企业官网建设流程全解析

用 GitHub 环境教学：ML-For-Beginners 机器学习课程的课堂部署与运营指南

【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

本文基于课程仓库中的 for-teachers.md（德语版为 translations/de/for-teachers.md）整理，面向希望把这套 12 周、26 课的经典机器学习课程搬进课堂的教师。文章覆盖两条完整落地路线：基于 GitHub Classroom 的"每课一仓库"模式，以及不依赖 Classroom、用 GitHub Issues 收作业与测验的"原仓库直用"模式，并结合仓库中的测验应用（quiz-app）、Docsify 离线文档站点和课程目录结构，给出可直接执行的操作步骤。

1. 课程结构：为什么这套仓库适合"仓库即课堂"

要理解教师文档给出的教学方案，先看仓库本身的组织方式。ML-For-Beginners 是 Microsoft Cloud Advocates 提供的 12 周、26 课经典机器学习课程，主打 Scikit-learn、刻意避开深度学习（深度学习内容在其姊妹课程 AI for Beginners 中）。README.md 明确了课程设计原则：

• 项目驱动（project-based）：内容与项目绑定，"边做边学"；
• 高频测验（frequent quizzes）：课前 pre-lecture quiz 设定学习意图，课后 post-lecture quiz 强化留存；
• 统一主题贯穿：以世界文化为线索，把经典技术套用到各地数据集上。

仓库按"主题模块 → 单课目录"两级组织，共 9 个模块目录：

每一课目录内都遵循统一的"教学套件"结构，这也是后续所有教学操作（收作业、评测验）的文件基础。以 2-Regression/1-Tools 为例：

2-Regression/1-Tools/ ├── README.md # 课程正文（含 knowledge checks、challenge） ├── assignment.md # 课后作业（含评分 rubric） ├── notebook.ipynb # 动手练习 notebook ├── solution/ # 参考实现（Python ipynb + R 的 .Rmd/.html） └── images/ # 课程配图

README.md 中"Each lesson includes"一节列出了完整清单：可选 sketchnote、可选补充视频、部分课程的视频讲解、pre-lecture 热身测验、课程正文、项目步骤指引、knowledge checks、challenge、补充阅读、assignment、post-lecture 测验。学生标准学习闭环为：课前测验 → 阅读课程并完成活动 → 课后测验 → 完成 challenge → 完成 assignment → 学完一组课程后到 Discussion Board 填写 PAT（Progress Assessment Tool）rubric。

值得注意的还有多语言支持：仓库包含 50 余种语言的翻译（见 translations 目录，德语版为 translations/de/README.md），每种语言约 99 个 Markdown 文档和 51 个 notebook 的翻译。教师如果面向非英语学生授课，可以直接采用翻译目录下的课程文档，而图片翻译存放在 translated_images 目录（按语言分目录的 webp 文件）。

由于翻译目录显著增大下载体积，README.md 提供了 sparse checkout 方式，只拉取课程本体，这对课堂机器批量克隆很有用：

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'

Windows CMD 下同样可用，只需把引号换成双引号：git sparse-checkout set --no-cine "/*" "!translations" "!translated_images"（原样照抄 README 中的"/*"写法即可）。这样得到的仓库包含完成全部课程所需的一切，但下载更快。

2. 路线一：GitHub Classroom —— 每课一个仓库

for-teachers.md 给出的第一条路线是使用 GitHub Classroom（classroom.github.com）把课程纳入 GitHub 平台管理。教师文档的核心操作要求是：

1. Fork 本仓库到你的 GitHub 账号/组织；
2. 为每一课单独建一个仓库：把每个课程目录（如2-Regression/3-Linear/）提取为独立仓库；
3. 这样 GitHub Classroom 可以逐课（per-lesson）识别并认领每一个 lesson。

为什么必须拆到"一课一仓库"粒度？因为 GitHub Classroom 的 assignment 机制以 repository 为单位派发：每个 lesson 仓库对应一条 Classroom assignment，学生 fork 后提交，教师即可按课追踪完成情况和作业内容。把 9 个模块、26 课混在一个大仓库里，Classroom 无法按课拆分进度，也就失去了这套课程"高频小步快跑"的教学节奏。

提取单课目录的常用方式（以逻辑回归一课为例，在你自己的 fork 基础上操作）：

# 克隆自己的 fork 后，用 sparse-checkout 只取目标课程目录 git clone --filter=blob:none --sparse https://github.com/<你的账号>/ML-For-Beginners.git cd ML-For-Beginners git sparse-checkout set 4-Classification/3-Classifiers-2

然后在本地新建一个空仓库（如lesson-12-classifiers-2），把提取出的目录内容拷入、提交并推送，即得到该课的独立仓库。26 个课程目录（docs/_sidebar.md 侧边栏列出了全部 26 课的相对路径清单）逐一处理即可。

教师文档还引用了 GitHub Blog 的完整搭建教程（Set up your digital classroom with GitHub Classroom）作为外部参考。Classroom 建好的标准流程为：创建 classroom → 添加 assignment（关联各 lesson 仓库）→ 学生接受邀请并自动 fork。

3. 路线二：原仓库直用（不使用 GitHub Classroom）

教师文档指出：完全可以不引入 GitHub Classroom，直接把仓库"现状"用于教学。此时教师需要口头/文档明确告知学生当前要学哪一课。文档给出两种组织形式：

3.1 公开协作式（open & collaborative）

适用在线课堂（Zoom、Teams 或其他平台）：

• 用Breakout Rooms组织测验（quiz）环节，导师（mentor）在房间里帮助学生进入学习状态；
• 到指定时间，让学生把测验答案作为 Issue 提交（submit as "issues"）；
• 作业（assignment）可以走同样的公开协作流程——鼓励学生"在公开场合协作完成"（work collaboratively out in the open）。

这套流程与仓库的文件结构天然契合：每课都有一个assignment.md（例如 2-Regression/1-Tools/assignment.md 就给出了作业说明和四档评分 rubric 表），教师可以直接把该文件作为 Issue 模板正文，学生按 rubric 自查后提交。

3.2 私有提交式（private format）

如果偏好更私密的形式，教师文档的方案是：

1. 要求学生逐课 fork课程到自己的私有仓库（private repo）；
2. 把教师加为协作者，授予访问权限；
3. 学生在自己仓库中私下完成测验和作业；
4. 通过课堂仓库（classroom repo）的 Issue 渠道把结果提交给教师。

3.3 两种形式对比

文档最后也强调：在线课堂中让这套流程跑起来的方式有很多种，鼓励教师反馈"哪种方式对你最有效"（let us know what works best for you）——这是课程维护者持续迭代教学建议的输入渠道，可通过 CONTRIBUTING.md 说明的 Issue/PR 机制反馈。

4. 配套工具：quiz-app 本地运行与部署

README.md 说明：课程全部 52 个测验（每个 3 题）都包含在 quiz-app 目录中，课程正文内嵌了测验链接，但该应用也可以本地运行或部署到 Azure。教师文档路线二中"组织学生做测验"时，一个可靠的抓手就是自己托管一套 quiz-app。

quiz-app 是一个 Vue 项目，quiz-app/package.json 显示它基于 Vue 3（vue: ^3.5.12）、vue-router、vue-i18n（这也是测验支持多语言的原因），由 vue-cli 5.x 构建。常用命令（来自 quiz-app/README.md）：

cd quiz-app npm install # 安装依赖 npm run serve # 开发模式：编译并热重载 npm run build # 生产构建（压缩打包） npm run lint # 代码检查并自动修复

单页应用的路由由 quiz-app/public/routes.json 处理：所有路径（/*）都回退到index.html，即静态部署时无需服务器端路由支持。

quiz-app/README.md 还给出了部署到 Azure Static Web Apps 的完整步骤：

1. Fork 仓库，确保静态站代码在你的 GitHub 仓库中；
2. 在 Azure portal 中"Create a resource" → 搜索 "Static Web App" → Create；
3. 配置基础信息（订阅、资源组、名称、区域）；
4. 部署详情：Source 选 GitHub，授权 Azure 访问你的 GitHub 账号、组织、仓库和分支；
5. 构建详情：Build Preset 选框架（此项目为 Vue）、App Location、Output Location（构建产物目录）；
6. 审查并创建后，Azure 会在你的仓库自动生成 GitHub Actions 工作流文件（.github/workflows/azure-static-web-apps-<name>.yml），后续构建与部署由 Actions 自动完成，可在仓库 Actions 标签页监控。

README 中给出的工作流示例要点：on: push/pull_request（branches: main）、job 运行在ubuntu-latest、核心步骤使用Azure/static-web-apps-deploy@v1，并传入azure_static_web_apps_api_token、repo_token、app_location: "/quiz-app"（源在仓库的 quiz-app 子目录）、output_location: "dist"。教师部署到自己的 fork 后即可得到一条班级专用测验 URL，配合 3.1/3.2 的 Issue 提交流程使用。

5. 离线与打印：Docsify 站点和 PDF

课堂网络不稳定或需要纸质材料时，仓库自带两个方案：

Docsify 离线站点：README.md 的 "Offline access" 一节说明，Fork 仓库并在本地安装 Docsify 后，在仓库根目录执行：

docsify serve

文档站点即在本机 3000 端口启动（localhost:3000）。站点的入口是根目录的 index.html，其中内嵌的window.$docsify配置设置了name: 'Machine Learning for Beginners'与relativePath: true（允许从子目录页面按相对路径加载各课 README），侧边栏由 docs/_sidebar.md 驱动——该文件按 Introduction、Regression、Web App、Classification、Clustering、NLP、Time Series、Reinforcement Learning、Real World ML 九个分组列出全部 26 课的入口链接，正好可以作为班级课程表使用。

PDF 版本：仓库根目录的 package.json 定义了"convert": "node_modules/.bin/docsify-to-pdf"脚本，配合 docsifytopdf.js 使用；成品 PDF 存放在 pdf/readme.pdf。README 同时提供了一份带链接的 PDF 版本入口。

6. 快速参考：教师备课卡片

把 for-teachers.md 的要点与仓库结构合并，整理成一张可直接使用的备课清单：

需要特别说明的适用前提：路线一依赖 GitHub Classroom 服务（需组织/账号具备权限，且需要把 26 课目录拆成 26 个独立仓库，是一次性的准备工作）；路线二仅依赖仓库的 fork/Issue/协作者机制，零额外服务，但进度追踪要靠教师手动核对 Issue。两种方式都可以在 CONTRIBUTING.md 约定的社区渠道把"什么最有效"的经验反馈给课程维护者，帮助这套课程对后续使用者持续优化。

【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