阿拉伯语 | 孟加拉语 | 保加利亚语 | 缅甸语 | 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 | 韩语 | 立陶宛语 | 马来语 | 马拉地语 | 尼泊尔语 | 挪威语 | 波斯语 | 波兰语 | 葡萄牙语（巴西） | 葡萄牙语（葡萄牙） | 旁遮普语 | 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 | 泰米尔语 | 泰语 | 土耳其语 | 乌克兰语 | 乌尔都语 | 越南语
我们正在进行一个关于 AI 的 Discord 学习系列，了解更多并加入我们吧：Learn with AI Series，时间为 2025 年 9 月 18 日至 30 日。您将学习使用 GitHub Copilot 进行数据科学的技巧和窍门。
🌍 跟随我们环游世界，通过世界文化探索机器学习 🌍
微软的云倡导者团队很高兴为大家提供一个为期 12 周、共 26 节课的课程，内容全部围绕 机器学习。在这个课程中，您将学习一些被称为 经典机器学习 的内容，主要使用 Scikit-learn 库，并避免涉及深度学习（深度学习内容在我们的 AI for Beginners' curriculum 中涵盖）。同时，您也可以将这些课程与我们的 'Data Science for Beginners' curriculum 搭配学习！
跟随我们环游世界，将这些经典技术应用于来自世界各地的数据。每节课都包括课前和课后测验、完成课程的书面指导、解决方案、作业等。我们的项目式教学法让您在实践中学习，这是一种被证明能够让新技能“扎根”的有效方式。
✍️ 特别感谢我们的作者 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd
🎨 同样感谢我们的插画师 Tomomi Imura、Dasani Madipalli 和 Jen Looper
🙏 特别感谢 🙏 我们的微软学生大使作者、审阅者和内容贡献者，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 为我们提供的 R 课程！
按照以下步骤操作：
- Fork 仓库：点击页面右上角的 "Fork" 按钮。
- 克隆仓库：
git clone https://github.com/microsoft/ML-For-Beginners.git
🔧 需要帮助？ 查看我们的 故障排除指南，解决安装、设置和运行课程时的常见问题。
学生，要使用此课程，请将整个仓库 fork 到您的 GitHub 账户，并独立或与小组一起完成练习：
- 从课前测验开始。
- 阅读课程内容并完成活动，在每个知识检查点暂停并反思。
- 尝试通过理解课程内容来创建项目，而不是直接运行解决方案代码；不过这些代码可以在每个项目课程的
/solution文件夹中找到。 - 完成课后测验。
- 完成挑战。
- 完成作业。
- 完成一个课程组后，访问 讨论板，通过填写适当的 PAT 评分表“公开学习”。PAT 是一个进度评估工具，您可以填写评分表以进一步学习。您还可以对其他 PAT 进行互动，以便我们共同学习。
为了进一步学习，我们建议您跟随这些 Microsoft Learn 模块和学习路径。
教师们，我们提供了一些 建议 来帮助您使用此课程。
部分课程提供了短视频形式的内容。您可以在课程中找到这些视频，或者点击下方图片访问 Microsoft Developer YouTube 频道上的 ML for Beginners 播放列表。
Gif 作者 Mohit Jaisal
🎥 点击上方图片观看关于项目及其创建者的视频！
我们在设计此课程时选择了两个教学原则：确保课程是 基于项目 的，并且包含 频繁测验。此外，这个课程还有一个共同的 主题，使其更具连贯性。
通过确保内容与项目相结合，学习过程变得更具吸引力，学生对概念的记忆也会得到增强。此外，课前的低风险测验可以让学生专注于学习主题，而课后的第二次测验则进一步巩固记忆。此课程设计灵活有趣，可以完整学习，也可以部分学习。项目从简单开始，到 12 周课程结束时逐渐变得复杂。课程还包括一个关于机器学习实际应用的后记，可以作为额外学分或讨论的基础。
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，请转到
/solution文件夹并查找 R 课程。这些课程包含.rmd扩展名，表示 R Markdown 文件，它可以简单定义为在Markdown 文档中嵌入代码块（R 或其他语言）和YAML 头（指导如何格式化输出，如 PDF）。因此，它是数据科学的一个优秀创作框架，因为它允许您将代码、输出和想法结合起来，用 Markdown 记录下来。此外，R Markdown 文档可以渲染为 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，共有 52 个测验，每个测验包含三个问题。测验链接嵌入在课程中，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 | 课程链接 | 作者 |
|---|---|---|---|---|---|
| 01 | 机器学习简介 | Introduction | 学习机器学习的基本概念 | Lesson | Muhammad |
| 02 | 机器学习的历史 | Introduction | 学习这一领域的历史背景 | Lesson | Jen 和 Amy |
| 03 | 公平性与机器学习 | Introduction | 学生在构建和应用机器学习模型时需要考虑哪些重要的哲学问题？ | Lesson | Tomomi |
| 04 | 机器学习的技术 | Introduction | 机器学习研究人员使用哪些技术来构建机器学习模型？ | Lesson | Chris 和 Jen |
| 05 | 回归简介 | Regression | 使用 Python 和 Scikit-learn 开始学习回归模型 | Python • R | Jen • Eric Wanjau |
| 06 | 北美南瓜价格 🎃 | Regression | 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 🎃 | Regression | 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 🎃 | Regression | 构建逻辑回归模型 | Python • R | Jen • Eric Wanjau |
| 09 | 一个网络应用 🔌 | Web App | 构建一个使用训练模型的网络应用 | Python | Jen |
| 10 | 分类简介 | Classification | 清理、准备和可视化数据；分类简介 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 11 | 美味的亚洲和印度菜肴 🍜 | Classification | 分类器简介 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 12 | 美味的亚洲和印度菜肴 🍜 | Classification | 更多分类器 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 13 | 美味的亚洲和印度菜肴 🍜 | Classification | 使用模型构建推荐网络应用 | Python | Jen |
| 14 | 聚类简介 | Clustering | 清理、准备和可视化数据；聚类简介 | Python • R | Jen • Eric Wanjau |
| 15 | 探索尼日利亚的音乐品味 🎧 | Clustering | 探索 K-Means 聚类方法 | Python • R | Jen • Eric Wanjau |
| 16 | 自然语言处理简介 ☕️ | Natural language processing | 通过构建一个简单的机器人学习 NLP 的基础知识 | Python | Stephen |
| 17 | 常见的 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 Jane Austen 的作品进行翻译与情感分析 | Python | Stephen |
| 19 | 欧洲浪漫酒店 |
Natural language processing | 使用酒店评论进行情感分析 1 | Python | Stephen |
| 20 | 欧洲浪漫酒店 |
Natural language processing | 使用酒店评论进行情感分析 2 | Python | Stephen |
| 21 | 时间序列预测简介 | Time series | 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 | 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 | 使用支持向量回归进行时间序列预测 | Python | Anirban |
| 24 | 强化学习简介 | Reinforcement learning | 使用 Q-Learning 学习强化学习简介 | Python | Dmitry |
| 25 | 帮助 Peter 避开狼 🐺 | Reinforcement learning | 强化学习 Gym | Python | Dmitry |
| 后记 | 真实世界中的机器学习场景和应用 | ML in the Wild | 经典机器学习的有趣且发人深省的真实世界应用 | Lesson | Team |
| 后记 | 使用 RAI 仪表板进行机器学习模型调试 | ML in the Wild | 使用负责任的 AI 仪表板组件进行机器学习模型调试 | Lesson | Ruth Yakubu |
您可以使用 Docsify 离线运行此文档。Fork 此仓库，在本地机器上 安装 Docsify，然后在此仓库的根文件夹中输入 docsify serve。网站将在本地的端口 3000 上运行：localhost:3000。
在 这里 找到带有链接的课程 PDF。
我们的团队还制作了其他课程！查看以下内容：
- 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
如果您遇到困难或对构建 AI 应用有任何问题，请加入：
如果您有产品反馈或在构建过程中遇到错误，请访问：
免责声明：
本文档使用AI翻译服务 Co-op Translator 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用此翻译而产生的任何误解或误读不承担责任。