🌐 多语言支持

通过 GitHub Action 支持（自动化且始终保持最新）

加入我们的社区

我们正在进行一个关于 AI 学习的 Discord 系列活动，了解更多并加入我们 AI 学习系列，活动时间为 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方法。

初学者的机器学习课程

🌍 跟随我们环游世界，通过世界文化学习机器学习 🌍

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 节课的机器学习课程。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 初学者课程中有详细介绍）。同时，您也可以将这些课程与我们的 '数据科学初学者课程' 搭配学习！

跟随我们环游世界，应用这些经典技术处理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，这是一种被证明能让新技能更牢固掌握的方法。

✍️ 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！

开始学习

按照以下步骤：

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

在我们的 Microsoft Learn 集合中找到本课程的所有额外资源

🔧 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。
完成一组课程后，访问讨论板，通过填写相应的 PAT 评分表“公开学习”。PAT 是一个进度评估工具，您可以通过填写评分表来进一步学习。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，我们推荐您学习这些 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。

视频讲解

部分课程提供了短视频形式的讲解。您可以在课程中找到这些视频，或者点击下方图片访问微软开发者 YouTube 频道上的初学者机器学习播放列表。

团队介绍

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！

教学法

在设计此课程时，我们选择了两个教学原则：确保课程是 项目驱动 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，学习过程变得更加有趣，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一个主题，而课后的第二次测验可以进一步巩固记忆。这个课程设计灵活有趣，可以整体学习，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附录，可以作为额外学分或讨论的基础。

查看我们的行为准则、贡献指南、翻译指南和故障排除指南。我们欢迎您的建设性反馈！

每节课包括

可选的手绘笔记
可选的补充视频
视频讲解（部分课程）
课前热身测验
书面课程内容
对于项目课程，提供逐步指导如何完成项目
知识检查
挑战
补充阅读材料
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，请转到 /solution 文件夹，寻找 R 课程。这些课程文件扩展名为 .rmd，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 头部（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：所有测验都包含在测验应用文件夹中，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 文件夹中的说明进行本地托管或部署到 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	简介	学习机器学习的基本概念	课程	Muhammad
02	机器学习的历史	简介	学习这一领域的历史背景	课程	Jen 和 Amy
03	公平性与机器学习	简介	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？	课程	Tomomi
04	机器学习的技术	简介	机器学习研究人员使用哪些技术来构建机器学习模型？	课程	Chris 和 Jen
05	回归简介	回归	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 🎃	回归	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 🎃	回归	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 🎃	回归	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	一个网络应用 🔌	网络应用	构建一个网络应用来使用您训练的模型	Python	Jen
10	分类简介	分类	清理、准备和可视化数据；分类简介	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亚洲和印度美食 🍜	分类	分类器简介	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亚洲和印度美食 🍜	分类	更多分类器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亚洲和印度美食 🍜	分类	使用您的模型构建一个推荐网络应用	Python	Jen
14	聚类简介	聚类	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 🎧	聚类	探索 K-Means 聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	自然语言处理	通过构建一个简单的机器人学习自然语言处理的基础知识	Python	Stephen
17	常见的自然语言处理任务 ☕️	自然语言处理	通过理解处理语言结构时所需的常见任务加深您的自然语言处理知识	Python	Stephen
18	翻译和情感分析 ♥️	自然语言处理	使用 Jane Austen 进行翻译和情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	自然语言处理	酒店评论的情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	自然语言处理	酒店评论的情感分析 2	Python	Stephen
21	时间序列预测简介	时间序列	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	时间序列	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	时间序列	使用支持向量回归器进行时间序列预测	Python	Anirban
24	强化学习简介	强化学习	使用 Q-Learning 学习强化学习简介	Python	Dmitry
25	帮助 Peter 避开狼 🐺	强化学习	强化学习 Gym	Python	Dmitry
后记	真实世界中的机器学习场景和应用	真实世界中的机器学习	有趣且揭示性的经典机器学习真实世界应用	课程	团队
后记	使用 RAI 仪表板进行机器学习模型调试	真实世界中的机器学习	使用负责任的 AI 仪表板组件进行机器学习模型调试	课程	Ruth Yakubu