面向初学者的机器学习课程
🌍 让我们环游世界,通过世界文化探索机器学习 🌍
微软的云倡导者很高兴提供一个为期12周、包含26课的机器学习课程。在这个课程中,您将学习到通常被称为经典机器学习的内容,主要使用Scikit-learn库,避开深度学习(这部分内容包含在我们的AI for Beginners课程中)。您也可以将这些课程与我们的'Data Science for Beginners'课程配套学习!
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。每节课都包括课前和课后测验、书面指导以完成课程、解决方案、作业等内容。我们基于项目的教学法让您能够在构建中学习,这是一种已被证实的新技能"粘附"方式。
✍️ 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
🎨 同样感谢我们的插画师 Tomomi Imura, Dasani Madipalli, 和 Jen Looper
🙏 特别感谢 🙏 我们的微软学生大使作者、审稿人和内容贡献者,特别是 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, 和 Snigdha Agarwal
🤩 额外感谢微软学生大使 Eric Wanjau, Jasleen Sondhi, 和 Vidushi Gupta 为我们的R课程所做的贡献!
开始学习
学生,要使用此课程,请将整个仓库fork到您自己的GitHub账户,并自行或与小组一起完成练习:
- 从课前测验开始。
- 阅读讲义并完成活动,在每个知识检查点暂停并反思。
- 尝试通过理解课程来创建项目,而不是直接运行解决方案代码;但是,这些代码在每个项目导向课程的
/solution
文件夹中可用。 - 参加课后测验。
- 完成挑战。
- 完成作业。
- 完成一组课程后,访问讨论板并"大声学习",填写相应的PAT评分表。PAT是进度评估工具,是一个您填写以进一步学习的评分表。您也可以对其他PAT做出反应,这样我们就可以一起学习。
对于进一步的学习,我们建议关注这些Microsoft Learn模块和学习路径。
教师,我们包含了一些建议关于如何使用这个课程。
视频演示
课程中的一些内容有简短的视频形式。您可以在课程内找到这些视频,或通过点击下面的图片在Microsoft Developer YouTube频道的ML for Beginners播放列表中找到所有这些视频。
认识团队
Gif由 Mohit Jaisal 制作
🎥 点击上面的图片观看关于项目和创建它的人的视频!
教学法
我们在构建这个课程时选择了两个教学原则:确保它是基于项目的实践性课程,并包含频繁的测验。此外,这个课程有一个共同的主题以保持连贯性。
通过确保内容与项目保持一致,使学习过程对学生来说更具吸引力,概念的保留也会增强。此外,课前的低风险测验设定了学生学习主题的意图,而课后的第二次测验则确保进一步的保留。这个课程设计得灵活有趣,可以整体学习,也可以部分学习。这些项目从小型开始,到12周周期结束时变得越来越复杂。本课程还包括机器学习在现实世界应用的后记,可以用作额外学分或讨论的基础。
每节课包括
- 可选的速写笔记
- 可选的补充视频
- 视频演示(仅部分课程)
- 课前热身测验
- 书面讲义
- 对于基于项目的课程,有关如何构建项目的分步指南
- 知识检查
- 挑战
- 补充阅读
- 作业
- 课后测验
关于语言的说明:这些课程主要用Python编写,但许多课程也有R语言版本。要完成R课程,请进入
/solution
文件夹并查找R课程。它们包含一个.rmd扩展名,代表R Markdown文件,可以简单地定义为在Markdown文档
中嵌入代码块
(R或其他语言)和YAML头
(指导如何格式化输出,如PDF)。因此,它作为数据科学的典范创作框架,因为它允许您将代码、其输出和您的想法结合起来,让您用Markdown写下它们。此外,R Markdown文档可以渲染成PDF、HTML或Word等输出格式。
关于测验的说明:所有测验都包含在这个应用中,共52个测验,每个测验包含三个问题。它们在课程中有链接,但测验应用可以在本地运行;按照
|quiz-app
文件夹中的说明操作。 | 课程编号 | 主题 | 课程分组 | 学习目标 | 相关课程 | 作者 | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | 机器学习导论 | 介绍 | 学习机器学习的基本概念 | 课程 | Muhammad | | 02 | 机器学习的历史 | 介绍 | 了解该领域的历史背景 | 课程 | Jen 和 Amy | | 03 | 公平性和机器学习 | 介绍 | 学生在构建和应用机器学习模型时应考虑的重要公平性哲学问题有哪些? | 课程 | Tomomi | | 04 | 机器学习技术 | 介绍 | 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 | 回归导论 | 回归 | 开始使用 Python 和 Scikit-learn 进行回归模型 || | 06 | 北美南瓜价格 🎃 | 回归 | 可视化和清理数据以准备机器学习 | |
- Jen
- Eric Wanjau
| | 07 | 北美南瓜价格 🎃 | 回归 | 构建线性和多项式回归模型 | |
- Jen
- Eric Wanjau
| | 08 | 北美南瓜价格 🎃 | 回归 | 构建逻辑回归模型 | |
- Jen 和 Dmitry
- Eric Wanjau
| | 09 | Web 应用 🔌 | Web 应用 | 构建 Web 应用以使用训练好的模型 | Python | Jen | | 10 | 分类导论 | 分类 | 清理、准备和可视化数据;分类简介 |
- Jen
- Eric Wanjau
- Python
- R |
| | 11 | 美味的亚洲和印度美食 🍜 | 分类 | 分类器简介 |
- Jen 和 Cassie
- Eric Wanjau
- Python
- R |
| | 12 | 美味的亚洲和印度美食 🍜 | 分类 | 更多分类器 |
- Jen 和 Cassie
- Eric Wanjau
- Python
- R |
| | 13 | 美味的亚洲和印度美食 🍜 | 分类 | 使用模型构建推荐 Web 应用 | Python | Jen | | 14 | 聚类导论 | 聚类 | 清理、准备和可视化数据;聚类简介 |
- Jen 和 Cassie
- Eric Wanjau
- Python
- R |
| | 15 | 探索尼日利亚音乐品味 🎧 | 聚类 | 探索 K-均值聚类方法 |
- Jen
- Eric Wanjau
- Python
- R |
| | 16 | 自然语言处理简介 ☕️ | 自然语言处理 | 通过构建简单机器人学习 NLP 基础知识 | Python | Stephen | | 17 | 常见 NLP 任务 ☕️ | 自然语言处理 | 通过理解处理语言结构所需的常见任务来深化 NLP 知识 | Python | Stephen | | 18 | 翻译和情感分析 ♥️ | 自然语言处理 | 简·奥斯汀作品的翻译和情感分析 | Python | Stephen | | 19 | 欧洲浪漫酒店 ♥️ | 自然语言处理 | 酒店评论情感分析 1 | Python | Stephen | | 20 | 欧洲浪漫酒店 ♥️ | 自然语言处理 | 酒店评论情感分析 2 | Python | Stephen | | 21 | 时间序列预测简介 | 时间序列 | 时间序列预测简介 | Python | Francesca | | 22 | ⚡️ 全球电力使用 ⚡️ - 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 | ⚡️ 全球电力使用 ⚡️ - 使用 SVR 进行时间序列预测 | 时间序列 | 使用支持向量回归进行时间序列预测 | Python | Anirban | | 24 | 强化学习简介 | 强化学习 | Q-Learning 强化学习简介 | Python | Dmitry | | 25 | 帮助彼得避开狼!🐺 | 强化学习 | 强化学习 Gym | Python | Dmitry | | 后记 | 现实世界中的机器学习场景和应用 | 野外的机器学习 | 有趣且富有启发性的经典机器学习在现实世界中的应用 | 课程 | 团队 | | 后记 | 使用 RAI 仪表板进行机器学习模型调试 | 野外的机器学习 | 使用负责任 AI 仪表板组件进行机器学习模型调试 | 课程 | Ruth Yakubu |
- Jen
- Eric Wanjau
离线访问
您可以使用 Docsify 离线运行此文档。fork 此仓库,在本地安装 Docsify,然后在此仓库的根文件夹中,键入 docsify serve
。该网站将在您的本地主机上的 3000 端口提供服务:localhost:3000
。
在此处查找带有链接的课程 PDF。
需要帮助!
想贡献一份翻译吗?请阅读我们的翻译指南并添加一个模板问题来管理工作量此处。
其他课程
我们的团队制作了其他课程!看看: