[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> Questo repository include oltre 50 traduzioni che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa il sparse checkout:
> Questo repository include più di 50 traduzioni linguistico che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,189 +33,188 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Questo ti fornirà tutto il necessario per completare il corso con un download molto più veloce.
> Questo ti fornisce tutto il necessario per completare il corso con un download molto più veloce.
Abbiamo una serie Discord "learn with AI" in corso, per saperne di più e unirti visita [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per utilizzare GitHub Copilot per Data Science.
Abbiamo una serie Discord “Learn with AI” in corso, scopri di più e unisciti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per usare GitHub Copilot per Data Science.
# Machine Learning per Principianti - Un Curriculum
> 🌍 Viaggia nel mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍
> 🌍 Viaggia per il mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍
Gli Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane, 26 lezioni, tutto incentrato sul **Machine Learning**. In questo curriculum, imparerai quello che a volte viene chiamato **machine learning classico**, usando principalmente Scikit-learn come libreria ed evitando il deep learning, che è invece trattato nel nostro [curriculum AI per Principianti](https://aka.ms/ai4beginners). Abbina queste lezioni al nostro ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), inoltre!
Gli Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane con 26 lezioni tutto sul **Machine Learning**. In questo curriculum, imparerai cos'è quello che a volte viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro [curriculum AI for Beginners](https://aka.ms/ai4beginners). Abbina queste lezioni al nostro ['Data Science for Beginners curriculum'](https://aka.ms/ds4beginners), inoltre!
Viaggia con noi nel mondo mentre applichiamo queste tecniche classiche a dati di varie parti del mondo. Ogni lezione include quiz prima e dopo, istruzioni scritte per completare la lezione, una soluzione, un compito e altro ancora. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un modo comprovato perché nuove competenze si fissino.
Viaggia con noi in tutto il mondo mentre applichiamo queste tecniche classiche ai dati provenienti da diverse aree del mondo. Ogni lezione include quiz pre e post-lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un metodo già collaudato perché le nuove competenze permangano.
**✍️ Grazie di cuore ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
**✍️ Sentiti ringraziamenti ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
**🎨 Grazie anche ai nostri illustratori** Tomomi Imura, Dasani Madipalli, e Jen Looper
**🎨 Grazie anche ai nostri illustratori** Tomomi Imura, Dasani Madipalli e Jen Looper
**🙏 Un grazie speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e contributori di contenuto**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🙏 Un ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e collaboratori di contenuti**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🤩 Ulteriore gratitudine ai Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni in R!**
**🤩 Gratitudine extra agli Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni di R!**
# Iniziare
Segui questi passaggi:
1. **Fork del Repository**: Clicca sul pulsante "Fork" in alto a destra in questa pagina.
2. **Clona il Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Fork del repository**: Fai clic sul pulsante "Fork" nell’angolo in alto a destra di questa pagina.
2. **Clona il repository**:`git clone https://github.com/microsoft/ML-For-Beginners.git`
> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Hai bisogno di aiuto?**Dai un’occhiata alla nostra [Guida alla Risoluzione dei Problemi](TROUBLESHOOTING.md) per soluzioni comuni a problemi di installazione, configurazione e esecuzione delle lezioni.
> 🔧 **Hai bisogno di aiuto?**Consulta la nostra [Guida alla risoluzione dei problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni con l’installazione, la configurazione e l’esecuzione delle lezioni.
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, forkate l’intero repo nel vostro account GitHub e completate gli esercizi da soli o in gruppo:
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, fai il fork dell’intero repository sul tuo account GitHub e completa gli esercizi da solo o in gruppo:
- Iniziate con un quiz pre-lezione.
- Leggete la lezione e completate le attività, fermandovi a riflettere a ogni verifica di conoscenza.
- Provate a costruire i progetti comprendendo le lezioni invece di eseguire direttamente il codice soluzione; tuttavia quel codice è disponibile nelle cartelle `/solution` di ogni lezione orientata al progetto.
- Fate il quiz post-lezione.
- Completate la sfida.
- Completate il compito.
- Dopo aver completato un gruppo di lezioni, visitate il [Forum di Discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e "imparate ad alta voce" compilando l’apposita rubrica PAT. Un 'PAT' è uno strumento di valutazione dei progressi, una rubrica che compilate per approfondire l’apprendimento. Potete anche reagire ad altri PAT per imparare insieme.
- Inizia con un quiz pre-lezione.
- Leggi la lezione e completa le attività, facendo pause e riflettendo a ogni verifica di conoscenza.
- Prova a realizzare i progetti comprendendo le lezioni piuttosto che eseguendo direttamente il codice di soluzione; comunque quel codice è disponibile nelle cartelle `/solution` di ogni lezione basata su progetto.
- Fai il quiz post-lezione.
- Completa la sfida.
- Completa il compito.
- Dopo aver completato un gruppo di lezioni, visita il [Forum di discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e “impara ad alta voce” compilando la rubrica PAT appropriata. Un 'PAT' è uno strumento di valutazione dei progressi che consiste in una rubrica da compilare per approfondire l’apprendimento. Puoi anche reagire ad altri PAT così da imparare insieme.
> Per approfondire, consigliamo di seguire questi moduli e percorsi di apprendimento su [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Per uno studio ulteriore, consigliamo di seguire questi moduli e percorsi di apprendimento di [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Insegnanti**, abbiamo [incluso alcuni suggerimenti](for-teachers.md) su come usare questo curriculum.
**Insegnanti**, abbiamo [incluso alcune indicazioni](for-teachers.md) su come usare questo curriculum.
---
## Video esplicativi
Alcune lezioni sono disponibili in video brevi. Puoi trovarli integrati nelle lezioni oppure nella [playlist ML for Beginners sul canale YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) cliccando sull’immagine qui sotto.
Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti all’interno delle lezioni o sulla [playlist ML for Beginners del canale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) cliccando l’immagine sottostante.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Clicca l’immagine sopra per un video sul progetto e sulle persone che lo hanno creato!
> 🎥 Clicca sull’immagine sopra per un video sul progetto e sulle persone che lo hanno creato!
---
## Pedagogia
Abbiamo scelto due principi pedagogici durante la realizzazione di questo curriculum: assicurarci che sia pratico e **basato su progetti** e che includa **quiz frequenti**. Inoltre, il curriculum ha un **tema** comune per garantirne la coesione.
Abbiamo scelto due principi pedagogici nella creazione di questo curriculum: garantire che sia pratico e **basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune per conferirgli coesione.
Garantendo che i contenuti si allineino ai progetti, il processo diventa più coinvolgente per gli studenti e la memorizzazione dei concetti sarà migliorata. Inoltre, un quiz a bassa posta prima di una lezione prepara l’intenzione dello studente sull’apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito interamente o in parte. I progetti iniziano piccoli e diventano progressivamente più complessi alla fine del ciclo di 12 settimane. Include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per discussioni.
Garantendo che il contenuto sia allineato con i progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti sarà migliorata. Inoltre, un quiz a bassa posta in gioco prima di una lezione indirizza lo studente verso l’apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito interamente o parzialmente. I progetti iniziano semplici e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Questo curriculum include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per una discussione.
> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzioni](..) e linee guida su [Come Risolvere i Problemi](TROUBLESHOOTING.md). Accogliamo con favore i tuoi feedback costruttivi!
> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), le linee guida per [Contribuire](CONTRIBUTING.md), [Traduzioni](..) e [Risoluzione Problemi](TROUBLESHOOTING.md). Accogliamo con piacere i tuoi feedback costruttivi!
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono anche disponibili in R. Per completare una lezione in R, vai nella cartella `/solution` e cerca le lezioni in R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, definibile semplicemente come un’inclusione di `code chunks` (di R o altre lingue) e un `YAML header` (che guida il formato degli output come PDF) in un `documento Markdown`. Come tale, serve come un eccellente framework per la scrittura per la data science in quanto ti permette di combinare il tuo codice, il suo output e i tuoi pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere resi in formati di output come PDF, HTML o Word.
> **Una nota sui quiz**: Tutti i quiz sono contenuti nella cartella [Quiz App folder](../../quiz-app), per un totale di 52 quiz composti da tre domande ciascuno. Sono collegati all’interno delle lezioni, ma l’app del quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure.
| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Impara i concetti base dietro al machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduzione](1-Introduction/README.md) | Impara la storia alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull’equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche usano i ricercatori ML per costruire modelli ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Inizia con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prezzi delle zucche del Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizza e pulisci dati in preparazione per ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prezzi delle zucche del Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau |
| 08 | Prezzi delle zucche del Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Un'app Web 🔌 | [Web App](3-Web-App/README.md) | Costruisci un’app web per utilizzare il modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulisci, prepara e visualizza i dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruisci un’app web recommender usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulisci, prepara e visualizza i dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Esplorando i gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplora il metodo di clustering 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 | Introduzione al natural language processing ☕️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Impara le basi del NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni di NLP ☕️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Approfondisci la conoscenza del NLP comprendendo i compiti comuni richiesti quando si tratta di strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Traduzione e analisi del sentiment con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici in Europa ♥️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantici in Europa ♥️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alle previsioni su serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alla previsione di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo energetico mondiale ⚡️ - previsione serie temporali con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione su serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo energetico mondiale ⚡️ - previsione serie temporali con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione su serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduzione al reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduzione al reinforcement learning con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postfazione | Scenari e applicazioni reali del ML | [ML in the Wild](9-Real-World/README.md) | Interessanti e rivelatrici applicazioni reali del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postfazione | Debugging di modelli ML con dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging di modelli ML usando componenti dashboard di Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono anche disponibili in R. Per completare una lezione in R, vai nella cartella `/solution` e cerca le lezioni in R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, definibile come un incapsulamento di `code chunks` (di R o altri linguaggi) e un `header YAML` (che guida come formattare output come PDF) in un `documento Markdown`. Pertanto, rappresenta un framework esemplare per l’autore di data science in quanto consente di combinare codice, output e pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere renderizzati in formati di output quali PDF, HTML o Word.
> **Una nota sui quiz**: Tutti i quiz sono contenuti nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz di tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app per i quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure.
| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Imparare i concetti base dietro il machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La Storia del machine learning | [Introduzione](1-Introduction/README.md) | Imparare la storia alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull'equità che gli studenti dovrebbero considerare costruendo e applicando modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche usano i ricercatori di ML per costruire modelli di ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Iniziare con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prezzi della zucca in Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizzare e pulire dati in preparazione al ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prezzi della zucca in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruire modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau |
| 08 | Prezzi della zucca in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruire un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Un'app Web 🔌 | [Web App](3-Web-App/README.md) | Costruire un'app web per usare il modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulire, preparare e visualizzare i dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruire un'app web di raccomandazione usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulire, preparare e visualizzare i dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Esplorazione dei gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplorare il metodo di clustering 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 | Introduzione all'elaborazione del linguaggio naturale ☕️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Imparare le basi dell'NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni di NLP ☕️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Approfondire la conoscenza NLP comprendendo i compiti comuni richiesti nella gestione delle strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentimento ♥️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Traduzione e analisi del sentimento con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici d'Europa ♥️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Analisi del sentimento con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantici d'Europa ♥️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Analisi del sentimento con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alle previsioni di serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alle previsioni di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo energetico mondiale ⚡️ - previsioni con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsioni di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo energetico mondiale ⚡️ - previsioni con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsioni di serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduzione all'apprendimento per rinforzo | [Apprendimento per rinforzo](8-Reinforcement/README.md) | Introduzione all'apprendimento per rinforzo con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Apprendimento per rinforzo](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Casi d'uso e applicazioni reali dell'ML | [ML nel mondo reale](9-Real-World/README.md) | Applicazioni interessanti e rivelatrici nel mondo reale del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debug del modello in ML usando la dashboard RAI | [ML nel mondo reale](9-Real-World/README.md) | Debug del modello in Machine Learning usando i componenti della dashboard Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Accesso offline
Puoi eseguire questa documentazione offline usando [Docsify](https://docsify.js.org/#/). Fai il fork di questo repository, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, poi nella cartella radice di questo repo digita `docsify serve`. Il sito sarà servito sulla porta 3000 sul tuo localhost: `localhost:3000`.
Puoi eseguire questa documentazione offline usando [Docsify](https://docsify.js.org/#/). Fai un fork di questo repo, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, e poi nella cartella radice di questo repo, digita `docsify serve`. Il sito web sarà servito sulla porta 3000 sul tuo localhost: `localhost:3000`.
## PDF
Trova un pdf del curriculum con link [qui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Altri corsi
## 🎒 Altri Corsi
Il nostro team produce altri corsi! Dai un'occhiata:
Il nostro team produce altri corsi! Dai un’occhiata:
<!-- 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://github.com/microsoft/langchain-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)
---
### Serie sull'IA Generativa
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Serie AI Generativa
[](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)
---
### Apprendimento Core
[](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)
### Apprendimento di base
[](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)
---
### Serie 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)
Se rimani bloccato o hai domande sulla creazione di app AI. Unisciti ad altri studenti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza viene condivisa liberamente.
@ -224,15 +223,15 @@ Se rimani bloccato o hai domande sulla creazione di app AI. Unisciti ad altri st
Se hai feedback sul prodotto o errori durante la creazione visita:
- Rivedi i notebook dopo ogni lezione per una migliore comprensione.
- Esercitati a implementare algoritmi da solo.
- Esplora set di dati reali usando i concetti appresi.
- Pratica l'implementazione degli algoritmi da solo.
- Esplora set di dati reali utilizzando i concetti appresi.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Avvertenza**:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Pur impegnandoci per garantire la massima accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua originale deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un esperto umano. Non ci assumiamo alcuna responsabilità per eventuali fraintendimenti o interpretazioni errate derivanti dall’uso di questa traduzione.
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per l’accuratezza, si prega di essere consapevoli che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
Prowadzimy serię „Learn with AI” na Discordzie, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science.
Prowadzimy serię Discord „Ucz się z AI”, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science.
# Machine Learning dla początkujących - Program nauczania
# Machine Learning dla Początkujących - Program Nauczania
> 🌍 Podróżuj po świecie, odkrywając uczenie maszynowe w kontekście kultur świata 🌍
> 🌍 Podróżuj po świecie, odkrywając Uczenie Maszynowe przez pryzmat kultur świata 🌍
Specjaliści Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program nauczania składający się z 26 lekcji na temat **Uczenia Maszynowego**. W tym programie nauczysz się tego, co czasami nazywa się **klasycznym uczeniem maszynowym**, używając głównie biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane w naszym programie [AI for Beginners](https://aka.ms/ai4beginners). Połącz te lekcje z naszym programem ['Data Science dla początkujących'](https://aka.ms/ds4beginners) również!
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony **Uczeniu Maszynowemu**. W tym programie dowiesz się o tym, co nazywamy czasem **klasycznym uczeniem maszynowym**, głównie z użyciem biblioteki Scikit-learn, unikając uczenia głębokiego, które jest objęte naszym [programem AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym [programem Data Science dla początkujących](https://aka.ms/ds4beginners)!
Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do ukończenia, rozwiązanie, zadanie i więcej. Nasza pedagogika oparta na projektach pozwala uczyć się podczas tworzenia, co jest sprawdzoną metodą utrwalenia nowych umiejętności.
Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje realizacji, rozwiązanie, zadanie i więcej. Nasza oparta na projektach pedagogika pozwala uczyć się, budując, co jest sprawdzonym sposobem na trwałe przyswajanie nowych umiejętności.
**✍️ Gorące podziękowania dla naszych autorów** Jen Looper, Stephena Howella, Francescy Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chrisa Noringa, Anirbana Mukherjee, Ornelli Altunyan, Ruth Yakubu i Amy Boyd
**✍️ Gorące podziękowania dla naszych autorów** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli i Jen Looper
**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli oraz Jen Looper
**🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassadorów**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassador**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!**
**🤩 Specjalne podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za lekcje R!**
# Rozpoczęcie
Wykonaj następujące kroki:
1. **Rozwidlenie repozytorium**: Kliknij przycisk „Fork” w prawym górnym rogu tej strony.
> [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [znajdź wszystkie dodatkowe zasoby dla tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu nauczania, utwórz rozwidlenie całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia indywidualnie lub w grupie:
**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu, wykonaj fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
- Staraj się tworzyć projekty samodzielnie, rozumiejąc lekcje, zamiast od razu uruchamiać kod z rozwiązania; jednak kod ten jest dostępny w folderach `/solution` w każdej lekcji opartej na projekcie.
- Rozwiąż quiz po wykładzie.
- Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając przy każdej kontroli wiedzy.
- Spróbuj tworzyć projekty, rozumiejąc lekcje, a nie tylko uruchamiając kod rozwiązania; kod jest jednak dostępny w folderach `/solution` w każdej lekcji opartej na projekcie.
- Wykonaj quiz po wykładzie.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź [Tablicę Dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubricę PAT. 'PAT' to narzędzie do oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz również reagować na rubryki innych, dzięki czemu uczymy się razem.
- Po ukończeniu grupy lekcji odwiedź [Forum Dyskusyjne](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. PAT to narzędzie do oceny postępów, które wypełniasz, aby pogłębić swoją naukę. Możesz też reagować na PAT-y innych, abyśmy mogli uczyć się razem.
> Do dalszej nauki zalecamy realizację tych [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modułów i ścieżek edukacyjnych.
> Do dalszej nauki polecamy te [moduły i ścieżki nauczania Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Nauczyciele**, przygotowaliśmy [kilka sugestii](for-teachers.md) dotyczących korzystania z tego programu nauczania.
**Nauczyciele**, w [for-teachers.md] znajdziecie sugestie dotyczące korzystania z tego programu nauczania.
---
## Wideoprzewodniki
## Wideo instruktażowe
Niektóre lekcje dostępne są jako krótkie filmy. Możesz je znaleźć w liniach lekcji lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos), klikając poniższy obraz.
Niektóre lekcje są dostępne jako krótkie filmy. Znajdziesz je wszystkie bezpośrednio w lekcjach lub na [playliście ML dla początkujących na kanale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) po kliknięciu poniższego obrazka.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kliknij powyższy obraz, aby zobaczyć film o projekcie i osobach, które go stworzyły!
> 🎥 Kliknij obrazek powyżej, aby zobaczyć film o projekcie i jego twórcach!
---
## Pedagogika
Wybraliśmy dwa założenia pedagogiczne przy tworzeniu tego programu: zapewnienie, że jest on praktyczny i oparty na **projektach**, oraz że zawiera **częste quizy**. Dodatkowo, program ma wspólny **motyw przewodni**, który nadaje mu spójność.
Przy tworzeniu tego programu wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest to program praktyczny, **oparty na projektach**, oraz że zawiera **częste quizy**. Dodatkowo program ma wspólny **motyw przewodni**, nadający mu spójność.
Zapewnienie, że treści są powiązane z projektami, sprawia, że proces nauki jest bardziej angażujący dla uczniów, a utrzymanie koncepcji zostanie wzmocnione. Ponadto, quiz o minimalnym ryzyku przed zajęciami ustawia intencję ucznia do nauki danego tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program nauczania został zaprojektowany jako elastyczny i przyjemny, można go ukończyć w całości lub częściowo. Projekty zaczynają się od małych i stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera również postscriptum o zastosowaniach ML w rzeczywistym świecie, które może być użyte jako dodatkowa nagroda lub podstawa do dyskusji.
Zapewnienie powiązania z projektami sprawia, że proces uczenia się jest bardziej angażujący, co zwiększa zapamiętywanie pojęć. Dodatkowo quiz o niskiej stawce przed lekcją nastawia ucznia na naukę tematu, a drugi quiz po lekcji wzmacnia utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny oraz można go realizować w całości lub w części. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej złożone, kończąc 12-tygodniowy cykl. Program zawiera też posłowie o zastosowaniach ML w praktyce, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.
> Znajdź nasze [Zasady zachowania](CODE_OF_CONDUCT.md), [Wkład](CONTRIBUTING.md), [Tłumaczenia](..) oraz wytyczne dotyczące [Rozwiązywania problemów](TROUBLESHOOTING.md). Czekamy na Twoje konstruktywne opinie!
> Znajdź nasze wytyczne: [Kodeks postępowania](CODE_OF_CONDUCT.md), [Wkład w projekt](CONTRIBUTING.md), [Tłumaczenia](..) i [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię!
## Każda lekcja zawiera
- opcjonalne notatki wizualne (sketchnote)
- opcjonalny film uzupełniający
- wideoprzewodnik (tylko niektóre lekcje)
- [quiz rozgrzewający przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
- opcjonalną notatkę szkicową
- opcjonalne wideo uzupełniające
- wideo instruktażowe (tylko w niektórych lekcjach)
- [quiz rozgrzewający przed lekcją](https://ff-quizzes.netlify.app/en/ml/)
- pisemną lekcję
- w lekcjach opartych na projektach, krok po kroku przewodniki jak zbudować projekt
- sprawdzenia wiedzy
- w lekcjach opartych na projekcie: instrukcje krok po kroku jak zbudować projekt
- kontrole wiedzy
- wyzwanie
- uzupełniającą lekturę
- zadanie
- [quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
> **Uwaga dotycząca języków**: Lekcje te są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, wejdź do folderu `/solution` i poszukaj lekcji R. Zawierają one rozszerzenie .rmd, które reprezentuje plik **R Markdown**, który można w uproszczeniu zdefiniować jako osadzenie `fragmentów kodu` (R lub innych języków) oraz `nagłówka YAML` (sterującego formatowaniem outputu np. PDF) w dokumencie `Markdown`. W ten sposób stanowi on znakomite narzędzie do tworzenia treści dla data science, pozwalając łączyć kod, jego output i notatki, które można zapisywać w Markdown. Dodatkowo, dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML czy Word.
> **Uwaga dotycząca quizów**: Wszystkie quizy znajdują się w folderze [Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania każdy. Są one podlinkowane w ramach lekcji, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Połączona lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe koncepcje uczenia maszynowego | [Lekcja](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj historię leżącą u podstaw tej dziedziny | [Lekcja](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Uczciwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne związane z uczciwością, które uczniowie powinni rozważyć, tworząc i stosując modele ML? | [Lekcja](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Jakich technik używają badacze ML do budowy modeli ML? | [Lekcja](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Wprowadzenie do regresji | [Regresja](2-Regression/README.md) | Zacznij pracę z Pythonem i Scikit-learn przy modelach regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dyń w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Wizualizuj i oczyść dane w przygotowaniu do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dyń w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Buduj modele regresji liniowej i wielomianowej | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyń w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Zbuduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikacja Webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową korzystającą z wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Wprowadzenie do klasyfikacji | [Klasyfikacja](4-Classification/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Przepyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 12 | Przepyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Więcej klasyfikatorów | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Przepyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Zbuduj aplikację rekomendacyjną korzystając z modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do klasteryzacji | [Klasteryzacja](5-Clustering/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Poznaj podstawy NLP, tworząc prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md)| Stephen |
| 17 | Typowe zadania NLP ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane ze strukturami języka | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tłumaczenie i analiza sentymentu ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Tłumaczenie i analiza sentymentu z Jane Austen |[Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantyczne hotele w Europie ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantyczne hotele w Europie ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | [Szeregi czasowe](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md)| Francesca |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z ARIMA | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z zastosowaniem ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z użyciem regresora wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia przez wzmacnianie | [Uczenie przez wzmacnianie](8-Reinforcement/README.md) | Wprowadzenie do uczenia przez wzmacnianie z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomóż Piotrowi unikać wilka! 🐺 | [Uczenie przez wzmacnianie](8-Reinforcement/README.md) | Ćwiczenia z uczenia przez wzmacnianie w Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Posłowie | Realne scenariusze i zastosowania ML | [ML w praktyce](9-Real-World/README.md) | Interesujące i odkrywcze zastosowania klasycznego uczenia maszynowego | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół |
| Posłowie | Debugowanie modeli ML z użyciem pulpitu RAI | [ML w praktyce](9-Real-World/README.md) | Debugowanie modeli uczenia maszynowego z komponentami pulpitu Responsible AI | [Lekcja](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- lekturę uzupełniającą
- zadanie domowe
- [quiz po lekcji](https://ff-quizzes.netlify.app/en/ml/)
> **Nota o językach**: Te lekcje są przede wszystkim napisane w Pythonie, ale wiele z nich jest także dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które oznacza plik **R Markdown**, definiowany jako osadzenie `fragmentów kodu` (w R lub innych językach) i `nagłówka YAML` (który wskazuje, jak formatować wyjścia takie jak PDF) w dokumencie `Markdown`. W ten sposób pełni on rolę przykładowego środowiska autorskiego dla nauki o danych, ponieważ pozwala łączyć kod, jego wyniki oraz Twoje przemyślenia, umożliwiając ich zapisywanie w Markdown. Co więcej, dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML czy Word.
> **Nota o quizach**: Wszystkie quizy znajdują się w folderze [Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania w każdym. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić ją lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj podstawowe koncepcje uczenia maszynowego | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj historię stojącą za tą dziedziną | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Sprawiedliwość a uczenie maszynowe | [Introduction](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne związane ze sprawiedliwością, które powinni rozważać studenci budujący i stosujący modele ML?| [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki uczenia maszynowego | [Introduction](1-Introduction/README.md) | Jakich technik używają badacze ML do budowy modeli? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Wprowadzenie do regresji | [Regression](2-Regression/README.md) | Zacznij z Pythonem i Scikit-learn dla modeli regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Wizualizuj i czyść dane przygotowując się do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj modele regresji liniowej i wielomianowej |[Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Zbuduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikacja Webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową do wykorzystania swojego wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Wprowadzenie do klasyfikacji | [Classification](4-Classification/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 12 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Więcej klasyfikatorów | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Zbuduj webową aplikację rekomendacyjną używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do grupowania | [Clustering](5-Clustering/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do grupowania | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Natural language processing](6-NLP/README.md) | Naucz się podstaw NLP, budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Typowe zadania NLP ☕️ | [Natural language processing](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane ze strukturą języka | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tłumaczenie i analiza sentymentu ♥️ | [Natural language processing](6-NLP/README.md) | Tłumaczenie i analiza sentymentu z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantyczne hotele Europy ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantyczne hotele Europy ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | [Time series](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów SVR | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych za pomocą regresora wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia przez wzmacnianie | [Reinforcement learning](8-Reinforcement/README.md) | Wprowadzenie do uczenia przez wzmacnianie z użyciem Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Przykłady i zastosowania ML w świecie rzeczywistym | [ML in the Wild](9-Real-World/README.md) | Ciekawe i pouczające rzeczywiste zastosowania klasycznego ML | [Lesson](9-Real-World/1-Applications/README.md) | Zespół |
| Postscript | Debugowanie modeli ML za pomocą dashboardu RAI | [ML in the Wild](9-Real-World/README.md) | Debugowanie modeli w uczeniu maszynowym za pomocą komponentów dashboardu Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [znajdź wszystkie dodatkowe materiały do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Dostęp offline
Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Rozgałęź ten repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim komputerze, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na lokalnym hoście: `localhost:3000`.
Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Skuś się na forka tego repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona będzie udostępniona na porcie 3000 na Twoim localhost: `localhost:3000`.
## Pliki PDF
Znajdź wersję pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Znajdź pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Inne kursy
## 🎒 Inne kursy
Nasz zespół tworzy również inne kursy! Sprawdź:
Nasz zespół tworzy także inne kursy! Sprawdź:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -182,57 +180,57 @@ Nasz zespół tworzy również inne kursy! Sprawdź:
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agenci
### 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/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Seria generatywnej sztucznej inteligencji
[](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)
### Seria Sztucznej Inteligencji Generatywnej
[](https://github.com/microsoft/generative-ai-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)
### Podstawowe nauczanie
[](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)
---
### Seria 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)
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI, dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.
Jeśli utkniesz lub masz pytania dotyczące budowania aplikacji AI. Dołącz do innych uczących się i doświadczonych deweloperów w dyskusjach na temat MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza chętnie dzielona.
- Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
- Ćwicz samodzielne wdrażanie algorytmów.
- Eksploruj rzeczywiste zbiory danych wykorzystując poznane koncepcje.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Zastrzeżenie**:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako autorytatywne źródło informacji. W przypadku istotnych informacji zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczeń AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy uważać za źródło nadrzędne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
AI ile öğrenme serimiz devam ediyor, daha fazla bilgi edinin ve 18 - 30 Eylül 2025 tarihleri arasında bize katılın [Learn with AI Series](https://aka.ms/learnwithai/discord). GitHub Copilot'u Veri Bilimi için kullanırken ipuçları ve püf noktaları alacaksınız.
AI ile öğrenme serimiz devam etmektedir, daha fazla bilgi edinip [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord) adresinden 18 - 30 Eylül 2025 tarihleri arasında bize katılabilirsiniz. GitHub Copilot'un Veri Bilimi için kullanımına dair ipuçları ve püf noktaları edineceksiniz.
# Yeni Başlayanlar İçin Makine Öğrenmesi - Bir Müfredat
# Yeni Başlayanlar için Makine Öğrenmesi - Bir Müfredat
> 🌍 Dünya kültürleri üzerinden Makine Öğrenmesini keşfederken dünyayı dolaşın 🌍
> 🌍 Dünya kültürleri yoluyla Makine Öğrenmesini keşfederken dünyayı gezin 🌍
Microsoft'taki Bulut Savunucuları, tamamen **Makine Öğrenmesi**ile ilgili 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen **klasik makine öğrenmesi** olarak adlandırılan şeyler, öncelikle Scikit-learn kütüphanesi kullanılarak ve bizim [Yapay Zeka için Yeni Başlayanlar müfredatımızda](https://aka.ms/ai4beginners) ele alınan derin öğrenmeden kaçınarak öğrenilecektir. Bu dersleri ayrıca ['Yeni Başlayanlar için Veri Bilimi müfredatıyla'](https://aka.ms/ds4beginners) eşleştirebilirsiniz!
Microsoft'taki Bulut Savunucuları, tamamen **Makine Öğrenmesi**üzerine 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, çoğunlukla Scikit-learn kütüphanesini kullanarak ve derin öğrenmeden kaçınarak, bazen **klasik makine öğrenmesi** olarak adlandırılan konuları öğreneceksiniz; derin öğrenme ise [Yenidoğanlar için AI müfredatımızda](https://aka.ms/ai4beginners) ele alınmaktadır. Ayrıca, bu dersleri ['Yeni Başlayanlar için Veri Bilimi müfredatıyla'](https://aka.ms/ds4beginners) eşleştirebilirsiniz!
Bu klasik teknikleri dünyanın birçok bölgesinden gelen verilere uygularken bizimle birlikte yolculuk yapın. Her ders öncesinde ve sonrasında quizler, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlası bulunmaktadır. Proje tabanlı öğretim yöntemimiz, yeni becerilerin 'yerleşmesi' için kanıtlanmış bir yol olarak, öğrenirken inşa etmenizi sağlar.
Dünya genelindeki birçok bölgeden verilerle bu klasik teknikleri uygularken bizimle seyahat edin. Her ders öncesi ve sonrası sınavları, dersin tamamlanması için yazılı talimatlar, bir çözüm, bir görev ve daha fazlasını içerir. Proje tabanlı öğretim yöntemimiz, yeni becerilerin kalıcı olmasını sağlayan kanıtlanmış bir öğrenme yoludur.
**✍️ Yazarlarımıza içten teşekkürler** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd
**🎨 İllüstratörlerimize ayrıca teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🎨 İllüstratörlerimize teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🙏 Microsoft Öğrenci Elçileri yazarlarına, gözden geçirenlerine ve içerik katkı sağlayanlarına özel teşekkürler**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımıza, inceleyicilerimize ve içerik katkıda bulunanlara**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya R dersleri için ekstra teşekkürler!**
**🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya ekstra teşekkürler!**
# Başlarken
Bu adımları izleyin:
Şu adımları izleyin:
1. **Depoyu Forklayın**: Bu sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın.
> [Bu ders için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, ayar ve ders çalıştırma ile ilgili yaygın sorunların çözümleri için [Sorun Giderme Kılavuzumuzu](TROUBLESHOOTING.md) kontrol edin.
> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, ayar ve ders çalıştırmadaki yaygın sorunlar için [Sorun Giderme Rehberimizi](TROUBLESHOOTING.md) kontrol edin.
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm repoyu kendi GitHub hesabınıza fork yapın ve egzersizleri tek başınıza veya bir grupla tamamlayın:
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza fork’layın ve alıştırmaları kendi başınıza ya da bir grupla tamamlayın:
- Ders öncesi quiz ile başlayın.
- Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
- Çözüm kodunu çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak çözüm kodu her proje odaklı dersin `/solution` klasörlerinde mevcuttur.
- Ders sonrasıquiz'i yapın.
- Mücadeleyi tamamlayın.
- Ders öncesi sınavla başlayın.
- Dersi okuyun ve her bilgi kontrol noktasında durup düşünerek etkinlikleri tamamlayın.
- Çözüme ait kodu çalıştırmak yerine dersleri anlayarak projeleri oluşturmayı deneyin; bu kod her proje odaklı dersin `/solution` klasörlerinde mevcuttur.
- Ders sonrasısınavı yapın.
- Meydan okumayı tamamlayın.
- Ödevi tamamlayın.
- Bir ders grubunu tamamladıktan sonra, [Tartışma Panosunu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT rubriğini doldurarak "sesli öğrenme" yapın. 'PAT' bir İlerleme Değerlendirme Aracı olup, öğreniminizi ilerletmek için doldurulan bir rubriktir. Ayrıca diğer PAT'lere tepki gösterebilir böylece birlikte öğrenebiliriz.
- Bir ders grubunu tamamladıktan sonra [Tartışma Panosunu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT rubriğini doldurarak "yüksek sesle öğrenin". 'PAT', öğrenmeyi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracıdır. Ayrıca diğer PAT’lere tepki vererek birlikte öğrenebiliriz.
> Daha ileri çalışmalar için bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenme yollarını takip etmenizi öneririz.
**Öğretmenler**, bu müfredatın nasıl kullanılacağına dair bazı [önerilerimizi](for-teachers.md) ekledik.
**Öğretmenler**, bu müfredatı kullanmanıza dair [bazı öneriler](for-teachers.md) ekledik.
---
## Video anlatımlar
## Video anlatımları
Bazı dersler kısa video formatında mevcuttur. Bunların tümünü derslerin içinde veya Microsoft Developer YouTube kanalındaki [Yeni Başlayanlar için ML oynatma listesinde](https://aka.ms/ml-beginners-videos) aşağıdaki görsele tıklayarak bulabilirsiniz.
Bazı dersler kısa form video olarak mevcuttur. Tüm bunları derslerde satır içinde veya aşağıdaki görsele tıklayarak Microsoft Developer YouTube kanalındaki [Yeni Başlayanlar için Makine Öğrenmesi oynatma listesinde](https://aka.ms/ml-beginners-videos) bulabilirsiniz.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Proje ve yaratan kişiler hakkında bir video için yukarıdaki görsele tıklayın!
> 🎥 Proje ve yaratanları hakkında video için yukarıdaki görsele tıklayın!
---
## Pedagoji
Bu müfredatı oluştururken iki pedagojik ilkeye karar verdik: pratik yapmaya dayalı**proje tabanlı** olması ve **sık quizler** içermesi. Ayrıca, müfredatın birleşikliğini sağlamak için ortak bir **tema** bulunmaktadır.
Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı**proje tabanlı** olmasını ve **sık sık sınavlar** içermesini sağlamak. Ayrıca, müfredatın bir bütünlük kazanması için ortak bir **tema** bulunmaktadır.
İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, ders öncesi düşük riskli bir quiz öğrencinin bir konuyu öğrenmeye yönelik niyetini belirlerken, ders sonrası ikinci quiz kavramların daha iyi pekişmesini sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmış olup, tümü veya bir kısmı takip edilebilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek karmaşıklaşır. Bu müfredat ayrıca, ek kredi veya tartışma temeli olarak kullanılabilecek ML'nin gerçek dünyadaki uygulamalarına dair bir son söz içermektedir.
İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale getirilir ve kavramların kalıcılığı artırılır. Ayrıca, dersten önceki düşük riskli bir sınav öğrencinin öğrenme niyetini belirlerken, dersten sonraki ikinci sınav öğrenmeyi pekiştirir. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamı ya da bir kısmı alınabilir. Projeler küçük başlayıp 12 haftalık döngünün sonunda giderek karmaşıklaşır. Müfredat, gerçek dünyadaki ML uygulamaları hakkında ekstra kredi ya da tartışma temeli olarak kullanılabilecek bir son bölüm de içerir.
> [Davranış Kurallarımızı](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviriler](..) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!
> [Davranış Kurallarımızı](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çevirilerimizi](..) ve [Sorun Giderme](TROUBLESHOOTING.md) rehberlerini bulun. Yapıcı geri bildiriminizi memnuniyetle karşılıyoruz!
## Her ders içeriği
## Her ders içerir
- isteğe bağlı çizim notu
- isteğe bağlıtamamlayıcı video
- isteğe bağlıdestekleyici video
- video anlatımı (sadece bazı derslerde)
- [ders öncesi ısınma quiz'i](https://ff-quizzes.netlify.app/en/ml/)
- [ders öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/)
- yazılı ders
- proje tabanlı derslerde, projeyi nasıl oluşturacağınıza dair adım adım rehberler
- bilgi kontrolleri
- bir mücadele
- tamamlayıcı okuma
- proje tabanlı derslerde, projeyi inşa etmek için adım adım rehberler
> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidin ve R derslerini arayın. Bunlar, bir **R Markdown** dosyasını temsil eden .rmd uzantısına sahiptir; bu, `kod parçacıkları` (R veya diğer dillerde) ve `YAML başlığı` (PDF gibi çıktı biçimlerinin nasıl formatlanacağını yönlendirir) içeren bir `Markdown belgeleri` gömme dosyası olarak basitçe tanımlanabilir. Dolayısıyla, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza izin vererek veri bilimi için örnek bir oluşturma çerçevesi sunar. Dahası, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
> **Sınavlar hakkında bir not**: Tüm sınavlar [Quiz App klasöründe](../../quiz-app) bulunmakta olup, her biri üç sorudan oluşan toplam 52 sınav vardır. Derslerin içinde bağlantıları verilmiştir ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerel olarak barındırmak veya Azure’a dağıtmak için `quiz-app` klasöründeki talimatları izleyin.
| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğren | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alandaki tarihsel gelişmeleri öğren | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy |
| 03 | Adalet ve makine öğrenimi | [Giriş](1-Introduction/README.md) | Öğrencilerin ML modelleri oluştururken ve uygularken dikkate almaları gereken önemli adalet felsefi meselelerini anlamak | [Ders](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Makine öğrenimi teknikleri | [Giriş](1-Introduction/README.md) | Makine öğrenimi araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen |
| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Makine öğrenimi için veri görselleştirin ve temizleyin | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinomiyal regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ve Dmitry • Eric Wanjau |
| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ve Cassie • Eric Wanjau |
| 11 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ve Cassie • Eric Wanjau |
| 12 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ve Cassie • Eric Wanjau |
| 13 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak öneri web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nijerya Müzik Tatlarını Keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Doğal dil işleme tanıtımı ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP'nin temellerini öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | [Doğal dil işleme](6-NLP/README.md) | Dil yapılarıyla uğraşırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Çeviri ve duygu analizi ♥️ | [Doğal dil işleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 21 | Zaman serileri tahminine giriş | [Zaman Serisi](7-TimeSeries/README.md) | Zaman serileri tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Dünya Elektrik Kullanımı ⚡️ - ARIMA ile zaman serileri tahmini | [Zaman Serisi](7-TimeSeries/README.md) | ARIMA ile zaman serileri tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Dünya Elektrik Kullanımı ⚡️ - SVR ile zaman serileri tahmini | [Zaman Serisi](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serileri tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Son Söz | Gerçek dünya ML senaryoları ve uygulamaları| [Doğada ML](9-Real-World/README.md) | Klasik ML’nin ilginç ve açıklayıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Ekip |
| Son Söz | RAI dashboard kullanarak ML model hata ayıklama | [Doğada ML](9-Real-World/README.md) | Responsible AI dashboard bileşenleri kullanarak Makine Öğreniminde Model Hata Ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Diller hakkında bir not**: Bu dersler ağırlıklı olarak Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için, `/solution` klasörüne gidip R derslerini arayabilirsiniz. Bunlar, `R Markdown` dosyasını temsil eden .rmd uzantısına sahiptir; bu, basitçe `kod parçacıklarının` (R veya diğer dillerden) ve çıktı formatlarını nasıl şekillendireceğini belirten `YAML başlığının` birleştirilmesiyle oluşturulan bir `Markdown belgesi` olarak tanımlanabilir. Bu nedenle, kodunuzu, çıktılarını ve düşüncelerinizi Markdown ile yazarak birleştirmenizi sağlayan, veri bilimi için örnek teşkil eden bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
> **Quizler hakkında bir not**: Tüm quizler, toplam 52 adet üç soruluk quiz içeren [Quiz App klasöründe](../../quiz-app) bulunmaktadır. Derslerin içinden bağlantı verilmiştir, ancak quiz uygulaması yerel olarak da çalıştırılabilir; `quiz-app` klasöründeki talimatları izleyerek yerel olarak barındırabilir veya Azure'a dağıtabilirsiniz.
| Ders Numarası | Konu | Ders Gruplandırması | Öğrenme Hedefleri | Bağlantılı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın arkasındaki tarihi öğrenin | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy |
| 03 | Adalet ve makine öğrenmesi | [Giriş](1-Introduction/README.md) | ML modelleri oluştururken ve uygularken öğrencilerin dikkate alması gereken önemli felsefi adalet konuları nelerdir? | [Ders](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Makine öğrenmesi teknikleri | [Giriş](1-Introduction/README.md) | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen |
| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md)| Makine öğrenmesi için veriyi görselleştirin ve temizleyin | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinom regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ve Dmitry • Eric Wanjau |
| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md)| Verinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ve Cassie • Eric Wanjau |
| 11 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ve Cassie • Eric Wanjau |
| 12 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ve Cassie • Eric Wanjau |
| 13 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md)| Modelinizi kullanarak bir öneri web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md)| Verinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nijerya Müzik Zevklerini Keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Doğal dil işleme giriş ☕️ | [Doğal Dil İşleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP temel bilgileri öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | [Doğal Dil İşleme](6-NLP/README.md) | Dil yapıları ile çalışırken gerekli olan yaygın görevleri anlamak için NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Çeviri ve duygu analizi ♥️ | [Doğal Dil İşleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Avrupa'nın romantik otelleri ♥️ | [Doğal Dil İşleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Avrupa'nın romantik otelleri ♥️ | [Doğal Dil İşleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Zaman serisi tahminine giriş | [Zaman Serisi](7-TimeSeries/README.md) | Zaman serisi tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | [Zaman Serisi](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini | [Zaman Serisi](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli Öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Gerçek dünya ML senaryoları ve uygulamaları | [Doğada ML](9-Real-World/README.md) | Klasik ML'nin ilginç ve aydınlatıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Takım |
| Postscript | RAI kontrol panelini kullanarak ML modellerini hata ayıklama | [Doğada ML](9-Real-World/README.md) | Responsible AI kontrol paneli bileşenlerini kullanarak Makine Öğrenmesinde model hata ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Çevrimdışı erişim
[Docsify](https://docsify.js.org/#/) kullanarak bu dokümantasyonu çevrimdışı çalıştırabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify yükleyin](https://docsify.js.org/#/quickstart) ve ardından bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost’unuzda 3000 numaralı portta hizmet verecektir: `localhost:3000`.
Bu dokümantasyonu çevrimdışı kullanmak için [Docsify](https://docsify.js.org/#/) kullanabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify kurun](https://docsify.js.org/#/quickstart) ve ardından bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost'unuzda 3000 portunda sunulacaktır: `localhost:3000`.
## PDF’ler
## PDF'ler
Bağlantılarla birlikte müfredatın pdf’sini [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulun.
Konu anlatımını bağlantılar ile birlikte pdf formatında [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulabilirsiniz.
## 🎒 Diğer Kurslar
Ekibimiz başka kurslar da üretiyor! Şunlara göz atın:
Ekibimiz başka kurslar da üretmektedir! Göz atın:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,43 +184,43 @@ Ekibimiz başka kurslar da üretiyor! Şunlara göz atın:
### 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/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Üretken AI Serisi
[](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)
---
### Temel Öğrenme
[](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)
---
### Copilot Serisi
[](https://aka.ms/GitHubCopilotAI?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)
Yapay zeka uygulamaları geliştirme sürecinde takılırsanız veya herhangi bir sorunuz olursa, MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Soruların hoş karşılandığı ve bilgilerin özgürce paylaşıldığı destekleyici bir topluluktur.
Yapay zekâ uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa. MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Sorulara açık ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.
@ -233,6 +232,6 @@ Yapay zeka uygulamaları geliştirme sürecinde takılırsanız veya herhangi bi
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Feragatname**:
Bu belge, [Co-op Translator](https://github.com/Azure/co-op-translator) adlı yapay zeka çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerde hatalar veya yanlışlıklar bulunabilir. Orijinal belge, kendi dilinde yetkili ve kesin kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda doğabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz.
**Feragatname**:
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen göz önünde bulundurun. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumdan dolayı sorumluluk kabul etmiyoruz.
localizeflow[bot]
3 months ago