大家好，推荐几个质量上乘且完全免费的微软开源课程，由粉丝小伙伴梳理，分享给大家。
文末可以加我们粉丝群
面向初学者的机器学习课程
ML for beginners banner
地址：https://microsoft.github.io/ML-For-Beginners/#/
学习经典机器学习，主要使用 Scikit-learn 作为库，本课程不涉及深度学习，这部分会在后面介绍的“初学者人工智能”课程中涉及，本课程与第二部分的面向初学者的数据科学课程是姐妹篇。
课程大纲：
| 课号 | 话题 | 课程分组 | 学习目标 |
|---|---|---|---|
| 01 | 机器学习简介 | 介绍 | 了解机器学习背后的基本概念 |
| 02 | 机器学习的历史 | 介绍 | 了解该领域的历史 |
| 03 | 公平与机器学习 | 介绍 | 学生在构建和应用机器学习模型时应该考虑哪些关于公平的重要哲学问题？ |
| 04 | 机器学习技术 | 介绍 | 机器学习研究人员使用哪些技术来构建机器学习模型？ |
| 05 | 回归简介 | 回归 | 开始使用 Python 和 Scikit-learn 构建回归模型 |
| 06 | 北美南瓜价格🎃 | 回归 | 可视化和清理数据，为机器学习做好准备 |
| 07 | 北美南瓜价格🎃 | 回归 | 建立线性和多项式回归模型 |
| 08 | 北美南瓜价格🎃 | 回归 | 构建逻辑回归模型 |
| 09 | 网络应用程序🔌 | 网页应用程序 | 构建一个网络应用程序来使用您训练过的模型 |
面向初学者的数据科学课程
Sketchnote by (@sketchthedocs)
地址：https://microsoft.github.io/Data-Science-For-Beginners/#/
为期 10 周、20 课时的数据科学课程，每节课都包括课前和课后测验，学习数据科学的基本原理，包括道德概念、数据准备、处理数据的不同方式、数据可视化、数据分析、数据科学的实际用例等等。
课程大纲：
| 课号 | 话题 | 课程分组 | 学习目标 |
|---|---|---|---|
| 01 | 定义数据科学 | 介绍 | 了解数据科学背后的基本概念以及它与人工智能、机器学习和大数据的关系 |
| 02 | 数据科学伦理 | 介绍 | 数据伦理概念、挑战和框架 |
| 03 | 定义数据 | 介绍 | 数据如何分类及其常见来源 |
| 04 | 统计与概率概论 | 介绍 | 用于理解数据的概率和统计数学 |
| 05 | 使用关系数据 | 处理数据 | 关系数据简介以及使用结构化查询语言（ SQL）探索和分析关系数据的基础知识 |
| 06 | 使用 NoSQL 数据 | 处理数据 | 介绍非关系数据、其各种类型以及探索和分析文档数据库的基础知识 |
| 07 | 使用Python | 处理数据 | 使用 Python 通过 Pandas 等库进行数据探索的基础知识，建议对 Python 编程有基本的了解 |
| 08 | 数据准备 | 处理数据 | 有关清理和转换数据以应对数据丢失、不准确或不完整的挑战的数据技术的主题 |
| 09 | 可视化数量 | 数据可视化 | 了解如何使用 Matplotlib 可视化鸟类数据 🦆 |
值得一提的是，本课程还配套了很多高清手绘风格的章节总结：
面向初学者的AI课程
Sketchnote by (@girlie_mac)
地址：https://microsoft.github.io/AI-For-Beginners/
在本课程中，将学习：
-
人工智能的不同方法，包括带有知识表示和推理的“古老”符号方法（GOFAI）。
-
神经网络和深度学习是现代人工智能的核心，使用两个最流行的框架（TensorFlow和PyTorch）中的代码来说明这些重要主题背后的概念。
-
用于处理图像和文本的**神经架构，介绍最新的模型
-
不太流行的人工智能方法，例如遗传算法和多代理系统。
每节课都包含一些预读材料和一些可执行的 Jupyter Notebook，它们通常特定于框架（PyTorch或TensorFlow）。
面向初学者的生成式人工智能
地址：https://microsoft.github.io/generative-ai-for-beginners
通过 12 课时综合课程，了解构建生成式 AI 应用程序的基础知识。
课程大纲
材料获取
技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
资料干货、资料分享、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、添加微信号：dkl88194，备注：来自CSDN + 资料
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复： 资料
1、100个超强算法模型
我们打造了《100个超强算法模型》，特点：从0到1轻松学习，原理、代码、案例应有尽有，所有的算法模型都是按照这样的节奏进行表述，所以是一套完完整整的案例库。
很多初学者是有这么一个痛点，就是案例，案例的完整性直接影响同学的兴致。因此，我整理了 100个最常见的算法模型，在你的学习路上助推一把！
2、大模型
