ML-For-Beginners - 2 周,26 节课,52 次练习,适合所有人的经典机器学习

Created at: 2021-03-03 09:34:05
开发语言: Jupyter Notebook
授权协议: MIT

许可证 贡献者 问题 拉取请求 欢迎使用

观察者 GitHub 分叉 吉特哈布斯明星

机器学习初学者 - 课程

🌍环游世界,通过世界文化🌍探索机器学习

微软的 Azure 云倡导者很高兴提供为期 12 周、26 节课的课程,内容全部与机器学习有关。在本课程中,你将了解有时被称为经典机器学习的内容,主要使用Scikit-learn作为图书馆,并避免深度学习,这在我们即将推出的“初学者AI”课程中有所涉及。将这些课程与我们的“初学者数据科学”课程相结合!

与我们一起环游世界,我们将这些经典技术应用于来自世界许多地区的数据。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。我们基于项目的教学法允许你在构建的同时学习,这是新技能“坚持”的行之有效的方法。

✍️ 衷心感谢我们的作者珍·卢珀、斯蒂芬·豪威尔、弗朗西斯卡·拉泽里、伊村智美、卡西·布雷维乌、德米特里·索什尼科夫、克里斯·诺林、阿尼尔班·穆克吉、奥内拉·阿尔图尼扬、艾米·博伊德

🎨 也感谢我们的插画家今村智美、达萨尼·马迪帕利、珍·卢珀

🙏 特别感谢🙏我们的微软学生大使作者、审稿人和内容贡献者,特别是瑞希特·达格利、穆罕默德·萨基布·汗·伊南、罗汉·拉杰、亚历山德鲁·彼得雷斯库、阿布舍克·贾伊斯瓦尔、纳林·塔巴苏姆、伊万·萨穆伊拉和斯尼格达·阿加瓦尔

🤩特别感谢微软学生大使埃里克·万乔为我们的R课程!


开始

使用此课程,学生应将整个存储库分叉到你自己的 GitHub 帐户,然后自行或与小组一起完成练习:

  • 从课前测验开始。
  • 阅读讲座并完成活动,暂停并在每次知识检查时进行反思。
  • 尝试通过理解课程而不是运行解决方案代码来创建项目;但是,该代码在每个面向项目的课程中的文件夹中可用。
    /solution
  • 参加课后测验。
  • 完成挑战。
  • 完成作业。
  • 完成课程组后,访问讨论板并通过填写相应的PAT评分量规来“大声学习”。“PAT”是一种进度评估工具,是你填写的用于进一步学习的评分量规。你还可以对其他PAT做出 React ,以便我们可以一起学习。

为了进一步学习,我们建议遵循这些 Microsoft 学习模块和学习路径。

老师们,我们提出了一些关于如何使用这个课程的建议。


团队介绍

宣传视频

吉夫,莫希特·贾萨尔

🎥单击上面的图像,获取有关该项目及其创建者的视频!


教育学

在构建此课程时,我们选择了两个教学原则:确保它是基于实践项目的,并且包括频繁的测验。此外,该课程有一个共同的主题,使其具有凝聚力。

通过确保内容与项目保持一致,该过程对学生来说更具吸引力,并且将增加概念的保留。此外,课前的低赌注测验设定了学生学习主题的意图,而课后的第二个测验确保了进一步的保留。该课程旨在灵活而有趣,可以全部或部分进行。这些项目从小开始,到12周周期结束时变得越来越复杂。该课程还包括关于ML实际应用的后记,可用作额外学分或作为讨论的基础。

查找我们的行为准则贡献翻译指南。我们欢迎你的建设性反馈!

每节课包括:

  • 可选草图注释
  • 可选补充视频
  • 课前热身测验
  • 书面课程
  • 用于基于项目的课程,有关如何构建项目的分步指南
  • 知识检查
  • 挑战
  • 补充阅读
  • 分配
  • 课后测验

关于语言的说明:这些课程主要用Python编写,但许多课程也以R语言提供。若要完成 R 课程,请转到该文件夹并查找 R 课程。它们包括一个 .rmd 扩展名,表示一个 R Markdown 文件,该文件可以简单地定义为 (R 或其他语言) 的嵌入和 一个 (指导如何格式化输出,如 PDF) 在 .因此,它是数据科学的典范创作框架,因为它允许你将代码,输出和想法写在Markdown中,从而将它们组合在一起。此外,R 标记文档可以呈现为输出格式,如 PDF、HTML 或 Word。

/solution
code chunks
YAML header
Markdown document

关于测验的注意事项:所有测验都包含在此应用程序中,总共有52个测验,每个测验有三个问题。它们从课程内部链接,但测验应用程序可以在本地运行;按照文件夹中的说明进行操作。

quiz-app

课程编号 主题 课程分组 学习目标 链接课程 作者
01 机器学习简介 介绍 了解机器学习背后的基本概念 穆罕默德
02 机器学习的历史 介绍 了解此字段背后的历史 珍和艾米
03 公平和机器学习 介绍 学生在构建和应用 ML 模型时应考虑哪些重要的公平性哲学问题? 智美
04 机器学习技术 介绍 ML 研究人员使用哪些技术来构建 ML 模型? 克里斯和珍
05 回归简介 回归 开始使用 Python 和 Scikit 学习回归模型
  • 埃里克·万乔
06 北美南瓜价格 🎃 回归 可视化和清理数据,为 ML 做准备
  • 埃里克·万乔
07 北美南瓜价格 🎃 回归 构建线性和多项式回归模型
  • 珍和德米特里
  • 埃里克·万乔
08 北美南瓜价格 🎃 回归 构建逻辑回归模型
  • 埃里克·万乔
09 网络应用 🔌 网络应用程序 构建 Web 应用以使用经过训练的模型
10 分类介绍 分类 清理、准备和可视化你的数据;分类介绍
  • 珍和卡西
  • 埃里克·万乔
11 美味的亚洲和印度美食 🍜 分类 分类器简介
  • 珍和卡西
  • 埃里克·万乔
12 美味的亚洲和印度美食 🍜 分类 更多分类器
  • 珍和卡西
  • 埃里克·万乔
13 美味的亚洲和印度美食 🍜 分类 使用模型构建推荐器 Web 应用
14 群集简介 聚类 清理、准备和可视化你的数据;群集简介
  • 埃里克·万乔
15 探索尼日利亚的音乐品味 🎧 聚类 探索 K 均值聚类分析方法
  • 埃里克·万乔
16 自然语言处理☕️简介 自然语言处理 通过构建简单的机器人了解有关 NLP 的基础知识 斯蒂芬
17 常见自然语言处理任务 ☕️ 自然语言处理 通过了解处理语言结构时所需的常见任务来加深你的NLP知识 斯蒂芬
18 翻译和情感分析 ♥️ 自然语言处理 简·奥斯汀的翻译和情感分析 斯蒂芬
19 欧洲♥️的浪漫度假酒店 自然语言处理 酒店评论的情绪分析 1 斯蒂芬
20 欧洲♥️的浪漫度假酒店 自然语言处理 酒店评论的情绪分析 2 斯蒂芬
21 时间序列预测简介 时间序列 时间序列预测简介 弗朗西丝卡
22 ⚡️世界电力使用情况 ⚡️ - 使用ARIMA进行时间序列预测 时间序列 使用有马进行时间序列预测 弗朗西丝卡
23 ⚡️全球电力使用情况 ⚡️ - 使用 SVR 进行时间序列预测 时间序列 使用支持向量回归量进行时间序列预测 阿尼尔班
24 强化学习简介 强化学习 使用 Q 学习进行强化学习简介 德米特里
25 帮助彼得避开狼!🐺 强化学习 强化学习健身房 德米特里
附言 实际 ML 场景和应用程序 机器学习在野外 经典 ML 的有趣且发人深省的实际应用 团队

离线访问

你可以使用文档集离线运行此文档。分叉此存储库,在本地计算机上安装 Docsify,然后在此存储库的根文件夹中键入 。该网站将在本地主机上的端口 3000 上提供:。

docsify serve
localhost:3000

文件

在此处查找带有链接的课程的 pdf 文件

需要帮助!

你想贡献翻译吗?请阅读我们的翻译指南,并在此处添加模板化问题来管理工作负载。

其他课程

我们的团队制作其他课程!退房: