ML-For-Beginners 课程总览（孟加拉语版 README）：12 周 26 课经典机器学习体系的学习路径与工程化支撑-酒店常州论坛

ML-For-Beginners 课程总览（孟加拉语版 README）：12 周 26 课经典机器学习体系的学习路径与工程化支撑

【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

本文以 translations/bn/README.md（ML-For-Beginners 仓库的孟加拉语版课程入口文档）为主体，完整梳理这门 12 周、26 节课程、52 套测验的经典机器学习课程体系：你会掌握从 sparse checkout 快速克隆、双语言（Python/R）课程表、每课固定学习闭环（测验-课程-项目-挑战-作业），到 Quiz App 本地运行、Docsify 离线部署、多语言翻译机制等全部可操作细节，从而可以按自己的语言环境直接开跑这门课程。

课程定位：经典机器学习，刻意排除深度学习

该文档开篇即明确了课程边界：课程由 12 周、26 个 lesson 组成，完全围绕机器学习展开，讲授的是通常被称为经典机器学习（Classic Machine Learning）的内容——主要使用 Scikit-learn 作为核心库，并刻意避开深度学习（深度学习内容被安排在仓库 README 中提及的姊妹课程 AI for Beginners 中）。

课程的方法论是项目制（project-based）：以世界不同地区的真实数据（北美南瓜价格、亚洲与印度料理、尼日利亚音乐、欧洲酒店评论、世界用电数据等）为载体，把经典 ML 技术应用到具体的"环球之旅"主题上。每一课都包含前后两次测验、书面教程、解决方案、挑战性任务与作业，让学习者"通过做来学"。文档同时提供了对作者、绘图师以及微软学生大使团队的致谢，以及 CODE_OF_CONDUCT.md、CONTRIBUTING.md、TROUBLESHOOTING.md 等社区文档的指引。

开始课程：Fork、Clone 与稀疏检出（Sparse Checkout）

文档给出了两步启动流程：

Fork 仓库：在仓库页面右上方点击 "Fork" 按钮；
Clone 仓库：git clone https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners.git

由于本仓库内置了50 多种语言的完整翻译（translations/与translated_images/两个目录占用了大量体积），文档特别给出了稀疏检出方案，只下载课程本体所需的代码与资源：

Bash / macOS / Linux：

git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/ml/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://gitcode.com/GitHub_Trending/ml/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

参数要点：--filter=blob:none让 Git 按需拉取文件内容而非一次性下载全部 blob；git sparse-checkout set --no-cone之后用/*保留根目录内容，再用两条!规则排除两个翻译目录。文档说明：这样通过更快的下载，即可获得完成整个课程所需的全部材料。若你恰好需要孟加拉语或其他语言的翻译，则保留对应translations/<lang>/子目录即可，其余语言目录仍可排除。

学生版学习流程（文档 "শুরু করা" 章节）为六步闭环：

以课前测验热身；
阅读教程并逐节完成练习，在每个"知识检验点"停下思考；
除了运行代码，尝试理解后自己构建项目——每个项目课的/solution文件夹中都有参考实现；
完成课后测验；
完成挑战（Challenge）；
完成作业（Assignment）；
每组课程结束后到讨论区做 "Loud Learning"：填写 PAT（Progress Assessment Tool）量规公开自己的学习成果，并对他人的 PAT 给出反馈。

教师使用本课程的指引见 for-teachers.md（含 GitHub Classroom 拆分课程仓库的建议，以及线上/线下两种组织方式）。

课程结构：12 周、26 课的完整课程表

文档的核心是一张 26 课 + 2 附录的全表（下方按仓库根路径给出真实可点链接；R 列指向各课solution/R/下预渲染的 HTML 版本，如 lesson_1.html）。部分课程同时提供 Python 与 R 两种实现，个别课程（如第 05 课的工具课）在 solution 中还能看到额外的 Julia 实现目录。

课号	主题	所属单元	学习目标	课程链接
01	机器学习简介	Introduction	学习机器学习的基本概念	课程
02	机器学习的历史	Introduction	了解该领域的背景史	课程
03	公平性与机器学习	Introduction	理解 ML 模型构建与应用中公平性的关键哲学议题	课程
04	机器学习的技术	Introduction	学习机器学习器使用哪些技术来构建模型	课程
05	回归入门（工具）	Regression	用 Python 与 Scikit-learn 起步回归建模	Python · R
06	北美南瓜价格	Regression	数据可视化与清洗，为 ML 做准备	Python · R
07	北美南瓜价格	Regression	构建线性与多项式回归模型	Python · R
08	北美南瓜价格	Regression	构建逻辑回归模型	Python · R
09	构建一个 Web 应用	Web App	为训练好的模型构建 Web 应用	Python
10	分类入门	Classification	数据清洗、准备与可视化；分类概念入门	Python · R
11	亚洲与印度风味料理	Classification	认识常见分类器	Python · R
12	亚洲与印度风味料理	Classification	更多分类器	Python · R
13	亚洲与印度风味料理	Classification	用你的模型构建一个推荐 Web 应用	Python
14	聚类入门	Clustering	数据清洗、准备与可视化；聚类概念入门	Python · R
15	尼日利亚音乐口味探索	Clustering	探索 K-Means 聚类方法	Python · R
16	NLP 入门	NLP	通过构建一个简单机器人掌握 NLP 基础	Python
17	常见 NLP 任务	NLP	理解应对语言结构所需的常见任务，深化 NLP 知识	Python
18	翻译与情感分析	NLP	与 Jane Austen 文本一起做翻译与情感分析	Python
19	欧洲浪漫酒店	NLP	基于酒店评论的情感分析 1	Python
20	欧洲浪漫酒店	NLP	基于酒店评论的情感分析 2	Python
21	时间序列预测入门	TimeSeries	时间序列预测入门	Python
22	世界用电（ARIMA）	TimeSeries	用 ARIMA 做时间序列预测	Python
23	世界用电（SVR）	TimeSeries	用支持向量回归做时间序列预测	Python
24	强化学习入门	Reinforcement	通过 Q-Learning 认识强化学习	Python
25	救彼得逃离大灰狼	Reinforcement	强化学习 Gym 环境	Python
附录	现实世界的 ML 场景与应用	Real-World	经典 ML 有趣且具反思性的现实应用	课程
附录	用 RAI Dashboard 调试 ML 模型	Real-World	用 Responsible AI 仪表盘组件调试模型	课程

这套课程表与仓库实际目录结构一一对应：1-Introduction/至9-Real-World/共 9 个单元目录，每个单元下再分若干N-主题/子课目录，且每课遵循统一的README.md + assignment.md + notebook.ipynb + images/ + solution/布局，例如 2-Regression/2-Data/ 的 README、作业、notebook 与解答齐全。Docsify 侧边栏 docs/_sidebar.md 也正是按同一课程表生成的导航索引。

教学设计与每课固定组件

文档 "শিক্ষাদান পদ্ধতি"（教学方法）一节说明了课程的两条核心教学原则：动手项目制与频繁测验，并用"世界文化"统一主题把所有课程串联起来以提高兴趣与记忆留存：课前低压力测验帮助设定学习目标，课后第二份测验检验概念留存。课程设计为灵活且有趣，可整体或局部采用；项目从简单起步，12 周内逐渐变复杂；最后以 "Real World ML" 后记作为额外学分或讨论基础。

每一课的标准组件清单（文档 "প্রতিটি লেসনে অন্তর্ভুক্ত"）：

可选的 sketchnote（手绘笔记，见 sketchnotes/）
可选的附加视频
视频走查（仅部分课程，视频在课程内部或配套 YouTube 播放列表中）
课前热身测验（pre-lecture warm-up quiz）
书面课程
项目课的逐步构建指导
知识检验（Check Your Knowledge）
一项挑战（Challenge）
扩展阅读
作业（Assignment）
课后测验（post-lecture quiz）

Python 与 R 双语言：R Markdown 说明

文档专门给出 "关于语言的说明"：课程以 Python 为主，但大量课程同时提供 R 版本。要完成一个 R 课程，进入对应课的/solution文件夹查找R Markdown（.Rmd）文件。文档对 R Markdown 的解释值得展开：

一个 R Markdown 文档由YAML header（用代码块语法声明元数据，决定输出格式如 PDF）+代码块（code chunks，可写 R 或其他语言代码）组成，本质是一个 Markdown 文档；
它因此是数据科学的理想写作框架：可以把代码、运行输出与思考笔记整合在同一文档中；
R Markdown 文档可渲染为 PDF、HTML 或 Word 等格式。

从仓库结构看，R 版本确实成体系地存放于各课solution/R/下，包含三件套：.Rmd源文件、.ipynb（如 lesson_1-R.ipynb）与预渲染的.html（课程表中直接链接的即此文件，无需本地渲染即可阅读）；此外solution/下还保留了 Python notebook.ipynb 与 Julia 实现目录，说明"同一课程多语言平行解答"是仓库的一贯组织方式。

52 套测验：Quiz App 的本地运行与部署

文档指出：全部 52 套课内外测验都包含在 quiz-app 目录中，每套测验含 3 道题；测验在课程正文中直接链接，同时该 App 可以本地运行或部署到 Azure。结合仓库实现，可以补充完整操作细节：

技术栈：从 quiz-app/package.json 看，这是一个Vue 3 + vue-router + vue-i18n的 Vue CLI 项目，vue-i18n依赖也与课程的多语言定位相吻合；
本地运行（在quiz-app目录下）：

npm install # 安装依赖 npm run serve # 编译并热重载（开发模式） npm run build # 编译压缩（生产构建） npm run lint # 代码检查

Azure Static Web Apps 部署：quiz-app/README.md 给出了完整流程——Fork 仓库 → 在 Azure 门户创建 Static Web App（Basic 与 Deployment Details 中选择 GitHub 作为 Source，Branch 选部署分支；Build Details 中框架选 Vue、App Location 指到/quiz-app、Output Location 为dist）→ Azure 会自动在仓库生成.github/workflows/azure-static-web-apps-<name>.yml工作流完成构建部署。仓库根目录的 quiz-app/public/routes.json 中{"route": "/*", "serve": "/index.html"}正是 Azure Static Web Apps 要求的路由重定向文件，佐证了该部署方式的配置约定；
常见故障排查：如npm install失败、端口 8080 被占用、Node 版本（14+）等问题的处理办法，见 TROUBLESHOOTING.md 的 "Quiz Application Issues" 一节。

多语言翻译体系：50+ 语言与自动同步机制

这份孟加拉语 README 本身即仓库多语言体系的产物。文档语言表（CO-OP TRANSLATOR 标记区块）列出 50 种受 GitHub Action 自动维护的翻译语言，涵盖 Arabic、Bengali、Chinese (Simplified/Traditional)、French、German、Hindi、Japanese、Korean、Portuguese (Brazil/Portugal)、Russian、Spanish、Vietnamese 等，每行都是指向translations/<lang>/README.md的入口链接（例如 translations/zh-CN/README.md、translations/ja/README.md）。

从仓库结构可以印证其规模与机制：

translations/下共48 个语言子目录（ar、bg、bn、cs、de、el、en、es、fa、hi、ja、ko、pt-BR、pt-PT、ru、zh-CN、zh-TW…），每个语言目录几乎是课程本体的完整镜像：包含1-Introduction/至9-Real-World/全部单元以及quiz-app/、docs/等目录，各含约 99 个 Markdown 与 51 个 notebook 文件。也就是说，以translations/bn/为例，它镜像了 translations/bn/1-Introduction 至 translations/bn/9-Real-World 的完整课程，学习者可以整门课以孟加拉语阅读；
translated_images/下按语言存放每语言 153 张 WebP 图片（如 translated_images/bn/），图片文件名带哈希后缀，与课程正文中的图片引用一一对应，保证翻译版文档的图片同步本地化；
文档末尾的免责声明说明：这些翻译由 AI 翻译服务 Co-op Translator 完成，尽力保证准确但自动翻译可能存在错误，原文（母语版本）仍是权威来源，重要信息建议使用专业人工翻译。

这解释了前面 sparse checkout 建议的由来：翻译内容体量很大，排除它们能显著减小克隆体积。

离线文档与 PDF 版本

文档还给出两种脱离网页的使用方式：

Docsify 离线访问：本仓库的文档站由 index.html（Docsify 入口）驱动，侧边栏来自 docs/_sidebar.md。离线运行步骤（文档 "অফলাইন অ্যাকসেস" 章节）：

Fork 仓库到你的 GitHub；
在本地安装 Docsify；
在仓库根目录执行docsify serve；
浏览器访问localhost:3000即可本地浏览全部课程文档。

PDF 版本：课程 PDF 位于 pdf/readme.pdf。从源码看，它由 docsifytopdf.js 配置生成：以docs/_sidebar.md为目录遍历所有课程页面，经 Puppeteer 以print媒体模式渲染，输出到pdf/readme.pdf并清理临时文件；package.json 中的npm run convert脚本（node_modules/.bin/docsify-to-pdf）即触发这一流程，docsify-to-pdf@0.0.5列在 devDependencies 中。

配套资源与问题排查入口

文档在 "সাহায্য পাওয়া"（获得帮助）章节给出了完整的支持路径，与仓库中的实际文件对应：

安装与运行故障：TROUBLESHOOTING.md 覆盖 Python/Jupyter/R 环境、Notebook 内核、包冲突、数据路径、内存与性能等 9 大类问题，是本课程最完整的排错手册；
课程补充资料：仓库 README 指向 Microsoft Learn 的配套集合页（文档中以外链给出，此处不再重复）；
PDF：pdf/readme.pdf；
姊妹课程：文档 "অন্যান্য কোর্স" 章节列出了同一团队出品的 LangChain、Azure/Edge/Agents、Generative AI 系列、Data Science/AI for Beginners、Cybersecurity、Web Dev、IoT、XR 等课程入口，供完成本课程后继续学习；
其他学习建议（文档 "অতিরিক্ত শেখার টিপস"）：每课复习 notebook、亲手实现算法、用真实数据集练手。

小结

这份孟加拉语版课程 README 虽为 README.md 的翻译镜像，却完整承载了 ML-For-Beginners 的三大信息面：课程面（12 周 26 课的项目制课程表与六步学习闭环）、工程面（sparse checkout 克隆、R Markdown 双语解答、Vue Quiz App、Docsify 离线站与 PDF 生成配置）与生态面（50+ 语言自动翻译镜像与 153 图/语言的本地化图片）。按文中步骤操作，无论选择哪种语言入口，都能以最小下载体积跑完整个经典机器学习课程。

【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

企业官网建设流程全解析