ML-For-Beginners 课程全景指南：12 周 26 课经典机器学习入门实战路线图

ML-For-Beginners 课程全景指南12 周 26 课经典机器学习入门实战路线图【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-BeginnersML-For-Beginners 是微软 Cloud Advocates 团队开源的一套 12 周、26 课时的机器学习入门课程以 Scikit-learn 为核心库、聚焦经典机器学习并通过遍布全球文化的真实数据集驱动项目式学习。本文基于仓库希腊语版课程首页translations/el/README.md整理课程结构、学习路径、每课组成、完整课时表、Quiz 应用与离线阅读方式并对照仓库源码给出可验证的实操依据。读完本文你将掌握该课程的全貌、适合自己的学习路线、在本地运行 52 个随堂测验与使用 Docsify 离线浏览文档的具体方法。课程定位经典机器学习而非深度学习课程明确将内容限定在**经典机器学习classic machine learning**范畴主要依赖Scikit-learn库刻意避开深度学习深度学习由姊妹课程《AI for Beginners》覆盖数据基础则由《Data Science for Beginners》系列补充见 translations/el/README.md 开篇说明。课程的口号是 环游世界通过世界文化探索机器学习每个单元都使用来自不同地区与文化背景的真实数据作为练习对象例如北美南瓜价格2-Regression 回归单元数据见 2-Regression/data/US-pumpkins.csv亚洲与印度菜系分类4-Classification数据见 4-Classification/data/cuisines.csv尼日利亚音乐口味聚类5-Clustering/2-K-Means数据见 5-Clustering/data/nigerian-songs.csv全球电力负荷时间序列预测7-TimeSeries数据见 7-TimeSeries/data/energy.csv。教学法项目驱动 高频测验 统一主题课程构建时遵循两条教学原则见 translations/el/README.md 的 Pedagogy 小节项目式project-based内容与项目强对齐边做边学增强参与度与概念留存。项目从小到大在 12 周周期内逐步提升复杂度。高频测验frequent quizzes课前低风险测验设定学习意图课后测验巩固记忆形成测—学—测闭环。此外课程以世界文化为统一主题贯穿始终并附带一个关于 ML 真实世界应用的后记Postscript单元可作为加分内容或讨论素材。仓库中的导航侧栏 docs/_sidebar.md 也印证了这套课程分组结构Introduction、Regression、Build a Web App、Classification、Clustering、NLP、Time Series Forecasting、Reinforcement Learning、Real World ML 共九大模块。每个课时的标准组成每节课都包含一整套标准化教学组件见 translations/el/README.md 的 Each lesson includes 小节可选的草图笔记sketchnote位于仓库根目录 sketchnotes可选的补充视频视频导览仅部分课时课前热身测验pre-lecture quiz书面课程讲解项目式课时的逐步构建指南知识检查knowledge checks挑战任务challenge补充阅读作业assignment对应各课时目录下的 assignment.md课后测验post-lecture quiz。以实际目录为例回归单元的 2-Regression/3-Linear/ 目录下同时包含 README.md课程讲解、assignment.md作业、notebook.ipynbPython 笔记本与 solution/参考答案含 R 版 HTML。语言支持Python 为主、R 为辅课程绝大多数课时使用 Python同时相当一部分提供R 语言版本。R 版本以R Markdown.rmd形式提供它本质上是Markdown 文档 代码块 YAML 头YAML header的复合文档YAML 头指导输出格式如 PDF代码块可嵌入 R 或其他语言因而既能呈现代码、又能承载运行结果与文字分析。R Markdown 可渲染为 PDF、HTML 或 Word 等输出格式。示例回归工具课对应的 R 版渲染结果在 2-Regression/1-Tools/solution/R/lesson_1.html。完成 R 课时的方法是进入各课时目录下的/solution文件夹查找带 .rmd 扩展名的文件。仓库中各项目式课时均存在 R 版 solution如 2-Regression/2-Data/solution/、4-Classification/1-Introduction/solution/ 等。完整课程表26 课时 2 个后记下表完整列出课程全部课时、分组、学习目标与对应入口来源translations/el/README.md课时主题课时分组学习目标关联课时作者01机器学习导论Introduction学习机器学习背后的基本概念课时Muhammad02机器学习的历史Introduction了解支撑本领域的历史课时Jen、Amy03公平性与机器学习Introduction构建和应用 ML 模型时应考虑哪些重要的公平性哲学议题课时Tomomi04机器学习的技术IntroductionML 研究者用哪些技术构建模型课时Chris、Jen05回归导论Regression使用 Python 与 Scikit-learn 开始构建回归模型Python • RJen • Eric Wanjau06北美南瓜价格 Regression可视化与清洗数据为 ML 做准备Python • RJen • Eric Wanjau07北美南瓜价格 Regression构建线性与多项式回归模型Python • RJen、Dmitry • Eric Wanjau08北美南瓜价格 Regression构建逻辑回归模型Python • RJen • Eric Wanjau09一个 Web 应用 Web App构建 Web 应用以使用训练好的模型PythonJen10分类导论Classification清洗、准备与可视化数据分类导论Python • RJen、Cassie • Eric Wanjau11美味的亚洲与印度菜系 Classification分类器导论Python • RJen、Cassie • Eric Wanjau12美味的亚洲与印度菜系 Classification更多分类器Python • RJen、Cassie • Eric Wanjau13美味的亚洲与印度菜系 Classification使用模型构建 Web 推荐应用PythonJen14聚类导论Clustering清洗、准备与可视化数据聚类导论Python • RJen • Eric Wanjau15探索尼日利亚音乐口味 Clustering探索 K-Means 聚类方法Python • RJen • Eric Wanjau16自然语言处理导论 ☕️Natural language processing通过构建简单 bot 学习 NLP 基础PythonStephen17常见 NLP 任务 ☕️Natural language processing理解处理语言结构所需的常见任务深化 NLP 知识PythonStephen18翻译与情感分析 ♥️Natural language processing用 Jane Austen 作品做翻译与情感分析PythonStephen19欧洲浪漫酒店 ♥️Natural language processing酒店评论情感分析 1PythonStephen20欧洲浪漫酒店 ♥️Natural language processing酒店评论情感分析 2PythonStephen21时间序列预测导论Time series时间序列预测导论PythonFrancesca22⚡️ 全球电力负荷 ⚡️ —— 用 ARIMA 做时间序列预测Time series用 ARIMA 做时间序列预测PythonFrancesca23⚡️ 全球电力负荷 ⚡️ —— 用 SVR 做时间序列预测Time series用 Support Vector Regressor 做时间序列预测PythonAnirban24强化学习导论Reinforcement learning用 Q-Learning 学习强化学习PythonDmitry25帮 Peter 躲避狼群Reinforcement learning强化学习 GymPythonDmitry后记真实世界 ML 场景与应用ML in the Wild经典 ML 有趣且具有启发性的真实世界应用课时Team后记用 RAI dashboard 调试 ML 模型ML in the Wild使用 Responsible AI dashboard 组件调试机器学习模型课时Ruth Yakubu仓库源码佐证各单元均配有可运行代码课程并非只有文档每个单元都配套了可运行的代码与数据回归/分类/聚类单元提供 Jupyter Notebook如 2-Regression/4-Logistic/notebook.ipynb、4-Classification/3-Classifiers-2/notebook.ipynb与 solution 参考答案时间序列单元提供公共工具模块 7-TimeSeries/common/utils.py其中load_data负责读取 7-TimeSeries/data/energy.csv 并按小时频率重索引以识别缺失时段mape实现平均绝对百分比误差create_evaluation_df与TimeSeriesTensor用于构造 RNN 输入张量——展示了真实时间序列建模中加载—重采样—评估的完整工程链强化学习单元自带棋盘环境 8-Reinforcement/1-QLearning/rlboard.py与 8-Reinforcement/1-QLearning/notebook.ipynb 配合使用。多语言支持50 语言的自动化翻译仓库通过Co-op Translator基于 Azure 的 AI 翻译服务与GitHub Action自动维护 50 语言的翻译版本保证自动化且始终更新。仓库根目录的 translations 目录下按语言代码组织如 translations/el/README.md 即希腊语版首页配套的翻译图片存放于 translated_images 目录。各语言 README 末尾均附有 AI 翻译免责声明自动翻译可能包含错误或不准确之处应以原始语言文档为准。由于 50 语言翻译与翻译图片显著增大了仓库体积官方建议本地克隆时使用sparse checkout稀疏检出排除翻译目录命令来源translations/el/README.md# Bash / macOS / Linux git clone --filterblob: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 --filterblob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone /* !translations !translated_images这样既能获得完成课程所需的全部材料又显著加快下载速度。快速开始学生与教师路径官方推荐的学习步骤见 translations/el/README.md 的 Getting Started 小节Fork 仓库点击页面右上角 Fork 按钮将整个仓库复制到自己的 GitHub 账号适合学生便于独立完成练习克隆仓库git clone https://github.com/microsoft/ML-For-Beginners.git按单元推进先做课前测验阅读课时并完成活动在每个知识检查处暂停思考优先通过理解课时来构建项目而不是直接运行解答代码解答代码位于各项目式课时的/solution文件夹完成后做课后测验完成挑战与作业完成一组课时后可在 Discussion Board 填写对应的 PATProgress Assessment Tool进度评估工具评分表出声学习并相互评价。教师使用建议见 for-teachers.md。遇到安装、配置与运行问题可查阅 TROUBLESHOOTING.md 故障排除指南。Quiz 应用52 个测验的本地运行与 Azure 部署课程包含52 个测验每个 3 道题全部集中在 quiz-app 目录。测验内嵌在各课时中但应用本身可独立运行与部署。技术栈与本地运行从 quiz-app/package.json 可以看到该应用是一个基于 Vue 3 的静态应用依赖vue、vue-router、vue-i18n多语言构建工具为 Vue CLIvue/cli-service。源码结构包括 quiz-app/src/main.js、quiz-app/src/components/Quiz.vue、quiz-app/src/views/Home.vue 以及多语言测验数据 quiz-app/src/assets/translations。本地运行步骤如下来自 quiz-app/README.mdnpm install # 安装依赖 npm run serve # 开发模式带热重载 npm run build # 生产构建压缩混淆 npm run lint # 代码检查与修复部署到 Azure Static Web Apps官方在 quiz-app/README.md 中给出了部署到 Azure 静态 Web 应用的完整流程将包含静态应用代码的仓库 Fork 到自己的 GitHub在 Azure 门户创建 Static Web App 资源配置基础信息订阅、资源组、名称、区域与部署信息Source 选 GitHub、授权、选择组织/仓库/分支配置构建设置Build Presets 选择框架如 VueApp Location 指向quiz-appOutput Location 指向dist审查并创建Azure 会自动生成 GitHub Actions 工作流.github/workflows/azure-static-web-apps-name.yml在 GitHub 的 Actions 标签页监控部署完成后应用即在 Azure 提供的 URL 上线。示例工作流核心片段quiz-app/README.md中Azure/static-web-apps-deployv1动作的关键参数为app_location: /quiz-app应用源码路径、output_location: dist构建产物目录并使用AZURE_STATIC_WEB_APPS_API_TOKEN与GITHUB_TOKEN两个 Secret。离线访问与 PDF用 Docsify 离线浏览文档课程文档可通过 Docsify 在本地离线运行见 translations/el/README.md 的 Offline access 小节Fork 仓库并在本地安装 Docsify在仓库根目录执行docsify serve浏览器访问localhost:3000即可浏览整站文档。仓库根目录下的 index.html 与 docs/_sidebar.md 正是 Docsify 站点的入口与侧栏导航配置后者完整映射了 9 大课程模块的文档树。PDF 版课程大纲课程还提供带链接的 PDF 版大纲见仓库 pdf/readme.pdf。社区支持与求助渠道学习过程中卡住或有疑问时官方提供以下支持渠道见 translations/el/README.md 的 Getting Help 小节Discord 社区与学习者、开发者交流讨论 ML 概念与项目想法获取有经验开发者的指导Issue 反馈遇到 bug、错误或有改进建议可在仓库中提交 Issue开发者论坛进行产品反馈或检索社区已有帖子。延伸同系列姊妹课程同一团队还产出了其他入门系列课程列表见 translations/el/README.md 的 Other Courses 小节包括 LangChain 系列、Azure/Edge/MCP/Agents 系列、生成式 AI 系列Generative AI for Beginners 及 .NET/Java/JavaScript 变体、核心学习系列Data Science、AI、Cybersecurity、Web Dev、IoT、XR for Beginners与 Copilot 系列。其中 Data Science 与 AI 入门课程可与本课程配套学习形成数据—经典 ML—深度学习的完整进阶链路。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考