课程结构

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
• README.md
• ml-for-beginners-video-banner.png
• quiz-app/src/assets/translations/en.json

本文档详细介绍了 ML-For-Beginners 存储库的组织结构，解释了课程如何围绕各种机器学习主题进行组织以及课程的进展。有关此课程使用的教学方法和学习方法的信息，请参阅 学习方法。

ML-For-Beginners 课程是一门为期 12 周、共 26 课的课程，涵盖经典的机器学习概念，主要使用 Scikit-learn，侧重于机器学习基础知识，而非深度学习。

来源：README.md13-21

整体课程结构

该课程分为 9 个主要部分，每个部分包含多个课程，介绍并逐步深入特定的机器学习概念。

来源：README.md98-126

仓库组织结构

存储库的结构直接映射到课程部分，每个部分都有自己的目录，包含课程材料。

来源：README.md30-34 1-Introduction/README.md8-13

标准的课程组成部分

每节课都遵循标准化的结构，以提供一致的学习体验。

课程目录结构

来源：README.md40-46 1-Introduction/1-intro-to-ML/README.md1-11

组件详解

每节课都包括以下标准化组成部分：

组件	描述	实现
课前测验	3个问题的小测验，以建立基线知识	指向 quiz-app 端点的链接
草图笔记	课程概念的可视化总结	sketchnotes/ 文件夹中可选的图片
视频讲解	对课程内容进行视频讲解	可选的 YouTube 链接
讲义内容	包含解释和示例的主要教学材料	README.md 中的 Markdown 内容
知识检查	在 README.md 中嵌入的、用于加深理解的随堂问题	嵌入在 README.md 中
挑战	用于应用概念的实践编码练习	README.md 中的章节
课后测验	3个问题的小测验，以评估学习效果	指向 quiz-app 端点的链接
作业	扩展项目或练习	在 assignment.md 中详细说明

如主 README.md 文件中所述

每节课包括：

• 可选的手绘笔记
• 可选的补充视频
• 视频讲解（部分课程）
• 课前热身测验
• 书面课程
• 对于基于项目的课程，提供有关如何构建项目的分步指南
• 知识检查
• 一项挑战
• 补充阅读
• 作业
• 课后测验

来源：README.md80-92 1-Introduction/4-techniques-of-ML/README.md10-23

学习路径进展

该课程遵循精心设计的学习路径，系统地构建知识，从基础概念开始，然后深入到更复杂的主题。

来源：README.md72-77 1-Introduction/4-techniques-of-ML/README.md14-25

主题整合

该课程采用全球主题，通过数据集和示例探索不同的文化和地区。

• 回归：北美南瓜价格（课程 2.2-2.4）
• 分类：亚洲和印度美食（课程 4.2-4.4）
• 聚类：尼日利亚音乐品味（课程 5.2）
• 自然语言处理：欧洲酒店评论（课程 6.4-6.5）
• 时间序列：世界电力使用情况（课程 7.2-7.3）
• 强化学习：经典寓言场景 - 彼得和狼（课程 8.2）

来源：README.md15-19 README.md98-126

评估系统

该课程整合了一个全面的测验系统，用于评估学生在每节课之前和之后的学习情况。

来源：README.md95-96 quiz-app/src/assets/translations/en.json1-57

测验实施

测验内容以 JSON 文件形式存储，每个测验都具有一致的结构。

每节课都有课前测验（以设定学习目标）和课后测验（以评估学习效果）。测验系统共有 52 个测验，每个测验包含 3 个问题。

来源：quiz-app/src/assets/translations/en.json8-57 README.md95-96

技术实现

机器学习技术

该课程在课程中使用了各种机器学习库和框架来实施所涵盖的概念。

来源：README.md94 1-Introduction/4-techniques-of-ML/README.md70-100

机器学习模型地图

该课程涵盖了一系列经典的机器学习模型和技术，展示了它们之间的关系和实现。

来源：README.md98-126 1-Introduction/4-techniques-of-ML/README.md70-100

多语言支持

该课程支持多种语言，旨在让全球都能接触到机器学习教育。

来源：README.md127-140 quiz-app/src/assets/translations/en.json1-10

教育进阶

该课程采用项目制方法，每个部分都建立在先前的知识之上。

章节	项目焦点	机器学习技术	核心库
介绍	基础概念	不适用	不适用
回归	南瓜价格预测	线性/逻辑回归	scikit-learn, pandas
Web 应用	模型部署	Flask 集成	Flask, Pickle
分类	美食分类	多种分类器	scikit-learn, pandas
聚类	音乐品味分析	K-Means	scikit-learn, matplotlib
NLP	酒店评论分析	文本处理、情感分析	NLTK, VADER
时间序列	电力使用预测	ARIMA, SVR	statsmodels, scikit-learn
强化学习	基于游戏的学习	Q-Learning	OpenAI Gym

来源：README.md98-126 1-Introduction/4-techniques-of-ML/README.md26-32

实践实施指南

对于正在学习课程的学生，推荐的方法是：

1. Fork 存储库
2. 每节课
   • 参加课前测验
   • 阅读讲座并完成活动
   • 通过理解概念来创建项目，而不是仅仅运行解决方案代码
   • 参加课后测验
   • 完成挑战和作业
   • 在讨论区提交 PAT（进度评估工具）

每个基于项目的课程的解决方案代码都包含在每个课程目录内的 /solution 文件夹中。

来源: README.md38-46

这个结构化的课程确保了全面的学习体验，提供了从基础概念到机器学习技术实际应用的逻辑顺序。