ML-For-Beginners 阿拉伯语版课程总览：12 周经典机器学习课程的多语言学习系统与完整课表
【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners
本篇基于仓库中的阿拉伯语版总览文档 translations/ar/README.md 展开，系统讲解 Microsoft ML-For-Beginners 课程的内容定位、26 课完整课表、多语言翻译机制与 sparse checkout 克隆方式、Docsify 离线阅读与 quiz-app 测验系统等配套工程能力。读完后，你可以直接按该文档指引完成本地克隆、离线建站、本地运行测验应用，并沿课表逐课完成从回归到强化学习的经典机器学习训练路径。
课程定位：经典机器学习，而非深度学习
阿拉伯语版 README 开篇给出的课程定义是：一套由 12 周、26 课组成的完整机器学习课程（curriculum），核心是所谓的经典机器学习（classic machine learning），主要依赖Scikit-learn作为实现库，并明确刻意回避深度学习——深度学习被放到姊妹课程 AI for Beginners 中覆盖。这一边界在英文原版 README.md 与 AGENTS.md 中保持一致：仓库定位为“self-paced learning resource with hands-on projects, quizzes, and assignments”（自定节奏学习资源，含实战项目、测验与作业）。
课程设计了一个贯穿全程的世界文化主题（“Travel around the world as we explore Machine Learning by means of world cultures”）：不同模块使用来自不同地区与文化的真实数据集，例如北美南瓜价格（回归）、亚洲与印度美食（分类）、尼日利亚音乐口味（聚类）、欧洲酒店评价（NLP 情感分析）、世界用电量（时间序列）。每个模块的入口目录即为对应的主题 README，例如 2-Regression/README.md、4-Classification/README.md。
贡献者方面，文档完整列出了作者团队（Jen Looper、Stephen Howell、Francesca Lazzeri、Tomomi Imura 等 11 位作者）、插画师，以及专门负责 R 语言课程的三位 Microsoft Student Ambassadors（Eric Wanjau、Jasleen Sondhi、Vidushi Gupta）——这解释了为何许多课程同时提供 Python 与 R 两个版本。
完整课表：26 课 + 2 篇尾声课程
阿拉伯语版文档中的课表（原文第 133–161 行）是全文信息密度最高的部分，完整覆盖每一课的主题、分组、学习目标、课程入口与作者。下表按原文逐行继承并翻译，课程链接均已转换为仓库根目录相对路径：
| 课号 | 主题 | 分组 | 学习目标 | 课程入口 | 作者 |
|---|---|---|---|---|---|
| 01 | 机器学习导论 | Introduction | 了解机器学习背后的基础概念 | 课程 | Muhammad |
| 02 | 机器学习的历史 | Introduction | 了解该领域的历史 | 课程 | Jen 与 Amy |
| 03 | 公平性与机器学习 | Introduction | 构建与部署 ML 模型时应考虑哪些公平性哲学问题 | 课程 | Tomomi |
| 04 | 机器学习技术 | Introduction | ML 研究者使用哪些技术构建模型 | 课程 | Chris 与 Jen |
| 05 | 回归导论 | Regression | 用 Python 与 Scikit-learn 开始回归建模 | Python / R | Jen、Eric Wanjau |
| 06 | 北美南瓜价格 | Regression | 为 ML 准备数据：可视化与清洗 | Python / R | Jen、Eric Wanjau |
| 07 | 北美南瓜价格 | Regression | 构建线性回归与多项式回归模型 | Python / R | Jen、Dmitry、Eric Wanjau |
| 08 | 北美南瓜价格 | Regression | 构建逻辑回归模型 | Python / R | Jen、Eric Wanjau |
| 09 | Web 应用 | Web App | 构建一个 Web 应用来使用你训练好的模型 | Python | Jen |
| 10 | 分类导论 | Classification | 数据清洗、准备、可视化；分类入门 | Python / R | Jen、Cassie、Eric Wanjau |
| 11 | 亚洲与印度美食 | Classification | 分类器入门 | Python / R | Jen、Cassie、Eric Wanjau |
| 12 | 亚洲与印度美食 | Classification | 更多分类器 | Python / R | Jen、Cassie、Eric Wanjau |
| 13 | 亚洲与印度美食 | Classification | 用模型构建一个推荐 Web 应用 | Python | Jen |
| 14 | 聚类导论 | Clustering | 数据清洗、准备、可视化；聚类入门 | Python / R | Jen、Eric Wanjau |
| 15 | 探索尼日利亚音乐口味 | Clustering | 探索 K-Means 聚类方法 | Python / R | Jen、Eric Wanjau |
| 16 | NLP 导论 | NLP | 通过构建一个简单聊天机器人学习 NLP 基础 | Python | Stephen |
| 17 | NLP 常见任务 | NLP | 深入理解处理语言结构所需的常见任务 | Python | Stephen |
| 18 | 翻译与情感分析 | NLP | 基于简·奥斯汀文本的翻译与情感分析 | Python | Stephen |
| 19 | 欧洲浪漫酒店 | NLP | 酒店评论情感分析（上） | Python | Stephen |
| 20 | 欧洲浪漫酒店 | NLP | 酒店评论情感分析（下） | Python | Stephen |
| 21 | 时间序列预测导论 | Time series | 时间序列预测入门 | Python | Francesca |
| 22 | 世界用电量：ARIMA | Time series | 用 ARIMA 做时间序列预测 | Python | Francesca |
| 23 | 世界用电量：SVR | Time series | 用支持向量回归做时间序列预测 | Python | Anirban |
| 24 | 强化学习导论 | Reinforcement learning | 通过 Q-Learning 入门强化学习 | Python | Dmitry |
| 25 | 帮彼得躲开狼 | Reinforcement learning | 强化学习 Gym 实战 | Python | Dmitry |
| 尾声 | 真实世界 ML 场景与应用 | ML in the Wild | 经典 ML 的有趣真实应用 | 课程 | 团队 |
| 尾声 | 用 RAI 仪表盘调试 ML 模型 | ML in the Wild | 用 Responsible AI 仪表盘组件调试模型 | 课程 | Ruth Yakubu |
从课表结构可以看出课程的难度曲线：项目从小型开始，随 12 周推进逐步复杂化；第 9 课（Web 应用）与第 13 课（推荐 Web 应用）是两个部署节点，把离线训练的模型推向可用形态。离线文档站的侧边栏 docs/_sidebar.md 与课表分组一一对应，可视为同一课程结构的另一种投影。
开始使用：克隆、sparse checkout 与学习流程
两种克隆方式
文档给出两条路径。完整克隆：先 Fork 仓库，再执行
git clone https://github.com/microsoft/ML-For-Beginners.git稀疏克隆：由于仓库包含 50 余种语言的翻译（对应目录 translations/ 下每语言约 150 个文件，另有 translated_images/ 的逐语言图片目录），完整下载体积可观。阿拉伯语版文档在“本地克隆”一节给出了 Git sparse checkout 的完整命令，Bash/macOS/Linux 与 Windows CMD 各一套：
# Bash / macOS / Linux git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images':: CMD (Windows) git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"要点是--filter=blob:none（按需拉取文件内容）配合--no-cone模式下的'/*' '!translations' '!translated_images'排除规则，使下载只保留课程本体而跳过全部翻译产物，文档原文称这能“以更快得多的速度下载完成课程所需的全部内容”。
学生与教师的使用流程
文档对学生的标准学习路径是固定的七步循环：
- 先做课前测验（pre-lecture quiz）；
- 阅读课程并完成活动，在每个 knowledge check 处停下来反思；
- 通过理解课程来亲手构建项目，而不是直接运行解答代码——但解答代码始终可用，位于每个项目型课程目录的
solution/文件夹中（例如 2-Regression/1-Tools/solution）； - 做课后测验（post-lecture quiz）；
- 完成 challenge；
- 完成 assignment；
- 完成一个课程分组后，去 Discussion Board “learn out loud”，填写对应的 PAT（Progress Assessment Tool，进度评估量表），也可以回应他人的 PAT 共同学习。
教师则可参考 for-teachers.md 中的课堂组织建议；遇到安装、配置或运行课程的问题，文档指向 TROUBLESHOOTING.md 排障指南。
多语言支持：GitHub Action 驱动的自动翻译
阿拉伯语版 README 本身即是“多语言支持”特性的一个实例：它与英文原版结构逐段对应，并带有明确的机器翻译标记。文档顶部的语言切换表用注释包裹：
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START --> [العربية](https://link.gitcode.com/i/1f0bdcbd50c78df7ae8a21b473bd6d93) | [البنغالية](https://link.gitcode.com/i/e83d17d120e2c196f15e8fe563105930) | ... <!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->从源码结构看，CO-OP TRANSLATOR ...注释块（文档中的 LANGUAGES TABLE 与 OTHER COURSES 两处）是自动化翻译流水线的锚点，标记“Supported via GitHub Action (Automated & Always Up-to-Date)”，即翻译内容随上游更新通过 GitHub Action 自动再生。翻译目录的实际布局印证了这一点：translations/ar/ 与英文根目录结构逐层镜像（同样包含 1-Introduction 到 9-Real-World 九个模块目录、quiz-app、AGENTS.md、TROUBLESHOOTING.md 等文件，共约 150 个文件，其中 99 个 .md 与 51 个 .ipynb），覆盖阿拉伯语、孟加拉语、中文（简体/港澳/台湾）、日语、西语、俄语等 50+ 种语言；translations/ar/2-Regression/1-Tools/solution 下同样保留了 R 版与 Julia 版解答，说明翻译流水线连解答目录也一并复制。
文档末尾附有机翻译免责声明：该文档由 Co-op Translator 服务翻译，原文（英文）为权威来源，关键信息建议参考专业人工翻译。
教学方法论与单课完整结构
文档的“Pedagogy”一节声明了课程的两个教学法支柱：
- 项目式（project-based）：内容必须与项目对齐，以提升参与度与概念留存；
- 高频测验（frequent quizzes）：课前低风险测验设定学习意图，课后第二次测验巩固留存。
此外课程有一条共同主题线保证整体连贯性；课程可整体或局部取用，12 周结束后还附有“真实世界 ML 应用”尾声，可作加分项或讨论基础。
“Each lesson includes” 一节列出了单课的标准配置，这一结构在仓库中可直接验证（以 8-Reinforcement/1-QLearning/ 为例，目录内含 README.md、notebook.ipynb、assignment.md、solution/、images/ 与 translations/）：
- 可选的 sketchnote 手绘图解（仓库根目录 sketchnotes/ 提供各模块手绘图）；
- 可选的补充视频；
- 视频讲解（仅部分课程）；
- 课前热身测验；
- 书面课程正文（README.md）；
- 项目型课程的逐步构建指南；
- 知识检查（knowledge checks）；
- 一个挑战题（challenge）；
- 补充阅读；
- 作业（assignment.md）；
- 课后测验。
Python 与 R 双语言版本
文档特别说明了语言支持：课程主体为 Python，许多课程同时提供 R 版本。R 版本位于各课的/solution文件夹中，扩展名为.Rmd（R Markdown）。文档对 R Markdown 的解释值得保留原义：它是把code chunks（R 或其他语言的代码块）与YAML header（指导 PDF 等输出格式的控制头）嵌入到Markdown 文档中的形式，可把代码、输出与思路写在同一份 Markdown 中，并能渲染为 PDF、HTML 或 Word。以第 5 课为例，R 版入口为 2-Regression/1-Tools/solution/R/lesson_1.html，同目录下还有lesson_1.Rmd与lesson_1-R.ipynb，即“一个 Rmd 源文件、两种渲染形态”的组织方式。
测验应用（quiz-app）
文档“关于测验”的注记指出：全部52 个测验、每个 3 题都包含在 quiz-app/ 文件夹中，它们在课程内部被链接引用，但测验应用本身可以在本地运行，本地托管或部署到 Azure 的步骤见该文件夹的说明。对照 quiz-app/README.md 与 quiz-app/package.json，可以确认这是一个 Vue.js 项目，标准工作流为：
cd quiz-app npm install npm run serve # 本地开发，热重载 npm run build # 生产构建其 quiz-app/public/routes.json 将/*路由全部指向/index.html，是典型的 SPA 部署配置；README 同时给出了 Azure Static Web App 的完整部署流程（创建资源、配置 GitHub 源、设置构建参数、GitHub Actions 自动接管构建与部署）。
离线访问、PDF 与辅助资源
Docsify 离线文档站
文档的“Offline access”一节给出了完整的离线阅读方案：该仓库本身就是一套 Docsify 站点。根目录 index.html 中定义了window.$docsify配置（站点名Machine Learning for Beginners，并启用relativePath: true以支持相对路径解析），配合 docs/_sidebar.md 提供左侧导航。使用方式：
- Fork/克隆本仓库；
- 在本机安装 Docsify；
- 在仓库根目录执行
docsify serve； - 站点在
localhost:3000端口提供。
仓库根目录还包含 docsifytopdf.js，且 package.json 定义了npm run convert脚本（执行docsify-to-pdf），用于把整套文档转为 PDF。
课程 PDF
文档“PDFs”一节说明，完整课程（带链接的）PDF 版本托管于官方站点（pdf/readme.pdf），仓库内亦有 pdf/readme.pdf 作为静态副本；个别课程目录还带有单独的 PDF，如 1-Introduction/1-intro-to-ML/lesson-1.pdf、1-Introduction/2-history-of-ML/lesson-2.pdf。
获取帮助
文档的“Getting Help”部分提供了三级支持渠道：加入社区（Microsoft Foundry 的 Discord）与其他学习者讨论概念与项目想法、向有经验的开发者请教；遇到 bug 或错误、或有改进建议时，在仓库中直接开 Issue 报告；产品反馈与社区帖子检索则指向开发者论坛。这三类渠道对应仓库内已有的治理文件：CODE_OF_CONDUCT.md、CONTRIBUTING.md、SECURITY.md、SUPPORT.md 与 AGENTS.md。
文档末尾的“额外学习建议”给出三条通用实践：每课后复习 notebook；自己动手实现算法；用真实世界数据集练习所学概念。
小结与延伸阅读路径
translations/ar/README.md 作为整个课程的阿拉伯语总览，其内容骨架是：课程定位（经典 ML + Scikit-learn、世界文化数据集主题）→ 26 课课表 → 克隆与 sparse checkout → 学生/教师学习流程 → 教学法与单课结构 → Python/R 双版本与 52 题测验应用 → Docsify 离线站点与 PDF → 帮助渠道。仓库内的实际目录结构（九个编号模块、各课README.md + notebook.ipynb + solution/ + assignment.md + images/的统一布局）与该文档描述逐一对应，可作为验证与深入学习的入口；建议的下一步是直接进入 1-Introduction/README.md 完成第一课，并参考 TROUBLESHOOTING.md 排查环境问题。
【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
