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 | 印度尼西亚语 | 意大利语 | 日语 | 卡纳达语 | 高棉语 | 韩语 | 立陶宛语 | 马来语 | 马拉雅拉姆语 | 马拉地语 | 尼泊尔语 | 尼日利亚皮钦语 | 挪威语 | 波斯语（法尔西语） | 波兰语 | 葡萄牙语（巴西） | 葡萄牙语（葡萄牙） | 旁遮普语（古鲁姆克语） | 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（菲律宾语） | 泰米尔语 | 泰卢固语 | 泰语 | 土耳其语 | 乌克兰语 | 乌尔都语 | 越南语
更喜欢本地克隆？
本仓库包含50多种语言的翻译，这显著增加了下载大小。要在不下载翻译的情况下克隆，请使用稀疏签出：
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"这样你能以更快的速度下载完成课程所需的所有内容。
我们正在进行一系列 Discord “与 AI 一起学习”活动，学习详情和加入请访问 与 AI 一起学习系列 ，时间为2025年9月18日至30日。你将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。
🌍 随着世界文化，我们一起探索机器学习 🌍
微软云倡导者很高兴提供一个为期12周的26课时课程，专注于机器学习。在本课程中，你将学习有时被称为经典机器学习的内容，主要使用 Scikit-learn 库，避免覆盖深度学习，深度学习内容收录于我们的AI 初学者课程。同时也推荐搭配我们的数据科学初学者课程一起学习！
跟随我们环游世界，将经典机器学习技术应用于全球各地的数据。每节课包括课前和课后测验、书面指导完成课程、参考答案、作业等。我们的项目驱动教学法让你在动手构建项目中学习，是新技能“扎根”的有效方法。
✍️ 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
🎨 同样感谢我们的插画师 Tomomi Imura, Dasani Madipalli 和 Jen Looper
🙏 特别感谢微软学生大使作者、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 贡献的 R 语言课程！
请按照以下步骤操作：
- 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、配置和课程运行中的常见问题。
学生们，使用本课程时，请 fork 整个仓库到自己的 GitHub 账号，并单独或组队完成练习：
- 先完成课前测验。
- 阅读课程并完成活动，每个知识点暂停反思。
- 尝试通过理解课程内容而非简单运行代码创造项目；不过解决方案代码可在各项目课的
/solution文件夹中找到。 - 完成课后测验。
- 完成挑战任务。
- 完成作业。
- 完成一组课程后，请访问讨论区，填写相应的 PAT 评分表进行“公开学习”。PAT 是一个学习进度评价工具，你可以填写它，也可以对其他人的 PAT 进行回复，大家共同进步。
更多学习推荐，访问这些微软 Learn模块和学习路径。
教师们，我们已经提供了一些建议帮助你使用本课程。
部分课程提供短视频版。你可在课程内嵌找到，也可前往 微软开发者 YouTube 频道的 ML for Beginners 播放列表观看，点击下图进入。
GIF 制作者 Mohit Jaisal
🎥 点击上图观看项目及其创始团队视频介绍！
本课程设计基于两个教学原则：确保其为动手的项目驱动学习，并包含频繁的测验。此外，课程还有一个统一的主题以保持连贯性。
通过确保内容与项目对齐，使学习过程更具吸引力，增强知识的保留。课前的低风险测验帮助学生建立学习主题的目标，而课后的测验进一步巩固知识。本课程设计灵活且有趣，可完整学习也可部分选择。项目从简单到复杂，涵盖整个12周周期。课程还包括关于机器学习实际应用的附录，适合做额外加分或开展讨论。
关于语言的说明：这些课程主要以 Python 编写，但许多课程也提供 R 版本。要完成 R 课程，请进入
/solution文件夹查找 R 课程。它们包含 .rmd 扩展名，表示 R Markdown 文件，可以简单定义为在Markdown 文档中嵌入代码块（R 或其他语言的）和YAML 头（指导如何格式化输出，如 PDF）。因此，它作为数据科学的优秀著作框架，允许您将代码、输出和想法结合起来，以 Markdown 形式书写。此外，R Markdown 文档可以渲染成 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 52 个测验，每个测验包含三个问题。它们在课程中链接，同时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 | 课程归类 | 学习目标 | 关联课程 | 作者 |
|---|---|---|---|---|---|
| 01 | 机器学习入门 | 介绍 | 学习机器学习背后的基本概念 | 课程 | Muhammad |
| 02 | 机器学习的发展历史 | 介绍 | 了解该领域的历史 | 课程 | Jen 和 Amy |
| 03 | 公平性与机器学习 | 介绍 | 学生在构建和应用机器学习模型时应考虑哪些重要的公平性哲学问题？ | 课程 | Tomomi |
| 04 | 机器学习技术 | 介绍 | 机器学习研究人员用哪些技术来构建机器学习模型？ | 课程 | Chris 和 Jen |
| 05 | 回归入门 | 回归 | 使用 Python 和 Scikit-learn 入门回归模型 | Python • R | Jen • Eric Wanjau |
| 06 | 北美南瓜价格 🎃 | 回归 | 可视化并清理数据，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 | Web 应用 🔌 | Web App | 构建一个 Web 应用以使用你训练的模型 | Python | Jen |
| 10 | 分类入门 | 分类 | 清理、准备和可视化数据；分类介绍 | Python • R | Jen 和 Cassie • Eric Wanjau |
| 11 | 美味的亚洲和印度美食 🍜 | 分类 | 分类器介绍 | 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 | 使用你的模型构建推荐者 Web 应用 | Python | Jen |
| 14 | 聚类入门 | 聚类 | 清理、准备和可视化数据；聚类介绍 | Python • R | Jen • Eric Wanjau |
| 15 | 探索尼日利亚音乐喜好 🎧 | 聚类 | 探索 K-Means 聚类方法 | Python • R | Jen • Eric Wanjau |
| 16 | 自然语言处理导论 ☕️ | 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基础 | Python | Stephen |
| 17 | 常见 NLP 任务 ☕️ | 自然语言处理 | 通过理解处理语言结构时需要的常见任务深化你的 NLP 知识 | Python | Stephen |
| 18 | 翻译与情感分析 |
自然语言处理 | 使用简·奥斯汀进行翻译与情感分析 | Python | Stephen |
| 19 | 欧洲浪漫酒店 |
自然语言处理 | 使用酒店评论进行情感分析 1 | Python | Stephen |
| 20 | 欧洲浪漫酒店 |
自然语言处理 | 使用酒店评论进行情感分析 2 | Python | Stephen |
| 21 | 时间序列预测导论 | 时间序列 | 时间序列预测入门 | 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 | 使用支持向量回归进行时间序列预测 | Python | Anirban |
| 24 | 强化学习导论 | 强化学习 | 使用 Q-Learning 介绍强化学习 | Python | Dmitry |
| 25 | 帮助彼得躲避狼！🐺 | 强化学习 | 强化学习 Gym | Python | Dmitry |
| 后记 | 机器学习的真实世界场景与应用 | ML in the Wild | 经典机器学习有趣且揭示性的真实应用 | 课程 | 团队 |
| 后记 | 使用 RAI 仪表盘进行机器学习模型调试 | ML in the Wild | 使用 Responsible AI 仪表盘组件进行机器学习模型调试 | 课程 | Ruth Yakubu |
您可以使用 Docsify 在离线环境中运行此文档。Fork 此仓库，在本地机器上安装 Docsify，然后在该仓库根目录输入 docsify serve。网站将在本地主机的 3000 端口上提供服务：localhost:3000。
在这里找到课程目录的 PDF 版本及相关链接：这里。
我们的团队还制作了其他课程！查看：
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
如果您在学习机器学习或构建人工智能应用时遇到困难或有疑问，不必担心——有帮助资源可用。
您可以加入与其他学习者和开发者的讨论，提出问题，并与社区分享您的想法。
- 加入社区，提出问题并与他人一起学习
- 讨论机器学习概念和项目想法
- 获取经验丰富开发者的指导
一个支持性的社区是提升技能和更快解决问题的绝佳方式。
如果您遇到错误、故障或者有改进建议，也可以在此存储库中打开 Issue 报告问题。
如需产品反馈或搜索已有社区帖，请访问开发者论坛：
- 每节课后复习笔记本，帮助理解。
- 练习自己实现算法。
- 利用学到的概念探索真实数据集。
免责声明：
本文件通过 AI 翻译服务 Co-op Translator 进行翻译。尽管我们力求准确，但请注意自动翻译可能包含错误或不准确之处。以原文为权威来源。如涉及重要信息，建议使用专业人工翻译。对于因使用本翻译而产生的任何误解或误读，我们不承担任何责任。