概述

相关源文件

• 1-Introduction/1-intro-to-ML/README.md
• 1-Introduction/2-history-of-ML/README.md
• 1-Introduction/2-history-of-ML/translations/README.ru.md
• 1-Introduction/2-history-of-ML/translations/assignment.ru.md
• 1-Introduction/4-techniques-of-ML/README.md
• 1-Introduction/4-techniques-of-ML/assignment.md
• 1-Introduction/4-techniques-of-ML/images/overfitting.png
• 1-Introduction/README.md
• 1-Introduction/images/globe.jpg
• 6-NLP/3-Translation-Sentiment/solution/notebook.ipynb
• 9-Real-World/1-Applications/README.md
• 9-Real-World/1-Applications/translations/README.ko.md
• 9-Real-World/README.md
• 9-Real-World/images/chess.jpg
• README.md
• ml-for-beginners-video-banner.png
• quiz-app/src/assets/translations/en.json

本文档提供了 ML-For-Beginners 仓库的全面概述。这是一个为期 12 周、共 26 课时的课程，重点介绍经典的机器学习技术。该课程旨在通过主要使用 Scikit-learn，向初学者介绍基础的机器学习概念，并避免涉及深度学习（深度学习将在 AI for Beginners 课程中涵盖）。

有关具体的 ML 技术和模块的信息，请参阅相应的维基页面，例如 核心 ML 概念、监督学习 或 特定 ML 应用。

目的与范围

ML-For-Beginners 仓库作为一个教育资源，通过基于项目的学习方法来学习经典的机器学习。它涵盖了回归、分类、聚类、自然语言处理、时间序列预测和强化学习，为 ML 基础知识打下了坚实的基础。

该课程旨在达成以下目标：

• 向初学者介绍机器学习概念
• 提供实践性的、基于项目的学习体验
• 利用真实数据集教授实用的 ML 技术
• 通过多语言支持，让 ML 教育惠及全球

来源：README.md15-19 1-Introduction/1-intro-to-ML/README.md9-11 1-Introduction/README.md1-4

课程结构

该课程围绕着一段穿越全球文化的旅程而组织，利用不同地区的数据来探索 ML 概念。它包含 9 个主要部分，共 26 课时。

图示：ML-For-Beginners 课程结构

每节课都包括课前测验、书面内容、练习、知识检查、挑战、补充阅读、作业和课后测验。

来源：README.md98-125 9-Real-World/README.md1-4

教学方法

该课程遵循两个主要的教学原则：

1. 项目驱动学习：每个部分都围绕着使用来自不同全球地区的真实数据集构建实际项目。
2. 频繁评估：课前和课后测验有助于巩固学习并确保概念的掌握。

图示：课程结构和评估流程

每节课都遵循一致的格式，以确保连贯的学习体验。课程从较简单的项目开始，在 12 周的周期中逐渐变得复杂。

来源：README.md72-78 README.md80-93

技术实现

该仓库的组织方式支持学习和贡献。

图示：ML-For-Beginners 的技术组成部分

ML 技术和工具

课程重点使用以下工具来教授经典的机器学习：

• Scikit-learn：实现 ML 算法的主要库
• Python：大多数课程使用的主要编程语言
• R：部分课程提供备选实现
• JavaScript：用于 Web 应用开发课程

该课程不涉及深度学习和神经网络，而是专注于回归、分类、聚类和强化学习等基础 ML 技术。

来源：1-Introduction/1-intro-to-ML/README.md66-94 1-Introduction/4-techniques-of-ML/README.md14-24

机器学习模型

该课程涵盖了广泛的经典 ML 模型。

图示：课程中涵盖的 ML 模型

每个模型都通过实际应用进行教学，例如：

• 使用回归预测南瓜价格
• 使用各种分类算法对菜肴进行分类
• 对尼日利亚音乐品味进行聚类
• 对酒店评论进行情感分析
• 使用时间序列模型预测世界能源消耗
• 构建一个强化学习代理来导航环境

来源：1-Introduction/4-techniques-of-ML/README.md26-33 9-Real-World/1-Applications/README.md7-9

评估系统

课程包含 52 个测验（每个测验 3 个问题），用于评估每节课前后的学习情况。

图示：测验评估系统

测验应用程序使用 Vue.js 构建，可以在本地运行或部署到 Azure。测验内容存储在支持多种语言的 JSON 文件中。

来源：README.md94-96 quiz-app/src/assets/translations/en.json1-116

多语言支持

该课程通过翻译课程和测验，旨在实现全球可访问性。

组件	支持的语言
课程内容	英语、西班牙语、中文、法语、日语等。
测验	英语、西班牙语、中文、法语等。

该课程包括翻译指南，并邀请贡献者协助将内容翻译成更多语言。

来源：README.md140 README.md127-128

快速入门

作为学生使用该课程：

1. 将存储库fork到你的GitHub账户
2. 克隆您的 fork：git clone https://github.com/yourusername/ML-For-Beginners.git
3. 按顺序学习课程，从课前测验开始
4. 按照课程说明完成项目
5. 参加课后测验
6. 完成挑战和作业
7. 使用 PAT（进度评估工具）在讨论板上分享您的进度

如需离线访问，您可以使用 Docsify 在本地托管文档，或访问课程的 PDF 版本。

来源：README.md29-46 README.md130-136

总结

ML-For-Beginners 通过结构化的、基于项目的课程，为初学者全面介绍了经典机器学习。它使用 Scikit-learn 涵盖了基础的 ML 技术，引导学习者完成实际应用，并通过课前和课后测验来评估理解程度。多语言支持和清晰的组织结构使其能够被全球范围内希望学习机器学习概念的初学者所接受。