🌐 多语言支持

通过 GitHub Action 支持（自动且始终保持最新）

更喜欢本地克隆？

本仓库包括50多种语言的翻译，极大增加了下载大小。若想不包含翻译地克隆，使用稀疏检出：

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"
这能让你以更快的速度下载完整课程所需内容。

加入我们的社区

我们正在举办 Discord 上与 AI 学习相关的系列活动，了解更多并加入我们，时间为2025年9月18日至30日，详见 Learn with AI Series。你将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。

初学者机器学习课程

🌍 通过世界文化探索机器学习，环游全球之旅 🌍

微软的云倡导团队很高兴推出一个为期12周、包含26课的机器学习课程。在此课程中，你将学习通常称为经典机器学习的内容，主要使用Scikit-learn库，并避免深度学习，后者在我们的AI初学者课程中覆盖。同学们还可以搭配使用我们的数据科学初学者课程。

跟随我们环游世界，将这些经典技术应用于来自全球各地的数据。每课包含课前和课后测验、详细的完成指引、解答、作业等。我们基于项目的教学方法让你边学边做，这是一种验证有效的新技能固化方法。

✍️ 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

🎨 也感谢我们的插画师 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特别感谢 🙏 我们的微软学生大使作者、审稿人和内容贡献者，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 对我们的 R 课的贡献！

入门

按以下步骤操作：

Fork 仓库: 点击本页面右上角的“Fork”按钮。
克隆仓库: git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 专栏找到本课程的所有附加资源

🔧 需要帮助？ 查阅我们的故障排除指南解决安装、设置和课程运行中的常见问题。

学生，使用本课程时，请将整个仓库 Fork 到你的 GitHub 账号，并独立或组队完成练习：

先进行课前测验。
阅读课程内容并完成活动，在每个知识点检测时暂停并思考。
力求通过理解课程内容自行创建项目，而非直接运行示范代码；但这些代码可在每个面向项目的课程的 /solution 文件夹找到。
参加课后测验。
完成挑战。
完成作业。
完成一组课程后，访问讨论区并通过填写相应的 PAT 评估表“响亮地学习”。PAT 是一个进度评估工具，是你填写以促进学习的评分表。你也可以对其他人的 PAT 进行回应，共同学习。

若想进一步学习，我们推荐遵循这些Microsoft Learn模块和学习路径。

教师，我们提供了一些建议说明如何使用本课程。

视频讲解

部分课程提供短视频版。你可在课程内嵌部分观看，或登录微软开发者YouTube频道的ML初学者播放列表观看，点击下图即可。

团队介绍

Gif 作者 Mohit Jaisal

🎥 点击上图观看项目及其创作者的视频介绍！

教学理念

我们设计本课程时，采用两个教学原则：确保它是实践性的基于项目的，以及包含频繁的小测验。此外，本课程还有统一的主题以保证连贯性。

通过保证内容与项目相匹配，学生学习过程更具参与感，概念的保留率也得以提升。课堂前的低风险测验能设定学习意图，课后的测验则确保了更深入的记忆。本课程设计灵活有趣，可整体或部分学习。项目从小到大，难度逐步提升，覆盖12周周期。课程还提供了关于机器学习实际应用的注记，可作为额外加分或讨论基础。

请查阅我们的行为准则、贡献指南、翻译及故障排除页面。我们欢迎你的建设性反馈！

每节课包括

可选草图笔记
可选补充视频
视频讲解（部分课程提供）
课前热身测验
书面课程内容
面向项目课程的分步骤项目构建指南
知识点检测
一个挑战
补充阅读
作业
课后测验

关于语言的提示：这些课程主要使用 Python 编写，但许多也提供 R 版本。完成 R 课程可前往 /solution 文件夹查找带有 .rmd 扩展名的文件，这代表R Markdown 文件，简而言之，是在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，R Markdown 是数据科学创作的优秀框架，允许你结合代码、输出结果和注释，以 Markdown 格式书写。R Markdown 文档还可渲染为 PDF、HTML 或 Word 等输出格式。 关于测验的说明：所有测验都包含在Quiz App文件夹中，共52个测验，每个测验包含三个问题。它们在课程中有链接，但测验应用程序可以本地运行；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	课程分组	学习目标	关联课程	作者
01	机器学习简介	Introduction	了解机器学习的基本概念	课程	Muhammad
02	机器学习的历史	Introduction	了解该领域的历史背景	课程	Jen and Amy
03	公平性与机器学习	Introduction	学生在构建和应用机器学习模型时应考虑的有关公平性的重要哲学问题	课程	Tomomi
04	机器学习技术	Introduction	机器学习研究人员用来构建模型的技术有哪些	课程	Chris and Jen
05	回归简介	Regression	开始使用Python和Scikit-learn进行回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	Regression	可视化和清理数据以准备机器学习	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	Regression	构建线性和多项式回归模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜价格 🎃	Regression	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	Web 应用 🔌	Web App	构建用于使用已训练模型的网页应用	Python	Jen
10	分类简介	Classification	清理、准备并可视化数据；分类简介	Python • R	Jen and Cassie • Eric Wanjau
11	美味的亚洲和印度菜肴 🍜	Classification	分类器简介	Python • R	Jen and Cassie • Eric Wanjau
12	美味的亚洲和印度菜肴 🍜	Classification	更多分类器	Python • R	Jen and Cassie • Eric Wanjau
13	美味的亚洲和印度菜肴 🍜	Classification	使用你的模型构建推荐网页应用	Python	Jen
14	聚类简介	Clustering	清理、准备并可视化数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐品味 🎧	Clustering	探索K均值聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	Natural language processing	通过构建简单机器人学习NLP基础知识	Python	Stephen
17	常见的NLP任务 ☕️	Natural language processing	通过理解处理语言结构所需的常见任务深化你的NLP知识	Python	Stephen
18	翻译和情感分析 ♥️	Natural language processing	利用简·奥斯汀作品进行翻译和情感分析	Python	Stephen
19	浪漫的欧洲酒店 ♥️	Natural language processing	通过酒店评论进行情感分析1	Python	Stephen
20	浪漫的欧洲酒店 ♥️	Natural language processing	通过酒店评论进行情感分析2	Python	Stephen
21	时间序列预测简介	Time series	时间序列预测简介	Python	Francesca
22	⚡️ 世界电力使用 ⚡️ - 使用ARIMA的时间序列预测	Time series	使用ARIMA进行时间序列预测	Python	Francesca
23	⚡️ 世界电力使用 ⚡️ - 使用SVR的时间序列预测	Time series	使用支持向量回归进行时间序列预测	Python	Anirban
24	强化学习简介	Reinforcement learning	使用Q学习进行强化学习简介	Python	Dmitry
25	帮助彼得躲避狼！🐺	Reinforcement learning	强化学习Gym	Python	Dmitry
后记	现实中的机器学习场景与应用	ML in the Wild	经典机器学习在现实中的有趣且发人深省的应用	课程	团队
后记	使用RAI仪表盘对机器学习模型进行调试	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