的测验。此外，本课程还有一个统一的主题，以增强整体连贯性。

通过确保内容与项目相结合，学习过程对学生更具吸引力，概念记忆也会得到加强。此外，课前进行低风险的测验能让学生明确学习某一主题的意图，而课后的第二次测验则有助于进一步巩固记忆。本课程设计灵活有趣，可以完整学习，也可以部分学习。项目从小规模开始，在 12 周周期结束时逐渐变得更为复杂。本课程还包含一篇关于机器学习（ML）现实世界应用的附录，可作为额外学分或讨论基础。

请查阅我们的行为准则、贡献指南、翻译和故障排除说明。我们欢迎你的建设性反馈！

每节课包含

可选的手绘笔记（sketchnote）
可选的补充视频
视频导览（仅部分课程）
课前热身测验
书面课程
对于项目驱动课程，提供分步指南，介绍如何构建项目
知识检测
挑战
补充阅读
作业
课后测验

关于语言的说明：这些课程主要使用 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请前往 /solution 文件夹并查找 R 课程。它们包含 .rmd 扩展名，表示 R Markdown 文件，可简单定义为在 Markdown document 中嵌入 code chunks（R 或其他语言）和 YAML header（用于指导如何格式化 PDF 等输出）。因此，它是数据科学的优秀创作框架，因为它允许你通过 Markdown 将代码、输出和思考结合起来。此外，R Markdown 文档可渲染为 PDF、HTML 或 Word 等输出格式。

关于测验的说明：所有测验都包含在 Quiz App 文件夹中，共 52 套测验，每套 3 道题。它们从课程内链接，但测验应用可在本地运行；请按照 quiz-app 文件夹中的说明在本地托管或部署到 Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	机器学习简介	Introduction	学习机器学习背后的基本概念	Lesson	Muhammad
02	机器学习的历史	Introduction	了解该领域的历史渊源	Lesson	Jen and Amy
03	公平性与机器学习	Introduction	在构建和应用 ML 模型时，学生应考虑哪些关于公平性的重要哲学问题？	Lesson	Tomomi
04	机器学习技术	Introduction	ML 研究人员使用哪些技术来构建 ML 模型？	Lesson	Chris and Jen
05	回归简介	Regression	使用 Python 和 Scikit-learn 开始构建回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	Regression	为机器学习准备数据：可视化与清洗	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	Regression	构建线性和多项式回归模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜价格 🎃	Regression	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	Web 应用 🔌	Web App	构建 Web 应用以使用你训练好的模型	Python	Jen
10	分类简介	Classification	清洗、准备和可视化数据；分类入门	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亚洲和印度美食 🍜	Classification	分类器入门	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亚洲和印度美食 🍜	Classification	更多分类器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亚洲和印度美食 🍜	Classification	使用你的模型构建推荐 Web 应用	Python	Jen
14	聚类简介	Clustering	清洗、准备和可视化数据；聚类入门	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐品味 🎧	Clustering	探索 K-Means 聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理（NLP）简介 ☕️	Natural language processing	通过构建简单机器人学习 NLP 基础知识	Python	Stephen
17	常见 NLP 任务 ☕️	Natural language processing	通过理解处理语言结构时所需的常见任务，加深 NLP 知识	Python	Stephen
18	翻译与情感分析 ♥️	Natural language processing	使用简·奥斯汀作品进行翻译和情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	Natural language processing	基于酒店评论的情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	Natural language processing	基于酒店评论的情感分析 2	Python	Stephen
21	时间序列预测简介	Time series	时间序列预测入门	Python	Francesca
22	⚡️ 世界电力使用 ⚡️ - 使用 ARIMA 进行时间序列预测	Time series	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	Time series	使用支持向量回归器（Support Vector Regressor）进行时间序列预测	Python	Anirban
24	强化学习简介	Reinforcement learning	使用 Q-Learning 入门强化学习	Python	Dmitry
25	帮助 Peter 躲避狼！ 🐺	Reinforcement learning	强化学习 Gym	Python	Dmitry
Postscript	现实世界 ML 场景与应用	ML in the Wild	经典机器学习的有趣且富有启发性的现实世界应用	Lesson	Team
Postscript	使用 RAI 仪表板进行 ML 模型调试	ML in the Wild	使用负责任 AI（Responsible AI）仪表板组件进行机器学习模型调试	Lesson	Ruth Yakubu