ML-For-Beginners: 从零开始学习机器学习的12周课程

机器学习初学者课程 - 一个完整的课程大纲

🌍 让我们环游世界,通过探索世界各地的文化来学习机器学习 🌍

微软的云倡导者团队很高兴推出这门为期12周、包含26节课的机器学习课程。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,避开在我们的AI for Beginners课程中涵盖的深度学习。你也可以将这些课程与我们的'Data Science for Beginners'课程搭配学习!

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、完成课程的书面说明、解决方案、作业等内容。我们基于项目的教学法让你在构建项目的同时学习,这是一种经过验证的新技能'固化'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

🎨 同时也感谢我们的插图画家 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!

入门指南

在我们的Microsoft Learn集合中查找本课程的所有额外资源

学生,要使用此课程,请将整个代码库fork到你自己的GitHub账户,并独立或与小组一起完成练习:

从课前测验开始。
阅读课程并完成活动,在每个知识检查点停下来思考。
尝试通过理解课程而不是直接运行解决方案代码来创建项目;但是,该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,访问讨论板并通过填写相应的PAT量表来'大声学习'。PAT是一个进度评估工具,是你填写以进一步学习的量表。你也可以对其他PAT做出反应,这样我们就可以一起学习。

如需进一步学习,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。

视频教程

一些课程以短视频形式提供。你可以在课程中内联找到所有这些视频,或者通过点击下面的图片在Microsoft Developer YouTube频道的ML for Beginners播放列表中找到它们。

认识团队

GIF by Mohit Jaisal

🎥 点击上面的图片观看关于该项目及其创作者的视频!

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手动操作,并包含频繁测验。此外,本课程还有一个共同的主题,以增强其连贯性。

通过确保内容与项目保持一致,这个过程对学生来说变得更有吸引力,概念的记忆也会得到加强。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记忆。本课程旨在灵活有趣,可以整体或部分学习。这些项目从小规模开始,在12周周期结束时变得越来越复杂。本课程还包括一个关于ML实际应用的后记,可以用作额外学分或讨论的基础。

查看我们的行为准则、贡献和翻译指南。我们欢迎你的建设性反馈!

每节课包括

可选的速写笔记
可选的补充视频
视频演练(仅部分课程)
课前热身测验
书面课程
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
一个挑战
补充阅读
作业
课后测验

关于语言的说明:这些课程主要是用Python编写的,但许多课程也有R语言版本。要完成R课程,请转到/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标头(指导如何格式化输出,如PDF)。因此,它作为数据科学的示范性创作框架,因为它允许你将代码、其输出和你的想法结合起来,允许你在Markdown中写下它们。此外,R Markdown文档可以呈现为PDF、HTML或Word等输出格式。