🌐 多語言支援

透過 GitHub Action 支援（自動且持續更新）

偏好本機複製？

本儲存庫包含 50 多種語言的翻譯，這會大幅增加下載大小。若要在不下載翻譯資料的情況下複製，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"
這樣可以讓你更快速取得完成課程所需的所有內容。

加入我們的社群

我們目前在 Discord 舉辦 AI 學習系列課程，詳細資訊及參加方式請見 Learn with AI Series，活動日期為 2025年9月18日至30日。你將學會使用 GitHub Copilot 進行資料科學的技巧與秘訣。

機器學習入門教材

🌍 一起環遊世界，透過世界各地文化來探索機器學習 🌍

微軟的 Cloud Advocates 很高興提供一個為期 12 週、共 26 課的機器學習完整教材。在本教材中，你將學習所謂的 經典機器學習，主要利用 Scikit-learn 函式庫，避免深度學習部分，深度學習相關內容請參考我們的新手 AI 教材。你也可以搭配我們的'新手資料科學教材'一同學習。

隨著我們環遊世界，你將學會如何用這些經典技術分析來自全球的各種數據。每節課包含課前與課後測驗、詳細的書面教學、解答、作業等。專案式教學讓你邊學邊做，幫助新技能更好地吸收。

✍️ 特別感謝作者 Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura、Cassie Breviu、Dmitry Soshnikov、Chris Noring、Anirban Mukherjee、Ornella Altunyan、Ruth Yakubu 及 Amy Boyd

🎨 也感謝插畫者 Tomomi Imura、Dasani Madipalli 和 Jen Looper

🙏 特別感謝 🙏 微軟學生大使作者、審稿與內容貢獻者，尤其是 Rishit Dagli、Muhammad Sakib Khan Inan、Rohan Raj、Alexandru Petrescu、Abhishek Jaiswal、Nawrin Tabassum、Ioan Samuila 和 Snigdha Agarwal

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

開始使用

請依照以下步驟進行：

Fork 本儲存庫：點擊本頁右上角的「Fork」按鈕。
Clone 本儲存庫： git clone https://github.com/microsoft/ML-For-Beginners.git

在我們的 Microsoft Learn 集合中找到本課程所有其他資源

🔧 需要協助？ 請參閱我們的疑難排解指南，解決安裝、設定或執行課程常見問題。

學生，請將本教材整個 Repo fork 至個人 GitHub 帳號，並自行或組團完成練習：

從課前測驗開始。
閱讀課程內容並完成各項活動，每個知識檢查點停下來思考。
嘗試理解課程內容並自己完成專案，而非單純執行解答程式碼；但解答程式碼會放在每個專案課程的 /solution 資料夾中供參考。
完成課後測驗。
完成挑戰題。
完成作業。
完成一組課程後，請造訪討論區並藉由填寫「PAT 評分表」公開學習心得。PAT 是一種進度評估工具，透過填寫可以促進學習。你也能對其他人的 PAT 給予回應，與大家一同學習成長。

若想進一步學習，我們推薦這些 Microsoft Learn 模組與學習路徑。

教師們，我們已在如何使用本教材文件中提供相關建議。

影片導覽

部分課程提供短影片教學版本。你可以在課程內嵌的影片中觀看，或造訪 Microsoft Developer YouTube 頻道的 ML for Beginners 播放清單點擊下方圖示觀看。

團隊介紹

動態圖 GIF 來源 Mohit Jaisal

🎥 點擊上方圖片觀看有關本專案及團隊成員的介紹影片！

教學理念

本教材依循兩大教學原則打造：強調 實作專案導向 和包含 頻繁的測驗。此外，本教材以統一的主題創造連貫性。

透過確保課程內容與專案緊密結合，學習過程更具吸引力，並增進觀念記憶。課前低壓力測驗幫助學生設定學習目標，課後測驗則強化記憶與理解。整個教材設計靈活且有趣，學生可選擇全部或部分學習。專案難度由淺入深，隨著 12 周課程逐步增加挑戰。教材末尾也包含機器學習在實務中的應用，可作為加分題或討論基礎。

請參閱本專案的行為守則、貢獻指南、翻譯與疑難排解文件。我們歡迎您的建設性回饋！

每堂課內容含括

選擇性思維導圖
選擇性補充影片
影片導覽（有些課程才有）
課前暖身測驗
書面教學
專案導向課程附有逐步建置指南
知識檢查
挑戰題
補充閱讀資料
作業
課後測驗

關於語言的說明：這些課程主要是用 Python 撰寫，但許多課程也有提供 R 版本。要完成 R 課程，請到 /solution 資料夾中查找相關 R 課程檔案。這些檔案副檔名為 .rmd，代表 R Markdown 文件，是結合程式碼區塊（R 或其他語言）與 YAML 標頭（用於格式化輸出，如 PDF）的 Markdown 文件。R Markdown 是資料科學極佳的寫作框架，允許你整合程式碼、輸出與筆記內容。另外，R Markdown 文件可轉換為 PDF、HTML 或 Word 等多種格式。 關於測驗的小提示：所有測驗都包含在 Quiz App folder 中，總共有 52 個測驗，每個測驗包含三個問題。它們會從課程中連結，但測驗應用程式也可以在本機執行；請參照 quiz-app 資料夾中的說明來在本機端託管或部署到 Azure。

Lesson Number	主題	課程分組	學習目標	連結課程	作者
01	機器學習簡介	Introduction	學習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 and Amy
03	公平性與機器學習	Introduction	在建立和應用機器學習模型時，學生應考慮哪些重要的公平性哲學議題？	課程	Tomomi
04	機器學習技術	Introduction	機器學習研究者使用哪些技術來建立機器學習模型？	課程	Chris and Jen
05	回歸介紹	Regression	使用 Python 和 Scikit-learn 開始回歸模型	Python • R	Jen • Eric Wanjau
06	北美南瓜價格 🎃	Regression	視覺化與清理資料以準備機器學習	Python • R	Jen • Eric Wanjau
07	北美南瓜價格 🎃	Regression	建構線性與多項式回歸模型	Python • R	Jen and Dmitry • Eric Wanjau
08	北美南瓜價格 🎃	Regression	建立邏輯回歸模型	Python • R	Jen • Eric Wanjau
09	網頁應用程式 🔌	Web App	建置網頁應用程式以使用您的訓練模型	Python	Jen
10	分類介紹	Classification	清理、預備及視覺化資料；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	進階分類器	Python • R	Jen and Cassie • Eric Wanjau
13	美味亞洲與印度料理 🍜	Classification	使用您的模型建置推薦系統網頁應用程式	Python	Jen
14	聚類介紹	Clustering	清理、預備與視覺化資料；聚類介紹	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	自然語言處理介紹 ☕️	Natural language processing	透過建立簡單的機器人了解自然語言處理的基礎	Python	Stephen
17	常見的 NLP 任務 ☕️	Natural language processing	透過了解處理語言結構時所需的常見任務，加深您對 NLP 的理解	Python	Stephen
18	翻譯與情感分析 ♥️	Natural language processing	與 Jane Austen 一起做翻譯與情感分析	Python	Stephen
19	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 1	Python	Stephen
20	歐洲浪漫飯店 ♥️	Natural language processing	使用飯店評論進行情感分析 2	Python	Stephen
21	時間序列預測介紹	Time series	時間序列預測介紹	Python	Francesca
22	⚡️ 全球用電量 ⚡️ - 使用 ARIMA 的時間序列預測	Time series	使用 ARIMA 進行時間序列預測	Python	Francesca
23	⚡️ 全球用電量 ⚡️ - 使用 SVR 的時間序列預測	Time series	使用支持向量回歸器進行時間序列預測	Python	Anirban
24	強化學習介紹	Reinforcement learning	使用 Q-Learning 進行強化學習入門	Python	Dmitry
25	幫彼得躲避狼！ 🐺	Reinforcement learning	強化學習 Gym	Python	Dmitry
後記	真實世界的機器學習場景與應用	ML in the Wild	傳統機器學習的有趣且具啟發性的真實應用	課程	Team
後記	使用 RAI 儀表板進行機器學習模型除錯	ML in the Wild	使用 Responsible AI 儀表板元件進行機器學習模型除錯	課程	Ruth Yakubu