机器学习课程⚓︎
在microsoft/ML-For-Beginners的基础上，创建了中文在线学习网站机器学习 在线教程
12周、26节课
在这套课程中，你将学习关于经典机器学习的内容，主要将使用 Scikit-learn 这一库。关于深度学习的内容将会尽量避免 —— 它会被我们即将推出的 "AI for Beginners (针对初学者的 AI 教程)" 所涵盖。你也可以把这些课和我们已推出的 Data Science for Beginners（针对初学者的数据科学教程） 相结合！
通过把这些经典的技术应用在来自世界各地的数据，我们将 “环游世界”。每一节课都包括了课前和课后测验、课程内容的文字讲义说明、示例代码、作业等。通过这种基于项目的教学方法，你将在构建中学习，这样可以把技能学得更牢靠。
准备开始⚓︎
对于学生们，为了更好的使用这套课程，把整个仓库 fork 到你自己的 GitHub 账户中，并自行（或和一个小组一起）完成以下练习：
- 从课前测验开始
- 阅读课程内容，完成所有的活动，在每次 knowledge check 时暂停并思考
- 我们建议你基于理解来创建项目（而不是仅仅跑一遍示例代码）。示例代码的位置在每一个项目的
/solution文件夹中。 - 进行课后测验
- 完成课程挑战
- 完成作业
- 一节课完成后, 访问讨论版，通过填写相应的 PAT Rubric (课程目标) 来深化自己的学习成果。你也可以回应其它的 PAT，这样我们可以一起学习。
如果希望进一步学习，我们推荐跟随 Microsoft Learn 的模块和学习路径。
视频演示⚓︎
有些课程以短格式的视频提供。您可以在课程中找到它们的链接，或点击下方图片，在Microsoft Developer YouTube频道的“ML for Beginners”播放列表中找到它们。
项目团队⚓︎
🎥 点击上面的图片获取关于该项目和创建人员的视频！
教学方式⚓︎
此课程基于两个教学原则：学生应该上手进行项目实践，并完成频繁的测验。 此外，为了使整个课程更具有整体性，课程们有一个共同的主题。
通过确保课程内容与项目强相关，我们让学习过程对学生更具吸引力，概念的学习也被深化了。难度较低的课前测验可以吸引学生学习课程，而课后的第二次测验也进一步重复了课堂中的概念。该课程被设计地灵活有趣，可以一次性全部学习，或者分开来一部分一部分学习。这些项目由浅入深，从第一周的小项目开始，在第十二周结束时变得较为复杂。本课程还包括一个关于机器学习实际应用的附言，可用作额外学分或进一步讨论的基础。
每一节课都包含：⚓︎
- 可选的速写笔记
- 可选的补充视频
- 视频演示（仅适用于部分课程）
- 课前热身测验
- 文字课程
- 对于基于项目的课程，包含构建项目的分步指南
- 知识检测
- 一个挑战
- 补充阅读
- 作业
- 课后测验
关于测验：所有的测验都在这个应用里，总共 52 个测验，每个测验三个问题。它们的链接在每节课中，而且这个测验应用可以在本地运行。请参考
quiz-app文件夹中的指南。
| 课程编号 | 主体 | 课程组 | 学习目标 | 课程链接 |
|---|---|---|---|---|
| 01 | 机器学习简介 | 简介 | 了解机器学习背后的基本概念 | 课程 |
| 02 | 机器学习的历史 | 简介 | 了解该领域的历史 | 课程 |
| 03 | 机器学习与公平 | 简介 | 在构建和应用机器学习模型时，我们应该考虑哪些有关公平的重要哲学问题？ | 课程 |
| 04 | 机器学习的技术工具 | 简介 | 机器学习研究者使用哪些技术来构建机器学习模型？ | 课程 |
| 05 | 回归简介 | 回归 | 开始使用 Python 和 Scikit-learn 构建回归模型 | 课程 |
| 06 | 北美南瓜价格 🎃 | 回归 | 可视化、进行数据清理，为机器学习做准备 | 课程 |
| 07 | 北美南瓜价格 🎃 | 回归 | 建立线性和多项式回归模型 | 课程 |
| 08 | 北美南瓜价格 🎃 | 回归 | 构建逻辑回归模型 | 课程 |
| 09 | 一个网页应用 🔌 | 网页应用 | 构建一个 Web 应用程序以使用经过训练的模型 | 课程 |
| 10 | 分类简介 | 分类 | 清理、准备和可视化数据； 分类简介 | 课程 |
| 11 | 美味的亚洲和印度美食 🍜 | 分类 | 分类器简介 | 课程 |
| 12 | 美味的亚洲和印度美食 🍜 | 分类 | 关于分类器的更多内容 | 课程 |
| 13 | 美味的亚洲和印度美食 🍜 | 分类 | 使用您的模型构建一个可以「推荐」的 Web 应用 | 课程 |
| 14 | 聚类简介 | 聚类 | 清理、准备和可视化数据； 聚类简介 | 课程 |
| 15 | 探索尼日利亚人的音乐品味 🎧 | 聚类 | 探索 K-Means 聚类方法 | 课程 |
| 16 | 自然语言处理 (NLP) 简介 ☕️ | 自然语言处理 | 通过构建一个简单的 bot (机器人) 来了解 NLP 的基础知识 | 课程 |
| 17 | 常见的 NLP 任务 ☕️ | 自然语言处理 | 通过理解处理语言结构时所需的常见任务来加深对于自然语言处理 (NLP) 的理解 | 课程 |
| 18 | 翻译和情感分析 ♥️ | 自然语言处理 | 对简·奥斯汀的文本进行翻译和情感分析 | 课程 |
| 19 | 欧洲的浪漫酒店 ♥️ | 自然语言处理 | 对于酒店评价进行情感分析（上） | 课程 |
| 20 | 欧洲的浪漫酒店 ♥️ | 自然语言处理 | 对于酒店评价进行情感分析（下） | 课程 |
| 21 | 时间序列预测简介 | 时间序列 | 时间序列预测简介 forecasting | 课程 |
| 22 | ⚡️ 世界用电量 ⚡️ - 使用 ARIMA 进行时间序列预测 | 时间序列 | 使用 ARIMA 进行时间序列预测 | 课程 |
| 23 | ⚡️ 世界用电量⚡️ - 基于SVR的时间序列预测 | 时间序列 | 基于支持向量回归器的时间序列预测 | 课程 |
| 23 | 强化学习简介 | 强化学习 | Q-Learning 强化学习简介 | 课程 |
| 24 | 帮助 Peter 避开狼！🐺 | 强化学习 | 强化学习练习 | 课程 |
| 附言 | 现实世界中的机器学习场景和应用 | 自然场景下的机器学习 | 探索有趣的经典机器学习方法，了解现实世界中机器学习的应用 | 课程 |
| 附言 | 使用RAI仪表板在ML中调试模型 | 自然场景下的机器学习 | 使用负责任的AI仪表板组件进行机器学习中的模型调试 | 课程 |
离线访问⚓︎
使用Material for MkDocs 进行本地构建
PDF 文档⚓︎
点击这里查找课程的 PDF 文档。
其他课程⚓︎
创建日期: November 22, 2023