🌐 多語言支援

透過 GitHub Action 支援（自動化且隨時更新）

想本地複製？

此存儲庫包含 50 多種語言翻譯，會大幅增加下載大小。若要在不帶翻譯的情況下複製，請使用稀疏檢出：

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"
這會讓您以更快的速度下載完成課程所需的所有內容。

加入我們的社群

我們正舉辦 Discord AI 學習系列，詳情及加入請見 Learn with AI Series，時間為 2025 年 9 月 18 日至 30 日。您將獲得使用 GitHub Copilot 做數據科學的技巧與秘訣。

初學者機器學習課程大綱

🌍 跟隨世界各地文化，一起探索機器學習 🌍

微軟 Cloud Advocates 團隊很高興提供一套共 12 週、26 課的機器學習課程。在這套課程中，您將了解所謂的經典機器學習，主要使用 Scikit-learn 作為函式庫，並避開深度學習部分，深度學習則在我們的AI 初學者課程中涵蓋。這些課程也可與我們的初學者數據科學課程搭配學習！

跟我們一起環遊世界，將這些經典技術應用到來自全球不同領域的數據。每堂課包含課前和課後小測驗、書面操作說明、解答、作業，及更多。我們以專案為基礎的教學法，讓你邊建構邊學習，這是新技能「記憶更深刻」的有效方法。

✍️ 誠摯感謝作者 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 與 Amy Boyd

🎨 也感謝插畫師 Tomomi Imura、Dasani Madipalli 及 Jen Looper

🙏 特別感謝🙏 微軟學生大使作者、審閱者與內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 與 Snigdha Agarwal

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 及 Vidushi Gupta 的 R 課程！

開始使用

請按照以下步驟：

Fork 此倉庫：點擊本頁右上方的「Fork」按鈕。
Clone 此倉庫：git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 集合中找到本課程的所有額外資源

🔧 需要幫助？ 請查看我們的故障排除指南，解決安裝、設置與運行課程常見問題。

學生們，使用本課程時，請先將整個倉庫 fork 至您自己的 GitHub 帳號，然後獨立或組隊完成練習：

從課前小測驗開始。
閱讀課程內容並完成活動，隨時暫停思考知識點。
嘗試透過理解課程內容創建專案，而非直接執行解答程式碼；當然解答代碼在每個專案導向課程中的 /solution 資料夾可用。
進行課後小測驗。
完成挑戰題。
完成作業。
完成一組課程後，請到討論區，透過填寫對應的 PAT 評分標準進行「大聲學習」。PAT（Progress Assessment Tool）是您填寫的進度評估工具。也可以對其他人的 PAT 作出回應，大家一起學習。

若想進一步學習，我們推薦以下 Microsoft Learn 模塊與學習路徑。

教師們，我們提供了一些使用課程的建議。

影片導覽

部分課程有短影片可播放。您可在課程中線上觀看，也可點擊下方圖片，前往 Microsoft Developer YouTube 頻道的ML 初學者播放清單。

團隊介紹

動圖由 Mohit Jaisal 提供

🎥 點擊上方圖片，觀看本專案及其創作者介紹影片！

教學理念

我們在設計此課程時選擇了兩大教學原則：確保它是動手做的專案導向課程，並包含頻繁的小測驗。此外，本課程有一致的主題作為連貫架構。

確保內容和專案緊密結合，能讓學生更投入學習，增加概念掌握率。課前低壓力的小測驗設定學生學習意向，課後複習小測驗則加強記憶。本課程彈性且有趣，可一次修完或分階段學。專案從簡單開始，隨課程進展逐漸提升難度。課程後還有機器學習實際應用的後記，可作為額外學分或討論素材。

請參閱我們的行為準則、貢獻指南、翻譯及故障排除指南。我們歡迎您的建設性反饋！

每堂課包含

選擇性手繪筆記
選擇性補充影片
影片導覽（部分課程）
課前暖身小測驗
書面課程內容
專案導向課程的分步建置指南
知識點檢測
挑戰題
補充閱讀
作業
課後小測驗

關於語言的一個說明：這些課程主要以 Python 編寫，但也有很多課程提供 R 語言版本。要完成一個 R 課程，請前往 /solution 資料夾並尋找 R 課程。它們包含了 .rmd 副檔名，代表一個 R Markdown 檔案，可以簡單定義為在 Markdown 文件 中嵌入了 代碼區塊（R 或其他語言）和 YAML 標頭（用來指導如何格式化輸出，例如 PDF）。因此，它作為一個範例的資料科學創作框架，允許你將程式碼、程式碼輸出和你的想法結合起來，並用 Markdown 記錄下來。此外，R Markdown 文件可以被渲染成 PDF、HTML 或 Word 等輸出格式。

關於測驗的一個說明：所有測驗都包含在 Quiz App folder 中，共52個測驗，每個測驗有三個問題。它們從課程中連結，但測驗應用程式可以在本地運行；請依照 quiz-app 資料夾中的指示，在本地架設或部署到 Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	機器學習簡介	Introduction	了解機器學習的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	了解這個領域背後的歷史	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	建立及應用機器學習模型時，學生應考慮的重要公平性哲學議題是什麼？	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究人員使用了哪些技術來建立機器學習模型？	Lesson	Chris and Jen
05	回歸簡介	Regression	使用 Python 和 Scikit-learn 進行回歸模型入門	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化和清理數據以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性和多項式回歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	一個網頁應用 🔌	Web App	建立一個使用你訓練過的模型的網頁應用	Python	Jen
10	分類簡介	Classification	清理、準備及視覺化數據；分類入門	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亞洲及印度料理 🍜	Classification	分類器入門	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亞洲及印度料理 🍜	Classification	更多分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亞洲及印度料理 🍜	Classification	利用你的模型建立推薦系統網頁應用	Python	Jen
14	叢集分析簡介	Clustering	清理、準備及視覺化數據；叢集分析入門	Python • R	Jen • Eric Wanjau
15	探索尼日利亞音樂品味 🎧	Clustering	探索 K-均值叢集分析法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	通過建立一個簡單機器人學習自然語言處理基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	深入了解處理語言結構時所需的常見任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用珍·奧斯汀文本進行翻譯和情感分析	Python	Stephen
19	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論1進行情感分析	Python	Stephen
20	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論2進行情感分析	Python	Stephen
21	時間序列預測入門	Time series	時間序列預測入門	Python	Francesca
22	⚡️ 世界用電量 ⚡️ - 使用 ARIMA 進行時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 世界用電量 ⚡️ - 使用 SVR 進行時間序列預測	Time series	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	Q-Learning 強化學習入門	Python	Dmitry
25	幫彼得避開狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
Postscript	真實世界機器學習場景與應用	ML in the Wild	傳統機器學習有趣且具啟發性的真實世界應用	Lesson	Team
Postscript	使用 RAI 控制台進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 控制台組件進行機器學習模型除錯	Lesson	Ruth Yakubu