ML For Beginners
1.0.0
？环游世界，通过世界文化探索机器学习？
Microsoft 的云倡导者很高兴提供为期 12 周、26 课时的关于机器学习的课程。在本课程中，您将了解有时被称为经典机器学习的内容，主要使用 Scikit-learn 作为库并避免深度学习，这在我们的 AI 初学者课程中有所介绍。将这些课程与我们的“初学者数据科学”课程配对！
与我们一起环游世界，我们将这些经典技术应用于来自世界许多地区的数据。每节课都包括课前和课后测验、完成课程的书面说明、解决方案、作业等。我们基于项目的教学法允许您在构建的同时学习，这是一种“坚持”新技能的行之有效的方法。
✍️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
？还要感谢我们的插画师Tomomi Imura、Dasani Madipalli 和 Jen Looper
特别感谢我们的 Microsoft 学生大使作者、审阅者和内容贡献者，特别是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal
？特别感谢 Microsoft 学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 为我们提供的 R 课程！
请按照下列步骤操作：
git clone https://github.com/microsoft/ML-For-Beginners.git在我们的 Microsoft Learn 集合中查找本课程的所有其他资源
学生们，要使用本课程，请将整个存储库分叉到您自己的 GitHub 帐户，并自行或与小组一起完成练习：
/solution文件夹中找到。为了进一步学习，我们建议遵循这些 Microsoft Learn 模块和学习路径。
老师们，我们已经提供了一些关于如何使用本课程的建议。
有些课程以短片形式提供。您可以在课程中在线找到所有这些内容，也可以通过单击下图在 Microsoft Developer YouTube 频道的 ML for Beginners 播放列表中找到所有这些内容。
Mohit Jaisal的 Gif
？单击上面的图片观看有关该项目及其创建者的视频！
在构建本课程时，我们选择了两个教学原则：确保它以实践项目为基础，并包括频繁的测验。此外，该课程有一个共同的主题，使其具有凝聚力。
通过确保内容与项目保持一致，整个过程对学生来说更具吸引力，概念的保留也将得到增强。此外，课前的低风险测验可以确定学生学习某个主题的意图，而课后的第二次测验则可以确保进一步保留。该课程设计灵活、有趣，可以全部或部分学习。这些项目从小规模开始，到 12 周周期结束时变得越来越复杂。本课程还包括关于 ML 实际应用的附言，可用作额外学分或作为讨论的基础。
查找我们的行为准则、贡献和翻译指南。我们欢迎您提出建设性的反馈意见！
关于语言的说明：这些课程主要是用 Python 编写的，但许多课程也可以用 R 语言编写。要完成 R 课程，请转到
/solution文件夹并查找 R 课程。它们包括代表R Markdown文件的 .rmd 扩展名，该文件可以简单地定义为Markdown document中嵌入code chunks（R 或其他语言）和YAML header（指导如何格式化 PDF 等输出）。因此，它可以作为数据科学的示例性创作框架，因为它允许您通过在 Markdown 中写下代码、其输出和您的想法来组合它们。此外，R Markdown 文档可以呈现为 PDF、HTML 或 Word 等输出格式。
关于测验的说明：所有测验都包含 Quiz App 文件夹，总共 52 个测验，每个测验三个问题。它们在课程内链接，但测验应用程序可以在本地运行；按照
quiz-app文件夹中的说明进行本地托管或部署到 Azure。
| 课号 | 话题 | 课程分组 | 学习目标 | 链接课程 | 作者 |
|---|---|---|---|---|---|
| 01 | 机器学习简介 | 介绍 | 了解机器学习背后的基本概念 | 课 | 穆罕默德 |
| 02 | 机器学习的历史 | 介绍 | 了解该领域的历史 | 课 | 珍和艾米 |
| 03 | 公平与机器学习 | 介绍 | 学生在构建和应用机器学习模型时应该考虑哪些关于公平的重要哲学问题？ | 课 | 友美 |
| 04 | 机器学习技术 | 介绍 | 机器学习研究人员使用哪些技术来构建机器学习模型？ | 课 | 克里斯和珍 |
| 05 | 回归简介 | 回归 | 开始使用 Python 和 Scikit-learn 构建回归模型 |
|
|
| 06 | 北美南瓜价格？ | 回归 | 可视化和清理数据，为机器学习做好准备 |
|
|
| 07 | 北美南瓜价格？ | 回归 | 建立线性和多项式回归模型 |
|
|
| 08 | 北美南瓜价格？ | 回归 | 构建逻辑回归模型 |
|
|
| 09 | 网络应用程序？ | 网页应用程序 | 构建一个网络应用程序来使用您训练过的模型 | Python | 仁 |
| 10 | 分类简介 | 分类 | 清理、准备和可视化您的数据；分类简介 |
|
|
| 11 | 美味的亚洲和印度美食？ | 分类 | 分类器简介 |
|
|
| 12 | 美味的亚洲和印度美食？ | 分类 | 更多分类器 |
|
|
| 13 | 美味的亚洲和印度美食？ | 分类 | 使用您的模型构建推荐网络应用程序 | Python | 仁 |
| 14 | 聚类简介 | 聚类 | 清理、准备和可视化您的数据；聚类简介 |
|
|
| 15 | 探索尼日利亚音乐品味 | 聚类 | 探索K-Means聚类方法 |
|
|
| 16 | 自然语言处理简介☕️ | 自然语言处理 | 通过构建简单的机器人来了解 NLP 的基础知识 | Python | 斯蒂芬 |
| 17 号 | 常见的 NLP 任务 ☕️ | 自然语言处理 | 通过了解处理语言结构时所需的常见任务来加深您的 NLP 知识 | Python | 斯蒂芬 |
| 18 | 翻译和情感分析 | 自然语言处理 | 简·奥斯汀的翻译和情感分析 | Python | 斯蒂芬 |
| 19 号 | 欧洲浪漫酒店 | 自然语言处理 | 酒店评论的情感分析 1 | Python | 斯蒂芬 |
| 20 | 欧洲浪漫酒店 | 自然语言处理 | 酒店评论的情感分析 2 | Python | 斯蒂芬 |
| 21 | 时间序列预测简介 | 时间序列 | 时间序列预测简介 | Python | 弗朗西斯卡 |
| 22 | ⚡️ 世界用电量 ⚡️ - 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 | 弗朗西斯卡 |
| 23 | ⚡️ 世界用电量 ⚡️ - 使用 SVR 进行时间序列预测 | 时间序列 | 使用支持向量回归器进行时间序列预测 | Python | 阿尼班 |
| 24 | 强化学习简介 | 强化学习 | Q-Learning 强化学习简介 | Python | 德米特里 |
| 25 | 帮助彼得躲避狼！ ？ | 强化学习 | 强化学习健身房 | Python | 德米特里 |
| 后记 | 真实世界的机器学习场景和应用 | 自然机器学习 | 经典机器学习的有趣且富有启发性的现实应用 | 课 | 团队 |
| 后记 | 使用 RAI 仪表板进行 ML 模型调试 | 自然机器学习 | 使用 Responsible AI 仪表板组件进行机器学习中的模型调试 | 课 | 露丝·雅库布 |
在我们的 Microsoft Learn 集合中查找本课程的所有其他资源
您可以使用 Docsify 离线运行此文档。分叉此存储库，在本地计算机上安装 Docsify，然后在此存储库的根文件夹中，键入docsify serve 。该网站将在您的本地主机上的端口 3000 上提供服务： localhost:3000 。
在此处查找课程表的 pdf 版本及其链接。
您愿意贡献翻译吗？请阅读我们的翻译指南并添加模板问题来管理此处的工作量。
我们的团队制作其他课程！查看：
