🌐 多語言支援

通過 GitHub Action 支援（自動化及一直保持最新）

偏好本地複製？

此存儲庫包含 50 多種語言翻譯，這會大幅增加下載容量。要不含翻譯地複製，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"
這樣可以讓你用更快的速度下載所有完成課程所需的內容。

加入我們的社區

我們正進行 Discord AI 學習系列，2025 年 9 月 18 日至 30 日，了解更多並加入我們的 Learn with AI Series。屆時你將獲得使用 GitHub Copilot 進行資料科學的提示和技巧。

初學者機器學習課程

🌍 一起環遊世界並透過世界文化探索機器學習 🌍

微軟的雲端倡導者們很高興提供一套為期 12 週、包含 26 課的課程，專注於機器學習。本課程將介紹有時稱為經典機器學習的技術，主要使用 Scikit-learn 函式庫，避免深度學習內容，後者在我們的初學者 AI 課程中涵蓋。同時可搭配我們的初學者資料科學課程一起學習！

跟我們一起環遊世界，將這些經典技術應用於來自全球多個地區的資料。每課皆包含課前和課後小測驗、書面指導、解答、作業等。我們採用以專案為導向的教學法，讓你邊建構邊學習，是新技能長期掌握的經驗證方式。

✍️ 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 以及 Amy Boyd

🎨 同時感謝插畫師 Tomomi Imura、Dasani Madipalli 與 Jen Looper

🙏 特別感謝🙏 微軟學生大使團隊的作者、審閱者與內容貢獻者，包括 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 與 Vidushi Gupta 參與 R 課程製作！

開始學習

請遵循以下步驟：

分叉此存儲庫：點擊本頁右上角的「Fork」按鈕。
複製存儲庫： git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 合集中找到本課程的所有附加資源

🔧 需要協助？ 請查看我們的疑難排解指南，了解安裝、設置及運行課程常見問題的解決方案。

學生適用方法：將整個存儲庫分叉到你的 GitHub 帳戶，在個人或小組內完成練習：

從課前小測開始。
閱讀課程內容並完成各項活動，遇到檢核點時暫停並反思。
嘗試透過理解課程自行創建專案，而非直接運行解答程式碼；不過解答程式碼會放在各面向專案課程的 /solution 資料夾內。
進行課後小測驗。
完成挑戰任務。
完成作業。
完成一組課程後，請訪問討論區，透過填寫 PAT 標準並「大聲學習」。'PAT' 是進度評估工具，一種用來促進學習的標準表格，你也可以對其他人的 PAT 回應，讓大家一起進步。

進階學習推薦追蹤這些 Microsoft Learn 模組和學習路徑。

老師們，我們提供了一些關於如何使用本課程的建議。

影片導覽

部分課程有短影片導覽。你可以在課程中內嵌觀看，或點擊下方圖片至 Microsoft Developer YouTube 頻道的「初學者機器學習」播放清單。

認識團隊

Gif 製作： Mohit Jaisal

🎥 點擊上方圖片觀看有關此專案及團隊成員的影片！

教學法

我們建構此課程時，採取了兩大教學原則：確保課程是以 專案為基礎的實作，以及包含 頻繁的小測驗。此外，也設計了共通的主題以保持內容一致性。

透過讓內容與專案對齊，增加學生的參與度並加強概念記憶。課前的小測驗有助於設定學生學習目標，課後小測則促進知識鞏固。此課程彈性且有趣，可整套完成或分段學習。專案從簡單開始，逐漸在 12 週循環結束時達到複雜度。課程末端亦包含一段關於機器學習在現實世界中的應用說明，適合作為額外學分或討論主題。

請參閱我們的行為守則、貢獻指南、翻譯說明及疑難排解指南。我們歡迎您的建設性意見反饋！

每節課內容包含

可選擇的素描筆記
可選擇的補充影片
影片導覽（部分課程）
課前暖身小測驗
書面課程
專案課程的逐步建構指導
知識檢核
挑戰任務
補充閱讀資料
作業
課後小測驗

關於語言的說明：這些課程主要以 Python 編寫，但也有許多課程提供 R 版本。若要完成 R 課程，請前往 /solution 資料夾並尋找 R 課程。這些課程包含 .rmd 副檔名，代表一個 R Markdown 檔案，簡單來說，它是將 程式碼區塊（R 或其他語言）與 YAML 標頭（用以指示如何格式化輸出，例如 PDF）嵌入於 Markdown 文件 中。基於此，R Markdown 作為資料科學的典範編輯架構，可讓你於 Markdown 中同時撰寫程式碼、其輸出與你的想法。此外，R Markdown 文件可以渲染為 PDF、HTML 或 Word 等輸出格式。

關於測驗的說明：所有測驗皆收錄在 Quiz App folder 中，總計 52 組，每組包含三個問題。這些測驗會在課程內連結，但你也可以在本地執行測驗應用程式；請依照 quiz-app 資料夾中的說明，在本地端架設或部署至 Azure。

課程編號	主題	課程群組	學習目標	相關課程	作者
01	機器學習入門介紹	Introduction	學習機器學習的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	了解此領域的歷史背景	Lesson	Jen 與 Amy
03	公平性與機器學習	Introduction	建立與應用機器學習模型時，應考慮的重要哲學公平性議題	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究者用於建立機器學習模型的技術	Lesson	Chris 與 Jen
05	迴歸入門	Regression	開始使用 Python 與 Scikit-learn 建立迴歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	資料視覺化與清理，為機器學習做準備	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性及多項式迴歸模型	Python • R	Jen 與 Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯迴歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用 🔌	Web App	建立一個網頁應用以使用你訓練好的模型	Python	Jen
10	分類入門	Classification	數據清理、準備與視覺化；分類介紹	Python • R	Jen 與 Cassie • Eric Wanjau
11	美味亞洲與印度料理 🍜	Classification	分類器介紹	Python • R	Jen 與 Cassie • Eric Wanjau
12	美味亞洲與印度料理 🍜	Classification	更多分類器	Python • R	Jen 與 Cassie • Eric Wanjau
13	美味亞洲與印度料理 🍜	Classification	使用你的模型建立推薦網頁應用	Python	Jen
14	分群入門	Clustering	數據清理、準備與視覺化；分群介紹	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂品味 🎧	Clustering	探索 K 平均 (K-Means) 分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理入門 ☕️	Natural language processing	透過建置簡易聊天機器人學習自然語言處理基礎	Python	Stephen
17	常見的自然語言處理任務 ☕️	Natural language processing	透析常見 NLP 任務以深化對語言結構的理解	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	利用 Jane Austen 文本進行情感分析與翻譯	Python	Stephen
19	歐洲浪漫飯店 ♥️	Natural language processing	用飯店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫飯店 ♥️	Natural language processing	用飯店評論進行情感分析 2	Python	Stephen
21	時間序列預測入門	Time series	時間序列預測介紹	Python	Francesca
22	⚡️ 世界電力使用 ⚡️ - 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	⚡️ 世界電力使用 ⚡️ - 使用 SVR 進行時間序列預測	Time series	使用支持向量回歸器 (SVR) 進行時間序列預測	Python	Anirban
24	強化學習入門	Reinforcement learning	強化學習基礎介紹：Q-Learning	Python	Dmitry
25	幫彼得避開狼！ 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	現實世界中的機器學習場景與應用	ML in the Wild	傳統機器學習在真實世界的有趣且啟發性的應用	Lesson	團隊
後記	使用 RAI 儀表板進行機器學習模型偵錯	ML in the Wild	使用 Responsible AI 儀表板元件進行機器學習模型偵錯	Lesson	Ruth Yakubu