🌐 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？

此仓库包含 50 多种语言的翻译，显著增加下载大小。若想不含翻译地克隆仓库，请使用稀疏检出：

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"
这样您将获得完成课程所需的全部内容，同时下载速度更快。

加入我们的社区

我们正在进行一个 Discord AI 学习系列，了解更多并于 2025 年 9 月 18 日至 30 日加入我们，访问 Learn with AI Series。您将获得使用 GitHub Copilot 进行数据科学的技巧和窍门。

面向初学者的机器学习课程

🌍 通过探索世界文化，环游世界学习机器学习 🌍

微软云倡导者很高兴推出一个为期 12 周、共 26 课的机器学习课程。在本课程中，您将学习有时被称为经典机器学习的知识，主要使用 Scikit-learn 库，避免深度学习，后者包含在我们的AI for Beginners 课程中。也可将这些课程与我们的数据科学初学者课程搭配使用。

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。每节课包括课前和课后测验、书面指导完成课程、解决方案、作业等。我们基于项目的教学法允许您在构建中学习，这是一种经验证的新技能“沉淀”方式。

✍️ 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

🙏 特别感谢我们的微软学生大使作者、评审和内容贡献者，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 课程贡献！

快速开始

请按照以下步骤操作：

Fork 仓库：点击本页右上角的「Fork」按钮。
克隆仓库： git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 集合中查看本课程的所有附加资源

🔧 需要帮助？ 查看我们的故障排除指南，解决安装、设置及课程运行的常见问题。

学生，使用本课程时，请将整个仓库 Fork 到自己的 GitHub 账户中，单独或组队完成练习：

从课前测验开始。
阅读课程并完成活动，在每个知识点检查处暂停反思。
通过理解课程来尝试创建项目，而非直接运行解决方案代码；解决方案代码位于每个面向项目的课程的 /solution 文件夹中。
参加课后测验。
完成挑战。
完成作业。
完成一组课程后，访问讨论板，通过填写相应的 PAT 评分表“边学边分享”。“PAT”是进度评估工具，填写后能促进您的学习。您还可以对其他人的 PAT 进行反应，与大家共同学习。

进一步学习可推荐参阅这些Microsoft Learn模块与学习路径。

教师，我们提供了一些建议，帮助您使用本课程。

视频讲解

部分课程提供短视频版本。您可在课程内直接观看，或在微软开发者 YouTube 频道的ML for Beginners 播放列表中点击下方图片观看所有视频。

团队介绍

Gif 动图作者 Mohit Jaisal

🎥 点击上方图片观看关于项目和团队成员的视频！

教学法

构建本课程时，我们选择了两项教学原则：确保课程是动手的项目型学习，并包含频繁测验。此外，课程具备统一的主题以增强连贯性。

通过确保内容与项目对齐，学习过程更具吸引力，知识点的掌握和记忆力也将有所提升。此外，课前的低风险测验帮助学生树立学习目标，课后的测验则确保知识的巩固。课程设计灵活且有趣，可整套或部分学习。项目从简单开始，到 12 周结束时逐渐复杂。本课程还包含真实世界机器学习应用的补充内容，可用于额外加分或讨论基础。

查看我们的行为准则、贡献指南、翻译指南和故障排除指南。欢迎您的建设性反馈！

每节课程包含

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

关于语言的说明：这些课程主要是用 Python 编写的，但许多课程也提供 R 版本。要完成 R 课程，请进入 /solution 文件夹并查找 R 课程。它们带有 .rmd 扩展名，表示一个 R Markdown 文件，简单来说就是在 Markdown 文档 中嵌入 代码块（R 或其他语言的代码）和 YAML 头部（指导如何格式化输出如 PDF）。因此，它作为数据科学的示例性著作框架，因为它允许你结合代码、输出和想法，用 Markdown 记录它们。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 Quiz App folder 中，共 52 个测验，每个测验有三个问题。它们在课程中有链接，但测验应用可以本地运行；请按照 quiz-app 文件夹中的说明本地托管或部署到 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	Introduction	了解机器学习背后的基本概念	课程	Muhammad
02	机器学习的发展历史	Introduction	了解该领域的发展历史	课程	Jen 和 Amy
03	公平性与机器学习	Introduction	构建和应用机器学习模型时，学生应考虑的公平性相关的重要哲学问题	课程	Tomomi
04	机器学习技术	Introduction	机器学习研究人员用来构建机器学习模型的技术是什么？	课程	Chris 和 Jen
05	回归简介	Regression	使用 Python 和 Scikit-learn 入门回归模型	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	Regression	可视化和清理数据，为机器学习做准备	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 和 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	构建一个用于使用训练模型的 Web 应用	Python	Jen
10	分类简介	Classification	清理、准备和可视化数据；分类简介	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亚洲和印度菜肴 🍜	Classification	分类器介绍	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亚洲和印度菜肴 🍜	Classification	更多分类器	Python • R	Jen 和 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络应用	Python	Jen
14	聚类简介	Clustering	清理、准备和可视化数据；聚类简介	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐喜好 🎧	Clustering	探索 K-Means 聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理简介 ☕️	Natural language processing	通过构建一个简单机器人学习 NLP 基础	Python	Stephen
17	常见 NLP 任务 ☕️	Natural language processing	通过了解处理语言结构时需要的常见任务深化 NLP 知识	Python	Stephen
18	翻译与情感分析 ♥️	Natural language processing	使用简·奥斯汀进行翻译和情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	Natural language processing	酒店评论情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	Natural language processing	酒店评论情感分析 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	⚡️ 世界用电量 ⚡️ - 使用 ARIMA 进行时间序列预测	Time series	使用 ARIMA 进行时间序列预测	Python	Francesca
23	⚡️ 世界用电量 ⚡️ - 使用 SVR 进行时间序列预测	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-Learning 进行强化学习简介	Python	Dmitry
25	帮助 Peter 避开狼！🐺	Reinforcement learning	强化学习 Gym	Python	Dmitry
后记	真实世界的机器学习场景和应用	ML in the Wild	经典机器学习的有趣且富有启发性的实际应用	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 仪表盘组件调试机器学习模型	课程	Ruth Yakubu