ML For Beginners
1.0.0
？環遊世界，透過世界文化探索機器學習？
Microsoft 的雲端倡導者很高興提供為期 12 週、26 課程的機器學習的課程。在本課程中，您將了解有時被稱為經典機器學習的內容，主要使用 Scikit-learn 作為庫並避免深度學習，這在我們的 AI 初學者課程中有所介紹。將這些課程與我們的「初學者資料科學」課程配對！
與我們一起環遊世界，我們將這些經典技術應用於來自世界許多地區的數據。每節課都包括課前和課後測驗、完成課程的書面說明、解決方案、作業等。我們基於專案的教學法允許您在構建的同時學習，這是一種「堅持」新技能的行之有效的方法。
✍️衷心感謝我們的作者Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 和 Amy Boyd
？也要感謝我們的插畫家Tomomi Imura、Dasani Madipalli 和 Jen Looper
特別感謝我們的 Microsoft 學生大使作者、審閱者和內容貢獻者，特別是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal
？特別感謝 Microsoft 學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 為我們提供的 R 課程！
請依照下列步驟操作：
git clone https://github.com/microsoft/ML-For-Beginners.git在我們的 Microsoft Learn 集合中尋找本課程的所有其他資源
學生們，要使用本課程，請將整個儲存庫分叉到您自己的 GitHub 帳戶，並自行或與小組一起完成練習：
/solution資料夾中找到。為了進一步學習，我們建議遵循這些 Microsoft Learn 模組和學習路徑。
老師們，我們已經提供了一些關於如何使用本課程的建議。
有些課程以短片形式提供。您可以在課程中在線找到所有這些內容，也可以透過點擊下圖在 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單中找到所有這些內容。
Mohit Jaisal的 Gif
？點擊上面的圖片觀看有關該項目及其創建者的影片！
在建構本課程時，我們選擇了兩個教學原則：確保它以實踐專案為基礎，並包括頻繁的測驗。此外，該課程有一個共同的主題，使其具有凝聚力。
透過確保內容與專案保持一致，整個過程對學生來說更具吸引力，概念的保留也將得到加強。此外，課前的低風險測驗可以確定學生學習某個主題的意圖，而課後的第二次測驗則可以確保進一步保留。課程設計靈活、有趣，可以全部或部分學習。這些專案從小規模開始，到 12 週週期結束時變得越來越複雜。本課程還包括關於 ML 實際應用的附言，可用作額外學分或作為討論的基礎。
尋找我們的行為準則、貢獻和翻譯指南。我們歡迎您提出建設性的回饋意見！
關於語言的說明：這些課程主要是用 Python 編寫的，但許多
/solution也可以用 R 語言編寫。它們包括代表R Markdown檔案的 .rmd 副檔名，該檔案可以簡單地定義為Markdown document中嵌入code chunks（R 或其他語言）和YAML header（指導如何格式化輸出，例如 PDF）。因此，它可以作為資料科學的示例性創作框架，因為它允許您透過在 Markdown 中寫下程式碼、輸出和想法來組合它們。此外，R Markdown 文件可以呈現為 PDF、HTML 或 Word 等輸出格式。
關於測驗的說明：所有測驗都包含 Quiz App 資料夾，總共 52 個測驗，每個測驗三個問題。它們在課程內鏈接，但測驗應用程式可以在本地運行；請依照
quiz-app資料夾中的說明進行本機託管或部署到 Azure。
| 課號 | 話題 | 課程分組 | 學習目標 | 連結課程 | 作者 |
|---|---|---|---|---|---|
| 01 | 機器學習簡介 | 介紹 | 了解機器學習背後的基本概念 | 課 | 穆罕默德 |
| 02 | 機器學習的歷史 | 介紹 | 了解該領域的歷史 | 課 | 珍和艾米 |
| 03 | 公平與機器學習 | 介紹 | 學生在建構和應用機器學習模型時應該考慮哪些關於公平的重要哲學問題？ | 課 | 友美 |
| 04 | 機器學習技術 | 介紹 | 機器學習研究人員使用哪些技術來建立機器學習模型？ | 課 | 克里斯和珍 |
| 05 | 迴歸簡介 | 回歸 | 開始使用 Python 和 Scikit-learn 建立迴歸模型 |
|
|
| 06 | 北美南瓜價格？ | 回歸 | 可視化和清理數據，為機器學習做好準備 |
|
|
| 07 | 北美南瓜價格？ | 回歸 | 建立線性和多項式迴歸模型 |
|
|
| 08 | 北美南瓜價格？ | 回歸 | 建構邏輯迴歸模型 |
|
|
| 09 | 網路應用程式？ | 網頁應用程式 | 建立一個網頁應用程式來使用您訓練過的模型 | Python | 仁 |
| 10 | 分類簡介 | 分類 | 清理、準備和視覺化您的資料；分類簡介 |
|
|
| 11 | 美味的亞洲和印度美食？ | 分類 | 分類器簡介 |
|
|
| 12 | 美味的亞洲和印度美食？ | 分類 | 更多分類器 |
|
|
| 13 | 美味的亞洲和印度美食？ | 分類 | 使用您的模型建立推薦網頁應用程式 | Python | 仁 |
| 14 | 聚類簡介 | 聚類 | 清理、準備和視覺化您的資料；聚類簡介 |
|
|
| 15 | 探索尼日利亞音樂品味 | 聚類 | 探索K-Means聚類方法 |
|
|
| 16 | 自然語言處理簡介☕️ | 自然語言處理 | 透過建造簡單的機器人來了解 NLP 的基礎知識 | Python | 史蒂芬 |
| 17 號 | 常見的 NLP 任務 ☕️ | 自然語言處理 | 透過了解處理語言結構時所需的常見任務來加深您的 NLP 知識 | Python | 史蒂芬 |
| 18 | 翻譯與情感分析 | 自然語言處理 | 珍奧斯汀的翻譯與情感分析 | Python | 史蒂芬 |
| 19 | 歐洲浪漫飯店 | 自然語言處理 | 飯店評論的情緒分析 1 | Python | 史蒂芬 |
| 20 | 歐洲浪漫飯店 | 自然語言處理 | 飯店評論的情緒分析 2 | Python | 史蒂芬 |
| 21 | 時間序列預測簡介 | 時間序列 | 時間序列預測簡介 | Python | 法蘭西斯卡 |
| 22 | ⚡️ 世界用電量 ⚡️ - 使用 ARIMA 進行時間序列預測 | 時間序列 | 使用 ARIMA 進行時間序列預測 | Python | 法蘭西斯卡 |
| 23 | ⚡️ 世界用電量 ⚡️ - 使用 SVR 進行時間序列預測 | 時間序列 | 使用支援向量回歸器進行時間序列預測 | Python | 阿尼班 |
| 24 | 強化學習簡介 | 強化學習 | Q-Learning 強化學習簡介 | Python | 德米特里 |
| 25 | 幫助彼得躲避狼！ ？ | 強化學習 | 強化學習健身房 | Python | 德米特里 |
| 後記 | 真實世界的機器學習場景與應用 | 野外機器學習 | 經典機器學習的有趣且富有啟發性的現實應用 | 課 | 團隊 |
| 後記 | 使用 RAI 儀表板進行 ML 模型除錯 | 野外機器學習 | 使用 Responsible AI 儀表板組件進行機器學習中的模型除錯 | 課 | 露絲·雅庫布 |
在我們的 Microsoft Learn 集合中尋找本課程的所有其他資源
您可以使用 Docsify 離線執行此文件。分叉此儲存庫，在本機電腦上安裝 Docsify，然後在此儲存庫的根資料夾中鍵入docsify serve 。網站將在您的本地主機上的連接埠 3000 上提供服務： localhost:3000 。
在此處找到課程表的 pdf 版本及其連結。
您願意貢獻翻譯嗎？請閱讀我們的翻譯指南並新增範本問題來管理此處的工作量。
我們的團隊製作其他課程！查看：
