[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
لدينا سلسلة تعلم على ديسكورد مع الذكاء الاصطناعي مستمرة، تعرّف على المزيد وانضم إلينا في [سلسلة التعلم مع AI](https://aka.ms/learnwithai/discord) من 18 - 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot في علوم البيانات.
لدينا سلسلة تعلم على ديسكورد مع الذكاء الاصطناعي، تعرّف أكثر وانضم إلينا في [سلسلة التعلم مع الذكاء الاصطناعي](https://aka.ms/learnwithai/discord) من 18 - 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot لعلوم البيانات.
# التعلم الآلي للمبتدئين - منهج تعليمي
# تعلم الآلة للمبتدئين - منهج دراسي
> 🌍 سافر حول العالم بينما نستكشف التعلم الآلي من خلال ثقافات العالم 🌍
> 🌍 سافر حول العالم ونحن نستكشف تعلم الآلة من خلال ثقافات العالم 🌍
يسعد فريق مدافعي السحابة في مايكروسوفت أن يقدم منهجًا تعليميًا مكونًا من 12 أسبوعًا و26 درسا حول **التعلم الآلي**. في هذا المنهج، ستتعلم ما يسمى أحياناً بـ **التعلم الآلي الكلاسيكي**، مستخدمًا مكتبة Scikit-learn بشكل أساسي ومتجنبًا التعلم العميق الذي يتم تغطيته في منهجنا الخاص بـ [الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). يمكنك دمج هذه الدروس مع منهجنا ['علوم البيانات للمبتدئين'](https://aka.ms/ds4beginners) أيضًا!
يسر فريق مدافعي السحابة في مايكروسوفت أن يقدم منهجًا دراسيًا لمدة 12 أسبوعًا يحتوي على 26 درسًا حول **تعلم الآلة**. في هذا المنهج، سوف تتعلم عن ما يُسمى أحيانًا **تعلم الآلة التقليدي** باستخدام مكتبة Scikit-learn بشكل أساسي وتجنّب التعلم العميق، الذي يتم تغطيته في منهجنا [الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). قم بمزج هذه الدروس مع منهجنا ['علوم البيانات للمبتدئين'](https://aka.ms/ds4beginners) أيضًا!
سافر معنا حول العالم ونحن نطبق هذه التقنيات الكلاسيكية على بيانات من مناطق عديدة في العالم. كل درس يتضمن اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، حل، مهمة، وأكثر. تتيح منك طريقة المشروع التعليمي التعلم أثناء البناء، وهي طريقة مثبتة لترسيخ المهارات الجديدة.
سافر معنا حول العالم مطبقًا هذه التقنيات التقليدية على بيانات من مناطق عديدة حول العالم. كل درس يتضمن اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، الحل، مهمة، وأكثر. تسمح أسلوبنا التعليمي القائم على المشاريع بأن تتعلم أثناء البناء، وهي طريقة مثبتة لترسيخ المهارات الجديدة.
> [اعثر على كل الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **هل تحتاج مساعدة؟** تحقق من [دليل استكشاف المشكلات](TROUBLESHOOTING.md) لحلول المشاكل الشائعة في التثبيت والإعداد وتشغيل الدروس.
> 🔧 **هل تحتاج مساعدة؟** راجع [دليل حل المشكلات](TROUBLESHOOTING.md) للحصول على حلول للمشكلات الشائعة حول التثبيت والإعداد وتشغيل الدروس.
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، استنسخ المستودع بالكامل إلى حساب GitHub الخاص بك وأكمل التمارين بنفسك أو مع مجموعة:
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج الدراسي، انشئ فرع للمستودع بالكامل إلى حسابك على GitHub وابدأ في إكمال التمارين بنفسك أو في مجموعة:
- ابدأ باختبار تمهيدي قبل المحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وفكر عند كل اختبار معرفة.
- حاول إنشاء المشاريع بفهم الدروس بدلاً من تشغيل رمز الحل؛ ومع ذلك، الرمز متاح في مجلدات `/solution` في كل درس موجه نحو المشروع.
- خذ اختبار ما بعد المحاضرة.
- ابدأ باختبار تمهيدي.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وتأمل عند كل فحص للمعرفة.
- حاول إنشاء المشاريع من خلال استيعاب الدروس بدلاً من تشغيل كود الحل; ومع ذلك، يتوفر هذا الكود في مجلدات `/solution` في كل درس موجه نحو المشروع.
- خذ اختبار بعد المحاضرة.
- أكمل التحدي.
- أكمل المهمة.
- بعد إكمال مجموعة من الدروس، قم بزيارة [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلم بصوت عالٍ" بملء نموذج تقييم PAT المناسب. هو أداة لتقييم تقدمك تساعدك على تعميق تعلمك. يمكنك أيضًا التفاعل مع نماذج تقييم PAT الأخرى لنتعلم معًا.
- بعد إكمال مجموعة دروس، زر [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلم بصوت عالٍ" بملء نموذج PAT المناسب. ال'PAT' هو أداة لتقييم التقدم تقوم بملئها لتعزيز تعلمك. يمكنك أيضًا التفاعل مع PATs الآخرين لنتعلم معًا.
> للدراسة المتقدمة، نوصي بمتابعة هذه الوحدات والمسارات التعليمية على [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> للدراسة المتقدمة، نوصي باتباع هذه الوحدات ومسارات التعلم من [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**المعلمون**، أدرجنا بعض الاقتراحات حول كيفية استخدام هذا المنهج في [for-teachers.md].
**المعلمون**، لقد أدرجنا [بعض الاقتراحات](for-teachers.md) حول كيفية استخدام هذا المنهج.
---
## فيديوهات تعليمية
## عروض الفيديو التوضيحية
بعض الدروس متاحة على شكل فيديوهات قصيرة. يمكنك العثور عليها جميعًا مضمنة في الدروس، أو على [قائمة تشغيل ML للمبتدئين على قناة مايكروسوفت ديفلوبر على يوتيوب](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
بعض الدروس متوفرة على شكل فيديوهات قصيرة. يمكنك إيجاد جميع هذه الفيديوهات ضمن الدروس، أو على [قائمة تشغيل ML للمبتدئين على قناة Microsoft Developer على YouTube](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
> 🎥 اضغط الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
---
## المنهجية التعليمية
## المنهجية التربوية
اخترنا مبدئين تربويين أثناء بناء هذا المنهج: التأكد من أنه **مبني على المشاريع العملية** ويحتوي على **اختبارات متكررة**. بالإضافة إلى ذلك، هذا المنهج له **ثيم واحد** ليمنحه تماسكًا.
اخترنا مبدأين تربويين أثناء بناء هذا المنهج: التأكد من أنه قائم على **المشاريع العملية** وأنه يتضمن **اختبارات متكررة**. بالإضافة إلى ذلك، يتضمن هذا المنهج **موضوعًا** موحدًا ليعطيه ترابطًا.
بضمان تطابق المحتوى مع المشاريع، يصبح التعلم أكثر جاذبية للطلاب ما يعزز الاحتفاظ بالمفاهيم. كما أن اختبارًا منخفض المخاطر قبل المحاضرة يهيئ الطالب لتعلم موضوع ما، والاختبار الثاني بعدها يعزز الاحتفاظ. صُمم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه كاملاً أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بنهاية دورة الـ12 أسبوعًا. يشمل المنهج خلاصة عن تطبيقات ML في العالم الحقيقي يمكن استخدامها كرصيد إضافي أو كأساس للنقاش.
من خلال ضمان توافق المحتوى مع المشاريع، تصبح العملية أكثر تشويقًا للطلاب ويتعزز حفظ المفاهيم. بالإضافة إلى ذلك، اختبار منخفض المخاطر قبل الدرس يحدد نية الطالب لتعلم موضوع، في حين اختبار آخر بعد المحاضرة يضمن تقييمًا إضافيًا للحفظ. تم تصميم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه ككل أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا في نهاية دورة الـ 12 أسبوعًا. كما يتضمن هذا المنهج خاتمة حول تطبيقات تعلم الآلة في العالم الحقيقي، والتي يمكن استخدامها كرصيد إضافي أو كأساس للنقاش.
> اطلع على [مدونة قواعد السلوك](CODE_OF_CONDUCT.md)، [المساهمة](CONTRIBUTING.md)، [الترجمة](TRANSLATIONS.md)، و[استكشاف المشكلات](TROUBLESHOOTING.md). نرحب بملاحظاتك البناءة!
- [اختبار تسخين قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
- درس مكتوب
- لدروس المشروع، إرشادات خطوة بخطوة لبناء المشروع
- للدروس المعتمدة على المشاريع، دلائل خطوة بخطوة لبناء المشروع
- اختبارات معرفة
- تحدي
- قراءة إضافية
- قراءة مكملة
- مهمة
- [اختبار بعد الدرس](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة عن اللغات**: هذه الدروس مكتوبة أساسًا بلغة بايثون، ولكن العديد منها متوفر أيضًا بلغة R. لإكمال درس R، توجه إلى مجلد `/solution` وابحث عن دروس R. تحتوي على امتداد .rmd وهو ملف **R Markdown** يمكن تعريفه ببساطة كإدماج لـ `كتل الكود` (بلغة R أو لغات أخرى) و`رأس YAML` (يرشد كيفية تنسيق المخرجات مثل PDF) في `وثيقة ماركداون`. بهذا، هو إطار عمل تأليفي نموذجي لعلوم البيانات لأنه يسمح بمزج الكود والمخرجات والأفكار معًا بتوثيقها في ماركداون. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى تنسيقات مخرجات مثل PDF أو HTML أو Word.
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في [مجلد تطبيق الاختبار](../../quiz-app) ، بواقع 52 اختبارًا بإجمالي ثلاث أسئلة لكل اختبار. يتم ربطها من داخل الدروس، ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافة التطبيق محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | مجموعة الدروس | الأهداف التعليمية | الدرس المرتبط | المؤلف |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلم المفاهيم الأساسية لتعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم التاريخ الكامن وراء هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جن وآمي |
| 03 | العدالة وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية المهمة حول العدالة التي يجب أن يأخذها الطلاب في الاعتبار عند بناء وتطبيق نماذج التعلم الآلي؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي التقنيات التي يستخدمها الباحثون في تعلم الآلة لبناء النماذج؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجن |
| 05 | مقدمة في الانحدار | [انحدار](2-Regression/README.md) | ابدأ مع بايثون وScikit-learn لنماذج الانحدار | [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • إريك وانجاو |
| 06 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | تصور وتنظيف البيانات للتحضير لتعلم الآلة | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • إريك وانجاو |
| 07 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نماذج انحدار خطي ومتعدد الحدود | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن ودمتري • إريك وانجاو |
| 08 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نموذج انحدار لوجستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام نموذجك المدرب | [بايثون](3-Web-App/1-Web-App/README.md) | جن |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | تنظيف، إعداد، وتصوير بياناتك؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن وكاسي • إريك وانجاو |
| 11 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | مقدمة في المصنفات | [بايثون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن وكاسي • إريك وانجاو |
| 12 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | المزيد من المصنفات | [بايثون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن وكاسي • إريك وانجاو |
| 13 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | بناء تطبيق ويب موصي باستخدام نموذجك | [بايثون](4-Classification/4-Applied/README.md) | جن |
| 14 | مقدمة في التجميع | [تجميع](5-Clustering/README.md) | تنظيف، إعداد، وتصوير بياناتك؛ مقدمة في التجميع | [بايثون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • إريك وانجاو |
| 15 | استكشاف الأذواق الموسيقية النيجيرية 🎧 | [تجميع](5-Clustering/README.md) | استكشاف طريقة التجميع K-Means | [بايثون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • إريك وانجاو |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم الأساسيات حول معالجة اللغة الطبيعية من خلال بناء بوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | مهام شائعة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك في معالجة اللغة بفهم المهام الشائعة المطلوبة عند التعامل مع تراكيب اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 19 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استخدام الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استخدام الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام الانحدار بدعم المتجهات | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم التعزيزي | [التعلم التعزيزي](8-Reinforcement/README.md) | مقدمة في التعلم التعزيزي باستخدام التعلم بواسطة Q | [بايثون](8-Reinforcement/1-QLearning/README.md) | دمتري |
| ملحق | سيناريوهات وتطبيقات التعلم الآلي في العالم الحقيقي | [ML in the Wild](9-Real-World/README.md) | تطبيقات مثيرة ومكشوفة للعالم الحقيقي لتعلم الآلة الكلاسيكية | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| ملحق | تصحيح نماذج التعلم الآلي باستخدام لوحة تحكم RAI | [ML in the Wild](9-Real-World/README.md) | تصحيح نماذج التعلم الآلي باستخدام مكونات لوحة تحكم الذكاء المسؤول (RAI) | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياكوبو |
> [اعثر على كل الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [اختبار بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة حول اللغات**: معظم هذه الدروس مكتوبة بلغة بايثون، لكن العديد منها متوفر أيضًا بلغة R. لإكمال درس R، انتقل إلى مجلد `/solution` وابحث عن دروس R. تحتوي على امتداد .rmd الذي يمثل ملف **R Markdown**، والذي يمكن تعريفه ببساطة على أنه تضمين لـ `كتل الأكواد` (بلغة R أو لغات أخرى) و`رأس YAML` (الذي يوجه كيفية تنسيق المخرجات مثل PDF) في وثيقة `Markdown`. لذلك، يعد إطار عمل مثالي في التأليف لعلوم البيانات، لأنه يسمح لك بدمج شفرتك ومخرجاتها وأفكارك من خلال كتابتها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى صيغ مخرجات مثل PDF أو HTML أو Word.
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في [مجلد تطبيق الاختبار](../../quiz-app)، بإجمالي 52 اختبارًا، كل واحد منها يحتوي على ثلاثة أسئلة. وهي مرتبطة من داخل الدروس، ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافته محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | تجميع الدروس | أهداف التعلم | الدرس المرتبط | المؤلف |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم المفاهيم الأساسية وراء تعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعرّف على التاريخ الكامن وراء هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جن وآمي |
| 03 | العدالة وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية الهامة حول العدالة التي يجب على الطلاب النظر فيها عند بناء وتطبيق نماذج تعلم الآلة؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md)| ما هي التقنيات التي يستخدمها الباحثون في تعلم الآلة لبناء النماذج؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجن |
| 05 | مقدمة في الانحدار| [انحدار](2-Regression/README.md) | ابدأ باستخدام بايثون وScikit-learn لنماذج الانحدار| [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • إريك وانجاو |
| 06 | أسعار القرع في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | تصور ونظف البيانات تحضيرًا لتعلم الآلة | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • إريك وانجاو |
| 07 | أسعار القرع في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نماذج انحدار خطية ومتعددة الحدود | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن ودمتري • إريك وانجاو |
| 08 | أسعار القرع في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نموذج انحدار لوجستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام النموذج المدرب | [بايثون](3-Web-App/1-Web-App/README.md) | جن |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | تنظيف، التحضير، وتصوير بياناتك؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن وكاسي • إريك وانجاو |
| 11 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | مقدمة إلى المصنّفات | [بايثون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن وكاسي • إريك وانجا |
| 12 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | المزيد من المصنّفات | [بايثون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن وكاسي • إريك وانجا |
| 13 | المأكولات الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | بناء تطبيق ويب للتوصية باستخدام النموذج | [بايثون](4-Classification/4-Applied/README.md) | جن |
| 14 | مقدمة في التجميع | [تجميع](5-Clustering/README.md) | تنظيف، التحضير، وتصوير بياناتك؛ مقدمة في التجميع | [بايثون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • إريك وانجاو |
| 15 | استكشاف الأذواق الموسيقية النيجيرية 🎧 | [تجميع](5-Clustering/README.md) | استكشاف طريقة تجميع K-Means | [بايثون](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • إريك وانجا |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم الأساسيات حول معالجة اللغة الطبيعية من خلال بناء روبوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | المهام الشائعة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك بمعالجة اللغة الطبيعية من خلال فهم المهام الشائعة المطلوبة عند التعامل مع تراكيب اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 19 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر من خلال مراجعات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر من خلال مراجعات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية مع ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية مع ARIMA | [بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية مع SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية مع دعم ناقلات الانحدار | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم المعزز | [التعلم المعزز](8-Reinforcement/README.md) | مقدمة في التعلم المعزز باستخدام التعلم بواسطة Q | [بايثون](8-Reinforcement/1-QLearning/README.md) | دميتري |
| خاتمة | تطبيقات وسيناريوهات تعلم الآلة الواقعية | [ML in the Wild](9-Real-World/README.md) | تطبيقات مثيرة ومكشوفة لتعلم الآلة الكلاسيكي في العالم الحقيقي | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| خاتمة | تصحيح أخطاء النماذج في تعلم الآلة باستخدام لوحة RAI | [ML in the Wild](9-Real-World/README.md) | تصحيح أخطاء النماذج في تعلم الآلة باستخدام مكونات لوحة ذكية مسؤولة | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياكوبو |
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## الوصول دون اتصال
يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). انسخ هذا المستودع، [قم بتثبيت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذري لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على مضيفك المحلي: `localhost:3000`.
يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). قم بعمل فورك لهذا المستودع، وقم بـ [تثبيت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذر لهذا المستودع، اكتب `docsify serve`. سيتم تشغيل الموقع على المنفذ 3000 على مضيفك المحلي: `localhost:3000`.
## ملفات PDF
اعثر على ملف pdf للمناهج مع الروابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
تعثر على نسخة PDF من المنهج الدراسي مع الروابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
إذا واجهت صعوبة أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي. انضم إلى المتعلمين والمطورين ذوي الخبرة في مناقشات MCP. إنها مجتمع داعم حيث تُرحب بالأسئلة ويُشارك المعرفة بحرية.
إذا واجهت صعوبة أو كانت لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي، انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في مناقشات MCP. إنها مجتمع داعم حيث تُرحب الأسئلة ويتم تبادل المعرفة بحرية.
[](https://discord.gg/nTYy5BXMWG)
[](https://discord.gg/nTYy5BXMWG)
إذا كان لديك ملاحظات عن المنتج أو أخطاء أثناء البناء قم بزيارة:
إذا كان لديك ملاحظات على المنتج أو واجهت أخطاء أثناء البناء، قم بزيارة:
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار الوثيقة الأصلية بلغتها الأصلية المصدر الموثوق به. بالنسبة للمعلومات الحساسة، يُنصح بالاعتماد على الترجمة المهنية من قبل مختصين بشريين. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ناتج عن استخدام هذه الترجمة.
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بالرغم من حرصنا على الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الحيوية، يُنصح بالاعتماد على الترجمة البشرية المهنية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
> Dieses Repository enthält über 50 Sprachübersetzungen, was die Download-Größe erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
> Dieses Repository enthält 50+ Sprachübersetzungen, die die Downloadgröße erheblich erhöhen. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
Wir veranstalten eine Discord-Lernserie mit KI, erfahren Sie mehr und machen Sie mit unter [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
Wir haben eine laufende Discord Lernserie mit KI, erfahren Sie mehr und machen Sie mit unter [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
@ -38,167 +38,168 @@ Wir veranstalten eine Discord-Lernserie mit KI, erfahren Sie mehr und machen Sie
> 🌍 Reisen Sie um die Welt, während wir Maschinelles Lernen anhand von Weltkulturen erkunden 🌍
Cloud Advocates von Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um **Maschinelles Lernen** anzubieten. In diesem Lehrplan lernen Sie, was manchmal als **klassisches maschinelles Lernen** bezeichnet wird, vor allem unter Verwendung von Scikit-learn als Bibliothek, und vermeiden Deep Learning, das in unserem [AI for Beginners Curriculum](https://aka.ms/ai4beginners) behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem ['Data Science für Anfänger' Curriculum](https://aka.ms/ds4beginners)!
Cloud Advocates bei Microsoft bieten einen 12-wöchigen Lehrplan mit 26 Lektionen rund um **Maschinelles Lernen** an. In diesem Lehrplan lernen Sie das, was manchmal als **klassisches maschinelles Lernen** bezeichnet wird, hauptsächlich unter Verwendung von Scikit-learn als Bibliothek und ohne Deep Learning, das in unserem [„KI für Anfänger“ Lehrplan](https://aka.ms/ai4beginners) behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem ['Data Science für Anfänger' Lehrplan](https://aka.ms/ds4beginners)!
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Bereichen weltweit anwenden. Jede Lektion enthält Vor- und Nachbereitungs-Quizze, schriftliche Anleitungen zum Abschließen der Lektion, Lösungen, eine Herausforderung und vieles mehr. Unsere projektbasierte Didaktik erlaubt es, durch das Bauen zu lernen – eine bewährte Methode, dass neue Fähigkeiten „haften bleiben“.
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen anwenden. Jede Lektion beinhaltet Quizze vor und nach der Lektion, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik erlaubt es Ihnen, beim Bauen zu lernen – ein bewährter Weg, neue Fähigkeiten dauerhaft zu verankern.
**✍️ Herzlichen Dank an unsere Autor:innen** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd
**✍️ Herzlichen Dank an unsere Autoren** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd
**🎨 Dank auch an unsere Illustrator:innen** Tomomi Imura, Dasani Madipalli und Jen Looper
**🎨 Danke auch an unsere Illustratoren** Tomomi Imura, Dasani Madipalli, und Jen Looper
**🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autor:innen, Gutachter:innen und Inhaltlieferant:innen**, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal
**🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Gutachter und Inhaltsbeiträger**, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal
**🤩 Extra Dank an Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!**
# Erste Schritte
Folgen Sie diesen Schritten:
1. **Repository forken**: Klicken Sie oben rechts auf den „Fork“-Button.
1. **Forken Sie das Repository**: Klicken Sie oben rechts auf dieser Seite auf die Schaltfläche „Fork“.
2. **Klonen Sie das Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [Alle zusätzlichen Ressourcen für diesen Kurs finden Sie in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Brauchen Sie Hilfe?** Schauen Sie in unserem [Fehlerbehebungs-Guide](TROUBLESHOOTING.md) für Lösungen bei häufigen Problemen mit Installation, Einrichtung und Lektionen nach.
> 🔧 **Brauchen Sie Hilfe?** Sehen Sie in unserem [Fehlerbehebungsleitfaden](TROUBLESHOOTING.md) nach Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen.
**[Studierende](https://aka.ms/student-page)**, um diesen Lehrplan zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen alleine oder in einer Gruppe:
- Beginnen Sie mit einem Vorbereitungsquiz.
- Lesen Sie die Lektion und führen Sie die Aktivitäten durch, pausieren und reflektieren Sie bei jedem Wissenscheck.
- Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, statt nur den Lösungscode auszuführen; der Code ist aber in den `/solution`-Ordnern jeder projektbasierten Lektion verfügbar.
- Machen Sie das Nachbereitungsquiz.
- Absolvieren Sie die Herausforderung.
- Erledigen Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) und „lernen Sie laut“, indem Sie die passende PAT-Rubrik ausfüllen. Ein ‚PAT‘ ist ein Fortschrittsbewertungstool, das Sie ausfüllen, um Ihr Lernen zu fördern. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.
**[Schüler](https://aka.ms/student-page)**, um diesen Lehrplan zu nutzen, forken Sie das gesamte Repository auf Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen allein oder in einer Gruppe:
> Zum weiterführenden Studium empfehlen wir diese [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade.
- Beginnen Sie mit einem Pre-Lecture-Quiz.
- Lesen Sie die Vorlesung und führen Sie die Aktivitäten aus, pausieren Sie und reflektieren Sie bei jedem Wissens-Check.
- Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt einfach den Lösungscode auszuführen; der Code ist jedoch in den `/solution`-Ordnern jeder projektorientierten Lektion verfügbar.
- Machen Sie das Post-Lecture-Quiz.
- Schließen Sie die Challenge ab.
- Erledigen Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) und „lernen laut“, indem Sie die entsprechende PAT-Rubrik ausfüllen. Ein 'PAT' ist ein Fortschrittsbewertungstool, eine Rubrik, die Sie zum Vertiefen Ihres Lernens ausfüllen. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.
**Lehrkräfte**, wir haben [einige Vorschläge](for-teachers.md) zum Einsatz dieses Lehrplans zusammengefasst.
> Für weitere Studien empfehlen wir diese [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade.
**Lehrer**, wir haben [einige Vorschläge](for-teachers.md) zum Einsatz dieses Lehrplans aufgenommen.
---
## Video-Durchgänge
Einige Lektionen sind als Kurzvideos verfügbar. Sie können diese in den Lektionen direkt finden oder auf der [ML für Anfänger-Playlist auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos) durch Klicken auf das Bild unten ansehen.
Einige Lektionen sind als Kurzvideos verfügbar. Sie finden diese alle direkt in den Lektionen oder in der [ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos), indem Sie auf das Bild unten klicken.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klicken Sie auf das Bild oben für ein Video über das Projekt und die Menschen, die es erschaffen haben!
> 🎥 Klicken Sie auf das Bild oben für ein Video über das Projekt und die Personen, die es erstellt haben!
---
## Didaktik
Beim Aufbau dieses Lehrplans haben wir zwei didaktische Grundsätze gewählt: die Gewährleistung, dass er praktisch **projektbasiert** ist, und dass er **häufige Quizze** enthält. Außerdem hat dieser Lehrplan ein gemeinsames **Thema**, um ihm Zusammenhalt zu verleihen.
Indem sichergestellt wird, dass der Inhalt mit Projekten abgestimmt ist, wird der Prozess für die Lernenden ansprechender und die Konzeptionen werden besser behalten. Zudem setzt ein wenig belastendes Quiz vor der Lektion die Lernabsicht des Studierenden, während ein zweites Quiz nach der Lektion für zusätzliche Behaltensleistung sorgt. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann als Ganzes oder teilweise durchgeführt werden. Die Projekte starten klein und werden bis zum Ende des 12-Wochen-Zyklus immer komplexer. Außerdem enthält dieser Lehrplan ein Nachwort zu realen Anwendungen von ML, das als Zusatzaufgabe oder Diskussionsgrundlage genutzt werden kann.
> Finden Sie unsere [Verhaltensregeln](CODE_OF_CONDUCT.md), [Beitragshinweise](CONTRIBUTING.md), [Übersetzungshinweise](TRANSLATIONS.md) und [Fehlerbehebungshinweise](TROUBLESHOOTING.md). Wir freuen uns auf Ihr konstruktives Feedback!
> **Ein Hinweis zu den Sprachen**: Diese Lektionen sind primär in Python geschrieben, viele sind aber auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den `/solution`-Ordner und suchen Sie nach R-Lektionen. Diese haben die .rmd Erweiterung, die eine **R Markdown** Datei darstellt, die einfach als Einbettung von `Code-Chunks` (von R oder anderen Sprachen) und einem `YAML-Header` (der steuert, wie Ausgaben z.B. als PDF formatiert werden) in einem `Markdown-Dokument` definiert werden kann. Somit dient sie als beispielhaftes Autorentool für Data Science, da Sie damit Ihren Code, dessen Ausgabe und Ihre Gedanken kombinieren und in Markdown notieren können. Zudem können R Markdown Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.
> **Hinweis zu Quizfragen**: Alle Quizfragen befinden sich im Ordner [Quiz App folder](../../quiz-app) und umfassen 52 Quizze mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie der Anleitung im `quiz-app`-Ordner, um lokal zu hosten oder auf Azure bereitzustellen.
| Lektion Nummer | Thema | Lektion Gruppe | Lernziele | Verknüpfte Lektion | Autor |
| 01 | Einführung in maschinelles Lernen | [Introduction](1-Introduction/README.md) | Lernen Sie die Grundkonzepte hinter dem maschinellen Lernen | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | [Introduction](1-Introduction/README.md) | Lernen Sie die Geschichte dieses Fachgebiets | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | [Introduction](1-Introduction/README.md) | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende beim Aufbau und Einsatz von ML-Modellen berücksichtigen? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniken für maschinelles Lernen | [Introduction](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher zum Aufbau von ML-Modellen? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
| 05 | Einführung in Regression | [Regression](2-Regression/README.md) | Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Visualisieren und Bereinigen von Daten zur Vorbereitung für ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Aufbau linearer und polynomialer Regressionsmodelle | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau |
| 08 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Aufbau eines logistischen Regressionsmodells | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Eine Web App 🔌 | [Web App](3-Web-App/README.md) | Aufbau einer Web-App zum Einsatz Ihres trainierten Modells | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Einführung in Klassifikation | [Classification](4-Classification/README.md) | Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in die Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen und Cassie • Eric Wanjau |
| 11 | Leckere asiatische und indische Küche 🍜 | [Classification](4-Classification/README.md) | Einführung in Klassifikatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen und Cassie • Eric Wanjau |
| 12 | Leckere asiatische und indische Küche 🍜 | [Classification](4-Classification/README.md) | Mehr Klassifikatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen und Cassie • Eric Wanjau |
| 13 | Leckere asiatische und indische Küche 🍜 | [Classification](4-Classification/README.md) | Aufbau einer Empfehlungs-Web-App unter Verwendung Ihres Modells | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Einführung in Clustering | [Clustering](5-Clustering/README.md) | Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung ins Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Erkundung nigerianischer Musikgeschmäcker 🎧 | [Clustering](5-Clustering/README.md) | Erkunden Sie die K-Means-Clustering-Methode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | [Natural language processing](6-NLP/README.md) | Lernen Sie die Grundlagen der NLP durch den Aufbau eines einfachen Bots | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | [Natural language processing](6-NLP/README.md) | Vertiefen Sie Ihr NLP-Wissen durch das Verständnis häufig benötigter Aufgaben beim Umgang mit Sprachstrukturen | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Übersetzung und Sentiment-Analyse ♥️ | [Natural language processing](6-NLP/README.md) | Übersetzung und Sentiment-Analyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Einführung in Zeitreihenvorhersagen | [Time series](7-TimeSeries/README.md) | Einführung in Zeitreihenvorhersagen | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihenvorhersage mit SVR | [Time series](7-TimeSeries/README.md) | Zeitreihenvorhersagen mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Einführung ins Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Einführung in Reinforcement Learning mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hilf Peter, dem Wolf zu entkommen! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement Learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Nachwort | Praxisszenarien und Anwendungen von ML | [ML in the Wild](9-Real-World/README.md) | Interessante und aufschlussreiche reale Anwendungen des klassischen ML | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Nachwort | Modell-Debugging in ML mit RAI-Dashboard | [ML in the Wild](9-Real-World/README.md) | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
## Pädagogik
Wir haben zwei pädagogische Grundsätze gewählt, während wir diesen Lehrplan aufgebaut haben: die Sicherstellung, dass er praktisch, **projektbasiert** ist, und dass er **häufige Quizze** beinhaltet. Zusätzlich hat dieser Lehrplan ein gemeinsames **Thema** um für Kohärenz zu sorgen.
Indem der Inhalt an Projekten ausgerichtet wird, wird der Prozess für die Lernenden ansprechender und die Aufnahme der Konzepte wird verbessert. Zudem setzt ein niedrigschwelliges Quiz vor einer Klasse die Absicht des Lernenden, ein Thema zu lernen, während ein zweites Quiz nach der Klasse für eine weitere Festigung sorgt. Dieser Lehrplan wurde flexibel und spaßig gestaltet und kann ganz oder teilweise durchlaufen werden. Die Projekte starten klein und werden zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Zusätzlich enthält dieser Lehrplan einen Nachspann zu realen Anwendungen von ML, der als Zusatzpunkt oder Diskussionsgrundlage verwendet werden kann.
> Finden Sie unsere [Verhaltenskodex](CODE_OF_CONDUCT.md), [Beitragsrichtlinien](CONTRIBUTING.md), [Übersetzungsrichtlinien](TRANSLATIONS.md) und [Fehlerbehebung](TROUBLESHOOTING.md). Wir freuen uns auf Ihr konstruktives Feedback!
> **Ein Hinweis zu Sprachen**: Diese Lektionen sind hauptsächlich in Python geschrieben, viele sind jedoch auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den `/solution`-Ordner und suchen Sie nach R-Lektionen. Diese beinhalten eine .rmd-Erweiterung, die eine **R Markdown**-Datei darstellt – einfach definiert als eine Einbettung von `Code-Blöcken` (von R oder anderen Sprachen) und einem `YAML-Header` (der steuert, wie Ausgaben wie PDF formatiert werden) in einem `Markdown-Dokument`. Dadurch fungiert es als beispielhaftes Autoren-Framework für Data Science, da es Ihnen erlaubt, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie diese in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabefomate wie PDF, HTML oder Word gerendert werden.
> **Eine Anmerkung zu den Quizzen**: Alle Quizze befinden sich im Ordner [Quiz App folder](../../quiz-app), insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie den Anweisungen im `quiz-app`-Ordner, um sie lokal zu hosten oder in Azure bereitzustellen.
| Lektion Nummer | Thema | Lektion Gruppierung | Lernziele | Verknüpfte Lektion | Autor |
| 01 | Einführung in maschinelles Lernen | [Einführung](1-Introduction/README.md) | Lernen Sie die grundlegenden Konzepte hinter maschinellem Lernen | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | [Einführung](1-Introduction/README.md) | Lernen Sie die Geschichte dieses Fachgebiets | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | [Einführung](1-Introduction/README.md) | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende bei der Erstellung und Anwendung von ML-Modellen beachten? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniken des maschinellen Lernens | [Einführung](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
| 05 | Einführung in Regression | [Regression](2-Regression/README.md)| Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Daten visualisieren und bereinigen zur Vorbereitung auf ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Lineare und polynomiale Regressionsmodelle erstellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau |
| 08 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Ein logistisches Regressionsmodell erstellen | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Eine Web-App 🔌 | [Web App](3-Web-App/README.md) | Erstellen Sie eine Web-App zur Nutzung Ihres trainierten Modells | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Einführung in Klassifikation | [Klassifikation](4-Classification/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen und Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | [Klassifikation](4-Classification/README.md) | Einführung in Klassifikatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen und Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | [Klassifikation](4-Classification/README.md) | Weitere Klassifikatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen und Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | [Klassifikation](4-Classification/README.md) | Erstellen Sie eine Empfehlungs-Web-App mit Ihrem Modell | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Einführung in Clustering | [Clustering](5-Clustering/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Erkundung nigerianischer Musiktendenzen 🎧 | [Clustering](5-Clustering/README.md)| Erkunden Sie die K-Means-Clustering-Methode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | [Natürliche Sprachverarbeitung](6-NLP/README.md) | Lernen Sie die Grundlagen der NLP durch den Bau eines einfachen Bots | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | [Natürliche Sprachverarbeitung](6-NLP/README.md) | Vertiefen Sie Ihr NLP-Wissen durch das Verständnis gängiger Aufgaben bei der Verarbeitung von Sprachstrukturen | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Übersetzung und Sentiment-Analyse ♥️ | [Natürliche Sprachverarbeitung](6-NLP/README.md) | Übersetzung und Sentiment-Analyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische Hotels in Europa ♥️ | [Natürliche Sprachverarbeitung](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische Hotels in Europa ♥️ | [Natürliche Sprachverarbeitung](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Einführung in Zeitreihenprognosen | [Zeitreihen](7-TimeSeries/README.md) | Einführung in Zeitreihenprognosen | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihenprognosen mit SVR | [Zeitreihen](7-TimeSeries/README.md) | Zeitreihenprognosen mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Einführung in Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Einführung in Reinforcement Learning mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hilf Peter, den Wolf zu vermeiden! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement Learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Nachwort | ML-Szenarien und Anwendungen aus der Praxis | [ML in der Wildnis](9-Real-World/README.md) | Interessante und aufschlussreiche reale Anwendungen des klassischen ML | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Nachwort | Modell-Debugging im ML mit RAI-Dashboard | [ML in der Wildnis](9-Real-World/README.md) | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI-Dashboards | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-Zugriff
Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner, und tippen Sie dann im Stammordner dieses Repos `docsify serve`. Die Website wird unter Port 3000 auf Ihrem localhost bereitgestellt: `localhost:3000`.
Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repo, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner und geben Sie dann im Stammordner dieses Repos `docsify serve` ein. Die Website wird auf Port 3000 auf Ihrem localhost bereitgestellt: `localhost:3000`.
## PDFs
Finden Sie eine PDF-Version des Curriculums mit Links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Hier finden Sie ein PDF des Lehrplans mit Links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Andere Kurse
## 🎒 Andere Kurse
Unser Team produziert weitere Kurse! Schauen Sie mal rein:
Unser Team erstellt weitere Kurse! Schauen Sie mal rein:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Kernlernen
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
### Grundlegendes Lernen
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot-Serie
### Copilot-Reihe
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache gilt als maßgebliche Quelle. Bei wichtigen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Nutzung dieser Übersetzung entstehen.
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir um Genauigkeit bemüht sind, können automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir haften nicht für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> В этом репозитории более 50 переводов, что существенно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:
> Этот репозиторий включает более 50 языковых переводов, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:
У нас проходит серия обучения с Discord и ИИ, узнайте больше и присоединяйтесь к нам на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.
Сейчас у нас в Discord проходит серия занятий Learn with AI, узнайте больше и присоединяйтесь к нам на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и подсказки по использованию GitHub Copilot для Data Science.
# Машинное обучение для начинающих — учебная программа
# Машинное обучение для начинающих - Учебная программа
> 🌍 Путешествуйте по миру, изучая Машинное обучение через призму мировых культур 🌍
> 🌍 Путешествуйте по миру, изучая Машинное обучение через культуры мира 🌍
Cloud Advocates в Microsoft рады представить 12-недельную учебную программу из 26 уроков, посвящённую **Машинному обучению**. В этой программе вы узнаете о том, что иногда называют**классическим машинным обучением**, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей [учебной программе AI для начинающих](https://aka.ms/ai4beginners). Сочетайте эти уроки с нашим ['Data Science для начинающих'](https://aka.ms/ds4beginners).
Cloud Advocates в Microsoft рады предложить 12-недельную программу из 26 уроков, полностью посвящённую **машинному обучению**. В рамках этой программы вы познакомитесь с так называемым**классическим машинным обучением**, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе [AI для начинающих](https://aka.ms/ai4beginners). Также совмещайте эти уроки с нашей программой ['Data Science для начинающих'](https://aka.ms/ds4beginners)!
Путешествуйте с нами по миру, применяя классические методы к данным из различных регионов мира. Каждый урок включает в себя тесты перед и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет учиться, создавая проекты, что является проверенным способом лучше усвоить новые навыки.
Путешествуйте вместе с нами по миру, применяя классические методы к данным из разных регионов. Каждый урок включает контрольные тесты до и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наша проектная методика обучения позволяет учиться путем создания проектов — проверенный способ лучшего усвоения новых знаний.
**✍️ Большая благодарность нашим авторам**: Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревью, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтунян, Рут Якубу и Эми Бойд
**✍️ Искренняя благодарность нашим авторам** Джен Лупер, Стивен Хауэлл, Франческа Лаццери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтунян, Рут Якобу и Эми Бойд
**🎨 Благодарности также нашим иллюстраторам**: Томоми Имура, Дасани Мадипалли и Джен Лупер
**🎨 Благодарность также нашим иллюстраторам** Томоми Имура, Дасани Мадипалли и Джен Лупер
**🙏 Особая благодарность 🙏 студентам-послам Microsoft, авторам, рецензентам и контент-создателям**, в частности Ришиту Дагли, Мухаммаду Сакибу Хан Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсуалу, Наврин Табассум, Иоану Самуила и Снигдхе Агарвал
**🙏 Особая благодарность 🙏 авторам, рецензентам и участникам из Microsoft Student Ambassador**, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдхе Агарвал
**🤩 Дополнительная благодарность студентам-послам Microsoft Эрику Ванджау, Джаслину Сонди и Видуши Гупте за наши R-уроки!**
**🤩 Дополнительная благодарность студентам Microsoft Ambassadors Эрику Ванджау, Джаслин Сонди и Видуши Гупте за уроки на R!**
# Начало работы
Выполните следующие шаги:
1. **Форкните репозиторий**: Нажмите кнопку "Fork" в правом верхнем углу этой страницы.
1. **Создайте форк репозитория**: Нажмите кнопку "Fork" в правом верхнем углу этой страницы.
> [Найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [найдите все дополнительные материалы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решения распространённых проблем с установкой, настройкой и запуском уроков.
> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решения распространенных проблем с установкой, настройкой и запуском уроков.
**[Студенты](https://aka.ms/student-page)**, чтобы использовать эту учебную программу, сделайте форк всего репозитория на свой GitHub аккаунт и выполняйте упражнения самостоятельно или в группе:
**[Студенты](https://aka.ms/student-page)**, чтобы использовать эту программу, создайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:
- Начинайте с теста перед лекцией.
- Читайте лекцию и выполняйте задания, делая паузы и обдумывая каждый проверочный вопрос.
- Пытайтесь создавать проекты, понимая уроки, а не просто запуская готовый код; однако такой код доступен в папках `/solution` для каждого урока с проектами.
- Проходите тест после лекции.
- Выполняйте задания.
- После завершения группы уроков посетите [Доску обсуждений](https://github.com/microsoft/ML-For-Beginners/discussions) и "учитесь вслух", заполнив соответствующую рубрику PAT. PAT — это инструмент оценки прогресса, который вы заполняете для улучшения своего обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.
- Начинайте с контрольного теста перед лекцией.
- Читайте лекцию и выполняйте задания, делая паузы и обдумывая вопросы для самопроверки.
- Старайтесь создавать проекты, понимая уроки, а не просто копируя код решения; тем не менее, код решений доступен в папках `/solution` в каждом уроке, ориентированном на проекты.
- Пройдите тест после лекции.
- Выполните вызов.
- Выполните задание.
- После завершения группы уроков посетите [Дискуссионную доску](https://github.com/microsoft/ML-For-Beginners/discussions) и «учитесь вслух», заполнив соответствующую рубрику PAT. ‘PAT’ (Progress Assessment Tool) — это инструмент оценки прогресса, который вы заполняете для углубления обучения. Также вы можете реагировать на PAT других участников, чтобы учиться вместе.
> Для дальнейшего изучения рекомендуем пройти эти [модули и учебные пути Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Учителя**, мы подготовили [некоторые рекомендации](for-teachers.md) по использованию этой учебной программы.
**Учителя**, мы подготовили [несколько рекомендаций](for-teachers.md) по использованию этой программы.
---
## Видеоруководства
## Видеообзоры
Некоторые уроки доступны в формате коротких видео. Вы можете найти их встраиваемыми в уроки или на [плейлисте ML for Beginners на канале Microsoft Developer в YouTube](https://aka.ms/ml-beginners-videos), кликнув на изображение ниже.
Некоторые уроки доступны в формате коротких видео. Вы можете найти все они прямо в уроках или на [плейлисте ML for Beginners на канале Microsoft Developer в YouTube](https://aka.ms/ml-beginners-videos), кликнув на изображение ниже.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
> 🎥 Кликните на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
---
## Педагогика
При создании этой учебной программы мы выбрали два педагогических принципа: она должна быть практико-ориентированной **на проектах** и включать **частые тесты**. Кроме того, программа объединена общей **темой** для создания целостности.
При создании этой программы мы выбрали два педагогических принципа: обеспечить практическую **проектную направленность** и включить **частые тесты**. Кроме того, программа имеет общую **тематику** для создания целостности.
Обеспечение соответствия содержания проектам делает процесс более увлекательным для студентов и способствует лучшему усвоению концепций. Кроме того, тест с низкой ставкой перед занятиями формирует у студента намерение изучить тему, а второй тест после занятия закрепляет материал. Эта учебная программа разработана как гибкая и веселая, и её можно проходить полностью или частично. Проекты начинаются с малого и постепенно усложняются к концу 12-недельного цикла. Программа также содержит послесловие о реальных применениях машинного обучения, которое можно использовать как дополнительное задание или в качестве основы для обсуждения.
Путем согласования контента с проектами процесс становится более увлекательным для студентов, а запоминание понятий улучшается. Низкопороговый тест перед занятием мотивирует студента изучать тему, а второй тест после занятия гарантирует лучшее усвоение. Программа спроектирована гибко и интересно, её можно проходить целиком или частично. Проекты начинаются с простых и постепенно усложняются к концу 12-недельного цикла. В программу также включён послесловие о реальных применениях МО, которое можно использовать в качестве дополнительного задания или основы для обсуждения.
> Ознакомьтесь с нашими [Правилами поведения](CODE_OF_CONDUCT.md), [Правилами вкладов](CONTRIBUTING.md), [Инструкциями по переводу](TRANSLATIONS.md) и [Руководством по устранению неполадок](TROUBLESHOOTING.md). Мы приветствуем ваши конструктивные отзывы!
> Ознакомьтесь с нашими [Кодексом поведения](CODE_OF_CONDUCT.md), [Правилами участия](CONTRIBUTING.md), [Правилами перевода](TRANSLATIONS.md) и [руководством по устранению неполадок](TROUBLESHOOTING.md). Мы рады вашему конструктивному отзыву!
## Каждый урок включает
- необязательные конспекты
- необязательный скетчнот
- необязательное дополнительное видео
- видео-руководство (не для всех уроков)
- [разогревающий тест перед уроком](https://ff-quizzes.netlify.app/en/ml/)
- видеообзор (только некоторые уроки)
- [тест для разминки перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
- письменный урок
- для уроков на проектах — пошаговые инструкции по созданию проекта
- проверочные вопросы
- задание
- для проектных уроков — пошаговые инструкции по созданию проекта
- контрольные вопросы
- вызов
- дополнительное чтение
- домашнее задание
- [тест после урока](https://ff-quizzes.netlify.app/en/ml/)
> **Примечание о языках**: эти уроки преимущественно написаны на Python, но многие доступны и на R. Чтобы выполнить урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что обозначает **R Markdown** файл, который представляет собой объединение `кодовых блоков` (на R или других языках) и `YAML-заголовка` (определяющего формат вывода, например PDF) в документе Markdown. Таким образом, это является отличным инструментом для создания документов по анализу данных, так как позволяет комбинировать код, результаты и комментарии, записанные в Markdown. Кроме того, документы R Markdown можно конвертировать в форматы вывода, такие как PDF, HTML или Word.
> **Примечание о викторинах**: Все викторины находятся в папке [Quiz App](../../quiz-app), всего 52 викторины по три вопроса каждая. Они связаны с уроками, но приложение викторин можно запускать локально; следуйте инструкциям в папке `quiz-app` для локального хостинга или развертывания в Azure.
| Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок| Автор |
| 01 | Введение в машинное обучение | [Введение](1-Introduction/README.md) | Изучить основные концепции машинного обучения | [Урок](1-Introduction/1-intro-to-ML/README.md) | Мухаммад |
| 02 | История машинного обучения | [Введение](1-Introduction/README.md) | Изучить историю, лежащую в основе этой области | [Урок](1-Introduction/2-history-of-ML/README.md) | Джен и Эми |
| 03 | Справедливость и машинное обучение | [Введение](1-Introduction/README.md) | Какие важные философские вопросы о справедливости должны учитывать студенты при создании и применении моделей машинного обучения? | [Урок](1-Introduction/3-fairness/README.md) | Томоми |
| 04 | Техники машинного обучения | [Введение](1-Introduction/README.md) | Какие техники исследователи машинного обучения используют для построения моделей? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Крис и Джен |
| 05 | Введение в регрессию | [Регрессия](2-Regression/README.md) | Начать работу с Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Джен • Эрик Ванджау |
| 06 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Визуализация и очистка данных в подготовке к машинному обучению | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Джен • Эрик Ванджау |
| 07 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Построение линейных и полиномиальных моделей регрессии | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Джен и Дмитрий • Эрик Ванджау |
| 08 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Построение модели логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Джен • Эрик Ванджау |
| 09 |Веб-приложение 🔌 | [Веб-приложение](3-Web-App/README.md) | Создание веб-приложения для использования обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Джен |
| 10 | Введение в классификацию | [Классификация](4-Classification/README.md) | Очистка, подготовка и визуализация данных; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Джен и Кэсси • Эрик Ванджау |
| 11 | Вкусная азиатская и индийская кухня 🍜 | [Классификация](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Джен и Кэсси • Эрик Ванджау |
| 12 | Вкусная азиатская и индийская кухня 🍜 | [Классификация](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Джен и Кэсси • Эрик Ванджау |
| 13 | Вкусная азиатская и индийская кухня 🍜 | [Классификация](4-Classification/README.md) | Создание рекомендательного веб-приложения с использованием модели | [Python](4-Classification/4-Applied/README.md) | Джен |
| 14 | Введение в кластеризацию | [Кластеризация](5-Clustering/README.md) | Очистка, подготовка и визуализация данных; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Джен • Эрик Ванджау |
| 15 | Исследование музыкальных предпочтений Нигерии 🎧 | [Кластеризация](5-Clustering/README.md) | Изучение метода K-средних для кластеризации | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Джен • Эрик Ванджау |
| 16 | Введение в обработку естественного языка ☕️ | [Обработка языка](6-NLP/README.md) | Изучить основы NLP, создав простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивен |
| 17 | Распространённые задачи NLP ☕️ | [Обработка языка](6-NLP/README.md) | Углубить знания в NLP, изучив распространённые задачи работыс языковыми структурами | [Python](6-NLP/2-Tasks/README.md) | Стивен |
| 18 | Перевод и анализ тональности ♥️ | [Обработка языка](6-NLP/README.md) | Перевод и анализ тональности с Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивен |
| 19 | Романтические отели Европы ♥️ | [Обработка языка](6-NLP/README.md) | Анализ тональности отзывов об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивен |
| 20 | Романтические отели Европы ♥️ | [Обработка языка](6-NLP/README.md) | Анализ тональности отзывов об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивен |
| 22 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с ARIMA | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа |
| 23 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с использованием регрессора опорных векторов | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан |
| 24 | Введение в обучение с подкреплением | [Обучение с подкреплением](8-Reinforcement/README.md) | Введение в обучение с подкреплением на основе Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитрий |
| 25 | Помогите Питеру избежать волка! 🐺 | [Обучение с подкреплением](8-Reinforcement/README.md) | Обучение с подкреплением с использованием Gym | [Python](8-Reinforcement/2-Gym/README.md) | Дмитрий |
| Послесловие | Сценарии и приложения машинного обучения в реальном мире | [ML in the Wild](9-Real-World/README.md) | Интересные и наглядные приложения классического машинного обучения | [Урок](9-Real-World/1-Applications/README.md) | Команда |
| Послесловие | Отладка моделей ML с использованием панели RAI | [ML in the Wild](9-Real-World/README.md) | Отладка моделей машинного обучения спомощью компонентов панели Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Якобу |
> [найдите все дополнительные материалы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлайн-доступ
Вы можете использовать эту документацию офлайн, используя [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на своем локальном компьютере, а затем в корневой папке репозитория выполните команду `docsify serve`. Веб-сайт будет доступен на порту 3000 на вашем локальном хосте: `localhost:3000`.
- задание
- [тест после лекции](https://ff-quizzes.netlify.app/en/ml/)
> **Примечание о языках**: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы выполнить урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что означает **R Markdown** — формат, который включает в себя «кодовые блоки» (на R или других языках) и заголовок YAML (определяющий форматирование вывода, например PDF) в документе Markdown. Таким образом, это отличный инструмент для создания материалов по data science, поскольку позволяет объединить код, его результаты и ваши мысли в одном документе Markdown. Кроме того, документы R Markdown можно выводить в форматы PDF, HTML или Word.
> **Примечание о викторинах**: Все викторины содержатся в папке [Quiz App folder](../../quiz-app), всего 52 викторины по три вопроса каждая. Они связаны с уроками, но приложение для викторин можно запустить локально; следуйте инструкциям в папке `quiz-app` для локального хостинга или развертывания в Azure.
| Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок | Автор |
| 01 | Введение в машинное обучение | [Introduction](1-Introduction/README.md) | Изучить основные концепции машинного обучения | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | История машинного обучения | [Introduction](1-Introduction/README.md) | Изучить историю данной области | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливость и машинное обучение | [Introduction](1-Introduction/README.md) | Какие философские вопросы справедливости должны учитывать студенты при создании и применении моделей машинного обучения? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Методы машинного обучения | [Introduction](1-Introduction/README.md) | Какие методы используют исследователи машинного обучения для создания моделей? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Введение в регрессию | [Regression](2-Regression/README.md) | Начать работу с Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Визуализировать и очистить данные для подготовки к машинному обучению | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Создать модели линейной и полиномиальной регрессии | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Построить модель логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 |Веб-приложение 🔌 | [Web App](3-Web-App/README.md) | Создать веб-приложение для использования обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Введение в классификацию | [Classification](4-Classification/README.md) | Очистить, подготовить и визуализировать данные; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Построить веб-приложение рекомендации с использованием вашей модели | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Введение в кластеризацию | [Clustering](5-Clustering/README.md) | Очистить, подготовить и визуализировать данные; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Исследование музыкальных предпочтений в Нигерии 🎧 | [Clustering](5-Clustering/README.md) | Изучить метод кластеризации K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Введение в обработку естественного языка ☕️ | [Natural language processing](6-NLP/README.md) | Изучить основы НЛП, создав простой бот | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Общие задачи НЛП ☕️ | [Natural language processing](6-NLP/README.md) | Углубить знания о НЛП, изучив основные задачи при работес языковыми структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Перевод и анализ тональности ♥️ | [Natural language processing](6-NLP/README.md) | Перевод и анализ тональности на примере Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ тональности на основе отзывов об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ тональности на основе отзывов об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с ARIMA | [Time series](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR | [Time series](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью регрессии опорных векторов (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Введение в обучение с подкреплением | [Reinforcement learning](8-Reinforcement/README.md) | Введение в обучение с подкреплением с использованием Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Помогите Питеру избежать волка! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Обучение с подкреплением с использованием Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Постскрипт | Сценарии и приложения машинного обучения в реальности | [ML in the Wild](9-Real-World/README.md) | Интересные и показательные реальные применения классического машинного обучения | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Постскрипт | Отладка моделей машинного обучения с помощью RAI | [ML in the Wild](9-Real-World/README.md) | Отладка моделей машинного обучения сиспользованием панели Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Оффлайн доступ
Вы можете использовать эту документацию оффлайн, используя [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на вашем устройстве и в корневой папке репозитория выполните команду `docsify serve`. Веб-сайт будет доступен по адресу localhost:3000.
## PDF
Найдите pdf с учебной программой и ссылками [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Найдите PDF версии учебного плана с ссылками [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Другие курсы
Наша команда выпускает другие курсы! Посмотрите:
Наша команда выпускает и другие курсы! Ознакомьтесь с:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agenty
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серия по генеративному ИИ
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
@ -188,29 +189,29 @@ Cloud Advocates в Microsoft рады представить 12-недельну
---
### Основное обучение
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серия Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Если вы застряли или у вас есть вопросы по созданию AI-приложений. Присоединяйтесь к другим ученикам и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания freely делятся.
Если вы застряли или у вас есть вопросы о создании AI-приложений. Присоединяйтесь к другим учащимся и опытным разработчикам в обсуждениях оMCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно распространяются.
@ -218,5 +219,5 @@ Cloud Advocates в Microsoft рады представить 12-недельну
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен спомощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, просим учитывать, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на языке оригинала следует считать авторитетным источником. Для получения важной информации рекомендуется пользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильное толкование, возникшие в результате использования данного перевода.
Этот документ был переведен сиспользованием сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, будьте предупреждены, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для важной информации рекомендуется профессиональный перевод человеком. Мы не несём ответственности за любые недоразумения или ошибки в интерпретации, возникшие в результате использования данного перевода.
localizeflow[bot]
4 days ago