🌐 多语言支持

通过 GitHub Action 实现（自动化且始终保持最新）

阿拉伯语 | 孟加拉语 | 保加利亚语 | 缅甸语 | 简体中文 | 繁体中文（香港） | 繁体中文（澳门） | 繁体中文（台湾） | 克罗地亚语 | 捷克语 | 丹麦语 | 荷兰语 | 爱沙尼亚语 | 芬兰语 | 法语 | 德语 | 希腊语 | 希伯来语 | 印地语 | 匈牙利语 | 印尼语 | 意大利语 | 日语 | 坎纳达语 | 韩语 | 立陶宛语 | 马来语 | 马拉雅拉姆语 | 马拉地语 | 尼泊尔语 | 尼日利亚皮钦语 | 挪威语 | 波斯语（法尔西语） | 波兰语 | 巴西葡萄牙语 | 葡萄牙语（葡萄牙） | 旁遮普语（古木基文） | 罗马尼亚语 | 俄语 | 塞尔维亚语（西里尔字母） | 斯洛伐克语 | 斯洛文尼亚语 | 西班牙语 | 斯瓦希里语 | 瑞典语 | 塔加路语（菲律宾语） | 泰米尔语 | 泰卢固语 | 泰语 | 土耳其语 | 乌克兰语 | 乌尔都语 | 越南语

更倾向于本地克隆吗？

此仓库包含50多种语言的翻译，这会显著增加下载大小。若要不包含翻译而克隆，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"

这样可以让你以更快的速度下载所需内容，从而顺利完成课程。

加入我们的社区

我们正在举办“与 AI 共学”系列线上活动，更多信息及参与方式请访问 Learn with AI Series，活动时间为2025年9月18日至30日。你将学习如何利用 GitHub Copilot 进行数据科学的相关技巧与窍门。

面向初学者的机器学习课程

🌍 穿越全球，用世界文化探索机器学习 🌍

微软云倡导团队很高兴推出为期12周、共26课时的机器学习课程。在本课程中，你将学习所谓的经典机器学习，主要使用 Scikit-learn 库，而不涉及深度学习；深度学习的内容则涵盖在我们的面向初学者的人工智能课程中。同时，也建议将这些课程与我们的面向初学者的数据科学课程结合学习！

让我们一起环游世界，将这些经典技术应用于来自世界各地的数据。每节课都包含课前和课后测验、完成课程的书面说明、解决方案、作业等丰富内容。我们采用项目式教学法，在实践中学习并构建技能，这是一种已被证明能够有效巩固新知识的方法。

✍️ 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

🎨 同时感谢我们的插画师：Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特别感谢 微软学生大使们的作者、审稿人以及内容贡献者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

🤩 更加感激微软学生大使 Eric Wanjau、Jasleen Sondhi 和 Vidushi Gupta 为我们的 R 课程所做出的贡献！

入门

请按照以下步骤操作：

1. 复刻仓库：点击此页面右上角的“Fork”按钮。
2. 克隆仓库：git clone https://github.com/microsoft/ML-For-Beginners.git

在我们的 Microsoft Learn 课程集中查找本课程的所有附加资源

🔧 需要帮助吗？ 请查看我们的故障排除指南，以获取有关安装、设置和运行课程时常见问题的解决方案。

学生，要使用本课程，请将整个仓库复刻到您自己的 GitHub 账户，并单独或与小组一起完成练习：

• 首先进行课前测验。
• 阅读课程内容并完成各项活动，在每次知识检测处暂停并反思。
• 尽量通过理解课程内容来创建项目，而不是直接运行提供的解决方案代码；不过，每个项目式课程的 /solution 文件夹中都提供了这些代码。
• 完成课后测验。
• 完成挑战任务。
• 完成作业。
• 每完成一个课程组后，请访问讨论区，并通过填写相应的 PAT 评分标准“大声学习”。PAT 是一种进度评估工具，即您填写的评分标准，用于进一步促进学习。您也可以对其他 PAT 进行回应，以便我们共同学习。

如需进一步学习，我们建议您跟随这些 Microsoft Learn 模块和学习路径。

教师们，我们已在教师指南中提供了一些关于如何使用本课程的建议。

---

视频教程

部分课程有短视频版本。您可以在课程正文中找到这些视频，也可以通过点击下方图片访问 微软开发者 YouTube 频道上的“机器学习入门”播放列表。

---

团队介绍

动图由 Mohit Jaisal 制作

🎥 点击上方图片，观看关于该项目及其创建者的视频！

---

教学法

我们在构建本课程时选择了两项教学原则：确保课程是基于项目的实践型课程，并且包含频繁的测验。此外，本课程还具有一个贯穿始终的主题，以增强整体连贯性。

通过使内容与项目紧密结合，可以使学习过程对学生更具吸引力，并有助于加深对概念的理解和记忆。此外，在课堂开始前进行一次低风险的测验，可以帮助学生明确学习目标；而课后再次进行测验，则能进一步巩固所学内容。本课程设计灵活有趣，您可以选择完整学习或分阶段学习。项目难度由浅入深，到为期 12 周的学习周期结束时会逐渐复杂化。本课程还附有机器学习在现实世界中的应用简介，可作为额外学分或讨论的基础。

请参阅我们的行为准则、贡献指南、翻译文件以及故障排除指南。我们欢迎您的建设性反馈！

每个课程包括

• 可选的速写笔记
• 可选的补充视频
• 视频讲解（仅部分课程）
• 课前热身测验
• 文字版课程内容
• 对于项目式课程，提供逐步指导以完成项目
• 知识检测
• 挑战任务
• 补充阅读材料
• 作业
• 课后测验

关于语言的说明：这些课程主要以 Python 编写，但也有很多课程提供 R 语言版本。要完成 R 语言课程，请前往 /solution 文件夹，查找 R 语言课程。这些课程带有 .rmd 扩展名，代表一种 R Markdown 文件，可以简单定义为在 Markdown 文档 中嵌入 代码块（使用 R 或其他语言）以及 YAML 头部（用于指导如何格式化 PDF 等输出），从而实现代码、输出结果和文本说明的有机结合。因此，它是一种出色的数据科学创作框架，允许您将代码、其输出和思考以 Markdown 格式记录下来。此外，R Markdown 文档还可以渲染为 PDF、HTML 或 Word 等格式的输出。

关于测验的说明：所有测验都位于 Quiz App 文件夹中，共 52 个测验，每个测验包含三道题目。这些测验链接在课程中，但 Quiz App 也可以在本地运行；请按照 quiz-app 文件夹中的说明，在本地托管或部署到 Azure 上。

课时编号	主题	课程分组	学习目标	关联课程	作者
01	机器学习导论	导论	学习机器学习背后的基本概念	课程	Muhammad
02	机器学习的历史	导论	了解该领域的历史渊源	课程	Jen 和 Amy
03	公平性与机器学习	导论	在构建和应用机器学习模型时，学生应考虑哪些重要的公平性哲学问题？	课程	Tomomi
04	机器学习的技术	导论	机器学习研究人员使用哪些技术来构建机器学习模型？	课程	Chris 和 Jen
05	回归分析导论	回归分析	开始使用 Python 和 Scikit-learn 进行回归模型的实践	Python • R	Jen • Eric Wanjau
06	北美南瓜价格 🎃	回归分析	为机器学习做准备，对数据进行可视化和清洗	Python • R	Jen • Eric Wanjau
07	北美南瓜价格 🎃	回归分析	构建线性回归和多项式回归模型	Python • R	Jen 和 Dmitry • Eric Wanjau
08	北美南瓜价格 🎃	回归分析	构建逻辑回归模型	Python • R	Jen • Eric Wanjau
09	网页应用 🔌	网页应用	构建一个使用你训练好的模型的网页应用	Python	Jen
10	分类问题导论	分类	清洗、准备并可视化你的数据；介绍分类问题	Python • R	Jen 和 Cassie • Eric Wanjau
11	美味的亚洲和印度美食 🍜	分类	介绍分类器	Python • R	Jen 和 Cassie • Eric Wanjau
12	美味的亚洲和印度美食 🍜	分类	更多的分类器	Python • R	Jen 和 Cassie • Eric Wanjau
13	美味的亚洲和印度美食 🍜	分类	使用你的模型构建一个推荐网页应用	Python	Jen
14	聚类分析导论	聚类	清洗、准备并可视化你的数据；介绍聚类分析	Python • R	Jen • Eric Wanjau
15	探索尼日利亚音乐品味 🎧	聚类	探索 K-Means 聚类方法	Python • R	Jen • Eric Wanjau
16	自然语言处理导论 ☕️	自然语言处理	通过构建一个简单的聊天机器人来学习自然语言处理的基础知识	Python	Stephen
17	常见的NLP任务 ☕️	自然语言处理	通过理解处理语言结构时常见的任务，加深对自然语言处理的理解	Python	Stephen
18	翻译与情感分析 ♥️	自然语言处理	使用简·奥斯汀的作品进行翻译和情感分析	Python	Stephen
19	欧洲浪漫酒店 ♥️	自然语言处理	使用酒店评论进行情感分析 1	Python	Stephen
20	欧洲浪漫酒店 ♥️	自然语言处理	使用酒店评论进行情感分析 2	Python	Stephen
21	时间序列预测导论	时间序列	介绍时间序列预测	Python	Francesca
22	⚡️ 世界电力使用 ⚡️ - 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	Python	Francesca
23	⚡️ 世界电力使用 ⚡️ - 使用 SVR 进行时间序列预测	时间序列	使用支持向量回归机进行时间序列预测	Python	Anirban
24	强化学习导论	强化学习	使用 Q-Learning 介绍强化学习	Python	Dmitry
25	帮助彼得避开狼！ 🐺	强化学习	强化学习 Gym	Python	Dmitry
后记	真实世界中的机器学习场景与应用	真实世界的机器学习	经典机器学习在现实世界中一些有趣且富有启发性的应用	课程	团队
后记	使用 RAI 控制台调试机器学习模型	真实世界的机器学习	使用 Responsible AI 控制台组件在机器学习中进行模型调试	课程	Ruth Yakubu

在我们的 Microsoft Learn 课程合集中找到本课程的所有附加资源

离线访问

你可以使用 Docsify 在离线状态下运行这份文档。先 Fork 这个仓库，在本地机器上安装 Docsify，然后在该仓库的根目录下输入 docsify serve。网站将会在你的本地主机的 3000 端口上启动：localhost:3000。

PDF 文件

你可以在这里找到带有链接的课程 PDF 版本。

🎒 其他课程

我们的团队还制作了其他课程！请查看：

LangChain

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心学习

---

Copilot 系列

获取帮助

如果你在构建 AI 应用时遇到困难或有任何问题，欢迎加入 MCP 的讨论区，与志同道合的学习者和经验丰富的开发者一起交流。这是一个充满支持的社区，欢迎大家提问并自由分享知识。

如果你在开发过程中遇到产品反馈或错误，请访问：

其他学习建议

• 每节课后复习笔记本以加深理解。
• 自行练习实现算法。
• 使用所学概念探索真实世界的数据集。

ML-For-Beginners 快速上手指南

ML-For-Beginners 是微软推出的一套为期 12 周、包含 26 节课的机器学习入门课程。本课程专注于“经典机器学习”（非深度学习），主要使用 Python (Scikit-learn) 和 R 语言，通过项目驱动的方式帮助初学者掌握核心概念。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Windows, macOS 或 Linux
• Python 版本: 推荐 Python 3.8 或更高版本
• 包管理工具: pip (通常随 Python 安装) 或 conda
• 代码编辑器: 推荐 Visual Studio Code
• Git: 用于克隆仓库
• 可选 (R 语言用户): 如需完成 R 语言课程，需安装 R 和 RStudio，并支持 .rmd (R Markdown) 文件渲染。

国内加速建议：

• Git 克隆加速：如果直接克隆 GitHub 仓库速度慢，可使用镜像源（如 https://ghproxy.net/https://github.com/microsoft/ML-For-Beginners.git）或在终端配置代理。
• Python 包下载：建议使用清华或阿里镜像源安装依赖。

  pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
  

安装步骤

1. 获取代码

由于该仓库包含 50 多种语言的翻译文件，体积较大。建议普通用户（特别是仅需中文或英文内容的用户）使用 Sparse Checkout 模式克隆，仅下载核心课程内容，跳过翻译文件夹以加快下载速度。

Linux / macOS / Git Bash (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'

Windows CMD:

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"

如果您需要完整的本地多语言翻译文件，可直接运行标准克隆命令：

git clone https://github.com/microsoft/ML-For-Beginners.git

2. 安装依赖

进入课程目录，安装所需的 Python 库。

cd ML-For-Beginners
pip install -r requirements.txt

(注：部分特定章节可能有独立的 requirements.txt，请根据具体课程指引安装)

3. 验证安装

确保 jupyter 或相关库已正确安装，您可以尝试启动一个示例 Notebook（如果环境中已包含示例数据）或直接进入下一步开始学习。

基本使用

本课程采用“课前测验 -> 理论学习 -> 项目实践 -> 课后测验 -> 作业挑战”的流程。

学习路径示例

1. 选择课程： 进入仓库后，浏览根目录下的课程列表（通常在 README 表格中或通过文件夹结构查看）。课程按周次和主题分类（如：回归、分类、聚类等）。

2. 开始第一课： 以第一周的某节课为例，进入对应的文件夹（例如 1-Introduction/1-intro-to-ML）。

3. 执行学习流程：

   • 课前测验：访问链接或运行本地 Quiz App 进行热身。
   • 阅读教程：阅读文件夹内的 .md 文档或打开 .ipynb (Jupyter Notebook) 文件。
   • 运行代码： 在 Jupyter Notebook 或 VS Code 中打开课程提供的示例代码单元格，逐步运行并观察结果。

     # 示例：在 Notebook 中导入常用库
     import pandas as pd
     import numpy as np
     from sklearn.model_selection import train_test_split
     # 继续按照课程指导加载数据并训练模型...
     

   • 动手实践：尝试不直接运行答案代码，而是根据教程指导自己编写项目逻辑。
   • 查看解决方案：如果遇到瓶颈，可参考 /solution 文件夹中的完整代码（如果是 R 语言课程，请查找 .rmd 文件）。

4. 完成作业与挑战： 每节课末尾都有 Assignment（作业）和 Challenge（挑战），完成后建议在 GitHub Discussion 区分享您的学习心得 (PAT)。

运行本地测验应用 (可选)

所有测验题目存储在 quiz-app 文件夹中。您可以将其部署到本地进行测试：

cd quiz-app
# 按照该文件夹内的 README 指示安装依赖并启动服务
npm install
npm start

现在，您已经准备好开始您的机器学习之旅了！建议配合微软官方的 Learn 集合资源 进行深入学习。