🌐 多語言支援

透過 GitHub Action 支援（自動化且始終保持最新）

想要本地複製？

此儲存庫包含 50 多種語言翻譯，會大幅增加下載大小。若想不帶翻譯內容複製，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"
這樣可以更快速下載，且包含完成課程所需的一切。

加入我們的社群

我們正在舉辦 Discord 的 AI 學習系列活動，請於 2025 年 9 月 18 日至 30 日前往 Learn with AI Series 瞭解更多並加入。我們將分享使用 GitHub Copilot 進行資料科學的技巧與方法。

機器學習初學者課程綱要

🌍 透過世界文化的視角，帶你環遊世界探索機器學習 🌍

微軟的雲端擁護者很高興提供一套為期 12 週、共 26 課的完整課程，主題為 機器學習。本課程聚焦於所謂的 經典機器學習，主要使用 Scikit-learn 函式庫，避開深度學習部分（相關內容可見於我們的初學者 AI 課程）。也建議和我們的初學者資料科學課程搭配學習！

跟我們一起周遊世界，將這些經典技術應用於各地的資料。每課包含課前與課後測驗、書面教學指引、解答、作業與更多。採用專案導向教學法，讓你邊學邊做，是幫助新技能扎根的有效方法。

✍️ 衷心感謝我們的作者 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu 與 Amy Boyd

🎨 以及感謝我們的插畫師 Tomomi Imura, Dasani Madipalli 與 Jen Looper

🙏 特別感謝 🙏 微軟學生大使的作者、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 與 Vidushi Gupta 對我們的 R 課程貢獻！

開始使用

請依序操作：

分叉此儲存庫（Fork）：點擊本頁右上角的「Fork」按鈕。
複製儲存庫（Clone）：git clone https://github.com/microsoft/ML-For-Beginners.git

本課程的所有附加資源請見我們的 Microsoft Learn 集合

🔧 需要幫助？ 請查閱我們的Troubleshooting Guide，解決常見的安裝、設定及執行問題。

學生，請將此課程的整個儲存庫 Fork 到你的 GitHub 帳號，並自行或團體完成練習：

先做課前熱身測驗。
閱讀課程教材並完成練習，並在每個知識點停下來思考。
盡量透過理解課程內容來建立專案，而非直接運行解答程式碼；不過解答可在每個專案課的 /solution 資料夾找到。
做完課後測驗。
完成挑戰。
完成指定作業。
完成每組課程後，歡迎前往討論區藉由填寫對應的 PAT 評分表「大聲學習」。PAT（進度評估工具）是用來提升學習的評分表。你也可以對其他人的 PAT 做出回應，共同進步。

若要進一步學習，我們建議跟隨這些Microsoft Learn模組及學習路徑。

教師，我們已提供一些建議關於如何使用此課程。

影片導覽

部分課程附有短片教學。你可在課程中內嵌觀看，或者前往微軟開發者 YouTube 頻道的 ML 入門播放清單點擊下面的圖片瀏覽。

團隊介紹

GIF 製作: Mohit Jaisal

🎥 點擊上方圖片觀看有關本專案及其創作者的影片！

教學理念

在設計本課程時，我們選擇了兩項教學原則：確保全程是動手操作的 專案導向，並且包含 頻繁測驗。另外，課程設計有共同的主題以增加連貫性。

透過內容與專案的緊密結合，學習過程更能吸引學生注意力，且有助於鞏固概念。課前的低壓力測驗讓學生訂立學習目標，課後的再度測驗則支持加深記憶。課程有彈性且趣味十足，可完整學習或擷取部分主題。專案自簡入深，於 12 週循環末達到複雜度高峰。最後也有針對機器學習在現實世界應用的補充內容，可用作加分題或討論基礎。

請參考我們的行為守則、貢獻指南、翻譯指南以及故障排除文件。我們十分歡迎您建設性的反饋！

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）
課前熱身測驗
書面課程內容
專案課程附分步驟指引
知識檢核
挑戰題
補充閱讀資料
作業
課後測驗

關於語言的說明：這些課程主要以 Python 撰寫，但也有許多課程提供 R 版本。要完成 R 課程，請前往 /solution 資料夾，尋找 R 課程。它們包含 .rmd 副檔名，代表一個 R Markdown 檔案，可簡單定義為在 Markdown 文件 中嵌入 程式碼區塊（R 或其他語言）及 YAML 標頭 （用於指導如何格式化輸出，如 PDF）。因此，它成為資料科學的典範編寫框架，允許你結合程式碼、其輸出及你的想法，並用 Markdown 記錄。此外，R Markdown 文件可渲染輸出格式如 PDF、HTML 或 Word。

關於測驗的說明：所有測驗都包含在 Quiz App 資料夾中，共有 52 個測驗，每個包含三個問題。測驗由課程內連結，可本地執行測驗應用程式；請依照 quiz-app 資料夾中的說明，在本地架設或部署至 Azure。

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	機器學習簡介	Introduction	學習機器學習的基本概念	Lesson	Muhammad
02	機器學習的歷史	Introduction	了解該領域的歷史背景	Lesson	Jen and Amy
03	公平性與機器學習	Introduction	探討學生在建立及應用 ML 模型時應考慮的重要哲學性公平議題	Lesson	Tomomi
04	機器學習技術	Introduction	機器學習研究人員用來建立 ML 模型的技術	Lesson	Chris and Jen
05	迴歸簡介	Regression	使用 Python 和 Scikit-learn 入門迴歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	可視化與清理資料，以備 ML 使用	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建立線性與多項式迴歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯斯迴歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用 🔌	Web App	建置可使用你的訓練模型的網頁應用	Python	Jen
10	分類簡介	Classification	清理、準備及視覺化資料；分類介紹	Python • R	Jen and Cassie • Eric Wanjau
11	美味亞洲與印度料理 🍜	Classification	分類器介紹	Python • R	Jen and Cassie • Eric Wanjau
12	美味亞洲與印度料理 🍜	Classification	更多分類器	Python • R	Jen and 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	分群簡介	Clustering	清理、準備及視覺化資料；分群介紹	Python • R	Jen • Eric Wanjau
15	探索尼日利亞音樂喜好 🎧	Clustering	探索 K-Means 分群方法	Python • R	Jen • Eric Wanjau
16	自然語言處理簡介 ☕️	Natural language processing	透過建立簡單機器人學習 NLP 基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	深化 NLP 知識，理解處理語言結構時需執行的常見任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	使用 Jane Austen 進行情感分析與翻譯	Python	Stephen
19	歐洲浪漫旅館 ♥️	Natural language processing	利用旅館評論進行情感分析 1	Python	Stephen
20	歐洲浪漫旅館 ♥️	Natural language processing	利用旅館評論進行情感分析 2	Python	Stephen
21	時間序列預測簡介	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	使用支援向量回歸器進行時間序列預測	Python	Anirban
24	強化學習簡介	Reinforcement learning	使用 Q-Learning 進行強化學習簡介	Python	Dmitry
25	幫助彼得躲避狼！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
Postscript	實際機器學習場景與應用	ML in the Wild	經典機器學習有趣且富啟發性的實際應用	Lesson	Team
Postscript	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板組件進行機器學習模型除錯	Lesson	Ruth Yakubu