12 周，26 节课，52 道测验，适合所有人的经典机器学习。
添加链接描述
初学者机器学习 - 课程
Microsoft 的 Azure Cloud Advocates 很高兴提供为期 12 周、26 节课的全部关于机器学习的课程。在本课程中，您将了解有时称为经典机器学习的内容，主要使用 Scikit-learn 作为库并避免深度学习，这将在我们即将推出的“AI 初学者”课程中介绍。
入门
要使用本课程，请将整个存储库 fork 到您自己的 GitHub 帐户，并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，在每次知识检查时暂停并反思。
- 尝试通过理解课程而不是运行解决方案代码来创建项目；/solution但是，每- - 个面向项目的课程的文件夹中都提供了该代码。
- 参加课后测验。
- 完成挑战。
- 完成作业。
- 完成课程组后，访问讨论区并通过填写适当的 PAT 规则“大声学习”。“PAT”是
一种进度评估工具，它是您填写的标题以进一步学习。您还可以对其他 PAT - 做出反应，以便我们一起学习。
目前的课程
| 课号 | 话题 | 学习目标 |
|---|---|---|
| 01 | 机器学习简介 | 了解机器学习背后的基本概念 |
| 02 | 机器学习的历史 | 了解该领域的历史 |
| 02 | 机器学习的历史 | 了解该领域的历史 |
| 03 | 公平与机器学习 | 学生在构建和应用 |
| 04 | 机器学习技术 | ML 研究人员使用哪些技术来构建 ML 模型 |
| 05 | 回归简介 | 开始使用 Python 和 Scikit-learn 构建回归模型 |
| 06 | 北美南瓜价格🎃 | 可视化和清理数据，为 ML 做准备 |
| 07 | 北美南瓜价格🎃 | 构建线性和多项式回归模型 |
| 08 | 北美南瓜价格🎃 | 建立逻辑回归模型 |
| 09 | 网络应用🔌 | 构建 Web 应用程序以使用经过训练的模型 |
| 10 | 分类介绍 | 清理、准备和可视化您的数据；分类介绍 |
| 11 | 美味的亚洲和印度美食🍜 | 分类器简介 |
| 12 | 美味的亚洲和印度美食🍜 | 更多分类器 |
| 13 | 美味的亚洲和印度美食🍜 | 使用您的模型构建推荐网络应用程序 |
| 14 | 聚类简介 | 清理、准备和可视化您的数据；聚类简介 |
| 15 | 探索尼日利亚的音乐品味🎧 | 探索 K-Means 聚类方法 |
| 16 | 自然语言处理简介☕️ | 通过构建一个简单的机器人来学习 NLP 的基础知识 |
| 17 | 常见的 NLP 任务☕️ | 通过理解处理语言结构时所需的常见任务来加深您的NLP 知识 |
| 18 | 翻译和情感分析♥️ | 简·奥斯汀的翻译和情感分析 |
| 19 | 欧洲的浪漫酒店♥️ | 带有酒店评论的情感分析 1 |
| 20 | 欧洲的浪漫酒店♥️ | 酒店评论的情感分析 2 |
| 21 | 时间序列预测简介 | 时间序列预测简介 |
| 22 | ⚡️世界用电量⚡️- 使用 ARIMA 进行时间序列预测 | 使用 ARIMA 进行时间序列预测 Python 弗朗西斯卡 |
| 23 | ⚡️世界用电量⚡️- 使用 SVR 进行时间序列预测 | 使用支持向量回归器进行时间序列预测 Python 阿尼班 |
| 24 | 强化学习简介 | Q-Learning 强化学习简介 |
| 25 | 帮助彼得避开狼！🐺 | 强化学习健身房 |
那就开始吧
微软的课程还是很用心的，从这些图片的绘制就可以看的出来，如果英文不好的话，看看有没有人把他翻译成中文吧。
