🌐 多語言支援

透過 GitHub Action 支援（自動且持續更新）

偏好本地 Clone？

本倉庫包含 50 多種語言的翻譯，會大幅增加下載大小。若要不含翻譯檔案的 Clone，請使用 sparse checkout：

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"
這讓你可以更快下載，且擁有所需完成課程的所有內容。

加入我們的社群

我們有一系列 Discord AI 學習活動，詳情及參與請訪問 Learn with AI Series，時間為 2025 年 9 月 18 日至 30 日。您將學到使用 GitHub Copilot 於資料科學的技巧與秘訣。

機器學習給初學者 - 課程大綱

🌍 透過世界多元文化，一同探索機器學習 🌍

微軟雲端推廣團隊很高興提供一個為期 12 週、共 26 課的 機器學習 課程。在這套課程中，您將學習有時被稱為 經典機器學習 的內容，主要使用 Scikit-learn 這個函式庫，避免使用深度學習（深度學習部分包含在我們的 AI for Beginners 課程中）。此外，也建議搭配我們的初學者資料科學課程一同學習。

跟著我們環遊世界，應用這些經典技術於全球各地的資料。每堂課都包含課前和課後測驗、書面教學指示、解答、作業等。我們採取以專案為基礎的教學法，讓你透過實作學習新技能，成效更佳。

✍️ 由衷感謝我們的作者：Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 及 Amy Boyd

🎨 也感謝我們的插畫師：Tomomi Imura、Dasani Madipalli 與 Jen Looper

🙏 特別感謝 🙏 微軟學生大使團隊作者、審查者與內容貢獻者，特別是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 額外感謝微軟學生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 貢獻 R 課程內容！

快速開始

請依序操作：

Fork 倉庫：點擊本頁右上方的「Fork」按鈕。
Clone 倉庫：git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 集合中找到本課程的所有額外資源

🔧 需要幫助？ 請參考我們的故障排除指南，解決安裝、設定與課程執行常見問題。

學生專屬頁面，使用本課程時，請將整個倉庫 Fork 至您自己的 GitHub 帳號，自行或與團隊完成練習：

從課前測驗開始。
閱讀課程並完成活動，每個知識點停下來思考。
嘗試自行理解並完成專案，不要直接執行解答程式碼；不過解答程式碼位於各專案課程的 /solution 資料夾中供參考。
參加課後測驗。
完成挑戰題。
完成作業。
完成一組課程後，請造訪討論區，並透過填寫適當的 PAT 評量表來「大聲學習」。PAT（進度評量工具）是您填寫的學習工具，還可以回應其他人的 PAT，一起互相學習。

想要深入學習，我們推薦關注這些 Microsoft Learn 模組與學習路徑。

教師專用，我們提供了使用本課程的建議。

影片導覽

部分課程有短版影片，您可在課程內嵌連結觀看，或前往 Microsoft Developer YouTube 頻道上機器學習入門影片清單按下面圖片播放。

認識團隊

Gif 製作： Mohit Jaisal

🎥 點擊上方圖片觀看關於專案和開發團隊的影片！

教學法

我們在打造本課程時堅持兩大教學原則：確保課程是動手做的 專案導向，以及包含 頻繁測驗。另外，本課程有一致的主題以保持連貫。

透過確保內容與專案對應，學習過程更吸引學生，概念吸收也更牢固。課前的低壓測驗幫助學生設定學習目標，而課後測驗則加強記憶。本課程設計靈活有趣，您可全部修完或擇取部分。專案由淺入深，隨著 12 週結束而逐漸複雜。此外，本課程包含機器學習實際應用的後記，可作為額外學分或討論基礎。

找到我們的行為守則、貢獻指南、翻譯指南與故障排除指南。歡迎您提供建設性回饋！

每堂課包含

可選的手繪筆記
可選的補充影片
影片導覽（部分課程）
課前暖身測驗
書面課程內容
專案導向課程有詳細逐步指引，教您完成專案
知識檢查
挑戰題
補充閱讀
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 語言版本。若要完成 R 課程，請前往 /solution 資料夾尋找 R 課程檔案。它們附有 .rmd 副檔名，代表 R Markdown 文件，簡單來說，是將 程式碼區塊（可能是 R 或其他語言）與 YAML 標頭（引導如何格式化輸出，例如 PDF）內嵌於 Markdown 文件 中的格式。因此，它是資料科學的優秀撰寫框架，允許您結合程式碼、輸出與您的想法，並以 Markdown 撰寫。此外，R Markdown 文件可匯出成 PDF、HTML 或 Word 等格式。

關於小測驗的說明：所有小測驗皆包含於Quiz App 資料夾中，總共 52 個小測驗，每個包含三個問題。這些小測驗會在課程中以連結形式呈現，但您也可以在本機執行 Quiz App；請參考 quiz-app 資料夾中的說明在本機部署或部署至 Azure。

課程編號	主題	課程分類	學習目標	相關課程	作者
01	機器學習導論	Introduction	了解機器學習的基本概念	課程	Muhammad
02	機器學習的歷史	Introduction	了解此領域的歷史背景	課程	Jen 和 Amy
03	公平性與機器學習	Introduction	學生應考慮建構和應用機器學習模型時關於公平性的重要哲學議題	課程	Tomomi
04	機器學習技術	Introduction	機器學習研究者使用何種技術來建立機器學習模型？	課程	Chris 和 Jen
05	迴歸導論	Regression	透過 Python 和 Scikit-learn 開始建立迴歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	對資料進行視覺化與清理，為 ML 準備資料	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 和 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	建立一個網頁應用以使用您訓練好的模型	Python	Jen
10	分類導論	Classification	清理、準備及視覺化您的資料；分類導論	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亞洲與印度料理 🍜	Classification	分類器入門	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亞洲與印度料理 🍜	Classification	更多分類器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亞洲與印度料理 🍜	Classification	使用您的模型建立推薦網站應用	Python	Jen
14	聚類導論	Clustering	清理、準備及視覺化資料；聚類導論	Python • R	Jen • Eric Wanjau
15	探索奈及利亞音樂品味 🎧	Clustering	探索 K-均值聚類法	Python • R	Jen • Eric Wanjau
16	自然語言處理導論 ☕️	Natural language processing	透過建立簡單機器人學習 NLP 基本知識	Python	Stephen
17	常見 NLP 任務 ☕️	Natural language processing	透徹了解處理語言結構時常見任務	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	以珍·奧斯汀作品進行情感與翻譯分析	Python	Stephen
19	歐洲浪漫旅館 ♥️	Natural language processing	旅館評論情感分析（一）	Python	Stephen
20	歐洲浪漫旅館 ♥️	Natural language processing	旅館評論情感分析（二）	Python	Stephen
21	時間序列預測導論	Time series	時間序列預測導論	Python	Francesca
22	⚡️ 世界用電 ⚡️ - 使用 ARIMA 進行時間序列預測	Time series	使用 ARIMA 實作時間序列預測	Python	Francesca
23	⚡️ 世界用電 ⚡️ - 使用 SVR 進行時間序列預測	Time series	使用支持向量回歸進行時間序列預測	Python	Anirban
24	強化學習導論	Reinforcement learning	使用 Q-Learning 認識強化學習	Python	Dmitry
25	幫助 Peter 避免狼群！🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
附錄	真實世界的機器學習場景與應用	ML in the Wild	經典機器學習在真實世界中的有趣且啟發性的應用	課程	團隊
附錄	使用 RAI 儀表板來偵錯機器學習模型	ML in the Wild	使用負責任的人工智慧儀表板元件來進行機器學習模型偵錯	課程	Ruth Yakubu