[](https://youtu.be/N6wxM4wZ7V0 "ML per principianti - Storia del Machine Learning")
[](https://youtu.be/N6wxM4wZ7V0 "ML for beginners - History of Machine Learning")
> 🎥 Clicca sull'immagine sopra per un breve video che illustra questa lezione.
> 🎥 Clicca sull'immagine sopra per un breve video che percorre questa lezione.
In questa lezione, esamineremo le principali tappe della storia del machine learning e dell'intelligenza artificiale.
In questa lezione, attraverseremo le tappe principali della storia dell'apprendimento automatico e dell'intelligenza artificiale.
La storia dell'intelligenza artificiale (IA) come campo è strettamente legata alla storia del machine learning, poiché gli algoritmi e i progressi computazionali che stanno alla base del ML hanno alimentato lo sviluppo dell'IA. È utile ricordare che, sebbene questi campi come aree di studio distinte abbiano iniziato a prendere forma negli anni '50, importanti [scoperte algoritmiche, statistiche, matematiche, computazionali e tecniche](https://wikipedia.org/wiki/Timeline_of_machine_learning) hanno preceduto e si sono sovrapposte a questo periodo. In realtà, le persone hanno riflettuto su queste domande per [centinaia di anni](https://wikipedia.org/wiki/History_of_artificial_intelligence): questo articolo discute le basi intellettuali storiche dell'idea di una 'macchina pensante'.
La storia dell'intelligenza artificiale (IA) come campo è intrecciata con la storia dell'apprendimento automatico, poiché gli algoritmi e i progressi computazionali che supportano ML hanno contribuito allo sviluppo dell'IA. È utile ricordare che, mentre questi campi come ambiti distinti di indagine iniziarono a cristallizzarsi negli anni '50, importanti [scoperte algoritmiche, statistiche, matematiche, computazionali e tecniche](https://wikipedia.org/wiki/Timeline_of_machine_learning) precedettero e si sovrapposero a quest'epoca. Infatti, le persone hanno riflettuto su queste questioni per [centinaia di anni](https://wikipedia.org/wiki/History_of_artificial_intelligence): questo articolo discute i fondamenti intellettuali storici dell'idea di una 'macchina pensante.'
---
## Scoperte significative
## Scoperte notevoli
- 1763, 1812 [Teorema di Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e i suoi predecessori. Questo teorema e le sue applicazioni sono alla base dell'inferenza, descrivendo la probabilità che un evento si verifichi basandosi su conoscenze precedenti.
- 1805 [Teoria dei minimi quadrati](https://wikipedia.org/wiki/Least_squares) del matematico francese Adrien-Marie Legendre. Questa teoria, che imparerai nella nostra unità sulla regressione, aiuta nell'adattamento dei dati.
- 1913 [Catene di Markov](https://wikipedia.org/wiki/Markov_chain), chiamate così in onore del matematico russo Andrey Markov, vengono utilizzate per descrivere una sequenza di eventi possibili basata su uno stato precedente.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), un tipo di classificatore lineare inventato dallo psicologo americano Frank Rosenblatt che è alla base dei progressi nel deep learning.
- 1763, 1812 [Teorema di Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) e i suoi predecessori. Questo teorema e le sue applicazioni costituiscono la base dell'inferenza, descrivendo la probabilità che un evento si verifichi basandosi su conoscenze precedenti.
- 1805 [Teoria dei minimi quadrati](https://wikipedia.org/wiki/Least_squares) del matematico francese Adrien-Marie Legendre. Questa teoria, che apprenderai nella nostra unità di regressione, aiuta nell'adattamento dei dati.
- 1913 [Catene di Markov](https://wikipedia.org/wiki/Markov_chain), denominate dal matematico russo Andrey Markov, sono utilizzate per descrivere una sequenza di eventi possibili basata su uno stato precedente.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) è un tipo di classificatore lineare inventato dallo psicologo americano Frank Rosenblatt che è alla base dei progressi nel deep learning.
---
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) è un algoritmo originariamente progettato per mappare percorsi. Nel contesto del ML viene utilizzato per rilevare schemi.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) viene utilizzato per addestrare [reti neurali feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Reti neurali ricorrenti](https://wikipedia.org/wiki/Recurrent_neural_network) sono reti neurali artificiali derivate dalle reti neurali feedforward che creano grafici temporali.
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) è un algoritmo originariamente progettato per mappare rotte. Nel contesto di ML è usato per rilevare pattern.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) è usato per addestrare [reti neurali feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Reti neurali ricorrenti](https://wikipedia.org/wiki/Recurrent_neural_network) sono reti neurali artificiali derivate dalle reti neurali feedforward che creano grafi temporali.
✅ Fai una piccola ricerca. Quali altre date si distinguono come fondamentali nella storia del ML e dell'IA?
✅ Fai un po' di ricerca. Quali altre date si distinguono come fondamentali nella storia di ML e AI?
---
## 1950: Macchine che pensano
Alan Turing, una persona davvero straordinaria che è stata votata [dal pubblico nel 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) come il più grande scienziato del XX secolo, è accreditato per aver contribuito a gettare le basi del concetto di una 'macchina che può pensare'. Ha affrontato gli scettici e il suo stesso bisogno di prove empiriche di questo concetto, in parte creando il [Test di Turing](https://www.bbc.com/news/technology-18475646), che esplorerai nelle nostre lezioni di NLP.
Alan Turing, una persona veramente straordinaria che è stata votata [dal pubblico nel 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) come il più grande scienziato del XX secolo, è accreditato per aver contribuito a gettare le basi del concetto di una 'macchina che può pensare.' Ha affrontato gli scettici e la propria necessità di prove empiriche di questo concetto in parte creando il [Test di Turing](https://www.bbc.com/news/technology-18475646), che esplorerai nelle nostre lezioni di NLP.
---
## 1956: Progetto di ricerca estivo di Dartmouth
"Il progetto di ricerca estivo di Dartmouth sull'intelligenza artificiale è stato un evento fondamentale per l'intelligenza artificiale come campo," ed è qui che è stato coniato il termine 'intelligenza artificiale' ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Il Progetto di ricerca estivo di Dartmouth sull’intelligenza artificiale fu un evento fondamentale per l'intelligenza artificiale come campo," ed è qui che fu coniato il termine 'intelligenza artificiale' ([fonte](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza può, in linea di principio, essere descritto così precisamente da poter essere simulato da una macchina.
> Ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza può in principio essere così precisamente descritto che una macchina può essere fatta per simularlo.
---
Il ricercatore principale, il professore di matematica John McCarthy, sperava "di procedere sulla base della congettura che ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza possa, in linea di principio, essere descritto così precisamente da poter essere simulato da una macchina." Tra i partecipanti c'era un'altra figura di spicco nel campo, Marvin Minsky.
Il ricercatore principale, il professore di matematica John McCarthy, sperava "di procedere sulla base della congettura che ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza possa in principio essere così precisamente descritto che una macchina possa essere fatta per simularlo." Tra i partecipanti c'era un altro luminare nel campo, Marvin Minsky.
Il workshop è accreditato per aver avviato e incoraggiato diverse discussioni, tra cui "l'ascesa dei metodi simbolici, sistemi focalizzati su domini limitati (primi sistemi esperti) e sistemi deduttivi contro sistemi induttivi." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
All'officina si attribuisce il merito di aver avviato e incoraggiato varie discussioni, inclusi "l'ascesa dei metodi simbolici, sistemi focalizzati su domini limitati (primi sistemi esperti), e sistemi deduttivi contro sistemi induttivi." ([fonte](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Gli anni d'oro"
Dal 1950 fino alla metà degli anni '70, l'ottimismo era alto nella speranza che l'IA potesse risolvere molti problemi. Nel 1967, Marvin Minsky affermò con sicurezza che "Entro una generazione ... il problema di creare 'intelligenza artificiale' sarà sostanzialmente risolto." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Dagli anni '50 fino alla metà degli anni '70, l'ottimismo era alto nell'aspettativa che l'IA potesse risolvere molti problemi. Nel 1967, Marvin Minsky affermava con fiducia che "Entro una generazione ... il problema di creare 'intelligenza artificiale' sarà sostanzialmente risolto." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
La ricerca sulla comprensione del linguaggio naturale prosperò, la ricerca fu affinata e resa più potente, e fu creato il concetto di 'micro-mondi', dove semplici compiti venivano completati utilizzando istruzioni in linguaggio naturale.
La ricerca in elaborazione del linguaggio naturale fiorì, la ricerca venne perfezionata e resa più potente, e il concetto di 'micro-mondi' fu creato, dove semplici compiti venivano completati usando istruzioni in linguaggio comune.
---
La ricerca era ben finanziata da agenzie governative, furono fatti progressi nella computazione e negli algoritmi, e furono costruiti prototipi di macchine intelligenti. Alcune di queste macchine includono:
La ricerca fu ben finanziata da enti governativi, si fecero progressi nel calcolo e negli algoritmi, e furono realizzati prototipi di macchine intelligenti. Alcune di queste macchine includono:
* [Shakey il robot](https://wikipedia.org/wiki/Shakey_the_robot), che poteva muoversi e decidere come svolgere compiti 'intelligentemente'.
* [Shakey il robot](https://wikipedia.org/wiki/Shakey_the_robot), che poteva manovrare e decidere come eseguire i compiti in modo 'intelligente'.
> Shakey nel 1972
---
* Eliza, un primo 'chatterbot', poteva conversare con le persone e agire come un primitivo 'terapeuta'. Imparerai di più su Eliza nelle lezioni di NLP.
* Eliza, un primo 'chatterbot', poteva conversare con le persone e agire come una 'terapeuta' primitiva. Imparerai di più su Eliza nelle lezioni di NLP.
> Una versione di Eliza, un chatbot
---
* "Blocks world" era un esempio di micro-mondo dove i blocchi potevano essere impilati e ordinati, e gli esperimenti per insegnare alle macchine a prendere decisioni potevano essere testati. I progressi costruiti con librerie come [SHRDLU](https://wikipedia.org/wiki/SHRDLU) hanno aiutato a spingere avanti l'elaborazione del linguaggio.
* "Blocks world" era un esempio di micro-mondo dove i blocchi potevano essere impilati e ordinati, e si potevano testare esperimenti nell’insegnare alle macchine a prendere decisioni. I progressi costruiti con librerie come [SHRDLU](https://wikipedia.org/wiki/SHRDLU) aiutarono a far progredire l'elaborazione del linguaggio.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world con SHRDLU")
@ -83,46 +83,46 @@ La ricerca era ben finanziata da agenzie governative, furono fatti progressi nel
---
## 1974 - 1980: "Inverno dell'IA"
Entro la metà degli anni '70, era diventato evidente che la complessità di creare 'macchine intelligenti' era stata sottovalutata e che la sua promessa, data la potenza di calcolo disponibile, era stata sopravvalutata. I finanziamenti si esaurirono e la fiducia nel campo rallentò. Alcuni problemi che influenzarono la fiducia includevano:
A metà degli anni '70 era diventato evidente che la complessità nel creare 'macchine intelligenti' era stata sottovalutata e che le promesse, dato il potere di calcolo disponibile, erano state esagerate. I finanziamenti si prosciugarono e la fiducia nel campo rallentò. Alcuni problemi che influirono sulla fiducia includevano:
---
- **Limitazioni**. La potenza di calcolo era troppo limitata.
- **Esplosione combinatoria**. La quantità di parametri da addestrare cresceva esponenzialmente man mano che si chiedeva di più ai computer, senza un'evoluzione parallela della potenza e capacità di calcolo.
- **Scarsità di dati**. C'era una scarsità di dati che ostacolava il processo di test, sviluppo e perfezionamento degli algoritmi.
- **Stiamo ponendo le domande giuste?**. Le stesse domande che venivano poste iniziarono a essere messe in discussione. I ricercatori iniziarono a ricevere critiche sui loro approcci:
- I test di Turing furono messi in discussione, tra le altre idee, dalla 'teoria della stanza cinese' che sosteneva che, "programmare un computer digitale potrebbe far sembrare che capisca il linguaggio ma non potrebbe produrre una vera comprensione." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
- L'etica di introdurre intelligenze artificiali come il "terapeuta" ELIZA nella società fu messa in discussione.
- **Limitazioni**. Il potere computazionale era troppo limitato.
- **Esplosione combinatoria**. La quantità di parametri da addestrare cresceva esponenzialmente man mano che si chiedeva di più ai computer, senza un'evoluzione parallela del potere e della capacità computazionale.
- **Poca disponibilità di dati**. La scarsità di dati ostacolava il processo di test, sviluppo e perfezionamento degli algoritmi.
- **Stiamo facendo le domande giuste?**. Le stesse domande poste iniziarono a essere messe in dubbio. I ricercatori iniziarono a ricevere critiche riguardo ai loro approcci:
- Il Test di Turing venne messo in discussione tramite, tra le altre idee, la 'teoria della stanza cinese' che asseriva che "programmare un computer digitale può far sembrare che comprenda il linguaggio ma non può produrre una vera comprensione." ([fonte](https://plato.stanford.edu/entries/chinese-room/))
- Vennero sfidate le questioni etiche legate all'introduzione di intelligenze artificiali come la "terapeuta" ELIZA nella società.
---
Allo stesso tempo, iniziarono a formarsi varie scuole di pensiero sull'IA. Si stabilì una dicotomia tra pratiche di ["IA disordinata" vs. "IA ordinata"](https://wikipedia.org/wiki/Neats_and_scruffies). I laboratori _disordinati_ modificavano i programmi per ore fino a ottenere i risultati desiderati. I laboratori _ordinati_ "si concentravano sulla logica e sulla risoluzione formale dei problemi". ELIZA e SHRDLU erano sistemi _disordinati_ ben noti. Negli anni '80, con l'emergere della domanda di rendere i sistemi ML riproducibili, l'approccio _ordinato_ prese gradualmente il sopravvento poiché i suoi risultati erano più spiegabili.
Nello stesso periodo, iniziarono a formarsi varie scuole di pensiero sull'IA. Si stabilì una dicotomia tra pratiche ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies). I laboratori _scruffy_ modificavano programmi per ore fino a ottenere i risultati desiderati. I laboratori _neat_ "si concentravano sulla logica e sulla risoluzione formale dei problemi". ELIZA e SHRDLU erano sistemi _scruffy_ ben noti. Negli anni '80, con la crescente domanda di rendere riproducibili i sistemi ML, l'approccio _neat_ prese gradualmente il sopravvento poiché fornisce risultati più spiegabili.
---
## Sistemi esperti negli anni '80
## Anni '80 Sistemi esperti
Con la crescita del campo, il suo beneficio per il business divenne più chiaro, e negli anni '80 si assistette alla proliferazione dei 'sistemi esperti'. "I sistemi esperti furono tra le prime forme veramente di successo di software di intelligenza artificiale (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
Con la crescita del campo, divenne più chiaro il suo beneficio per il business, e negli anni '80 si diffuse la proliferazione dei 'sistemi esperti'. "I sistemi esperti furono tra le prime forme veramente di successo di software di intelligenza artificiale (IA)." ([fonte](https://wikipedia.org/wiki/Expert_system)).
Questo tipo di sistema è in realtà _ibrido_, composto parzialmente da un motore di regole che definisce i requisiti aziendali e un motore di inferenza che sfrutta il sistema di regole per dedurre nuovi fatti.
Questo tipo di sistema è in realtà _ibrido_, composto parzialmente da un motore di regole che definisce i requisiti aziendali, e un motore di inferenza che sfrutta il sistema di regole per dedurre nuovi fatti.
Questo periodo vide anche un'attenzione crescente verso le reti neurali.
In questa epoca venne anche posta crescente attenzione sulle reti neurali.
---
## 1987 - 1993: Raffreddamento dell'IA
## 1987 - 1993: 'Pausa' dell'IA
La proliferazione di hardware specializzato per sistemi esperti ebbe l'effetto sfortunato di diventare troppo specializzata. L'ascesa dei personal computer competé con questi grandi sistemi centralizzati e specializzati. La democratizzazione del computing era iniziata, e alla fine aprì la strada all'esplosione moderna dei big data.
La proliferazione di hardware specializzato per sistemi esperti ebbe l'effetto sfortunato di diventare troppo specializzato. L'ascesa dei personal computer competeva anche con questi grandi sistemi centralizzati e specializzati. La democratizzazione del computing era iniziata, preparando la strada all'esplosione moderna dei big data.
---
## 1993 - 2011
Questo periodo vide una nuova era per il ML e l'IA, in grado di risolvere alcuni dei problemi causati in precedenza dalla mancanza di dati e potenza di calcolo. La quantità di dati iniziò a crescere rapidamente e a diventare più ampiamente disponibile, nel bene e nel male, soprattutto con l'avvento dello smartphone intorno al 2007. La potenza di calcolo si espanse esponenzialmente e gli algoritmi si evolsero di pari passo. Il campo iniziò a maturare mentre i giorni liberi e sperimentali del passato iniziarono a cristallizzarsi in una vera disciplina.
Questa epoca ha visto una nuova era per ML e IA per poter risolvere alcuni dei problemi causati in precedenza dalla mancanza di dati e potere computazionale. La quantità di dati iniziò a crescere rapidamente e a diventare più ampiamente disponibile, in bene e in male, soprattutto con l'avvento dello smartphone intorno al 2007. Il potere computazionale si espanse in modo esponenziale e gli algoritmi si evolsero di conseguenza. Il campo iniziò a maturare mentre i giorni spensierati del passato iniziarono a cristallizzarsi in una vera disciplina.
---
## Oggi
## Adesso
Oggi il machine learning e l'IA toccano quasi ogni parte della nostra vita. Questo periodo richiede una comprensione attenta dei rischi e degli effetti potenziali di questi algoritmi sulla vita umana. Come ha affermato Brad Smith di Microsoft, "La tecnologia dell'informazione solleva questioni che vanno al cuore delle protezioni fondamentali dei diritti umani, come la privacy e la libertà di espressione. Queste questioni aumentano la responsabilità delle aziende tecnologiche che creano questi prodotti. A nostro avviso, richiedono anche una regolamentazione governativa ponderata e lo sviluppo di norme sull'uso accettabile" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Oggi l'apprendimento automatico e l'IA toccano quasi ogni parte della nostra vita. Questa era richiede una comprensione attenta dei rischi e dei potenziali effetti di questi algoritmi sulle vite umane. Come ha affermato Brad Smith di Microsoft, "La tecnologia dell'informazione solleva questioni che vanno al cuore delle protezioni fondamentali dei diritti umani come la privacy e la libertà di espressione. Queste questioni aumentano la responsabilità delle aziende tecnologiche che creano questi prodotti. A nostro avviso, richiedono anche una regolamentazione governativa ponderata e lo sviluppo di norme sugli usi accettabili" ([fonte](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Resta da vedere cosa riserva il futuro, ma è importante comprendere questi sistemi informatici e il software e gli algoritmi che eseguono. Speriamo che questo curriculum ti aiuti a ottenere una migliore comprensione in modo che tu possa decidere da solo.
Resta da vedere cosa riserva il futuro, ma è importante comprendere questi sistemi informatici e il software e gli algoritmi che eseguono. Speriamo che questo curriculum ti aiuti a ottenere una migliore comprensione così da poter decidere per te stesso.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "La storia del deep learning")
> 🎥 Clicca sull'immagine sopra per un video: Yann LeCun discute la storia del deep learning in questa lezione
@ -130,12 +130,12 @@ Resta da vedere cosa riserva il futuro, ma è importante comprendere questi sist
---
## 🚀Sfida
Approfondisci uno di questi momenti storici e scopri di più sulle persone dietro di essi. Ci sono personaggi affascinanti e nessuna scoperta scientifica è mai stata creata in un vuoto culturale. Cosa scopri?
Approfondisci uno di questi momenti storici e scopri di più sulle persone dietro di essi. Ci sono personaggi affascinanti, e nessuna scoperta scientifica è mai stata creata in un vuoto culturale. Cosa scopri?
@ -147,9 +147,11 @@ Ecco alcuni elementi da guardare e ascoltare:
## Compito
[Creare una timeline](assignment.md)
[Crea una timeline](assignment.md)
---
**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 garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire la precisione, si prega di notare che le traduzioni automatizzate possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un essere umano. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
In questo corso inizierai a scoprire come il machine learning può e sta influenzando la nostra vita quotidiana. Anche adesso, sistemi e modelli sono coinvolti in attività decisionali quotidiane, come diagnosi mediche, approvazioni di prestiti o rilevamento di frodi. Quindi è importante che questi modelli funzionino bene per fornire risultati affidabili. Come per qualsiasi applicazione software, i sistemi di AI possono non soddisfare le aspettative o avere esiti indesiderati. Per questo motivo è essenziale essere in grado di comprendere e spiegare il comportamento di un modello AI.
In questo curriculum, inizierai a scoprire come il machine learning può e sta impattando la nostra vita quotidiana. Anche ora, sistemi e modelli sono coinvolti nelle attività decisionali quotidiane, come diagnosi sanitarie, approvazioni di prestiti o rilevamento di frodi. Perciò, è importante che questi modelli funzionino bene per fornire risultati affidabili. Proprio come qualsiasi applicazione software, i sistemi di IA possono deludere le aspettative o avere risultati indesiderati. Ecco perché è essenziale essere in grado di comprendere e spiegare il comportamento di un modello di IA.
Immagina cosa può accadere quando i dati che usi per costruire questi modelli mancano di determinate demografie, come razza, genere, opinione politica, religione, o rappresentano in modo sproporzionato tali demografie. Cosa succede quando l’output del modello è interpretato per favorire una certa demografia? Qual è la conseguenza per l’applicazione? Inoltre, cosa accade quando il modello produce un risultato avverso dannoso per le persone? Chi è responsabile del comportamento del sistema AI? Queste sono alcune delle domande che esploreremo in questo corso.
Immagina cosa può succedere quando i dati usati per costruire questi modelli mancano di certi dati demografici, come razza, genere, opinioni politiche, religione, o rappresentano in modo sproporzionato tali dati demografici. Cosa succede quando l’output del modello viene interpretato per favorire un determinato gruppo demografico? Qual è la conseguenza per l'applicazione? Inoltre, cosa accade quando il modello ha un esito negativo e risulta dannoso per le persone? Chi è responsabile del comportamento dei sistemi di IA? Queste sono alcune delle domande che esploreremo in questo curriculum.
In questa lezione imparerai a:
In questa lezione, tu:
- Aumentare la consapevolezza sull'importanza dell'equità nel machine learning e sui danni correlati all'equità.
- Familiarizzare con la pratica di esplorare gli outlier e scenari insoliti per garantire affidabilità e sicurezza.
- Acquisire comprensione della necessità di dare potere a tutti progettando sistemi inclusivi.
- Esplorare quanto sia vitale proteggere la privacy e la sicurezza dei dati e delle persone.
- Vedere l'importanza di un approccio "scatola trasparente" per spiegare il comportamento dei modelli di AI.
- Essere consapevoli di come la responsabilità sia essenziale per costruire fiducia nei sistemi di AI.
- Accrescerai la tua consapevolezza sull'importanza dell'equità nel machine learning e dei danni correlati all'equità.
- Ti familiarizzerai con la pratica di esplorare valori anomali e scenari insoliti per garantire affidabilità e sicurezza.
- Acquisirai comprensione della necessità di responsabilizzare tutti progettando sistemi inclusivi.
- Esplorerai quanto sia vitale proteggere la privacy e la sicurezza dei dati e delle persone.
- Vedrai l'importanza di avere un approccio di tipo “trasparente” per spiegare il comportamento dei modelli di IA.
- Sarai consapevole di come la responsabilità sia essenziale per costruire fiducia nei sistemi di IA.
## Prerequisito
## Prerequisiti
Come prerequisito, svolgi il Percorso di apprendimento "Principi di AI responsabile" e guarda il video qui sotto sull'argomento:
Come prerequisito, per favore segui il Percorso di apprendimento "Principi di IA responsabile" e guarda il video sottostante sull'argomento:
Scopri di più sull'AI responsabile seguendo questo [Percorso di apprendimento](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Scopri di più sull'IA responsabile seguendo questo [Percorso di apprendimento](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Approccio di Microsoft all'AI responsabile")
[](https://youtu.be/dnC8-uUZXSc "Approccio di Microsoft all'IA responsabile")
> 🎥 Clicca sull'immagine sopra per un video: Approccio di Microsoft all'AI responsabile
> 🎥 Clicca sull'immagine sopra per un video: Approccio di Microsoft all'IA responsabile
## Equità
I sistemi AI dovrebbero trattare tutti in modo equo ed evitare di colpire gruppi simili di persone in modi diversi. Per esempio, quando i sistemi AI forniscono indicazioni su trattamenti medici, domande di prestito o impiego, dovrebbero fare le stesse raccomandazioni a tutti coloro che presentano sintomi simili, condizioni finanziarie o qualifiche professionali. Ognuno di noi come umano porta con sé bias ereditati che influenzano decisioni e azioni. Questi bias possono essere evidenti nei dati usati per addestrare i sistemi AI. Tale manipolazione può a volte avvenire involontariamente. È spesso difficile sapere consapevolmente quando si introduce un bias nei dati.
I sistemi di IA dovrebbero trattare tutti con equità ed evitare di influenzare gruppi simili di persone in modi diversi. Ad esempio, quando i sistemi di IA forniscono indicazioni su trattamenti medici, richieste di prestito o assunzioni, dovrebbero fare le stesse raccomandazioni a tutti con sintomi simili, condizioni finanziarie simili o qualifiche professionali simili. Ognuno di noi, come esseri umani, porta con sé pregiudizi ereditati che influenzano decisioni e azioni. Questi pregiudizi possono essere evidenti nei dati usati per addestrare i sistemi di IA. Tale manipolazione può talvolta avvenire involontariamente. Spesso è difficile sapere coscientemente quando si introduce un bias nei dati.
**"Disparità"** comprende impatti negativi, o "danni", per un gruppo di persone definito in termini di razza, genere, età o stato di disabilità. I principali danni legati all'equità possono essere classificati come:
**"Ingiustizia"** comprende impatti negativi, o "danni", per un gruppo di persone, come quelli definiti in termini di razza, genere, età o stato di disabilità. I principali danni correlati all'equità possono essere classificati come:
- **Allocazione**, se per esempio un genere o un'etnia viene favorito rispetto a un altro.
- **Qualità del servizio**. Se addestri i dati per uno scenario specifico ma la realtà è più complessa, il servizio può risultare inefficace. Ad esempio, un distributore di sapone che sembra incapace di riconoscere persone con la pelle scura. [Riferimento](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Denigrazione**. Criticare etichettare ingiustamente qualcosa o qualcuno. Ad esempio, una tecnologia di etichettatura delle immagini ha etichettato infamemente le immagini di persone dalla pelle scura come gorilla.
- **Sovra- o sotto-rappresentazione**. L'idea è che un certo gruppo non sia visto in una certa professione e qualsiasi servizio o funzione che continua a promuovere ciò contribuisce al danno.
- **Stereotipizzazione**. Associare a un dato gruppo attributi preassegnati. Per esempio, un sistema di traduzione linguistica tra inglese e turco può avere imprecisioni dovute a parole con associazioni stereotipate di genere.
- **Assegnazione**, se ad esempio un genere o etnia è favorito rispetto a un altro.
- **Qualità del servizio**. Se si addestra il modello per uno scenario specifico ma la realtà è molto più complessa, si ottiene un servizio di scarsa qualità. Per esempio, un distributore di sapone per le mani che sembrava incapace di riconoscere persone con pelle scura. [Riferimento](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Denigrazione**. Criticare ingiustamente e etichettare qualcosa o qualcuno. Per esempio, una tecnologia di etichettatura immagini che ha infamemente etichettato persone dalla pelle scura come gorilla.
- **Sovra- o sotto-rappresentazione**. L’idea è che un certo gruppo non sia rappresentato in una professione, e qualsiasi servizio o funzione che contribuisce a promuovere questo causa danno.
- **Stereotipi**. Associare a un dato gruppo attributi preassegnati. Per esempio, un sistema di traduzione linguistica tra inglese e turco potrebbe avere inesattezze dovute a parole con associazioni stereotipate al genere.
> traduzione in turco
@ -48,100 +48,99 @@ I sistemi AI dovrebbero trattare tutti in modo equo ed evitare di colpire gruppi
> traduzione di nuovo in inglese
Quando progetti e testi sistemi AI, dobbiamo assicurarci che l'AI sia equa e non programmata per prendere decisioni di parte o discriminatorie, decisioni che anche gli esseri umani sono proibiti di prendere. Garantire l'equità nell'AI e nel machine learning rimane una sfida sociotecnica complessa.
Quando si progettano e testano sistemi di IA, dobbiamo garantire che l’IA sia equa e non programmata per prendere decisioni discriminatorie o di parte, che anche gli esseri umani sono proibiti di fare. Garantire equità nell’IA e nel machine learning rimane una complessa sfida sociotecnica.
### Affidabilità e sicurezza
Per costruire fiducia, i sistemi AI devono essere affidabili, sicuri e coerenti in condizioni normali e impreviste. È importante sapere come i sistemi AI si comporteranno in varie situazioni, specialmente quando sono outlier. Nel costruire soluzioni AI, occorre concentrarsi molto su come affrontare una vasta gamma di circostanze che le soluzioni AI potrebbero incontrare. Per esempio, un'auto a guida autonoma deve mettere la sicurezza delle persone come massima priorità. Di conseguenza, l'AI che alimenta l'auto deve considerare tutti gli scenari possibili, come notte, temporali o bufere di neve, bambini che attraversano la strada, animali domestici, cantieri stradali ecc. Quanto bene un sistema AI riesce a gestire una vasta gamma di condizioni in modo affidabile e sicuro riflette il livello di anticipazione preso in considerazione dal data scientist o sviluppatore AI durante la progettazione o i test del sistema.
Per costruire fiducia, i sistemi di IA devono essere affidabili, sicuri e coerenti in condizioni normali e impreviste. È importante sapere come i sistemi di IA si comporteranno in varie situazioni, specialmente se sono fuori norma. Quando si costruiscono soluzioni IA, è necessario porre grande attenzione a come gestire una vasta gamma di circostanze che tali soluzioni potrebbero incontrare. Ad esempio, un'auto a guida autonoma deve mettere la sicurezza delle persone come priorità assoluta. Di conseguenza, l’IA che alimenta l’auto deve considerare tutti i possibili scenari che l’auto potrebbe incontrare, come notte, temporali o bufere di neve, bambini che attraversano la strada, animali domestici, lavori stradali, ecc. Quanto bene un sistema di IA può gestire una vasta gamma di condizioni in modo affidabile e sicuro riflette quanto il data scientist o sviluppatore IA abbia anticipato durante la progettazione o test del sistema.
> [🎥 Clicca qui per un video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Clicca qui per un video: Affidabilità e sicurezza nell'IA](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inclusività
I sistemi AI dovrebbero essere progettati per coinvolgere e responsabilizzare tutti. Quando progettano e implementano sistemi AI, data scientist e sviluppatori AI identificano e affrontano barriere potenziali nel sistema che potrebbero escludere involontariamente le persone. Per esempio, ci sono 1 miliardo di persone con disabilità nel mondo. Con l'avanzamento dell'AI, possono accedere più facilmente a una vasta gamma di informazioni e opportunità nella vita quotidiana. Affrontando le barriere si creano opportunità per innovare e sviluppare prodotti AI con esperienze migliori che avvantaggiano tutti.
I sistemi di IA dovrebbero essere progettati per coinvolgere e responsabilizzare tutti. Quando progettano e implementano sistemi IA, data scientist e sviluppatori IA identificano e affrontano potenziali barriere nel sistema che potrebbero escludere involontariamente le persone. Per esempio, ci sono 1 miliardo di persone con disabilità nel mondo. Con il progresso dell’IA, esse possono accedere più facilmente a una vasta gamma di informazioni e opportunità nella vita quotidiana. Affrontando le barriere, si creano opportunità per innovare e sviluppare prodotti IA con migliori esperienze che beneficiano tutti.
> [🎥 Clicca qui per un video: inclusività nell'AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Clicca qui per un video: Inclusività nell'IA](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Sicurezza e privacy
### Sicurezza e privacy
I sistemi AI dovrebbero essere sicuri e rispettare la privacy delle persone. Le persone hanno meno fiducia in sistemi che mettono a rischio la loro privacy, informazioni o vite. Nel addestrare modelli di machine learning, ci si affida ai dati per produrre i migliori risultati. In questo processo, bisogna considerare l’origine dei dati e l'integrità. Per esempio, i dati sono stati inviati dagli utenti o sono pubblicamente disponibili? Inoltre, durante il lavoro con i dati è fondamentale sviluppare sistemi AI in grado di proteggere informazioni riservate e resistere ad attacchi. Con la diffusione crescente dell'AI, proteggere la privacy e mettere in sicurezza informazioni personali e aziendali importanti diventa sempre più critico e complesso. Questioni di privacy e sicurezza dei dati richiedono particolare attenzione per l’AI poiché l’accesso ai dati è essenziale per i sistemi AI per fare previsioni e decisioni accurate e informate sulle persone.
I sistemi di IA dovrebbero essere sicuri e rispettare la privacy delle persone. Le persone hanno meno fiducia in sistemi che mettono a rischio la loro privacy, informazioni o vite. Quando addestriamo modelli di machine learning, facciamo affidamento sui dati per produrre i migliori risultati. In questo processo, l’origine dei dati e l’integrità devono essere considerati. Per esempio, i dati erano inviati dagli utenti o erano pubblicamente disponibili? Inoltre, lavorando con i dati, è cruciale sviluppare sistemi IA che possano proteggere informazioni riservate e resistere ad attacchi. Man mano che l’IA diventa più diffusa, proteggere la privacy e mettere in sicurezza informazioni personali e aziendali importanti diventa sempre più critico e complesso. Le questioni di privacy e sicurezza dei dati richiedono particolare attenzione per l’IA perché l’accesso ai dati è essenziale affinché i sistemi IA facciano previsioni e decisioni accurate e informate sulle persone.
> [🎥 Clicca qui per un video: sicurezza nell'AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Clicca qui per un video: Sicurezza nell'IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Come settore abbiamo fatto progressi significativi in Privacy e sicurezza, alimentati in gran parte da regolamenti come il GDPR (Regolamento Generale sulla Protezione dei Dati).
- Tuttavia, con i sistemi AI dobbiamo riconoscere la tensione tra la necessità di avere più dati personali per rendere i sistemi più personali ed efficaci – e la privacy.
- Proprio come con la nascita dei computer connessi a internet, stiamo assistendo anche a un forte aumento delle problematiche di sicurezza legate all'AI.
- Allo stesso tempo, abbiamo visto l’AI usata per migliorare la sicurezza. Ad esempio, la maggior parte degli scanner antivirus moderni oggi si basa su euristiche AI.
- Dobbiamo garantire che i nostri processi di Data Science si integrino armoniosamente con le più recenti pratiche di privacy e sicurezza.
- Come settore abbiamo fatto significativi progressi in Privacy e sicurezza, alimentati in modo significativo da regolamenti come il GDPR (General Data Protection Regulation).
- Tuttavia, con i sistemi IA dobbiamo riconoscere la tensione tra la necessità di più dati personali per rendere i sistemi più personali ed efficaci – e la privacy.
- Proprio come con la nascita dei computer connessi a Internet, vediamo anche un forte aumento del numero di problemi di sicurezza legati all'IA.
- Allo stesso tempo, abbiamo visto l’IA usata per migliorare la sicurezza. Per esempio, la maggior parte degli scanner antivirus moderni oggi sono guidati da euristiche di IA.
- Dobbiamo assicurarci che i nostri processi di Data Science si integrino armoniosamente con le ultime pratiche di privacy e sicurezza.
### Trasparenza
I sistemi AI dovrebbero essere comprensibili. Una parte cruciale della trasparenza è spiegare il comportamento dei sistemi AI e dei loro componenti. Migliorare la comprensione dei sistemi AI richiede che gli stakeholder capiscano come e perché funzionano, per poter individuare problemi di prestazione, sicurezza e privacy, bias, pratiche escludenti o esiti imprevisti. Crediamo inoltre che chi usa sistemi AI dovrebbe essere onesto e trasparente su quando, perché e come sceglie di implementarli, nonché sui limiti dei sistemi utilizzati. Per esempio, se una banca utilizza un sistema AI per supportare le decisioni di prestito ai consumatori, è importante esaminare i risultati e capire quali dati influenzano le raccomandazioni del sistema. I governi stanno iniziando a regolamentare l'AI in tutti i settori, quindi data scientist e organizzazioni devono spiegare se un sistema AI soddisfa i requisiti normativi, soprattutto se si verifica un esito indesiderato.
I sistemi di IA dovrebbero essere comprensibili. Una parte cruciale della trasparenza è spiegare il comportamento dei sistemi di IA e dei loro componenti. Migliorare la comprensione dei sistemi IA richiede che gli stakeholder comprendano come e perché funzionano così da poter identificare potenziali problemi di performance, preoccupazioni di sicurezza e privacy, pregiudizi, pratiche esclusive o risultati non voluti. Crediamo anche che coloro che usano sistemi IA dovrebbero essere onesti e trasparenti su quando, perché e come decidono di metterli in uso. Così come sulle limitazioni dei sistemi che usano. Per esempio, se una banca usa un sistema IA per supportare le decisioni di prestito ai consumatori, è importante esaminare i risultati e capire quali dati influenzano le raccomandazioni del sistema. I governi stanno iniziando a regolamentare l’IA in tutti i settori, quindi data scientist e organizzazioni devono spiegare se un sistema IA soddisfa i requisiti normativi, soprattutto quando si presenta un risultato indesiderato.
> [🎥 Clicca qui per un video: trasparenza nell'AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Clicca qui per un video: Trasparenza nell'IA](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Poiché i sistemi AI sono così complessi, è difficile capire come funzionano e interpretare i risultati.
- Questa mancanza di comprensione influisce sul modo in cui questi sistemi vengono gestiti, operazionalizzati e documentati.
- E ancora più importante, questa mancanza di comprensione influisce sulle decisioni prese utilizzando i risultati prodotti da questi sistemi.
- Poiché i sistemi IA sono così complessi, è difficile capire come funzionano e interpretare i risultati.
- Questa mancanza di comprensione influenza il modo in cui questi sistemi sono gestiti, operazionalizzati e documentati.
- Questa mancanza di comprensione influenza in modo più importante le decisioni prese usando i risultati prodotti da questi sistemi.
### Responsabilità
### Responsabilità
Le persone che progettano e implementano sistemi AI devono essere responsabili di come i loro sistemi operano. La necessità di responsabilità è particolarmente cruciale con tecnologie sensibili come il riconoscimento facciale. Recentemente, c'è stata una crescente domanda di tecnologia di riconoscimento facciale, soprattutto da parte delle forze dell'ordine che vedono il potenziale della tecnologia per usi come il ritrovamento di bambini scomparsi. Tuttavia, queste tecnologie potrebbero potenzialmente essere usate da un governo per mettere a rischio le libertà fondamentali dei cittadini, per esempio consentendo la sorveglianza continua di individui specifici. Pertanto, data scientist e organizzazioni devono essere responsabili di come il loro sistema AI impatta individui o la società.
Le persone che progettano e mettono in funzione sistemi IA devono essere responsabili del modo in cui i loro sistemi funzionano. La necessità di responsabilità è particolarmente cruciale con tecnologie d’uso sensibile come il riconoscimento facciale. Recentemente, c’è stata una domanda crescente per la tecnologia di riconoscimento facciale, specialmente da parte delle forze dell’ordine che vedono il potenziale della tecnologia in usi come ritrovare bambini scomparsi. Tuttavia, queste tecnologie potrebbero essere potenzialmente usate da un governo per mettere a rischio le libertà fondamentali dei loro cittadini permettendo, per esempio, la sorveglianza continua di individui specifici. Perciò, data scientist e organizzazioni devono essere responsabili di come il loro sistema IA impatta individui o società.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Approccio di Microsoft all'AI responsabile")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Approccio di Microsoft all'IA responsabile")
> 🎥 Clicca l'immagine sopra per un video: Avvisi sulla sorveglianza di massa tramite riconoscimento facciale
> 🎥 Clicca sull'immagine sopra per un video: Avvertimenti sulla sorveglianza di massa tramite riconoscimento facciale
In definitiva, una delle grandi questioni per la nostra generazione, come prima generazione che porta l'AI alla società, è come garantire che i computer rimangano responsabili verso le persone e come assicurare che chi progetta i computer rimanga responsabile verso tutti gli altri.
Alla fine, una delle domande più grandi per la nostra generazione, come prima generazione che porta l’IA nella società, è come assicurarsi che i computer rimangano responsabili nei confronti delle persone e come assicurarsi che le persone che progettano i computer rimangano responsabili verso tutti gli altri.
## Valutazione d'impatto
## Valutazione dell’impatto
Prima di addestrare un modello di machine learning, è importante condurre una valutazione d'impatto per comprendere lo scopo del sistema AI; qual è l'uso previsto; dove sarà distribuito; e chi interagirà con il sistema. Questi aspetti sono utili per i revisori o i tester che valutano il sistema per sapere quali fattori considerare quando identificano potenziali rischi e conseguenze attese.
Prima di addestrare un modello di machine learning, è importante condurre una valutazione dell’impatto per comprendere lo scopo del sistema IA; qual è l’uso previsto; dove sarà implementato; e chi interagirà con il sistema. Queste informazioni sono utili per revisori o tester che valutano il sistema per sapere quali fattori considerare nell’identificare potenziali rischi e conseguenze attese.
Le seguenti sono aree di interesse quando si conduce una valutazione d'impatto:
I seguenti sono aree di attenzione durante la valutazione dell’impatto:
* **Impatto negativo sugli individui**. Essere consapevoli di qualsiasi restrizione o requisito, uso non supportato o limitazioni note che ostacolano la performance del sistema è vitale per assicurare che il sistema non venga usato in modo da causare danni agli individui.
* **Requisiti dei dati**. Capire come e dove il sistema utilizzerà i dati consente ai revisori di esplorare eventuali requisiti di dati di cui occorre essere consapevoli (es. regolamentazioni GDPR o HIPAA). Inoltre, esaminare se la sorgente o la quantità di dati è adeguata per l'addestramento.
* **Riepilogo dell'impatto**. Raccogliere una lista dei potenziali danni che potrebbero sorgere dall'uso del sistema. Durante il ciclo di vita del ML, verificare se le problematiche identificate sono mitigate o affrontate.
* **Impatto negativo sugli individui**. Essere consapevoli di qualsiasi restrizione o requisito, uso non supportato o limitazioni conosciute che ostacolano la performance del sistema è vitale per assicurare che il sistema non venga usato in modo da causare danni agli individui.
* **Requisiti dei dati**. Comprendere come e dove il sistema utilizzerà i dati consente ai revisori di esplorare eventuali requisiti di dati di cui tener conto (per esempio, regolamenti GDPR o HIPAA). Inoltre, esaminare se la fonte o la quantità dei dati è adeguata per l’addestramento.
* **Riepilogo dell’impatto**. Raccogliere una lista dei potenziali danni che potrebbero derivare dall’uso del sistema. Durante l’intero ciclo di vita del ML, verificare se le problematiche identificate sono mitigate o affrontate.
* **Obiettivi applicabili** per ciascuno dei sei principi fondamentali. Valutare se gli obiettivi di ciascun principio sono raggiunti e se ci sono lacune.
## Debugging con AI responsabile
## Debugging con IA responsabile
Simile al debugging di un’applicazione software, il debugging di un sistema AI è un processo necessario per identificare e risolvere problemi nel sistema. Ci sono molti fattori che potrebbero influire sul fatto che un modello non si comporti come previsto o responsabilmente. La maggior parte delle metriche tradizionali delle prestazioni del modello sono aggregati quantitativi delle prestazioni, insufficienti per analizzare come un modello viola i principi di AI responsabile. Inoltre, un modello di machine learning è una scatola nera che rende difficile comprendere cosa determina il suo risultato o fornire spiegazioni quando commette un errore. Più avanti in questo corso, impareremo a usare la dashboard Responsible AI per aiutare nel debugging dei sistemi AI. La dashboard fornisce uno strumento olistico per data scientist e sviluppatori AI per:
Similmente al debugging di un’applicazione software, il debugging di un sistema IA è un processo necessario per identificare e risolvere problemi nel sistema. Ci sono molti fattori che possono influire sul fatto che un modello non funzioni come previsto o in modo responsabile. La maggior parte delle metriche tradizionali di performance di un modello sono aggregati quantitativi della performance del modello, che non sono sufficienti per analizzare come un modello violi i principi di IA responsabile. Inoltre, un modello di machine learning è una scatola nera che rende difficile capire cosa guida il suo risultato o fornire spiegazioni quando commette un errore. Più avanti in questo corso, impareremo come usare la dashboard di IA responsabile per aiutare a debuggare i sistemi IA. La dashboard fornisce uno strumento olistico per data scientist e sviluppatori IA per eseguire:
* **Analisi degli errori**. Per identificare la distribuzione degli errori del modello che possono influenzare l’equità o l’affidabilità del sistema.
* **Panoramica del modello**. Per scoprire dove ci sono disparità nelle prestazioni del modello tra i diversi gruppi di dati.
* **Analisi dei dati**. Per comprendere la distribuzione dei dati e identificare eventuali bias potenziali nei dati che potrebbero causare problemi di equità, inclusività e affidabilità.
* **Interpretabilità del modello**. Per capire cosa influisce o influenza le predizioni del modello. Questo aiuta a spiegare il comportamento del modello, importante per trasparenza e responsabilità.
* **Analisi degli errori**. Per identificare la distribuzione degli errori del modello che può influire sull’equità o sull’affidabilità del sistema.
* **Panoramica del modello**. Per scoprire dove ci sono disparità nella performance del modello tra coorti di dati.
* **Analisi dei dati**. Per comprendere la distribuzione dei dati e identificare eventuali bias nei dati che potrebbero portare a problemi di equità, inclusività e affidabilità.
* **Interpretabilità del modello**. Per capire cosa influenza o condiziona le predizioni del modello. Questo aiuta a spiegare il comportamento del modello, importante per trasparenza e responsabilità.
## 🚀 Sfida
## 🚀 Sfida
Per prevenire che i danni vengano introdotti fin dall'inizio, dovremmo:
Per prevenire che danni vengano introdotti in primo luogo, dovremmo:
- avere una diversità di background e prospettive tra le persone che lavorano sui sistemi
- investire in dataset che riflettano la diversità della nostra società
- sviluppare metodi migliori durante tutto il ciclo di vita del machine learning per rilevare e correggere l'AI responsabile quando si verifica
- avere una diversità di background e prospettive tra le persone che lavorano sui sistemi
- investire in dataset che riflettano la diversità della nostra società
- sviluppare metodi migliori lungo tutto il ciclo di vita del machine learning per rilevare e correggere IA irresponsabili quando si presentano
Rifletti su scenari reali in cui l'affidabilità di un modello è evidente nella costruzione e nell'uso del modello. Cos'altro dovremmo considerare?
Pensa a scenari reali in cui l’inaffidabilità di un modello è evidente nella costruzione e nell’uso del modello. Cos’altro dovremmo considerare?
In questa lezione, hai appreso alcune nozioni di base sui concetti di equità e ingiustizia nel machine learning.
In questa lezione, hai imparato alcune basi dei concetti di equità e ingiustizia nel machine learning.
Guarda questo workshop per approfondire i temi:
- In the pursuit of responsible AI: Bringing principles to practice di Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
- In cerca di un’IA responsabile: portare i principi alla pratica di Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Un framework open-source per costruire un’IA responsabile")
> 🎥 Clicca sull'immagine sopra per un video: RAI Toolbox: An open-source framework for building responsible AI di Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
> 🎥 Clicca sull'immagine sopra per un video: RAI Toolbox: Un framework open-source per costruire un’IA responsabile di Besmira Nushi, Mehrnoosh Sameki e Amit Sharma
Inoltre, leggi:
Leggi anche:
- Centro risorse RAI di Microsoft: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
@ -151,7 +150,7 @@ RAI Toolbox:
- [Repository GitHub di Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
Leggi degli strumenti di Azure Machine Learning per garantire l'equità:
Leggi degli strumenti di Azure Machine Learning per garantire l’equità:
> ### [Questa lezione è disponibile anche in R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Questa lezione è disponibile in R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Introduzione
In queste quattro lezioni scoprirai come costruire modelli di regressione. Discuteremo a breve a cosa servono. Ma prima di fare qualsiasi cosa, assicurati di avere gli strumenti giusti per iniziare il processo!
In queste quattro lezioni scoprirai come costruire modelli di regressione. Discuteremo a breve a cosa servono. Ma prima di fare qualsiasi cosa, assicurati di avere gli strumenti giusti per avviare il processo!
In questa lezione imparerai a:
- Configurare il tuo computer per compiti di machine learning locale.
- Configurare il tuo computer per attività di machine learning locali.
- Lavorare con Jupyter Notebooks.
- Usare Scikit-learn, incluso l’installazione.
- Usare Scikit-learn, inclusa l’installazione.
- Esplorare la regressione lineare con un esercizio pratico.
## Installazioni e configurazioni
[](https://youtu.be/-DfeD2k2Kj0 "ML per principianti -Configura i tuoi strumenti per costruire modelli di Machine Learning")
[](https://youtu.be/-DfeD2k2Kj0 "ML per principianti - Prepara i tuoi strumenti per creare modelli di Machine Learning")
> 🎥 Clicca sull’immagine sopra per un breve video che mostra come configurare il computer per ML.
> 🎥 Clicca sull’immagine sopra per un breve video che illustra la configurazione del computer per ML.
1. **Installa Python**. Assicurati che [Python](https://www.python.org/downloads/) sia installato sul tuo computer. Userai Python per molti compiti di data science e machine learning. La maggior parte dei sistemi informatici include già un’installazione di Python. Sono disponibili anche utili [Pacchetti di Codifica Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) per semplificare l’installazione ad alcuni utenti.
1. **Installa Python**. Assicurati che [Python](https://www.python.org/downloads/) sia installato sul tuo computer. Userai Python per molte attività di data science e machine learning. La maggior parte dei sistemi informatici include già un’installazione di Python. Sono disponibili anche utili [pacchetti di codice Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) per facilitare la configurazione a certi utenti.
Alcuni usi di Python, tuttavia, richiedono una versione del software, mentre altri ne richiedono una diversa. Per questo motivo, è utile lavorare all’interno di un [ambiente virtuale](https://docs.python.org/3/library/venv.html).
Alcuni usi di Python, però, richiedono una versione del software, mentre altri una versione diversa. Per questo motivo, è utile lavorare all’interno di un [ambiente virtuale](https://docs.python.org/3/library/venv.html).
2. **Installa Visual Studio Code**. Assicurati di aver installato Visual Studio Code sul tuo computer. Segui queste istruzioni per [installare Visual Studio Code](https://code.visualstudio.com/) per l’installazione di base. Userai Python in Visual Studio Code in questo corso, quindi potresti voler ripassare come [configurare Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) per lo sviluppo Python.
2. **Installa Visual Studio Code**. Assicurati di avere Visual Studio Code installato sul tuo computer. Segui queste istruzioni per [installare Visual Studio Code](https://code.visualstudio.com/) per l’installazione base. Userai Python in Visual Studio Code in questo corso, quindi potresti voler approfondire come [configurare Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) per lo sviluppo Python.
> Abituati a Python lavorando con questa raccolta di [moduli di apprendimento](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Prendi confidenza con Python lavorando su questa raccolta di [moduli Learn](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Configura Python con Visual Studio Code")
>
> 🎥 Clicca sull’immagine sopra per un video: usare Python in VS Code.
> 🎥 Clicca sull’immagine sopra per un video: usare Python all’interno di VS Code.
3. **Installa Scikit-learn**, seguendo [queste istruzioni](https://scikit-learn.org/stable/install.html). Dal momento che devi usare Python 3, è raccomandato lavorare in un ambiente virtuale. Nota che, se stai installando questa libreria su un Mac M1, ci sono istruzioni speciali sulla pagina collegata sopra.
3. **Installa Scikit-learn**, seguendo [queste istruzioni](https://scikit-learn.org/stable/install.html). Dal momento che devi assicurarti di usare Python 3, si consiglia di utilizzare un ambiente virtuale. Nota, se stai installando questa libreria su un Mac M1, ci sono istruzioni speciali nella pagina linkata sopra.
1. **Installa Jupyter Notebook**. Dovrai [installare il pacchetto Jupyter](https://pypi.org/project/jupyter/).
## Il tuo ambiente di lavoro ML
## Il tuo ambiente di creazione ML
Userai **notebook** per sviluppare il tuo codice Python e creare modelli di machine learning. Questo tipo di file è uno strumento comune per i data scientist, e possono essere identificati dal loro suffisso o estensione `.ipynb`.
Userai **notebook** per sviluppare il codice Python e creare modelli di machine learning. Questo tipo di file è uno strumento comune per i data scientist, e si riconosce dal suffisso o estensione `.ipynb`.
I notebook sono un ambiente interattivo che permette allo sviluppatore sia di scrivere codice che di aggiungere note e documentazione attorno al codice, cosa molto utile per progetti sperimentali o orientati alla ricerca.
I notebook sono un ambiente interattivo che permette allo sviluppatore sia di scrivere codice sia di aggiungere appunti e documentazione attorno al codice, il che è molto utile per progetti sperimentali o orientati alla ricerca.
[](https://youtu.be/7E-jC8FLA2E "ML per principianti - Configura Jupyter Notebooks per iniziare a costruire modelli di regressione")
[](https://youtu.be/7E-jC8FLA2E "ML per principianti - Configura Jupyter Notebooks per iniziare a creare modelli di regressione")
> 🎥 Clicca sull’immagine sopra per un breve video che mostra questo esercizio.
> 🎥 Clicca sull’immagine sopra per un breve video che illustra questo esercizio.
### Esercizio - lavora con un notebook
In questa cartella troverai il file _notebook.ipynb_.
In questa cartella, troverai il file _notebook.ipynb_.
1. Apri _notebook.ipynb_ in Visual Studio Code.
Partirà un server Jupyter con Python 3+ attivato. Troverai aree del notebook che possono essere `eseguite`, pezzi di codice. Puoi eseguire un blocco di codice selezionando l’icona che assomiglia a un pulsante di riproduzione.
Verrà avviato un server Jupyter con Python 3+ attivo. Troverai aree del notebook che possono essere `run`, sezioni di codice. Puoi eseguire un blocco di codice selezionando l’icona che sembra un pulsante di play.
1. Seleziona l’icona `md` e aggiungi un po’ di markdown, e il seguente testo **# Benvenuto nel tuo notebook**.
1. Seleziona l’icona `md` e aggiungi un po’ di markdown, e il testo seguente **# Benvenuto al tuo notebook**.
Poi, aggiungi del codice Python.
Poi, aggiungi un po’ di codice Python.
1. Digita **print('hello notebook')** nel blocco di codice.
1. Seleziona la freccia per eseguire il codice.
Vedrai la stampa della seguente dichiarazione:
Dovresti vedere la stampa della seguente istruzione:
```output
hello notebook
@ -76,46 +76,46 @@ In questa cartella troverai il file _notebook.ipynb_.
Puoi alternare il tuo codice con commenti per auto-documentare il notebook.
✅ Pensa per un minuto a quanto è diverso l’ambiente di lavoro di uno sviluppatore web rispetto a quello di un data scientist.
✅ Rifletti per un attimo su quanto sia diverso l’ambiente di lavoro di uno sviluppatore web rispetto a quello di un data scientist.
## Partire con Scikit-learn
## Avvio con Scikit-learn
Ora che Python è configurato nel tuo ambiente locale e hai confidenza con i Jupyter Notebooks, familiarizziamo con Scikit-learn (si pronuncia `sci` come `science`). Scikit-learn fornisce un [API estesa](https://scikit-learn.org/stable/modules/classes.html#api-ref) per aiutarti a svolgere compiti di ML.
Ora che Python è configurato nel tuo ambiente locale, e ti senti a tuo agio con Jupyter Notebooks, diventiamo altrettanto confortevoli con Scikit-learn (pronuncialo `sci` come in `science`). Scikit-learn offre un [API esteso](https://scikit-learn.org/stable/modules/classes.html#api-ref) per aiutarti a svolgere compiti di ML.
Secondo il loro [sito web](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn è una libreria open source di machine learning che supporta l’apprendimento supervisionato e non supervisionato. Fornisce inoltre vari strumenti per il fitting dei modelli, preprocessing dei dati, selezione e valutazione dei modelli e molte altre utility."
Secondo il loro [sito web](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn è una libreria open source di machine learning che supporta l’apprendimento supervisionato e non supervisionato. Fornisce anche vari strumenti per l’adattamento di modelli, la pre-elaborazione dei dati, la selezione e valutazione del modello, e molte altre utilità."
In questo corso, utilizzerai Scikit-learn ed altri strumenti per costruire modelli di machine learning per svolgere ciò che chiamiamo 'machine learning tradizionale'. Abbiamo volutamente evitato reti neurali e deep learning, che saranno meglio trattati nel nostro prossimo curriculum 'AI per Principianti'.
In questo corso userai Scikit-learn e altri strumenti per costruire modelli di machine learning per eseguire quello che chiamiamo compiti di 'machine learning tradizionale'. Abbiamo evitato deliberatamente le reti neurali e il deep learning, poiché saranno trattati meglio nel nostro prossimo curriculum 'AI for Beginners'.
Scikit-learn rende semplice costruire modelli e valutarli per l’uso. È principalmente incentrato sull’uso di dati numerici e contiene diversi dataset pronti all’uso come strumenti di apprendimento. Include anche modelli pre-costruiti per gli studenti da provare. Esploriamo il processo di caricamento di dati preconfezionati e l’uso di uno stimatore incorporato, il primo modello ML con Scikit-learn con dati di base.
Scikit-learn rende semplice costruire modelli e valutarli per l’uso. Si concentra principalmente sull’uso di dati numerici e contiene diversi dataset preconfezionati da usare come strumenti di apprendimento. Include anche modelli predefiniti che gli studenti possono provare. Esploriamo il processo di caricamento di dati preconfezionati e l’uso di uno stimatore integrato per creare il tuo primo modello ML con Scikit-learn e dati basilari.
## Esercizio - il tuo primo notebook Scikit-learn
## Esercizio - il tuo primo notebook con Scikit-learn
> Questo tutorial è ispirato dall’[esempio di regressione lineare](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) sul sito di Scikit-learn.
> Questo tutorial è ispirato all’[esempio di regressione lineare](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) sul sito di Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML per principianti - Il tuo primo progetto di regressione lineare in Python")
> 🎥 Clicca sull’immagine sopra per un breve video che mostra questo esercizio.
> 🎥 Clicca sull’immagine sopra per un breve video che illustra questo esercizio.
Nel file _notebook.ipynb_ associato a questa lezione, cancella tutte le celle premendo l’icona del 'cestino'.
In questa sezione lavorerai con un piccolo dataset sul diabete incluso in Scikit-learn per scopi didattici. Immagina di voler testare un trattamento per pazienti diabetici. I modelli di Machine Learning potrebbero aiutarti a determinare quali pazienti risponderebbero meglio al trattamento, basandosi su combinazioni di variabili. Anche un modello di regressione molto basilare, visualizzato, può mostrare informazioni sulle variabili che ti aiuterebbero a organizzare i tuoi ipotetici trial clinici.
In questa sezione lavorerai con un piccolo dataset sul diabete integrato in Scikit-learn a scopo didattico. Immagina di voler testare un trattamento per pazienti diabetici. Modelli di Machine Learning potrebbero aiutarti a determinare quali pazienti risponderebbero meglio al trattamento, basandosi su combinazioni di variabili. Anche un modello di regressione molto basilare, quando visualizzato, potrebbe mostrare informazioni sulle variabili che aiuterebbero a organizzare i tuoi studi clinici teorici.
✅ Esistono molti tipi di metodi di regressione, e quale scegli dipende dalla risposta che cerchi. Se vuoi predire l’altezza probabile per una persona di una certa età, useresti la regressione lineare, poiché cerchi un **valore numerico**. Se invece sei interessato a scoprire se un tipo di cucina debba essere considerato vegano o meno, stai cercando un **assegnamento di categoria**, quindi useresti la regressione logistica. Imparerai di più sulla regressione logistica più avanti. Pensa un po’ ad alcune domande che puoi porre ai dati e quale di questi metodi sarebbe più appropriato.
✅ Esistono molti tipi di metodi di regressione, e quale scegli dipende dalla risposta che cerchi. Se vuoi prevedere l’altezza probabile di una persona a una certa età, useresti la regressione lineare, perché stai cercando un **valore numerico**. Se sei interessato a scoprire se un tipo di cucina debba essere considerata vegana o no, stai cercando un **assegnamento di categoria** quindi useresti la regressione logistica. Imparerai di più sulla regressione logistica più avanti. Rifletti un po’ su alcune domande che puoi porre ai dati, e quale di questi metodi sarebbe più appropriato.
Iniziamo questo compito.
### Importa le librerie
### Importa librerie
Per questo compito importeremo alcune librerie:
- **matplotlib**. È un utile [strumento per grafici](https://matplotlib.org/) e lo useremo per creare un grafico a linee.
- **matplotlib**. È uno [strumento di grafico](https://matplotlib.org/) utile e lo useremo per creare un grafico a linee.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) è una libreria utile per gestire dati numerici in Python.
- **sklearn**. Questa è la libreria [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Importa alcune librerie per aiutarti nei tuoi compiti.
1. Aggiungi gli import digitando il seguente codice:
1. Aggiungi importazioni digitando il seguente codice:
```python
import matplotlib.pyplot as plt
@ -125,22 +125,22 @@ Importa alcune librerie per aiutarti nei tuoi compiti.
Sopra stai importando `matplotlib`, `numpy` e stai importando `datasets`, `linear_model` e `model_selection` da `sklearn`. `model_selection` è usato per dividere i dati in set di addestramento e test.
### Il dataset sul diabete
### Il dataset diabete
Il built-in [dataset sul diabete](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) include 442 campioni di dati relativi al diabete, con 10 variabili caratteristiche, alcune delle quali includono:
Il [dataset diabete](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) integrato include 442 campioni di dati sul diabete, con 10 variabili di feature, alcune delle quali includono:
- age: età in anni
- età: età in anni
- bmi: indice di massa corporea
- bp: pressione sanguigna media
- s1 tc: cellule T (un tipo di globuli bianchi)
✅ Questo dataset include il concetto di 'sesso' come variabile importante per le ricerche sul diabete. Molti dataset medici includono questo tipo di classificazione binaria. Pensa un po’ a come categorie come questa possano escludere alcune parti della popolazione dai trattamenti.
✅ Questo dataset include il concetto di 'sesso' come variabile di feature importante per la ricerca sul diabete. Molti dataset medici includono questo tipo di classificazione binaria. Rifletti un po’ su come categorizzazioni di questo tipo potrebbero escludere certe parti di una popolazione dai trattamenti.
Ora carichiamo i dati X e y.
Ora, carica i dati X e y.
> 🎓 Ricorda, questo è apprendimento supervisionato, e abbiamo bisogno di un target denominato 'y'.
In una nuova cella di codice, carica il dataset sul diabete chiamando `load_diabetes()`. L’input `return_X_y=True`indica che `X` sarà una matrice di dati e `y` sarà il target di regressione.
In una nuova cella di codice, carica il dataset diabete chiamando `load_diabetes()`. L’input `return_X_y=True`segnala che `X` sarà una matrice di dati, e `y` sarà il target di regressione.
1. Aggiungi alcuni comandi print per mostrare la forma della matrice dati e il suo primo elemento:
@ -150,9 +150,9 @@ In una nuova cella di codice, carica il dataset sul diabete chiamando `load_diab
print(X[0])
```
Quello che ricevi come risposta è una tupla. Stai assegnando i primi due valori della tupla a `X` e `y` rispettivamente. Approfondisci le [tuple](https://wikipedia.org/wiki/Tuple).
Ciò che ottieni come risposta è una tupla. Quello che stai facendo è assegnare i due primi valori della tupla rispettivamente a `X` e `y`. Scopri di più [sulle tuple](https://wikipedia.org/wiki/Tuple).
Puoi vedere che questi dati hanno 442 elementi organizzati in array di 10 elementi:
Puoi vedere che questo dato ha 442 elementi formattati in array da 10 elementi ciascuno:
```text
(442, 10)
@ -160,39 +160,39 @@ In una nuova cella di codice, carica il dataset sul diabete chiamando `load_diab
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Pensa un po’ al rapporto tra i dati e il target di regressione. La regressione lineare predice le relazioni tra la caratteristica X e la variabile target y. Puoi trovare il [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) nel dataset sul diabete nella documentazione? Cosa dimostra questo dataset, dato quel target?
✅ Rifletti un po’ sulla relazione tra i dati e il target di regressione. La regressione lineare predice le relazioni tra la feature X e la variabile target y. Riesci a trovare il [target](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) per il dataset diabete nella documentazione? Cosa dimostra questo dataset, dato quel target?
2. Successivamente, seleziona una porzione di questo dataset da plottare scegliendo la terza colonna del dataset. Puoi farlo usando l’operatore `:` per selezionare tutte le righe, poi selezionando la terza colonna tramite l’indice (2). Puoi anche rimodellare i dati per avere un array 2D - come richiesto per il plot - usando `reshape(n_righe, n_colonne)`. Se uno dei parametri è -1, la dimensione corrispondente è calcolata automaticamente.
2. Successivamente, seleziona una porzione di questo dataset da plottare scegliendo la terza colonna del dataset. Puoi farlo usando l’operatore `:` per selezionare tutte le righe, e poi la terza colonna usando l’indice (2). Puoi anche rimodellare i dati per ottenere un array 2D - come richiesto per il plotting - usando `reshape(n_rows, n_columns)`. Se uno dei parametri è -1, la dimensione corrispondente viene calcolata automaticamente.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ In ogni momento, stampa i dati per verificarne la forma.
✅ In qualsiasi momento, stampa i dati per controllare la loro forma.
3. Ora che hai dati pronti per il plot, puoi vedere se una macchina può aiutare a determinare una divisione logica tra i numeri in questo dataset. Per fare questo, devi suddividere sia i dati (X) che il target (y) in set di test e di addestramento. Scikit-learn ha un modo semplice per farlo; puoi dividere i tuoi dati di test in un punto dato.
3. Ora che hai dati pronti per il plot, puoi verificare se una macchina può aiutare a determinare una suddivisione logica tra i numeri in questo dataset. Per fare ciò, devi dividere sia i dati (X) sia il target (y) in set di test e di addestramento. Scikit-learn ha un modo facile per farlo; puoi dividere i dati di test in un punto dato.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Ora sei pronto per addestrare il modello! Carica il modello di regressione lineare e addestralo con i tuoi set di addestramento X e y usando `model.fit()`:
4. Ora sei pronto per addestrare il tuo modello! Carica il modello di regressione lineare e addestralo con i tuoi set di addestramento X e y usando `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` è una funzione che vedrai in molte librerie ML come TensorFlow
✅ `model.fit()` è una funzione che vedrai in molte librerie di ML come TensorFlow
5. Poi, crea una predizione usando i dati di test, utilizzando la funzione `predict()`. Questa sarà usata per tracciare la linea tra i gruppi di dati
5. Poi, crea una previsione usando i dati di test, con la funzione `predict()`. Verrà usata per disegnare la linea tra i gruppi di dati
```python
y_pred = model.predict(X_test)
```
6. Adesso è il momento di mostrare i dati in un grafico. Matplotlib è uno strumento molto utile per questo compito. Crea uno scatterplot di tutti i dati di test X e y, e usa la predizione per disegnare una linea nella posizione più appropriata, tra i raggruppamenti di dati del modello.
6. Ora è il momento di mostrare i dati in un grafico. Matplotlib è uno strumento molto utile per questo compito. Crea uno scatterplot di tutti i dati di test X e y, e usa la previsione per disegnare una linea nel punto più appropriato, tra i raggruppamenti di dati del modello.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ In una nuova cella di codice, carica il dataset sul diabete chiamando `load_diab
plt.show()
```
✅ Rifletti un po’ su cosa sta succedendo qui. Una linea retta attraversa molti piccoli punti dati, ma cosa sta facendo esattamente? Riesci a vedere come dovresti poter usare questa linea per prevedere dove un nuovo punto dati non visto dovrebbe inserirsì in relazione all’asse y del plot? Cerca di mettere in parole l’uso pratico di questo modello.
✅ Rifletti un po' su cosa sta succedendo qui. Una linea retta attraversa molti piccoli punti di dati, ma cosa sta facendo esattamente? Riesci a vedere come dovresti poter utilizzare questa linea per prevedere dove un nuovo punto dati mai visto dovrebbe collocarsi in relazione all'asse y del grafico? Prova a mettere in parole l'uso pratico di questo modello.
Congratulazioni, hai costruito il tuo primo modello di regressione lineare, creato una previsione con esso e l'hai mostrato in un grafico!
Congratulazioni, hai costruito il tuo primo modello di regressione lineare, creato una previsione con esso, e mostrato tutto in un grafico!
---
## 🚀Sfida
Traccia una variabile diversa da questo dataset. Suggerimento: modifica questa linea: `X = X[:,2]`. Considerando il target di questo dataset, cosa riesci a scoprire sulla progressione del diabete come malattia?
Traccia una variabile diversa da questo dataset. Suggerimento: modifica questa riga: `X = X[:,2]`. Dato il target di questo dataset, cosa riesci a scoprire sulla progressione del diabete come malattia?
In questo tutorial, hai lavorato con la regressione lineare semplice, piuttosto che con la regressione lineare univariata o multipla. Leggi un po' sulle differenze tra questi metodi, oppure guarda [questo video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
In questo tutorial hai lavorato con regressione lineare semplice, piuttosto che regressione lineare univariata o multipla. Leggi un po’ sulle differenze tra questi metodi, o dai un’occhiata a [questo video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Leggi di più sul concetto di regressione e rifletti su quali tipi di domande possono essere risposte con questa tecnica. Segui questo [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) per approfondire la tua comprensione.
Leggi di più sul concetto di regressione e rifletti su che tipo di domande possono essere risposte da questa tecnica. Segui questo [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) per approfondire la tua comprensione.
Il clustering è un compito di machine learning che cerca di individuare oggetti simili tra loro e raggrupparli in gruppi chiamati cluster. Ciò che distingue il clustering da altri approcci nel machine learning è che tutto avviene automaticamente; infatti, si può dire che sia l'opposto dell'apprendimento supervisionato.
Il clustering è un compito di machine learning in cui si cerca di trovare oggetti che si assomigliano e di raggrupparli in gruppi chiamati cluster. Ciò che differenzia il clustering da altri approcci nel machine learning è che le cose avvengono automaticamente, infatti, è corretto dire che è l'opposto dell'apprendimento supervisionato.
## Argomento regionale: modelli di clustering per i gusti musicali del pubblico nigeriano 🎧
## Argomento regionale: modelli di clustering per il gusto musicale di un pubblico nigeriano 🎧
Il pubblico nigeriano, molto variegato, ha gusti musicali altrettanto diversificati. Utilizzando dati raccolti da Spotify (ispirati a [questo articolo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), analizziamo alcune delle canzoni popolari in Nigeria. Questo dataset include informazioni su vari brani, come il punteggio di 'danceability', 'acousticness', volume, 'speechiness', popolarità ed energia. Sarà interessante scoprire i pattern presenti in questi dati!
Il pubblico diversificato della Nigeria ha gusti musicali diversi. Utilizzando dati raccolti da Spotify (ispirati da [questo articolo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), esaminiamo un po' di musica popolare in Nigeria. Questo dataset include dati su vari brani come il punteggio di 'danceability', 'acousticness', la sonorità (loudness), 'speechiness', la popolarità e l'energia. Sarà interessante scoprire modelli in questi dati!
> Foto di <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> su <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
In questa serie di lezioni, scoprirai nuovi modi per analizzare i dati utilizzando tecniche di clustering. Il clustering è particolarmente utile quando il tuo dataset non ha etichette. Se invece il dataset ha etichette, allora tecniche di classificazione come quelle che hai imparato nelle lezioni precedenti potrebbero essere più utili. Ma nei casi in cui vuoi raggruppare dati non etichettati, il clustering è un ottimo metodo per scoprire pattern.
In questa serie di lezioni, scoprirai nuovi modi per analizzare i dati usando tecniche di clustering. Il clustering è particolarmente utile quando il tuo dataset non ha etichette. Se invece ha etichette, allora le tecniche di classificazione, come quelle apprese nelle lezioni precedenti, potrebbero essere più utili. Ma nei casi in cui si cerca di raggruppare dati non etichettati, il clustering è un ottimo modo per scoprire schemi.
> Esistono strumenti low-code utili per imparare a lavorare con modelli di clustering. Prova [Azure ML per questo compito](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Esistono strumenti low-code utili che possono aiutarti a imparare a lavorare con i modelli di clustering. Prova [Azure ML per questo compito](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lezioni
1. [Introduzione al clustering](1-Visualize/README.md)
2. [Clustering con K-Means](2-K-Means/README.md)
2. [Clustering K-Means](2-K-Means/README.md)
## Crediti
Queste lezioni sono state scritte con 🎶 da [Jen Looper](https://www.twitter.com/jenlooper) con utili revisioni di [Rishit Dagli](https://rishit_dagli) e [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Queste lezioni sono state scritte con 🎶 da [Jen Looper](https://www.twitter.com/jenlooper) con revisioni utili di [Rishit Dagli](https://rishit_dagli/) e [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Il dataset [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) è stato ottenuto da Kaggle e raccolto da Spotify.
Il dataset [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) è stato ottenuto da Kaggle da dati estratti da Spotify.
Esempi utili di K-Means che hanno aiutato nella creazione di questa lezione includono questa [esplorazione dell'iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), questo [notebook introduttivo](https://www.kaggle.com/prashant111/k-means-clustering-with-python) e questo [esempio ipotetico di ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Esempi utili di K-Means che hanno aiutato a creare questa lezione includono questa [esplorazione iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), questo [notebook introduttivo](https://www.kaggle.com/prashant111/k-means-clustering-with-python), e questo [esempio ipotetico per una ONG](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**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 garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire la precisione, si prega di notare che le traduzioni automatizzate possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un essere umano. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
Cos'è la previsione delle serie temporali? Si tratta di prevedere eventi futuri analizzando le tendenze del passato.
## Argomento regionale: utilizzo mondiale dell'elettricità ✨
## Argomento regionale: consumo elettrico mondiale ✨
In queste due lezioni, verrà introdotta la previsione delle serie temporali, un'area del machine learning meno conosciuta ma estremamente preziosa per applicazioni industriali e aziendali, tra altri campi. Sebbene le reti neurali possano essere utilizzate per migliorare l'utilità di questi modelli, li studieremo nel contesto del machine learning classico, poiché i modelli aiutano a prevedere le prestazioni future basandosi sul passato.
In queste due lezioni, verrà introdotta la previsione delle serie temporali, un'area del machine learning poco conosciuta ma estremamente preziosa per applicazioni industriali e commerciali, oltre che in altri campi. Sebbene le reti neurali possano essere utilizzate per migliorare l'utilità di questi modelli, le studieremo nel contesto del machine learning classico poiché i modelli aiutano a prevedere le prestazioni future basandosi sul passato.
Il nostro focus regionale è l'utilizzo dell'elettricità nel mondo, un dataset interessante per imparare a prevedere il consumo energetico futuro basandosi sui modelli di carico passati. Puoi vedere come questo tipo di previsione possa essere estremamente utile in un contesto aziendale.
Il nostro focus regionale è il consumo elettrico nel mondo, un dataset interessante per imparare a prevedere il consumo futuro di energia basandosi sui modelli del carico passato. Potrai vedere come questo tipo di previsione possa essere estremamente utile in un ambiente aziendale.
Foto di [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) di torri elettriche su una strada in Rajasthan su [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Lezioni
1. [Introduzione alla previsione delle serie temporali](1-Introduction/README.md)
2. [Costruzione di modelli ARIMA per serie temporali](2-ARIMA/README.md)
3. [Costruzione di Support Vector Regressor per la previsione delle serie temporali](3-SVR/README.md)
2. [Costruire modelli ARIMA per serie temporali](2-ARIMA/README.md)
3. [Costruire un Support Vector Regressor per la previsione delle serie temporali](3-SVR/README.md)
## Crediti
"Introduzione alla previsione delle serie temporali" è stato scritto con ⚡️ da [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). I notebook sono apparsi per la prima volta online nel [repo Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) originariamente scritto da Francesca Lazzeri. La lezione sul SVR è stata scritta da [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Introduzione alla previsione delle serie temporali" è stato scritto con ⚡️ da [Francesca Lazzeri](https://twitter.com/frlazzeri) e [Jen Looper](https://twitter.com/jenlooper). I notebook sono apparsi per la prima volta online nel [repo Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) originariamente scritto da Francesca Lazzeri. La lezione su SVR è stata scritta da [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**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 garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si consiglia una traduzione professionale eseguita da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall'uso di questa traduzione.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire la precisione, si prega di notare che le traduzioni automatizzate possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un essere umano. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
> Questo repository include più di 50 traduzioni linguistiche, il che aumenta significativamente la dimensione del download. Per clonare senza traduzioni, usa lo sparse checkout:
> Questo repository include oltre 50 traduzioni linguistiche che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa l'estrazione sparsa:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Questo ti dà tutto il necessario per completare il corso con un download molto più veloce.
> Questo ti fornirà tutto il necessario per completare il corso con un download molto più veloce.
Abbiamo in corso una serie Discord "imparare con l’AI", scopri di più e unisciti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai consigli e trucchi sull’uso di GitHub Copilot per la Data Science.
Abbiamo una serie su Discord chiamata 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 utilizzare GitHub Copilot per Data Science.
# Apprendimento Automatico per Principianti - Un Curriculum
# Machine Learning per Principianti - Un Curriculum
> 🌍 Viaggia intorno al mondo mentre esploriamo il Machine Learning attraverso le culture del mondo 🌍
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane, 26 lezioni interamente dedicato al **Machine Learning**. In questo curriculum, apprenderai ciò che a volte viene chiamato **machine learning classico**, utilizzando 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 per Principianti' curriculum](https://aka.ms/ds4beginners), inoltre!
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane, 26 lezioni, tutto dedicato al **Machine Learning**. In questo curriculum, imparerai ciò che a volte viene chiamato **machine learning classico**, usando 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 anche al nostro ['Data Science for Beginners curriculum'](https://aka.ms/ds4beginners)!
Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche a dati provenienti da molte 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 didattica basata su progetti ti consente di imparare costruendo, un metodo comprovato per fissare nuove competenze.
Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche a dati provenienti da molte aree del mondo. Ogni lezione include quiz pre- e post-lezione, istruzioni scritte per completare la lezione, una soluzione, un incarico e altro. La nostra pedagogia basata sui progetti ti permette di imparare mentre costruisci, un metodo comprovato per fissare nuove competenze.
**✍️ Un sentito ringraziamento 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
**🙏 Un ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e contributori di contenuti**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🙏 Ringraziamenti speciali 🙏 ai nostri autori, revisori e contributori di contenuti Microsoft Student Ambassador**, 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 R!**
**🤩 Ulteriori ringraziamenti a Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni in R!**
# Iniziare
# Iniziando
Segui questi passaggi:
1. **Forka il Repository**: clicca sul pulsante "Fork" in alto a destra in questa pagina.
1. **Fork del Repository**: Clicca 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`
> 💡 **Suggerimento Rapido:** Vuoi iniziare in un browser senza configurare Python localmente? Usa [GitHub Codespaces](https://github.com/features/codespaces) per creare un ambiente di sviluppo cloud per il tuo fork. Apri il menu verde **Code**, seleziona **Codespaces** e crea un codespace; installa le dipendenze richieste di ogni lezione al suo interno secondo necessità.
> [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?** Consulta la nostra [Guida alla Risoluzione dei Problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, configurazione e utilizzo delle lezioni.
> 🔧 **Hai bisogno di aiuto?** Consulta la nostra [Guida alla risoluzione dei problemi](TROUBLESHOOTING.md) per soluzioni a problemi comuni con l'installazione, la configurazione e l'esecuzione delle lezioni.
**[Studenti](https://aka.ms/student-page)**, per utilizzare questo curriculum, fate un fork dell’intero repo sul 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 nel 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, facendo pause e riflettendo a ogni controllo del sapere.
- Provate a creare i progetti comprendendo le lezioni, anziché eseguire il codice soluzione; comunque 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 la rubrica PAT appropriata. Un 'PAT' è uno Strumento di Valutazione dei Progressi, una rubrica che compilate per approfondire il vostro apprendimento. Potete anche reagire ad altri PAT così possiamo imparare insieme.
- Inizia con un quiz pre-lezione.
- Leggi la lezione e completa le attività, facendo pause e riflessioni a ogni verifica di conoscenza.
- Prova a creare i progetti comprendendo le lezioni, anziché eseguire il codice della soluzione; tuttavia quel codice è disponibile nelle cartelle `/solution` in ogni lezione orientata al progetto.
- Fai il quiz post-lezione.
- Completa la sfida.
- Completa l’incarico.
- Dopo aver completato un gruppo di lezioni, visita il [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) e "impara ad alta voce" compilando il rubric PAT appropriato. Un 'PAT' è uno Strumento di Valutazione del Progresso che è una rubrica che compili per approfondire l’apprendimento. Puoi anche reagire ad altri PAT in modo che possiamo imparare insieme.
> Per approfondire, consigliamo di seguire questi moduli e percorsi didattici di [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Per ulteriori studi, consigliamo di seguire questi moduli e percorsi di apprendimento [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 utilizzare questo curriculum.
**Insegnanti**, abbiamo [incluso alcune suggerimenti](for-teachers.md) su come usare questo curriculum.
---
## Video walkthrough
## Video esplicativi
Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti in linea nelle lezioni o nella [playlist ML for Beginners sul canale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) cliccando sull’immagine sotto.
Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti inseriti nelle lezioni, o nella [playlist ML for Beginners sul canale YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) cliccando sull’immagine qui sotto.
[](https://aka.ms/ml-beginners-videos)
@ -99,151 +101,152 @@ Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti in linea n
> 🎥 Clicca sull’immagine sopra per un video sul progetto e sulle persone che lo hanno creato!
> 🎥 Clicca l’immagine sopra per un video sul progetto e le persone che lo hanno creato!
---
## Pedagogia
Abbiamo scelto due principi pedagogici nel costruire questo curriculum: garantire che sia pratico e **basato su progetti**, e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune per dargli coesione.
Abbiamo scelto due principi pedagogici durante la costruzione di questo curriculum: garantire che sia pratico **basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune per dargli coesione.
Garantendo che il contenuto sia allineato ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti è aumentata. Inoltre, un quiz a bassa pressione prima della lezione prepara l’intenzione dello studente ad apprendere 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 partono da semplici e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Il curriculum include anche un postscript sulle applicazioni reali del ML, utilizzabile come credito extra o come base per la discussione.
Garantendo che il contenuto sia allineato ai progetti, il processo diventa più coinvolgente per gli studenti e la memorizzazione dei concetti sarà aumentata. Inoltre, un quiz a bassa pressione prima della lezione pone l’intento dello studente verso l’apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura un ulteriore consolidamento. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito per intero o in parte. I progetti iniziano piccoli e diventano via via più complessi alla 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 la discussione.
> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), le linee guida per la [Contribuzione](CONTRIBUTING.md), le [Traduzioni](..) e la [Risoluzione dei Problemi](TROUBLESHOOTING.md). Accogliamo con favore il tuo feedback costruttivo!
> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzioni](..) e linee guida per la [Risoluzione dei Problemi](TROUBLESHOOTING.md). Accogliamo con piacere il tuo feedback costruttivo!
## Ogni lezione include
- sketchnote opzionale
- video supplementare opzionale
- video walkthrough (solo alcune lezioni)
- video esplicativo (alcune lezioni solo)
- [quiz di riscaldamento pre-lezione](https://ff-quizzes.netlify.app/en/ml/)
- lezione scritta
- per le lezioni basate su progetto, guide passo-passo su come costruire il progetto
- controlli della conoscenza
- per le lezioni basate su progetti, guide passo-passo su come costruire il progetto
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai alla cartella `/solution` e cerca le lezioni in R. Includono un'estensione .rmd che rappresenta un file **R Markdown**, che può essere semplicemente definito come un'incorporazione di `blocchi di codice` (in R o altre lingue) e un `intestazione YAML` (che guida come formattare le uscite come PDF) in un `documento Markdown`. Come tale, serve come un eccellente framework di scrittura per la scienza dei dati poiché ti permette di combinare il codice, il suo output e i tuoi pensieri consentendoti di scriverli in Markdown. Inoltre, i documenti R Markdown possono essere renderizzati in formati di output come 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 con tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app 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 di base alla base del 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 che sta alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen and 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 and 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 in Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizza e pulisci i dati in preparazione per il 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 in 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 and Dmitry • Eric Wanjau |
| 08 | Prezzi delle zucche in 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 | Una Web App 🔌 | [Web App](3-Web-App/README.md) | Costruisci una web app per utilizzare il tuo 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 tuoi dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and 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 and 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 and Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruisci una web app di raccomandazione 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 tuoi 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 ☕️ | [Natural language processing](6-NLP/README.md) | Impara i concetti base della NLP costruendo un bot semplice | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondisci la tua conoscenza della NLP comprendendo i compiti comuni richiesti quando si lavora con strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Natural language processing](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 ♥️ | [Natural language processing](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 d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alla previsione di 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 con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo Energetico Mondiale ⚡️ - previsione con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione di 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 di ML | [ML in the Wild](9-Real-World/README.md) | Applicazioni reali interessanti e rivelatrici del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postfazione | Debugging di modelli ML usando il cruscotto RAI | [ML in the Wild](9-Real-World/README.md) | Debugging di modelli di machine learning usando i componenti del cruscotto 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)
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai alla cartella `/solution` e cerca le lezioni in R. Includono un'estensione .rmd che rappresenta un file **R Markdown**, definibile semplicemente come un incapsulamento di `code chunks` (di R o altre lingue) e un `header YAML` (che guida come formattare le uscite come PDF) in un `documento Markdown`. Di conseguenza, serve come un quadro esemplare per l'autore di data science in quanto permette di combinare codice, output e riflessioni scrivendole 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 si trovano nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz ciascuno con tre domande. Sono collegati all’interno delle lezioni ma l’app quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitarla localmente o distribuirla su Azure.
| Numero Lezione | Argomento | Raggruppamento Lezioni | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| 01 | Introduzione al machine learning | [Introduction](1-Introduction/README.md) | Impara i concetti base alla base del machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduction](1-Introduction/README.md) | Scopri la storia che sta alla base di questo campo | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Equità e machine learning | [Introduction](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull'equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduction](1-Introduction/README.md) | Quali tecniche usano i ricercatori ML per costruire modelli ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regression](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 nordamericane 🎃 | [Regression](2-Regression/README.md) | Visualizza e pulisci i 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 nordamericane 🎃 | [Regression](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 nordamericane 🎃 | [Regression](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 usare il tuo modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classification](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 🍜 | [Classification](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 🍜 | [Classification](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 🍜 | [Classification](4-Classification/README.md) | Costruisci 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) | 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 ☕️ | [Natural language processing](6-NLP/README.md) | Impara le basi dell'NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni di NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondisci la tua conoscenza NLP comprendendo i compiti comuni necessari quando si lavora con le strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Natural language processing](6-NLP/README.md) | Traduzione e analisi del sentiment con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici d'Europa ♥️ | [Natural language processing](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 d'Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alla previsione di serie temporali | [Time series](7-TimeSeries/README.md) | Introduzione alla previsione di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo energetico mondiale ⚡️ - previsione di serie temporali con ARIMA | [Time series](7-TimeSeries/README.md) | Previsione di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo energetico mondiale ⚡️ - previsione di serie temporali con SVR | [Time series](7-TimeSeries/README.md) | Previsione di 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 |
| Postscript | Casi e applicazioni reali di ML | [ML in the Wild](9-Real-World/README.md) | Applicazioni interessanti e rivelatrici del ML classico nel mondo reale | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debug di modelli ML usando la dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debug di modelli nel machine learning usando componenti della dashboard Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [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 fork di questo repo, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, quindi nella cartella principale di questo repo digita `docsify serve`. Il sito web sarà servito sulla porta 3000 del tuo localhost: `localhost:3000`.
Puoi usare questa documentazione offline utilizzando [Docsify](https://docsify.js.org/#/). Fai un fork di questo repo, [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 del tuo localhost: `localhost:3000`.
## PDF
Trova un pdf del curriculum con i link [qui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.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 a:
<!-- 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)
### Azure / Edge / MCP / Agenti
[](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 di 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)
### Serie di AI generativa
[](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)
### 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)
- Rivedi i notebook dopo ogni lezione per una migliore comprensione.
- Esercitati a implementare algoritmi per conto tuo.
- Esplora set di dati reali utilizzando i concetti appresi.
- Esercitati a implementare algoritmi autonomamente.
- Esplora set di dati reali usando i concetti appresi.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per l’accuratezza, si prega di notare che le traduzioni automatizzate possono contenere errori o inesattezze. Il documento originale nella sua lingua nativa deve 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.
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire la precisione, si prega di notare che le traduzioni automatizzate possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un essere umano. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
Vorresti utilizzare questo curriculum nella tua classe? Sentiti libero di farlo!
Infatti, puoi usarlo direttamente su GitHub utilizzando GitHub Classroom.
Infatti, puoi usarlo direttamente all'interno di GitHub utilizzando GitHub Classroom.
Per farlo, fai un fork di questo repository. Avrai bisogno di creare un repository per ogni lezione, quindi dovrai estrarre ogni cartella in un repository separato. In questo modo, [GitHub Classroom](https://classroom.github.com/classrooms) potrà gestire ogni lezione separatamente.
Per farlo, fai il fork di questo repository. Dovrai creare un repository per ogni lezione, quindi dovrai estrarre ogni cartella in un repository separato. In questo modo, [GitHub Classroom](https://classroom.github.com/classrooms) potrà gestire ogni lezione separatamente.
Queste [istruzioni complete](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ti daranno un'idea su come configurare la tua classe.
Queste [istruzioni complete](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ti daranno un'idea su come impostare la tua classe.
## Utilizzare il repository così com'è
## Usare il repository così com'è
Se desideri utilizzare questo repository nella sua forma attuale, senza utilizzare GitHub Classroom, è possibile farlo. Dovrai comunicare ai tuoi studenti quale lezione seguire insieme.
Se desideri usare questo repository nello stato attuale, senza usare GitHub Classroom, è possibile anche così. Dovrai comunicare ai tuoi studenti quale lezione seguire insieme.
In un formato online (Zoom, Teams o altri), potresti creare stanze di gruppo per i quiz e guidare gli studenti per prepararli all'apprendimento. Poi invita gli studenti a partecipare ai quiz e a inviare le loro risposte come 'issues' a un orario prestabilito. Potresti fare lo stesso con i compiti, se desideri che gli studenti lavorino collaborativamente in modo aperto.
In un formato online (Zoom, Teams o altri) potresti creare stanze separate per i quiz e assistere gli studenti per aiutarli a prepararsi. Poi invita gli studenti a fare i quiz e a inviare le risposte come 'issue' in un determinato momento. Potresti fare lo stesso con i compiti, se desideri che gli studenti lavorino collaborativamente a vista.
Se preferisci un formato più privato, chiedi ai tuoi studenti di fare un fork del curriculum, lezione per lezione, nei loro repository GitHub privati e di darti accesso. In questo modo, potranno completare quiz e compiti in modo privato e inviarteli tramite issues sul tuo repository della classe.
Se preferisci un formato più privato, chiedi ai tuoi studenti di fare il fork del curriculum, lezione per lezione, nei propri repository GitHub come repository privati, dandoti accesso. Così possono completare quiz e compiti privatamente e inviarteli tramite issue nel repository della tua classe.
Ci sono molti modi per far funzionare questo approccio in un formato di classe online. Facci sapere quale funziona meglio per te!
Ci sono molti modi per far funzionare questo in un formato di classe online. Per favore facci sapere cosa funziona meglio per te!
## Condividi i tuoi pensieri con noi!
## Per favore, dacci il tuo feedback!
Vogliamo rendere questo curriculum utile per te e i tuoi studenti. Condividi il tuo [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Vogliamo che questo curriculum funzioni per te e per i tuoi studenti. Per favore fornisci [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**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 garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire la precisione, si prega di notare che le traduzioni automatizzate possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un essere umano. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
> Sketchnote autorstwa [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "ML dla początkujących - Historia uczenia maszynowego")
[](https://youtu.be/N6wxM4wZ7V0 "ML dla początkujących – Historia uczenia maszynowego")
> 🎥 Kliknij obrazek powyżej, aby obejrzeć krótki film omawiający tę lekcję.
> 🎥 Kliknij powyższy obrazek, aby obejrzeć krótki film omawiający tę lekcję.
W tej lekcji przejdziemy przez najważniejsze kamienie milowe w historii uczenia maszynowego i sztucznej inteligencji.
Historia sztucznej inteligencji (AI) jako dziedziny jest nierozerwalnie związana z historią uczenia maszynowego, ponieważ algorytmy i postępy obliczeniowe, które są podstawą ML, przyczyniły się do rozwoju AI. Warto pamiętać, że chociaż te dziedziny jako odrębne obszary badań zaczęły się krystalizować w latach 50., ważne [odkrycia algorytmiczne, statystyczne, matematyczne, obliczeniowe i techniczne](https://wikipedia.org/wiki/Timeline_of_machine_learning) poprzedzały i nakładały się na ten okres. W rzeczywistości ludzie zastanawiali się nad tymi zagadnieniami przez [setki lat](https://wikipedia.org/wiki/History_of_artificial_intelligence): ten artykuł omawia historyczne intelektualne podstawy idei "myślącej maszyny".
Historia sztucznej inteligencji (SI) jako dziedziny jest spleciona z historią uczenia maszynowego, ponieważ algorytmy i postępy obliczeniowe, które stanowią podstawę ML, wpłynęły na rozwój SI. Warto pamiętać, że chociaż te dziedziny jako odrębne obszary badań zaczęły się krystalizować w latach 50. XX wieku, ważne [odkrycia algorytmiczne, statystyczne, matematyczne, obliczeniowe i techniczne](https://wikipedia.org/wiki/Timeline_of_machine_learning) poprzedzały i nakładały się na ten okres. W rzeczywistości ludzie zastanawiali się nad tymi zagadnieniami przez [setki lat](https://wikipedia.org/wiki/History_of_artificial_intelligence): ten artykuł omawia historyczne podstawy intelektualne idei „myślącej maszyny”.
---
## Ważne odkrycia
## Znaczące odkrycia
- 1763, 1812 [Twierdzenie Bayesa](https://wikipedia.org/wiki/Bayes%27_theorem) i jego poprzednicy. To twierdzenie i jego zastosowania są podstawą wnioskowania, opisując prawdopodobieństwo wystąpienia zdarzenia na podstawie wcześniejszej wiedzy.
- 1805 [Metoda najmniejszych kwadratów](https://wikipedia.org/wiki/Least_squares) opracowana przez francuskiego matematyka Adriena-Marie Legendre'a. Ta teoria, którą poznasz w naszym module o regresji, pomaga w dopasowywaniu danych.
- 1763, 1812 [Twierdzenie Bayesa](https://wikipedia.org/wiki/Bayes%27_theorem) i jego poprzednicy. To twierdzenie i jego zastosowania leżą u podstaw wnioskowania, opisując prawdopodobieństwo zajścia zdarzenia na podstawie wcześniejszej wiedzy.
- 1805 [Teoria najmniejszych kwadratów](https://wikipedia.org/wiki/Least_squares) autorstwa francuskiego matematyka Adriena-Marie Legendre’a. Teoria ta, którą poznasz w jednostce dotyczącej regresji, pomaga w dopasowywaniu danych.
- 1913 [Łańcuchy Markowa](https://wikipedia.org/wiki/Markov_chain), nazwane na cześć rosyjskiego matematyka Andrieja Markowa, służą do opisu sekwencji możliwych zdarzeń na podstawie poprzedniego stanu.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) to rodzaj klasyfikatora liniowego wynaleziony przez amerykańskiego psychologa Franka Rosenblatta, który jest podstawą postępów w uczeniu głębokim.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) to typ klasyfikatora liniowego wynaleziony przez amerykańskiego psychologa Franka Rosenblatta, który leży u podstaw postępów w uczeniu głębokim.
---
- 1967 [Najbliższy sąsiad](https://wikipedia.org/wiki/Nearest_neighbor) to algorytm pierwotnie zaprojektowany do mapowania tras. W kontekście ML jest używany do wykrywania wzorców.
- 1970 [Backpropagacja](https://wikipedia.org/wiki/Backpropagation) jest używana do trenowania [sieci neuronowych typu feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Rekurencyjne sieci neuronowe](https://wikipedia.org/wiki/Recurrent_neural_network) to sztuczne sieci neuronowe wywodzące się z sieci typu feedforward, które tworzą grafy czasowe.
- 1967 [Najbliższy sąsiad](https://wikipedia.org/wiki/Nearest_neighbor) to algorytm pierwotnie zaprojektowany do wyznaczania tras. W kontekście ML służy do wykrywania wzorców.
- 1970 [Wsteczna propagacja błędu](https://wikipedia.org/wiki/Backpropagation) jest używana do trenowania [sieci neuronowych typu feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Rekurencyjne sieci neuronowe](https://wikipedia.org/wiki/Recurrent_neural_network) to sztuczne sieci neuronowe wywodzące się z sieci feedforward, które tworzą grafy czasowe.
✅ Zrób małe badania. Jakie inne daty wyróżniają się jako kluczowe w historii ML i AI?
✅ Zrób mały research. Jakie inne daty wyróżniają się jako przełomowe w historii ML i SI?
---
## 1950: Maszyny, które myślą
Alan Turing, naprawdę niezwykła postać, który został uznany [przez opinię publiczną w 2019 roku](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) za największego naukowca XX wieku, jest uznawany za osobę, która pomogła położyć fundamenty pod koncepcję "maszyny, która może myśleć". Zmagał się z krytykami i własną potrzebą empirycznych dowodów na tę koncepcję, częściowo poprzez stworzenie [Testu Turinga](https://www.bbc.com/news/technology-18475646), który poznasz w naszych lekcjach NLP.
Alan Turing, naprawdę wyjątkowa postać, wybrana [przez opinię publiczną w 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) na największego naukowca XX wieku, jest uznawany za współtwórcę koncepcji „maszyny, która potrafi myśleć.” Zmagał się z niedowiarkami oraz potrzebą empirycznych dowodów na tę koncepcję, między innymi tworząc [Test Turinga](https://www.bbc.com/news/technology-18475646), który poznasz podczas naszych lekcji NLP.
---
## 1956: Letni projekt badawczy w Dartmouth
## 1956: Letni projekt badawczy Dartmouth
"Letni projekt badawczy w Dartmouth dotyczący sztucznej inteligencji był przełomowym wydarzeniem dla sztucznej inteligencji jako dziedziny", i to właśnie tutaj powstał termin "sztuczna inteligencja" ([źródło](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
„Letni projekt badawczy Dartmouth dotyczący sztucznej inteligencji był przełomowym wydarzeniem dla SI jako dziedziny” i to tutaj pojawił się termin „sztuczna inteligencja” ([źródło](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Każdy aspekt uczenia się lub jakakolwiek inna cecha inteligencji może być zasadniczo tak precyzyjnie opisany, że można stworzyć maszynę, która go symuluje.
> Każdy aspekt uczenia się lub innej cechy inteligencji może być zasadniczo tak precyzyjnie opisany, że można stworzyć maszynę, która będzie go symulować.
---
Główny badacz, profesor matematyki John McCarthy, miał nadzieję "kontynuować na podstawie przypuszczenia, że każdy aspekt uczenia się lub jakakolwiek inna cecha inteligencji może być zasadniczo tak precyzyjnie opisany, że można stworzyć maszynę, która go symuluje." Wśród uczestników był inny wybitny przedstawiciel tej dziedziny, Marvin Minsky.
Główny badacz, prof. matematyki John McCarthy, miał nadzieję "postępować na podstawie przypuszczenia, że każdy aspekt uczenia się lub innej cechy inteligencji może być zasadniczo tak precyzyjnie opisany, że można stworzyć maszynę, która będzie go symulować." Wśród uczestników był również inny wybitny specjalista w tej dziedzinie, Marvin Minsky.
Warsztat ten jest uznawany za inicjatora i zachętę do wielu dyskusji, w tym "rozwoju metod symbolicznych, systemów skoncentrowanych na ograniczonych domenach (wczesne systemy ekspertowe) oraz systemów dedukcyjnych kontra systemów indukcyjnych." ([źródło](https://wikipedia.org/wiki/Dartmouth_workshop)).
Warsztaty zapoczątkowały i zachęciły do wielu dyskusji, w tym o „wzroście metod symbolicznych, systemach skoncentrowanych na ograniczonych dziedzinach (wczesne systemy ekspertowe) oraz systemach dedukcyjnych vs indukcyjnych.” ([źródło](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Złote lata"
## 1956 - 1974: „Złote lata”
Od lat 50. do połowy lat 70. panował duży optymizm co do możliwości AI w rozwiązywaniu wielu problemów. W 1967 roku Marvin Minsky stwierdził z przekonaniem, że "W ciągu jednego pokolenia... problem stworzenia 'sztucznej inteligencji' zostanie zasadniczo rozwiązany." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Od lat 50. do połowy lat 70. panował duży optymizm, że SI może rozwiązać wiele problemów. W 1967 roku Marvin Minsky pewnie stwierdził, że „w ciągu pokolenia ... problem stworzenia ‚sztucznej inteligencji’ zostanie w dużej mierze rozwiązany.” (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Badania nad przetwarzaniem języka naturalnego kwitły, wyszukiwanie zostało udoskonalone i stało się bardziej efektywne, a koncepcja "mikroświatów" została stworzona, gdzie proste zadania były wykonywane za pomocą instrukcji w zwykłym języku.
Rozwijały się badania nad przetwarzaniem języka naturalnego, ulepszano wyszukiwanie, a także powstała koncepcja „mikroświatów”, gdzie proste zadania były realizowane za pomocą jasnych instrukcji językowych.
---
Badania były dobrze finansowane przez agencje rządowe, dokonywano postępów w obliczeniach i algorytmach, a prototypy inteligentnych maszyn były budowane. Niektóre z tych maszyn to:
Badania były dobrze finansowane przez agencje rządowe, dokonywano postępów w obliczeniach i algorytmach oraz budowano prototypy inteligentnych maszyn. Do takich maszyn należą:
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), który potrafił się poruszać i decydować, jak wykonywać zadania "inteligentnie".
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), który potrafił manewrować i decydować, jak wykonywać zadania „inteligentnie”.
* "Blocks world" był przykładem mikroświata, w którym bloki mogły być układane i sortowane, a eksperymenty w nauczaniu maszyn podejmowania decyzji mogły być testowane. Postępy zbudowane z bibliotek takich jak [SHRDLU](https://wikipedia.org/wiki/SHRDLU) pomogły w rozwoju przetwarzania języka.
* „Świat klocków” to przykład mikroświata, w którym klocki można było układać i sortować, a eksperymenty nad uczeniem maszyn podejmowania decyzji mogły być testowane. Postępy z bibliotekami takimi jak [SHRDLU](https://wikipedia.org/wiki/SHRDLU) pomogły przyspieszyć przetwarzanie języka.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world z SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "świat klocków z SHRDLU")
> 🎥 Kliknij obrazek powyżej, aby obejrzeć film: Blocks world z SHRDLU
> 🎥 Kliknij powyższy obrazek, aby obejrzeć wideo: Świat klocków z SHRDLU
---
## 1974 - 1980: "Zima AI"
## 1974 - 1980: „Zima AI”
Do połowy lat 70. stało się jasne, że złożoność tworzenia "inteligentnych maszyn" została niedoszacowana, a jej obietnica, biorąc pod uwagę dostępne moce obliczeniowe, była przesadzona. Finansowanie wyschło, a zaufanie do dziedziny osłabło. Niektóre problemy, które wpłynęły na zaufanie, obejmowały:
Pod koniec lat 70. stało się jasne, że złożoność tworzenia „inteligentnych maszyn” była niedoszacowana, a obietnice z uwzględnieniem dostępnej mocy obliczeniowej zostały przecenione. Finansowanie osłabło, a zaufanie do dziedziny osłabło. Do problemów wpływających na zaufanie należały:
---
- **Ograniczenia**. Moce obliczeniowe były zbyt ograniczone.
- **Eksplozja kombinatoryczna**. Liczba parametrów wymaganych do trenowania rosła wykładniczo, gdy więcej wymagano od komputerów, bez równoległego rozwoju mocy obliczeniowej i możliwości.
- **Brak danych**. Brak danych utrudniał proces testowania, rozwijania i udoskonalania algorytmów.
- **Czy zadajemy właściwe pytania?**. Same pytania, które były zadawane, zaczęły być kwestionowane. Badacze zaczęli spotykać się z krytyką dotyczącą ich podejścia:
- Testy Turinga zostały zakwestionowane między innymi przez teorię "chińskiego pokoju", która zakładała, że "programowanie cyfrowego komputera może sprawić, że wydaje się rozumieć język, ale nie może wytworzyć prawdziwego zrozumienia." ([źródło](https://plato.stanford.edu/entries/chinese-room/))
- Etyka wprowadzania sztucznej inteligencji, takiej jak "terapeuta" ELIZA, do społeczeństwa była kwestionowana.
- **Ograniczenia**. Moc obliczeniowa była zbyt ograniczona.
- **Eksplozja kombinatoryczna**. Ilość parametrów wymagających treningu rosła wykładniczo wraz z rosnącymi wymaganiami wobec komputerów, bez równoległego rozwoju mocy obliczeniowej i możliwości.
- **Niedobór danych**. Brakowało danych, co utrudniało testowanie, rozwijanie i ulepszanie algorytmów.
- **Czy zadajemy właściwe pytania?**. Pojawiły się wątpliwości co do samych pytań. Badacze musieli zmierzyć się z krytyką swoich podejść:
- Testy Turinga były kwestionowane m.in. za pomocą teorii „chińskiego pokoju”, która zakładała, że „programowanie komputera cyfrowego może sprawiać wrażenie rozumienia języka, ale nie jest w stanie stworzyć prawdziwego zrozumienia.” ([źródło](https://plato.stanford.edu/entries/chinese-room/))
- Wątpliwości budziły też kwestie etyczne dotyczące wprowadzenia do społeczeństwa sztucznych inteligencji jak „terapeuta” ELIZA.
---
W tym samym czasie zaczęły formować się różne szkoły myślenia AI. Powstała dychotomia między praktykami ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies). Laboratoria _scruffy_ godzinami dostosowywały programy, aż osiągnęły pożądane rezultaty. Laboratoria _neat_ "skupiały się na logice i formalnym rozwiązywaniu problemów". ELIZA i SHRDLU były dobrze znanymi systemami _scruffy_. W latach 80., gdy pojawiło się zapotrzebowanie na uczynienie systemów ML powtarzalnymi, podejście _neat_ stopniowo wysunęło się na pierwszy plan, ponieważ jego wyniki są bardziej wyjaśnialne.
W tym samym czasie zaczęły tworzyć się różne szkoły myślenia w AI. Ustalono dychotomię między podejściami ["niechlujnymi" a „precyzyjnymi AI”](https://wikipedia.org/wiki/Neats_and_scruffies). Laboratoria _niechlujne_ poprawiały programy godzinami, aż osiągały pożądane wyniki. Laboratoria _precyzyjne_ „koncentrowały się na logice i formalnym rozwiązywaniu problemów”. ELIZA i SHRDLU były znanymi systemami _niechlujnymi_. W latach 80., gdy pojawiło się zapotrzebowanie na systemy ML powtarzalne, stopniowo na pierwszy plan wysunęło się podejście _precyzyjne_, ponieważ jego wyniki były bardziej zrozumiałe.
---
## Eksperckie systemy lat 80.
W miarę jak dziedzina się rozwijała, jej korzyści dla biznesu stawały się coraz bardziej oczywiste, a w latach 80. nastąpiła proliferacja "systemów ekspertowych". "Systemy ekspertowe były jednymi z pierwszych naprawdę udanych form oprogramowania sztucznej inteligencji (AI)." ([źródło](https://wikipedia.org/wiki/Expert_system)).
Wraz ze wzrostem tej dziedziny stawało się jasne, jakie korzyści przynosi biznesowi, a w latach 80. rozprzestrzeniały się 'systemy ekspertowe'. „Systemy ekspertowe były jednymi z pierwszych naprawdę udanych form oprogramowania sztucznej inteligencji (SI).” ([źródło](https://wikipedia.org/wiki/Expert_system)).
Ten typ systemu jest w rzeczywistości _hybrydowy_, składający się częściowo z silnika reguł definiującego wymagania biznesowe oraz silnika wnioskowania, który wykorzystywał system reguł do dedukcji nowych faktów.
Ten rodzaj systemów był tak naprawdę _hybrydowy_, składający się częściowo z silnika reguł definiujących wymagania biznesowe i silnika wnioskowania, który wykorzystywał system reguł do wyprowadzania nowych faktów.
W tej erze zwrócono również większą uwagę na sieci neuronowe.
W tej epoce przywiązywano również coraz większą uwagę do sieci neuronowych.
---
## 1987 - 1993: "Chłód AI"
## 1987 - 1993: 'Chłód' AI
Proliferacja wyspecjalizowanego sprzętu systemów ekspertowych miała niestety efekt nadmiernej specjalizacji. Wzrost popularności komputerów osobistych również konkurował z tymi dużymi, wyspecjalizowanymi, scentralizowanymi systemami. Demokratyzacja obliczeń rozpoczęła się, co ostatecznie utorowało drogę do współczesnej eksplozji big data.
Rozprzestrzenianie się specjalistycznego sprzętu do systemów ekspertowych miało niekorzystny skutek – sprzęt stał się zbyt wyspecjalizowany. Wzrost popularności komputerów osobistych konkurował z tymi dużymi, wyspecjalizowanymi i scentralizowanymi systemami. Demokracja obliczeniowa się rozpoczęła i ostatecznie przygotowała grunt pod współczesną eksplozję big data.
---
## 1993 - 2011
Ten okres przyniósł nową erę dla ML i AI, które mogły rozwiązać niektóre problemy spowodowane wcześniej przez brak danych i mocy obliczeniowej. Ilość danych zaczęła gwałtownie rosnąć i stawać się bardziej dostępna, zarówno na dobre, jak i na złe, szczególnie wraz z pojawieniem się smartfona około 2007 roku. Moc obliczeniowa rosła wykładniczo, a algorytmy ewoluowały równolegle. Dziedzina zaczęła dojrzewać, a swobodne dni przeszłości zaczęły krystalizować się w prawdziwą dyscyplinę.
Ta epoka przyniosła nową erę dla ML i SI, umożliwiającą rozwiązanie niektórych problemów powstałych wcześniej z powodu braku danych i mocy obliczeniowej. Ilość danych zaczęła szybko rosnąć i stawać się bardziej powszechnie dostępna, zarówno na dobre, jak i złe, szczególnie po pojawieniu się smartfona około 2007 roku. Moc obliczeniowa rosła wykładniczo, a algorytmy ewoluowały wraz z nią. Dziedzina zaczęła dojrzewać, gdy swobodne czasy z przeszłości zaczęły przekształcać się w prawdziwą dyscyplinę.
---
## Obecnie
## Teraz
Dziś uczenie maszynowe i AI dotykają prawie każdej części naszego życia. Ta era wymaga dokładnego zrozumienia ryzyk i potencjalnych skutków tych algorytmów dla życia ludzkiego. Jak stwierdził Brad Smith z Microsoftu: "Technologia informacyjna porusza kwestie, które dotykają sedna fundamentalnych ochron praw człowieka, takich jak prywatność i wolność wypowiedzi. Te kwestie zwiększają odpowiedzialność firm technologicznych, które tworzą te produkty. Naszym zdaniem wymagają również przemyślanej regulacji rządowej i rozwoju norm dotyczących akceptowalnych zastosowań" ([źródło](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Dziś uczenie maszynowe i SI dotykają niemal każdej części naszego życia. Ta era wymaga uważnego zrozumienia ryzyk i potencjalnych skutków działania tych algorytmów na ludzkie życie. Jak stwierdził Brad Smith z Microsoftu, „Technologia informacyjna porusza kwestie sięgające sedna podstawowych praw człowieka, takich jak prywatność i wolność wypowiedzi. Te kwestie zwiększają odpowiedzialność firm technologicznych tworzących te produkty. Naszym zdaniem wymagają one także przemyślanej regulacji rządowej oraz rozwoju norm dotyczących akceptowalnych zastosowań” ([źródło](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Nie wiadomo, co przyniesie przyszłość, ale ważne jest, aby zrozumieć te systemy komputerowe oraz oprogramowanie i algorytmy, które uruchamiają. Mamy nadzieję, że ten program nauczania pomoże Ci lepiej zrozumieć, abyś mógł samodzielnie podjąć decyzję.
Przyszłość pozostaje niepewna, ale ważne jest, aby zrozumieć te systemy komputerowe oraz oprogramowanie i algorytmy, które w nich działają. Mamy nadzieję, że ten program nauczania pomoże Ci lepiej to zrozumieć, abyś mógł samodzielnie podjąć decyzję.
> 🎥 Kliknij obrazek powyżej, aby obejrzeć film: Yann LeCun omawia historię uczenia głębokiego w tym wykładzie
> 🎥 Kliknij powyższy obrazek, aby obejrzeć film: Yann LeCun omawia historię uczenia głębokiego w tym wykładzie
---
## 🚀Wyzwanie
Zgłęb jeden z tych historycznych momentów i dowiedz się więcej o ludziach stojących za nimi. Są to fascynujące postacie, a żadne odkrycie naukowe nigdy nie powstało w kulturowej próżni. Co odkrywasz?
Zagłęb się w jeden z tych historycznych momentów i dowiedz się więcej o ludziach, którzy za nimi stoją. To fascynujące postacie, a żadnego odkrycia naukowego nie stworzono w próżni kulturowej. Co odkrywasz?
## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
---
## Przegląd i samodzielna nauka
## Powtórka i samodzielna nauka
Oto materiały do obejrzenia i wysłuchania:
Oto materiały do obejrzenia i posłuchania:
[Ten podcast, w którym Amy Boyd omawia ewolucję AI](http://runasradio.com/Shows/Show/739)
[Podcast, w którym Amy Boyd omawia ewolucję SI](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Historia AI według Amy Boyd")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Historia SI autorstwa Amy Boyd")
---
@ -151,5 +151,7 @@ Oto materiały do obejrzenia i wysłuchania:
---
**Zastrzeżenie**:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby zapewnić poprawność tłumaczenia, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
<!-- 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). Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. 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.
# Tworzenie rozwiązań uczenia maszynowego z odpowiedzialną AI
# Budowanie rozwiązań Machine Learning z odpowiedzialną SI
> Szkic autorstwa [Tomomi Imura](https://www.twitter.com/girlie_mac)
> Szkicownik autorstwa [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
## Wprowadzenie
W tym programie nauczania zaczniesz odkrywać, jak uczenie maszynowe może wpływać i wpływa na nasze codzienne życie. Już teraz systemy i modele biorą udział w codziennych zadaniach decyzyjnych, takich jak diagnozy medyczne, zatwierdzanie pożyczek czy wykrywanie oszustw. Dlatego ważne jest, aby te modele działały dobrze i dostarczały wyniki godne zaufania. Podobnie jak każda aplikacja oprogramowania, systemy AI mogą nie spełnić oczekiwań lub mieć niepożądany rezultat. Dlatego tak istotne jest, aby rozumieć i móc wyjaśnić zachowanie modelu AI.
W tym programie nauczania zaczniesz odkrywać, jak uczenie maszynowe może wpływać i wpływa na nasze codzienne życie. Już dziś systemy i modele biorą udział w codziennych zadaniach decyzyjnych, takich jak diagnozy medyczne, udzielanie pożyczek czy wykrywanie oszustw. Dlatego ważne jest, aby te modele działały poprawnie i dostarczały wiarygodnych wyników. Podobnie jak każda aplikacja programowa, systemy SI mogą nie spełniać oczekiwań lub mieć niepożądane skutki. Dlatego kluczowe jest zrozumienie i wyjaśnienie zachowania modelu SI.
Wyobraź sobie, co może się stać, gdy dane używane do budowy tych modeli nie zawierają pewnych grup demograficznych, takich jak rasa, płeć, poglądy polityczne, religia, lub gdy takie grupy są nierównomiernie reprezentowane. Co się stanie, gdy wyniki modelu będą interpretowane tak, aby faworyzować niektóre grupy demograficzne? Jakie będą tego konsekwencje dla aplikacji? Dodatkowo, co się stanie, gdy model da negatywny wynik i zaszkodzi ludziom? Kto jest odpowiedzialny za zachowanie systemów AI? To są pytania, które omówimy w tym programie nauczania.
Wyobraź sobie, co może się zdarzyć, gdy dane, których używasz do budowy tych modeli, nie obejmują pewnych grup demograficznych, takich jak rasa, płeć, poglądy polityczne, religia lub gdy pewne demografie są nadmiernie reprezentowane. Co się stanie, gdy wynik modelu będzie interpretowany tak, aby faworyzować jakąś grupę demograficzną? Jakie są tego konsekwencje dla aplikacji? Co więcej, co się stanie, gdy model będzie mieć niekorzystny skutek i zaszkodzi ludziom? Kto ponosi odpowiedzialność za zachowanie systemu SI? To są pytania, które będziemy badać w tym programie nauczania.
W tej lekcji:
W tej lekcji:
- Zwiększysz świadomość na temat znaczenia sprawiedliwości w uczeniu maszynowym oraz szkodliwych skutków związanych z niesprawiedliwością.
- Zapoznasz się z praktyką badania wartości odstających i nietypowych scenariuszy, aby zapewnić niezawodność i bezpieczeństwo.
- Zdobędziesz zrozumienie potrzeby upodmiotowienia wszystkich poprzez projektowanie systemów inkluzywnych.
- Zbadasz, jak ważne jest ochronienie prywatności i bezpieczeństwa danych oraz osób.
- Zrozumiesz znaczenie podejścia typu „szklana skrzynka” do wyjaśniania zachowania modeli AI.
- Będziesz świadomy, jak istotna jest odpowiedzialność dla budowania zaufania do systemów AI.
- Podniesiesz świadomość ważności sprawiedliwości w uczeniu maszynowym oraz szkód związanych z niesprawiedliwością.
- Zapoznasz się z praktyką badania odchyleń i nietypowych scenariuszy dla zapewnienia niezawodności i bezpieczeństwa.
- Zrozumiesz potrzebę wzmacniania wszystkich poprzez projektowanie inkluzywnych systemów.
- Poznasz, jak ważne jest chronienie prywatności i bezpieczeństwa danych oraz ludzi.
- Zobaczysz znaczenie podejścia typu "szklana skrzynka" do wyjaśniania zachowania modeli SI.
- Będziesz świadomy, jak odpowiedzialność jest niezbędna do budowy zaufania w systemach SI.
## Wymagania wstępne
Jako wymaganie wstępne, proszę ukończ ścieżkę nauki „Zasady odpowiedzialnej AI” oraz obejrzyj poniższy film na ten temat:
Jako warunek wstępny proszę ukończ ścieżkę nauki "Zasady odpowiedzialnej SI" i obejrzyj poniższe wideo na ten temat:
Dowiedz się więcej o odpowiedzialnej AI, śledząc tę [Ścieżkę nauki](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Dowiedz się więcej o odpowiedzialnej SI, podążając za tą [Ścieżką Nauki](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Podejście Microsoft do odpowiedzialnej AI")
[](https://youtu.be/dnC8-uUZXSc "Podejście Microsoft do odpowiedzialnej SI")
> 🎥 Kliknij obraz powyżej, aby obejrzeć film: Podejście Microsoft do odpowiedzialnej AI
> 🎥 Kliknij powyższy obraz, aby obejrzeć wideo: Podejście Microsoft do odpowiedzialnej SI
## Sprawiedliwość
Systemy AI powinny traktować wszystkich sprawiedliwie i unikać różnicowania podobnych grup osób w różny sposób. Na przykład, gdy systemy AI udzielają wskazówek dotyczących leczenia medycznego, aplikacji o pożyczkę czy zatrudnienia, powinny udzielać tych samych rekomendacji wszystkim z podobnymi objawami, sytuacją finansową lub kwalifikacjami zawodowymi. Każdy z nas jako człowiek nosi w sobie dziedziczone uprzedzenia, które wpływają na nasze decyzje i działania. Uprzedzenia te mogą być widoczne w danych, których używamy do trenowania systemów AI. Takie manipulacje mogą czasem zachodzić nieświadomie. Często trudno jest świadomie rozpoznać, kiedy wprowadzasz stronniczość do danych.
Systemy SI powinny traktować wszystkich sprawiedliwie i unikać różnego traktowania podobnych grup ludzi. Na przykład gdy systemy SI udzielają wskazówek dotyczących leczenia medycznego, wniosków o pożyczkę czy zatrudnienia, powinny one dawać te same rekomendacje wszystkim z podobnymi objawami, sytuacją finansową lub kwalifikacjami zawodowymi. Każdy z nas ma wrodzone uprzedzenia, które wpływają na nasze decyzje i działania. Uprzedzenia te mogą być widoczne w danych używanych do trenowania systemów SI. Manipulacje takie mogą czasami pojawić się nieświadomie. Często trudno jest świadomie zauważyć, kiedy wprowadzamy uprzedzenie do danych.
**„Niesprawiedliwość”** obejmuje negatywne skutki, czyli „szkody”, które dotyczą pewnej grupy ludzi, definiowanej np. przez rasę, płeć, wiek czy status niepełnosprawności. Główne szkody związane ze sprawiedliwością można sklasyfikować jako:
**„Niesprawiedliwość”** obejmuje negatywne skutki lub „szkody” dla określonej grupy ludzi, na przykład definiowanej według rasy, płci, wieku lub statusu niepełnosprawności. Główne szkody związane ze sprawiedliwością można sklasyfikować jako:
- **Alokacja**, jeśli np. jedna płeć lub etniczność jest faworyzowana nad inną.
- **Jakość usług**. Jeśli dane są szkolone dla jednego konkretnego scenariusza, ale rzeczywistość jest znacznie bardziej złożona, prowadzi to do słabej jakości usług. Na przykład dozownik mydła, który nie jest w stanie wykryć osób o ciemnej skórze. [Odnośnik](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Oczernianie**. Niesprawiedliwe krytykowanie i etykietowanie czegoś lub kogoś. Na przykład technologia rozpoznawania obrazów niesłusznie oznaczyła zdjęcia osób o ciemnej skórze jako goryle.
- **Nadmierna lub niedostateczna reprezentacja**. Idea, że dana grupa nie występuje w pewnym zawodzie, a każda usługa lub funkcja, która to utrzymuje, przyczynia się do szkód.
- **Stereotypowanie**. Kojarzenie danej grupy z przypisanymi atrybutami. Na przykład system tłumaczeń między angielskim a tureckim może mieć niedokładności ze względu na słowa o stereotypowych powiązaniach z płcią.
- **Alokacja**, jeśli na przykład faworyzowana jest płeć lub pochodzenie etniczne ponad inną.
- **Jakość usługi**. Jeśli dane są trenowane na jednym specyficznym scenariuszu, a rzeczywistość jest dużo bardziej złożona, skutkuje to słabą jakością usługi. Na przykład, dozownik mydła, który nie potrafił wykrywać osób o ciemnej karnacji. [Odnośnik](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Znieważanie**. Niesprawiedliwe krytykowanie lub etykietowanie czegoś lub kogoś. Na przykład technologia etykietowania zdjęć niesłusznie oznaczyła zdjęcia ciemnoskórych osób jako goryle.
- **Nadmierna lub niedostateczna reprezentacja**. Chodzi o to, że dana grupa jest niewidoczna w pewnym zawodzie, a każda usługa lub funkcja, która utrwala ten stan, przyczynia się do szkody.
- **Stereotypowanie**. Kojarzenie danej grupy z przypisanymi z góry cechami. Na przykład system tłumaczenia języka między angielskim a tureckim może mieć nieścisłości związane z stereotypowymi skojarzeniami słów z płcią.
> tłumaczenie na turecki
@ -48,112 +48,111 @@ Systemy AI powinny traktować wszystkich sprawiedliwie i unikać różnicowania
> tłumaczenie z powrotem na angielski
Projektując i testując systemy AI, musimy zapewnić, że AI jest sprawiedliwa i nie jest zaprogramowana do podejmowania stronniczych lub dyskryminujących decyzji, których również zakazuje się ludziom. Zapewnienie sprawiedliwości w AI i uczeniu maszynowym pozostaje skomplikowanym wyzwaniem socjotechnicznym.
Projektując i testując systemy SI, musimy zapewnić, że SI jest sprawiedliwa i nie jest zaprogramowana do podejmowania decyzji stronniczych lub dyskryminujących, czego również zakazuje się ludziom. Gwarantowanie sprawiedliwości w SI i uczeniu maszynowym pozostaje złożonym wyzwaniem społeczno-technicznym.
### Niezawodność i bezpieczeństwo
Aby budować zaufanie, systemy AI muszą być niezawodne, bezpieczne i spójne w normalnych i nieoczekiwanych warunkach. Ważne jest, by znać zachowanie systemów AI w różnych sytuacjach, zwłaszcza gdy są wartościami odstającymi. Budując rozwiązania AI, należy poświęcić dużo uwagi na to, jak poradzić sobie z różnorodnymi okolicznościami, które system AI może napotkać. Na przykład samochód autonomiczny musi stawiać bezpieczeństwo ludzi na pierwszym miejscu. W efekcie AI napędzająca ten samochód musi rozważyć wszystkie możliwe scenariusze, takie jak noc, burze, śnieżyce, dzieci przebiegające przez ulicę, zwierzęta domowe, roboty drogowe itd. Jak dobrze system AI radzi sobie z szerokim zakresem warunków, odzwierciedla poziom przewidywań, które naukowiec danych lub deweloper AI uwzględnił podczas projektowania lub testowania systemu.
Aby budować zaufanie, systemy SI muszą być niezawodne, bezpieczne i spójne w normalnych i nieoczekiwanych warunkach. Ważne jest, aby wiedzieć, jak systemy SI zachowują się w różnych sytuacjach, szczególnie gdy występują odchylenia. Budując rozwiązania SI, należy w dużym stopniu skupić się na tym, jak radzić sobie z szerokim wachlarzem okoliczności, które systemy mogą napotkać. Na przykład, samochód autonomiczny musi stawiać bezpieczeństwo ludzi na pierwszym miejscu. W rezultacie SI napędzająca samochód musi uwzględniać wszystkie możliwe scenariusze, takie jak noc, burze czy zamiecie śnieżne, dzieci przebiegające przez ulicę, zwierzęta domowe, roboty drogowe itp. To, jak dobrze system SI radzi sobie w szerokim zakresie warunków w sposób niezawodny i bezpieczny, odzwierciedla poziom przewidywań, jakie specjalista ds. danych lub deweloper SI uwzględnił podczas projektowania lub testowania systemu.
> [🎥 Kliknij tutaj, aby obejrzeć film: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Kliknij tutaj, aby obejrzeć wideo: Niezawodność i bezpieczeństwo w SI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inkluzywność
Systemy AI powinny być projektowane tak, aby angażować i upodmiotawiać wszystkich. Projektując i wdrażając systemy AI, naukowcy danych i deweloperzy AI identyfikują i usuwają potencjalne bariery w systemie, które mogą nieświadomie wykluczać ludzi. Na przykład na świecie jest 1 miliard osób z niepełnosprawnościami. Dzięki rozwojowi AI mogą one łatwiej mieć dostęp do szerokiej gamy informacji i możliwości w codziennym życiu. Usuwanie barier tworzy możliwości innowacji i opracowania produktów AI z lepszym doświadczeniem, które przynosi korzyści wszystkim.
Systemy SI powinny być projektowane tak, by angażować i wzmacniać wszystkich. Projektując i implementując systemy SI, specjaliści ds. danych i deweloperzy SI identyfikują i usuwają potencjalne bariery, które mogłyby nieumyślnie wykluczać ludzi. Na przykład na świecie jest miliard osób z niepełnosprawnościami. Dzięki postępowi SI mają oni łatwiejszy dostęp do szerokiego zakresu informacji i możliwości w codziennym życiu. Usuwanie barier stwarza okazje do innowacji i opracowywania produktów SI z lepszymi doświadczeniami, które przynoszą korzyści wszystkim.
> [🎥 Kliknij tutaj, aby obejrzeć film: inkluzywność w AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Kliknij tutaj, aby obejrzeć wideo: Inkluzywność w SI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Bezpieczeństwo i prywatność
### Bezpieczeństwo i prywatność
Systemy AI powinny być bezpieczne i szanować prywatność ludzi. Ludzie mniej ufają systemom, które narażają ich prywatność, informacje lub życie na ryzyko. Trenując modele uczenia maszynowego, opieramy się na danych, aby uzyskać najlepsze wyniki. W związku z tym należy rozważyć pochodzenie danych i ich integralność. Na przykład, czy dane zostały przesłane przez użytkownika, czy są publicznie dostępne? Następnie, podczas pracy z danymi, kluczowe jest opracowanie systemów AI, które chronią informacje poufne i są odporne na ataki. W miarę jak AI staje się bardziej powszechna, ochrona prywatności i zabezpieczenie ważnych informacji osobistych i biznesowych staje się coraz ważniejsze i bardziej skomplikowane. Problemy prywatności i bezpieczeństwa danych wymagają szczególnej uwagi w AI, ponieważ dostęp do danych jest niezbędny, aby systemy AI mogły dokonywać dokładnych i świadomych przewidywań oraz decyzji dotyczących ludzi.
Systemy SI powinny być bezpieczne i szanować prywatność ludzi. Ludzie mają mniejsze zaufanie do systemów, które narażają ich prywatność, informacje lub życie na ryzyko. Podczas trenowania modeli uczenia maszynowego opieramy się na danych, aby uzyskać najlepsze wyniki. W tym procesie należy uwzględnić pochodzenie danych i ich integralność. Na przykład, czy dane zostały przesłane przez użytkowników czy są publicznie dostępne? Następnie, pracując z danymi, kluczowe jest opracowanie systemów SI, które chronią poufne informacje i są odporne na ataki. W miarę jak SI staje się bardziej powszechna, ochrona prywatności i bezpieczeństwo ważnych informacji osobistych i biznesowych staje się coraz bardziej krytyczna i złożona. Problemy prywatności i bezpieczeństwa danych wymagają szczególnej uwagi w SI, ponieważ dostęp do danych jest niezbędny, aby systemy SI mogły podejmować dokładne i świadome przewidywania oraz decyzje dotyczące ludzi.
> [🎥 Kliknij tutaj, aby obejrzeć film: bezpieczeństwo w AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kliknij tutaj, aby obejrzeć wideo: Bezpieczeństwo w SI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Jako branża dokonaliśmy znaczących postępów w zakresie prywatności i bezpieczeństwa, w dużej mierze dzięki regulacjom takim jak RODO (Ogólne rozporządzenie o ochronie danych).
- Jednak w systemach AI musimy uznać napięcie między potrzebą większej ilości danych osobowych, aby uczynić systemy bardziej osobistymi i skutecznymi – a prywatnością.
- Podobnie jak przy narodzinach połączonych komputerów z internetem, obserwujemy również gwałtowny wzrost problemów związanych z bezpieczeństwem w AI.
- Jednocześnie widzimy, że AI jest wykorzystywana do poprawy bezpieczeństwa. Na przykład większość nowoczesnych skanerów antywirusowych opiera się obecnie na heurystykach AI.
- Musimy zapewnić, że nasze procesy Data Science harmonijnie współgrają z najnowszymi praktykami w zakresie prywatności i bezpieczeństwa.
- Jako branża dokonaliśmy znaczących postępów w zakresie prywatności i bezpieczeństwa, znacząco wspieranych przez regulacje takie jak GDPR (Ogólne Rozporządzenie o Ochronie Danych).
- Jednak w systemach SI musimy uznać napięcie między potrzebą większej ilości danych osobowych, aby uczynić systemy bardziej spersonalizowanymi i skutecznymi – a prywatnością.
- Podobnie jak przy narodzinach komputerów połączonych z internetem, obserwujemy także znaczny wzrost liczby problemów związanych z bezpieczeństwem, dotyczących SI.
- Jednocześnie widzimy, że SI jest wykorzystywana do poprawy bezpieczeństwa. Na przykład większość nowoczesnych skanerów antywirusowych jest dziś napędzana heurystyką SI.
- Musimy zapewnić, że nasze procesy Data Science harmonijnie łączą się z najnowszymi praktykami w zakresie prywatności i bezpieczeństwa.
### Przejrzystość
Systemy AI powinny być zrozumiałe. Kluczową częścią przejrzystości jest wyjaśnianie zachowania systemów AI i ich komponentów. Poprawa zrozumienia systemów AI wymaga, aby interesariusze rozumieli, jak i dlaczego one funkcjonują, tak aby mogli zidentyfikować potencjalne problemy z wydajnością, bezpieczeństwem i prywatnością, uprzedzeniami, praktykami wykluczającymi lub niezamierzonymi skutkami. Wierzymy również, że osoby korzystające z systemów AI powinny być uczciwe i otwarte, kiedy, dlaczego i jak decydują się je wdrożyć, a także znać ograniczenia używanych systemów. Na przykład, jeśli bank wykorzystuje system AI do wspierania decyzji kredytowych, ważne jest, aby badać wyniki i rozumieć, które dane wpływają na rekomendacje systemu. Rządy zaczynają regulować AI w różnych branżach, dlatego naukowcy danych i organizacje muszą wyjaśnić, czy system AI spełnia wymagania regulacyjne, szczególnie gdy wystąpi niepożądany wynik.
Systemy SI powinny być zrozumiałe. Kluczowym elementem przejrzystości jest wyjaśnianie zachowania systemów SI i ich komponentów. Poprawa zrozumienia systemów SI wymaga, aby interesariusze pojmowali, jak i dlaczego systemy działają, by mogli zidentyfikować potencjalne problemy z wydajnością, obawy dotyczące bezpieczeństwa i prywatności, uprzedzenia, praktyki wykluczające lub niezamierzone skutki. Wierzymy także, że osoby korzystające z systemów SI powinny być uczciwe i otwarte co do momentu, powodów i sposobów ich wdrażania. A także co do ograniczeń używanych systemów. Na przykład, jeśli bank używa systemu SI do wspierania decyzji o udzielaniu kredytów konsumenckich, ważne jest, aby analizować wyniki i rozumieć, które dane wpływają na rekomendacje systemu. Rządy zaczynają regulować SI w różnych branżach, więc specjaliści ds. danych i organizacje muszą wyjaśniać, czy system SI spełnia wymogi regulacyjne, zwłaszcza gdy pojawia się niepożądany skutek.
> [🎥 Kliknij tutaj, aby obejrzeć film: przejrzystość w AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kliknij tutaj, aby obejrzeć wideo: Przejrzystość w SI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Ponieważ systemy AI są tak złożone, trudno jest zrozumieć, jak działają i interpretować wyniki.
- Brak zrozumienia wpływa na sposób, w jaki systemy te są zarządzane, wdrażane i dokumentowane.
- Co ważniejsze, brak zrozumienia wpływa na decyzje podejmowane na podstawie wyników produkowanych przez te systemy.
- Ponieważ systemy SI są tak złożone, trudno jest zrozumieć, jak działają i interpretować wyniki.
- Ten brak zrozumienia wpływa na sposób zarządzania, wdrażania i dokumentowania tych systemów.
- Co ważniejsze, brak zrozumienia wpływa na decyzje podejmowane na podstawie wyników dostarczanych przez te systemy.
### Odpowiedzialność
### Odpowiedzialność
Osoby projektujące i wdrażające systemy AI muszą być odpowiedzialne za sposób działania swoich systemów. Potrzeba odpowiedzialności jest szczególnie ważna w przypadku technologii wrażliwych, takich jak rozpoznawanie twarzy. Ostatnio rośnie zapotrzebowanie na technologię rozpoznawania twarzy, zwłaszcza ze strony organów ścigania, które widzą potencjał tej technologii w zastosowaniach, takich jak odnajdywanie zaginionych dzieci. Jednakże technologie te mogą być potencjalnie używane przez rządy do zagrożenia podstawowym wolnościom obywateli, na przykład umożliwiając ciągłe monitorowanie określonych osób. Dlatego też naukowcy danych i organizacje muszą ponosić odpowiedzialność za wpływ ich systemów AI na jednostki lub społeczeństwo.
Osoby projektujące i wdrażające systemy SI muszą być odpowiedzialne za funkcjonowanie swoich systemów. Potrzeba odpowiedzialności jest szczególnie ważna w przypadku technologii wrażliwych, takich jak rozpoznawanie twarzy. Ostatnio rośnie zapotrzebowanie na technologię rozpoznawania twarzy, zwłaszcza wśród organów ścigania, które widzą potencjał tej technologii w takich zastosowaniach jak odnajdywanie zaginionych dzieci. Jednakże te technologie mogą być używane przez rządy do naruszania podstawowych wolności obywatelskich, na przykład umożliwiając ciągłe monitorowanie wybranych osób. Dlatego specjaliści ds. danych i organizacje muszą być odpowiedzialni za to, jaki wpływ ma ich system SI na jednostki lub społeczeństwo.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Podejście Microsoft do odpowiedzialnej AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Podejście Microsoft do odpowiedzialnej SI")
> 🎥 Kliknij obraz powyżej, aby obejrzeć film: Ostrzeżenia przed masową inwigilacją przez rozpoznawanie twarzy
> 🎥 Kliknij powyższy obraz, aby obejrzeć wideo: Ostrzeżenia przed masową inwigilacją przez rozpoznawanie twarzy
Ostatecznie, jedno z największych pytań dla naszego pokolenia, jako pierwszego, które wprowadza AI do społeczeństwa, brzmi: jak zapewnić, aby komputery pozostały odpowiedzialne wobec ludzi oraz jak sprawić, by osoby projektujące komputery pozostały odpowiedzialne wobec wszystkich innych.
Ostatecznie jedno z największych pytań dla naszego pokolenia, jako pierwszego, które wprowadza SI do społeczeństwa, brzmi: jak zapewnić, że komputery pozostaną odpowiedzialne przed ludźmi i jak zagwarantować, że osoby projektujące komputery pozostaną odpowiedzialne przed wszystkimi innymi.
## Ocena wpływu
## Ocena wpływu
Przed trenowaniem modelu uczenia maszynowego ważne jest przeprowadzenie oceny wpływu, aby zrozumieć cel systemu AI; do jakiego użytku jest przeznaczony; gdzie będzie wdrażany oraz kto będzie wchodził w interakcję z systemem. To jest pomocne dla recenzenta(ów) lub testerów oceniających system, którzy muszą wiedzieć, jakie czynniki wziąć pod uwagę przy identyfikowaniu potencjalnych ryzyk i przewidywanych konsekwencji.
Przed trenowaniem modelu uczenia maszynowego ważne jest przeprowadzenie oceny wpływu, aby zrozumieć cel systemu SI; jakie jest jego zamierzone użycie; gdzie będzie wdrażany; oraz kto będzie z nim wchodził w interakcje. Pomaga to recenzentom lub testerom ocenić, jakie czynniki brać pod uwagę przy identyfikacji potencjalnych ryzyk i spodziewanych konsekwencji.
Poniżej przedstawiono obszary uwagi przy przeprowadzaniu oceny wpływu:
Poniżej przedstawiono obszary skupienia podczas przeprowadzania oceny wpływu:
* **Negatywny wpływ na jednostki**. Świadomość wszelkich ograniczeń lub wymagań, nieobsługiwanych zastosowań lub znanych ograniczeń utrudniających działanie systemu jest niezbędna, aby zapobiec wykorzystywaniu systemu w sposób mogący szkodzić jednostkom.
* **Wymagania dotyczące danych**. Zrozumienie, jak i gdzie system będzie używał danych, pozwala recenzentom zbadać wszelkie wymagania dotyczące danych, na które należy uważać (np. przepisy RODO lub HIPAA). Dodatkowo należy sprawdzić, czy źródło lub ilość danych jest wystarczająca do treningu.
* **Podsumowanie wpływu**. Sporządź listę potencjalnych szkód, które mogą wyniknąć z używania systemu. W trakcie cyklu życia ML sprawdź, czy kwestie te zostały zminimalizowane lub rozwiązane.
* **Celowe cele** dla każdego z sześciu podstawowych zasad. Oceń, czy cele z każdej zasady zostały spełnione i czy istnieją jakiekolwiek luki.
* **Negatywny wpływ na jednostki**. Świadomość wszelkich ograniczeń, wymagań, nieautoryzowanego użycia lub znanych ograniczeń wpływających na działanie systemu jest kluczowa, aby zapewnić, że system nie będzie używany w sposób mogący szkodzić ludziom.
* **Wymagania dotyczące danych**. Zrozumienie, jak i gdzie system będzie wykorzystywał dane, pozwala recenzentom przeanalizować wymagania dotyczące danych, które trzeba mieć na uwadze (np. regulacje GDPR lub HIPAA). Dodatkowo należy ocenić, czy źródło i ilość danych są wystarczające do trenowania.
* **Podsumowanie wpływu**. Zebranie listy potencjalnych szkód, które mogą wyniknąć z używania systemu. W trakcie cyklu życia ML należy sprawdzać, czy zidentyfikowane problemy są łagodzone lub rozwiązywane.
* **Osiągalne cele** dla każdej z sześciu podstawowych zasad. Ocena, czy cele wynikające z każdej zasady są spełnione oraz czy istnieją jakiekolwiek luki.
## Debugowanie z odpowiedzialną AI
## Debugowanie z odpowiedzialną SI
Podobnie jak debugowanie aplikacji oprogramowania, debugowanie systemu AI to niezbędny proces identyfikowania i rozwiązywania problemów w systemie. Istnieje wiele czynników, które mogą wpływać na to, że model nie działa zgodnie z oczekiwaniami lub odpowiedzialnie. Większość tradycyjnych metryk wydajności modelu to ilościowe agregaty wydajności modelu, które nie wystarczają do analizy, jak model narusza zasady odpowiedzialnej AI. Ponadto model uczenia maszynowego jest czarną skrzynką, co utrudnia zrozumienie, co napędza jego wynik lub wyjaśnienie, gdy popełnia błąd. W dalszej części tego kursu nauczymy się, jak korzystać z pulpitu odpowiedzialnej AI, aby pomóc w debugowaniu systemów AI. Pulpit zapewnia całościowe narzędzie dla naukowców danych i deweloperów AI do wykonywania:
Podobnie jak debugowanie aplikacji programowej, debugowanie systemu SI jest koniecznym procesem identyfikowania i rozwiązywania problemów w systemie. Wiele czynników może powodować, że model nie działa zgodnie z oczekiwaniami lub w sposób odpowiedzialny. Większość tradycyjnych wskaźników wydajności modeli to ilościowe agregaty wydajności, które nie wystarczają do analizy, jak model narusza zasady odpowiedzialnej SI. Ponadto model uczenia maszynowego jest czarną skrzynką, co utrudnia zrozumienie, co powoduje jego wyniki lub dostarczenie wyjaśnienia błędu. W dalszej części tego kursu nauczymy się, jak korzystać z panelu odpowiedzialnej SI, aby pomóc w debugowaniu systemów SI. Panel ten dostarcza kompleksowe narzędzie dla specjalistów ds. danych i deweloperów SI do wykonywania:
* **Analizy błędów**. Aby zidentyfikować rozkład błędów modelu, które mogą wpłynąć na sprawiedliwość lub niezawodność systemu.
* **Przeglądu modelu**. Aby odkryć miejsca, gdzie występują różnice w wydajności modelu w różnych kohortach danych.
* **Analizy danych**. Aby zrozumieć rozkład danych i zidentyfikować potencjalne uprzedzenia w danych, które mogą prowadzić do problemów ze sprawiedliwością, inkluzywnością i niezawodnością.
* **Interpretowalności modelu**. Aby zrozumieć, co wpływa lub wpływa na prognozy modelu. Pomaga to wyjaśnić zachowanie modelu, co jest ważne dla przejrzystości i odpowiedzialności.
* **Analizy błędów**. Aby zidentyfikować rozkład błędów modelu, które mogą wpływać na sprawiedliwość lub niezawodność systemu.
* **Przeglądu modelu**. Aby odkryć, gdzie występują nierówności w wydajności modelu w różnych grupach danych.
* **Analizy danych**. Aby zrozumieć rozkład danych i zidentyfikować potencjalne uprzedzenia w danych, które mogą prowadzić do problemów sprawiedliwości, inkluzywności i niezawodności.
* **Interpretowalności modelu**. Aby zrozumieć, co wpływa na przewidywania modelu. Pomaga to w wyjaśnianiu zachowania modelu, co jest ważne dla przejrzystości i odpowiedzialności.
## 🚀 Wyzwanie
## 🚀 Wyzwanie
Aby zapobiec pojawieniu się szkód, powinniśmy:
Aby zapobiec wprowadzaniu szkód w pierwszej kolejności, powinniśmy:
- zatrudniać osoby o różnorodnym pochodzeniu i perspektywach wśród zespołów pracujących nad systemami
- inwestować w zestawy danych odzwierciedlające różnorodność naszego społeczeństwa
- rozwijać lepsze metody na wszystkich etapach cyklu życia uczenia maszynowego, aby wykrywać i naprawiać problemy z odpowiedzialną AI, gdy się pojawiają
- mieć różnorodność pochodzenia i perspektyw wśród osób pracujących nad systemami
- inwestować w zbiór danych odzwierciedniający różnorodność naszego społeczeństwa
- rozwijać lepsze metody w całym cyklu życia uczenia maszynowego do wykrywania i naprawiania nieodpowiedzialnej SI, gdy się pojawia
Pomyśl o scenariuszach z życia, gdzie brak wiarygodności modelu jest widoczny podczas tworzenia i używania modelu. Co jeszcze powinniśmy rozważyć?
Pomyśl o rzeczywistych scenariuszach, gdzie brak zaufania do modelu jest widoczny w budowie i używaniu modelu. Co jeszcze powinniśmy rozważyć?
## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
## Podsumowanie i samodzielna nauka
## Podsumowanie i samodzielna nauka
W tej lekcji nauczyłeś się podstaw pojęć sprawiedliwości i niesprawiedliwości w uczeniu maszynowym.
Obejrzyj ten warsztat, aby zagłębić się w te tematy:
Obejrzyj ten warsztat, aby zgłębić tematy:
- W dążeniu do odpowiedzialnej sztucznej inteligencji: Wprowadzanie zasad w praktykę przez Besmirę Nushi, Mehrnoosh Sameki i Amit Sharmę
- W poszukiwaniu odpowiedzialnej SI: Wdrażanie zasad w praktyce, autorstwa Besmiry Nushi, Mehrnoosh Sameki i Amita Sharmy
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Otwarte ramy do budowania odpowiedzialnej SI")
> 🎥 Kliknij obraz powyżej, aby obejrzeć wideo: RAI Toolbox: Open-source’owy framework do tworzenia odpowiedzialnej SI przez Besmirę Nushi, Mehrnoosh Sameki i Amit Sharmę
> 🎥 Kliknij powyższy obraz, aby obejrzeć wideo: RAI Toolbox: Otwarte ramy do budowania odpowiedzialnej SI autorstwa Besmiry Nushi, Mehrnoosh Sameki i Amit Sharma
Przeczytaj również:
Przeczytaj również:
- Centrum zasobów Microsoft ds. RAI: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Centrum zasobów RAI Microsoftu: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Grupa badawcza Microsoft FATE: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Grupa badawcza FATE Microsoftu: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI Toolbox:
- [Repozytorium Responsible AI Toolbox na GitHub](https://github.com/microsoft/responsible-ai-toolbox)
# Rozpocznij pracę z Pythonem i Scikit-learn dla modeli regresji
# Zacznij z Pythonem i Scikit-learn dla modeli regresji
> Sketchnote autorstwa [Tomomi Imura](https://www.twitter.com/girlie_mac)
> Notatka szkicowa autorstwa [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
> ### [Ta lekcja dostępna jest w R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Ta lekcja jest dostępna również w R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Wstęp
## Wprowadzenie
W tych czterech lekcjach odkryjesz, jak budować modele regresji. Wkrótce omówimy, do czego służą. Ale zanim zaczniesz, upewnij się, że masz odpowiednie narzędzia do rozpoczęcia pracy!
W tych czterech lekcjach odkryjesz, jak budować modele regresyjne. Wkrótce omówimy, do czego one służą. Ale zanim zaczniesz cokolwiek robić, upewnij się, że masz właściwe narzędzia, by rozpocząć proces!
W tej lekcji nauczysz się:
W tej lekcji nauczysz się jak:
- Konfigurować swój komputer do lokalnych zadań uczenia maszynowego.
- Skonfigurować komputer do lokalnych zadań uczenia maszynowego.
- Pracować z Jupyter Notebooks.
- Używać Scikit-learn, w tym instalować tę bibliotekę.
- Eksplorować regresję liniową na praktycznym ćwiczeniu.
- Korzystać ze Scikit-learn, w tym instalacji.
- Poznać regresję liniową przez ćwiczenie praktyczne.
## Instalacje i konfiguracje
[](https://youtu.be/-DfeD2k2Kj0 "ML dla początkujących - Skonfiguruj swoje narzędzia do tworzenia modeli uczenia maszynowego")
[](https://youtu.be/-DfeD2k2Kj0 "ML dla początkujących - Przygotuj swoje narzędzia do budowania modeli uczenia maszynowego")
> 🎥 Kliknij powyższy obraz, aby zobaczyć krótki film pokazujący konfigurację komputera do ML.
> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film pokazujący konfigurację komputera do ML.
1. **Zainstaluj Pythona**. Upewnij się, że [Python](https://www.python.org/downloads/) jest zainstalowany na Twoim komputerze. Będziesz używać Pythona dla wielu zadań z zakresu analizy danych i uczenia maszynowego. Większość systemów komputerowych ma już zainstalowanego Pythona. Dostępne są również przydatne [Pakiety do Kodowania w Pythonie](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), które ułatwiają konfigurację niektórym użytkownikom.
1. **Zainstaluj Pythona**. Upewnij się, że [Python](https://www.python.org/downloads/) jest zainstalowany na twoim komputerze. Będziesz używać Pythona do wielu zadań związanych z data science i uczeniem maszynowym. Większość systemów komputerowych ma już zainstalowanego Pythona. Są też dostępne przydatne [pakiety do kodowania w Pythonie](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), które ułatwiają instalację niektórym użytkownikom.
Jednak niektóre zastosowania Pythona wymagają jednej wersji oprogramowania, a inne innej wersji. Dlatego warto pracować w ramach [środowiska wirtualnego](https://docs.python.org/3/library/venv.html).
Niektóre zastosowania Pythona wymagają jednak różnych wersji oprogramowania. Dlatego korzystne jest pracowanie w ramach [wirtualnego środowiska](https://docs.python.org/3/library/venv.html).
2. **Zainstaluj Visual Studio Code**. Upewnij się, że masz zainstalowany Visual Studio Code na swoim komputerze. Postępuj zgodnie z instrukcjami, aby [zainstalować Visual Studio Code](https://code.visualstudio.com/) w podstawowej instalacji. Będziesz używać Pythona w Visual Studio Code podczas tego kursu, więc warto się także zapoznać z tym, jak [konfigurować Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) do pracy z Pythonem.
2. **Zainstaluj Visual Studio Code**. Upewnij się, że masz zainstalowany Visual Studio Code na swoim komputerze. Postępuj według tych instrukcji, by [zainstalować Visual Studio Code](https://code.visualstudio.com/) - podstawowa instalacja. W tym kursie będziesz używać Pythona w Visual Studio Code, więc warto nauczyć się, jak [konfigurować Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) do pracy z Pythonem.
> Zapoznaj się z Pythonem, realizując tę kolekcję [modułów nauki](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Zapoznaj się z Pythonem, pracując z tym zbiorem [modułów Learn](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Konfiguracja Pythona w Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Konfiguracja Pythona z Visual Studio Code")
>
> 🎥 Kliknij powyższy obraz, aby zobaczyć film: używanie Pythona wewnątrz VS Code.
> 🎥 Kliknij powyższy obraz, by obejrzeć film: użycie Pythona w VS Code.
3. **Zainstaluj Scikit-learn**, postępując zgodnie z [tym instrukcjami](https://scikit-learn.org/stable/install.html). Ponieważ musisz mieć pewność, że używasz Pythona 3, zaleca się korzystanie ze środowiska wirtualnego. Uwaga, jeśli instalujesz tę bibliotekę na M1 Macu, są specjalne instrukcje na stronie powyżej.
3. **Zainstaluj Scikit-learn**, postępując zgodnie z [tym instrukcjami](https://scikit-learn.org/stable/install.html). Ponieważ musisz używać Pythona 3, zalecane jest korzystanie z wirtualnego środowiska. Jeśli instalujesz tę bibliotekę na Macu M1, na powyższej stronie są specjalne wskazówki.
1. **Zainstaluj Jupyter Notebook**. Będziesz musiał [zainstalować pakiet Jupyter](https://pypi.org/project/jupyter/).
1. **Zainstaluj Jupyter Notebook**. Będziesz musiał [zainstalować paczkę Jupyter](https://pypi.org/project/jupyter/).
## Twoje środowisko do pracy z ML
## Twoje środowisko do tworzenia ML
Będziesz używać **notebooków** do tworzenia kodu w Pythonie oraz tworzenia modeli uczenia maszynowego. Ten typ pliku jest popularnym narzędziem wśród analityków danych i można go rozpoznać po rozszerzeniu `.ipynb`.
Będziesz korzystać z **notebooków** do tworzenia kodu w Pythonie i budowania modeli uczenia maszynowego. Ten typ pliku jest powszechnym narzędziem dla data scientistów i można go rozpoznać po rozszerzeniu `.ipynb`.
Notebooki to interaktywne środowisko, które pozwala programiście zarówno pisać kod, jak i dodawać notatki oraz dokumentację wokół kodu, co jest bardzo przydatne w projektach eksperymentalnych lub badawczych.
Notebooki to interaktywne środowiska, które pozwalają programiście kodować oraz dodawać notatki i dokumentację do kodu, co jest bardzo pomocne w projektach eksperymentalnych lub badawczych.
[](https://youtu.be/7E-jC8FLA2E "ML dla początkujących - Konfiguracja Jupyter Notebooks do rozpoczęcia budowy modeli regresji")
[](https://youtu.be/7E-jC8FLA2E "ML dla początkujących - Skonfiguruj Jupyter Notebooks, by zacząć budować modele regresji")
> 🎥 Kliknij powyższy obraz, aby zobaczyć krótki film przedstawiający to ćwiczenie.
> 🎥 Kliknij powyższy obraz, by obejrzeć krótki film z tym ćwiczeniem.
### Ćwiczenie - praca z notebookiem
@ -57,11 +57,11 @@ W tym folderze znajdziesz plik _notebook.ipynb_.
1. Otwórz _notebook.ipynb_ w Visual Studio Code.
Serwer Jupyter uruchomi się z Pythonem 3+. Znajdziesz obszary notebooka, które można `uruchomić`, fragmenty kodu. Możesz uruchomić blok kodu, wybierając ikonę wyglądającą jak przycisk odtwarzania.
Uruchomi się serwer Jupyter z Pythonem 3+. Znajdziesz obszary notebooka, które możesz `uruchomić`, fragmenty kodu. Możesz wykonać blok kodu, wybierając ikonę przypominającą przycisk „play”.
1. Wybierz ikonę `md` i dodaj trochę markdown, wpisując następujący tekst **# Welcome to your notebook**.
1. Wybierz ikonę `md` i dodaj trochę markdownu, wstawiając tekst **# Witaj w swoim notebooku**.
Następnie dodaj trochę kodu Python.
Następnie dodaj trochę kodu Pythona.
1. Wpisz **print('hello notebook')** w bloku kodu.
1. Wybierz strzałkę, aby uruchomić kod.
@ -74,34 +74,34 @@ W tym folderze znajdziesz plik _notebook.ipynb_.
Możesz przeplatać swój kod komentarzami, aby dokumentować notebook dla samego siebie.
Możesz przeplatać swój kod komentarzami, by samodokumentować notebook.
✅ Pomyśl przez chwilę, jak bardzo różni się środowisko pracy web developera od środowiska naukowca danych.
✅ Pomyśl przez chwilę, jak bardzo różni się środowisko pracy programisty webowego od środowiska data scientist.
## Uruchomienie Scikit-learn
## Start ze Scikit-learn
Teraz, gdy Python jest skonfigurowany w Twoim lokalnym środowisku, a Ty czujesz się pewnie z Jupyter Notebooks, zaznajomimy się również ze Scikit-learn (wymowa `sci` jak w `science`). Scikit-learn dostarcza [obszerny API](https://scikit-learn.org/stable/modules/classes.html#api-ref), który pomoże Ci wykonywać zadania ML.
Teraz, gdy Python jest skonfigurowany w twoim lokalnym środowisku, a ty czujesz się komfortowo z Jupyter Notebooks, poznajmy równie dobrze Scikit-learn (wymowa `sci` jak w „science”). Scikit-learn oferuje [obszerny API](https://scikit-learn.org/stable/modules/classes.html#api-ref), które pomaga wykonać zadania ML.
Według ich [strony internetowej](https://scikit-learn.org/stable/getting_started.html), „Scikit-learn jest otwartoźródłową biblioteką do uczenia maszynowego, która wspiera uczenie nadzorowane i nienadzorowane. Zapewnia także różnorodne narzędzia do dopasowywania modeli, przetwarzania wstępnego danych, wyboru modelu i ewaluacji oraz wiele innych użytecznych funkcji.”
Według ich [strony internetowej](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn to biblioteka open source do uczenia maszynowego wspierająca uczenie nadzorowane i nienadzorowane. Dostarcza także narzędzia do dopasowywania modeli, przetwarzania danych, wyboru i oceny modeli oraz wiele innych użyteczności."
W tym kursie będziesz korzystać ze Scikit-learn i innych narzędzi, aby budować modele uczenia maszynowego wykonujące tzw. „tradycyjne zadania uczenia maszynowego”. Świadomie uniknęliśmy sieci neuronowych i głębokiego uczenia, gdyż są one lepiej omówione w naszym nadchodzącym kursie „AI dla początkujących”.
W tym kursie będziesz używać Scikit-learn i innych narzędzi do budowania modeli uczenia maszynowego w tzw. „tradycyjnych” zadaniach uczenia maszynowego. Świadomie uniknęliśmy sieci neuronowych i głębokiego uczenia, ponieważ są one lepiej omówione w naszym nadchodzącym kursie „AI dla początkujących”.
Scikit-learn ułatwia tworzenie modeli i ocenianie ich do użytku. Skupia się przede wszystkim na danych liczbowych i zawiera kilka gotowych zbiorów danych służących jako narzędzia do nauki. Obejmuje także gotowe modele do wypróbowania przez uczniów. Najpierw przyjrzyjmy się procesowi ładowania gotowych danych i użycia wbudowanego estymatora, aby stworzyć pierwszy model ML w Scikit-learn z podstawowymi danymi.
Scikit-learn ułatwia budowanie modeli i ich ewaluację. Skupia się głównie na danych liczbowych i zawiera kilka gotowych zestawów danych do użytku edukacyjnego. Obejmuje też wbudowane modele do przetestowania przez uczniów. Poznajmy proces ładowania gotowych danych i używania wbudowanego estymatora, aby stworzyć Twój pierwszy model ML w Scikit-learn na podstawie podstawowych danych.
## Ćwiczenie - Twój pierwszy notatnik Scikit-learn
## Ćwiczenie - twój pierwszy notebook Scikit-learn
> Ten samouczek był inspirowany [przykładem regresji liniowej](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na stronie Scikit-learn.
> Ten samouczek został zainspirowany [przykładem regresji liniowej](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na stronie Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML dla początkujących - Twój pierwszy projekt regresji liniowej w Pythonie")
> 🎥 Kliknij powyższy obraz, aby zobaczyć krótki film przedstawiający to ćwiczenie.
> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film z tym ćwiczeniem.
W pliku _notebook.ipynb_ powiązanym z tą lekcją wyczyść wszystkie komórki, klikając ikonę „kosza”.
W pliku _notebook.ipynb_ powiązanym z tą lekcją, wyczyść wszystkie komórki, klikając ikonę „kosza”.
W tej sekcji będziesz pracować z małym zbiorem danych o cukrzycy, który jest wbudowany w Scikit-learn do celów edukacyjnych. Wyobraź sobie, że chcesz przetestować leczenie dla pacjentów z cukrzycą. Modele uczenia maszynowego mogą pomóc ustalić, którzy pacjenci lepiej zareagują na leczenie na podstawie kombinacji różnych zmiennych. Nawet bardzo prosty model regresji, gdy zostanie zwizualizowany, może dostarczyć informacji o zmiennych, które pomogą Ci zorganizować teoretyczne badania kliniczne.
W tej sekcji będziesz pracować z małym zestawem danych o cukrzycy, który jest wbudowany w Scikit-learn do celów edukacyjnych. Wyobraź sobie, że chcesz przetestować leczenie dla pacjentów cukrzycowych. Modele uczenia maszynowego mogą pomóc określić, którzy pacjenci zareagują lepiej na terapię, na podstawie kombinacji zmiennych. Nawet bardzo podstawowy model regresji, gdy jest wizualizowany, może pokazać informacje o zmiennych, które pomogłyby Ci zaplanować teoretyczne badania kliniczne.
✅ Istnieje wiele typów metod regresji, a wybór zależy od pytania, na które chcesz odpowiedzieć. Jeśli chcesz przewidzieć prawdopodobny wzrost osoby w danym wieku, użyjesz regresji liniowej, ponieważ szukasz **wartości liczbowej**. Jeśli natomiast chcesz odkryć, czy dany typ kuchni powinien być uznany za wegański, szukasz **przypisania do kategorii**, więc użyjesz regresji logistycznej. O regresji logistycznej dowiesz się więcej później. Pomyśl trochę o pytaniach, które możesz zadać danym, i która z tych metod byłaby odpowiednia.
✅ Istnieje wiele metod regresji, a której użyjesz zależy od pytania, na które chcesz odpowiedzieć. Jeśli chcesz przewidzieć prawdopodobny wzrost osoby w danym wieku, użyjesz regresji liniowej, bo szukasz **wartości liczbowej**. Jeśli chcesz sprawdzić, czy dana kuchnia powinna być uznana za wegańską, interesuje Cię **przypisanie do kategorii**, więc użyjesz regresji logistycznej. O regresji logistycznej dowiesz się więcej później. Pomyśl chwilę o pytaniach, które możesz zadać danym, i która z tych metod byłaby bardziej odpowiednia.
Zaczynajmy zadanie.
@ -109,8 +109,8 @@ Zaczynajmy zadanie.
Do tego zadania zaimportujemy kilka bibliotek:
- **matplotlib**. To przydatne [narzędzie do tworzenia wykresów](https://matplotlib.org/), którego użyjemy do narysowania wykresu liniowego.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) to przydatna biblioteka do obsługi danych liczbowych w Pythonie.
- **matplotlib**. To przydatne [narzędzie do tworzenia wykresów](https://matplotlib.org/). Użyjemy go do stworzenia wykresu liniowego.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) to przydatna biblioteka do obsługi danych numerycznych w Pythonie.
- **sklearn**. To biblioteka [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Zaimportuj biblioteki, które pomogą Ci w zadaniach.
@ -123,26 +123,26 @@ Zaimportuj biblioteki, które pomogą Ci w zadaniach.
from sklearn import datasets, linear_model, model_selection
```
Powyżej importujesz skróty`matplotlib`, `numpy` oraz importujesz `datasets`, `linear_model` i `model_selection` z `sklearn`. `model_selection` służy do dzielenia danych na zestawy treningowe i testowe.
Powyżej importujesz`matplotlib`, `numpy` oraz importujesz `datasets`, `linear_model` i `model_selection` z `sklearn`. `model_selection` służy do dzielenia danych na zestawy treningowe i testowe.
### Zbiór danych o cukrzycy
Wbudowany [zbiór danych o cukrzycy](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) zawiera 442 próbki danych dotyczących cukrzycy, z 10 zmiennymi cechowymi, z których niektóre to:
Wbudowany [zbiór danych o cukrzycy](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) zawiera 442 próbki danych dotyczących cukrzycy, z 10 zmiennymi cech, z których niektóre to:
- wiek: wiek w latach
- bmi: wskaźnik masy ciała
- bp: średnie ciśnienie krwi
- s1 tc: limfocyty T (rodzaj białych krwinek)
- s1 tc: komórki T (rodzaj białych krwinek)
✅ Ten zbiór danych zawiera koncepcję „płci” jako zmiennej cechowej istotnej dla badań nad cukrzycą. Wiele medycznych zbiorów danych zawiera tego rodzaju binarną klasyfikację. Przemyśl, jak takie kategoryzacje mogą wykluczać pewne części populacji z leczenia.
✅ Ten zbiór danych zawiera koncepcję „płci” jako zmiennej cechowej ważnej w badaniach nad cukrzycą. Wiele medycznych zbiorów zawiera tego rodzaju binarne klasyfikacje. Pomyśl trochę, jak takie kategoryzacje mogą wykluczać części populacji z leczenia.
Teraz załaduj dane X i y.
> 🎓 Pamiętaj, że to uczenie nadzorowane i potrzebujemy nazwanej zmiennej celowej 'y'.
> 🎓 Pamiętaj, to jest uczenie nadzorowane i potrzebujemy nazwanego celu 'y'.
W nowej komórce kodu załaduj zbiór danych o cukrzycy, wywołując `load_diabetes()`. Parametr `return_X_y=True`sygnalizuje, że `X` będzie macierzą danych, a `y` docelową zmienną regresji.
W nowej komórce kodu załaduj zbiór danych o cukrzycy, wywołując `load_diabetes()`. Parametr `return_X_y=True`oznacza, że `X` będzie macierzą danych, a `y` celem regresji.
1. Dodaj polecenia print, aby pokazać kształt macierzy danych i jej pierwszy element:
1. Dodaj kilka poleceń print, aby pokazać kształt macierzy danych i jej pierwszy element:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ W nowej komórce kodu załaduj zbiór danych o cukrzycy, wywołując `load_diabe
print(X[0])
```
To, co otrzymujesz jako odpowiedź, to krotka. Przypisujesz dwie pierwsze wartości krotki do `X` oraz`y`. Dowiedz się więcej [o krotkach](https://wikipedia.org/wiki/Tuple).
To co otrzymujesz w odpowiedzi, to krotka. Przypisujesz dwie pierwsze wartości krotki do zmiennych `X` i`y`. Dowiedz się więcej [o krotkach](https://wikipedia.org/wiki/Tuple).
Widać, że dane zawierają 442 elementy uformowane w tablice po 10 elementów:
Widzisz, że dane zawierają 442 elementy ułożone w tablice o 10 elementach:
```text
(442, 10)
@ -160,39 +160,39 @@ W nowej komórce kodu załaduj zbiór danych o cukrzycy, wywołując `load_diabe
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Pomyśl trochę o relacji między danymi a celem regresji. Regresja liniowa przewiduje zależności między cechą X a zmienną docelową y. Czy w dokumentacji możesz znaleźć [cel](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) dla zbioru danych o cukrzycy? Co ten zbiór danych pokazuje, biorąc pod uwagę ten cel?
✅ Pomyśl trochę o relacji między danymi a celem regresji. Regresja liniowa przewiduje zależności między cechą X a zmienną celu y. Czy potrafisz znaleźć [cel](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) dla zbioru danych o cukrzycy w dokumentacji? Co ten zbiór danych demonstruje, biorąc pod uwagę cel?
2. Następnie wybierz część tego zbioru do wykreślenia, wybierając 3 kolumnę zbioru. Możesz to zrobić, używając operatora `:`, aby wybrać wszystkie wiersze, a następnie wybierając 3 kolumnę za pomocą indeksu (2). Możesz również przekształcić dane w tablicę 2D — wymaganą do wykresu — używając `reshape(n_rows, n_columns)`. Jeśli jeden z parametrów to -1, odpowiadający mu wymiar jest obliczany automatycznie.
2. Następnie wybierz część tego zbioru, którą wyświetlisz, wybierając 3 kolumnę zbioru. Zrób to, używając operatora `:`, by wybrać wszystkie wiersze, a potem wybierz trzecią kolumnę za pomocą indeksu (2). Możesz także przekształcić dane do tablicy 2D - jak wymagane do wykresu - używając `reshape(n_rows, n_columns)`. Jeśli jeden z parametrów to -1, odpowiedni wymiar jest wyliczany automatycznie.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ W każdym momencie wypisz dane, aby sprawdzić ich kształt.
✅ W każdej chwili wypisz dane, aby sprawdzić ich kształt.
3. Teraz, gdy masz dane gotowe do wykresu, sprawdź, czy maszyna może pomóc ustalić logiczny podział między liczbami w tym zbiorze. Aby to zrobić, musisz podzielić zarówno dane (X), jak i cel (y) na zestawy testowe i treningowe. Scikit-learn ma prosty sposób na to — możesz podzielić dane testowe w wyznaczonym punkcie.
3. Teraz, gdy masz dane gotowe do wykresu, zobacz, czy maszyna może pomóc określić logiczny podział danych w zbiorze. Aby to zrobić, musisz podzielić dane (X) i cel (y) na zestawy testowe i treningowe. Scikit-learn oferuje prosty sposób na to; możesz podzielić swoje dane testowe w określonym miejscu.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Teraz jesteś gotowy, aby wytrenować swój model! Załaduj model regresji liniowej i wytrenuj go na swoich zestawach treningowych X i y przy użyciu`model.fit()`:
4. Teraz jesteś gotów do trenowania modelu! Wczytaj model regresji liniowej i wytrenuj go na swoich zestawach treningowych X i y, używając`model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` to funkcja, którą zobaczysz w wielu bibliotekach ML, np. w TensorFlow
✅ `model.fit()` to funkcja, którą zobaczysz w wielu bibliotekach ML, jak TensorFlow
5. Następnie wykonaj predykcję za pomocą danych testowych, używając funkcji `predict()`. To posłuży do narysowania linii między grupami danych
5. Następnie stwórz predykcję używając danych testowych, korzystając z funkcji `predict()`. Posłuży ona do narysowania linii pomiędzy grupami danych
```python
y_pred = model.predict(X_test)
```
6. Teraz czas pokazać dane na wykresie. Matplotlib jest bardzo przydatnym narzędziem do tego zadania. Stwórz wykres punktowy wszystkich danych testowych X i y, a następnie użyj predykcji, aby narysować linię w najbardziej odpowiednim miejscu, między grupami danych modelu.
6. Czas pokazać dane na wykresie. Matplotlib to bardzo przydatne narzędzie do tego zadania. Stwórz wykres rozrzutu wszystkich danych testowych X i y, a następnie użyj predykcji, aby narysować linię w najbardziej odpowiednim miejscu, pomiędzy grupowaniami danych modelu.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ W nowej komórce kodu załaduj zbiór danych o cukrzycy, wywołując `load_diabe
plt.show()
```
✅ Pomyśl chwilę, co tu się dzieje. Prosta linia przechodzi przez wiele małych punktów danych, ale co ona właściwie robi? Czy widzisz, jak możesz użyć tej linii, by przewidzieć, gdzie powinien pasować nowy, niewidziany punkt danych w relacji do osi y wykresu? Spróbuj ubrać w słowa praktyczne zastosowanie tego modelu.
✅ Pomyśl trochę o tym, co się tutaj dzieje. Prosta linia przebiega przez wiele małych punktów danych, ale co dokładnie robi? Czy widzisz, jak powinieneś móc użyć tej linii, aby przewidzieć, gdzie nowy, niewidziany punkt danych powinien się znaleźć w odniesieniu do osi y wykresu? Spróbuj opisać praktyczne zastosowanie tego modelu.
Gratulacje, zbudowałeś swój pierwszy model regresji liniowej, utworzyłeś na jego podstawie predykcję i wyświetliłeś ją na wykresie!
Gratulacje, stworzyłeś pierwszy model regresji liniowej, wygenerowałeś prognozę i wyświetliłeś ją na wykresie!
---
## 🚀Wyzwanie
Wykreśl inną zmienną z tego zbioru danych. Podpowiedź: zmodyfikuj tę linię: `X = X[:,2]`. Biorąc pod uwagę cel tego zbioru danych, co możesz odkryć na temat postępu cukrzycy jako choroby?
Narysuj wykres innej zmiennej z tego zbioru danych. Podpowiedź: edytuj tę linię: `X = X[:,2]`. Biorąc pod uwagę cel tego zbioru, co możesz odkryć na temat postępu cukrzycy jako choroby?
## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
## Przegląd i samodzielna nauka
## Powtórka & Samodzielna nauka
W tym samouczku pracowałeś z prostą regresją liniową, a nie z jednoliniową lub wieloliniową regresją liniową. Przeczytaj trochę o różnicach między tymi metodami lub obejrzyj [ten film](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
W tym tutorialu pracowałeś z prostą regresją liniową, a nie regresją jednowymiarową lub wieloraką. Przeczytaj trochę o różnicach między tymi metodami lub obejrzyj [ten film](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Przeczytaj więcej na temat pojęcia regresji i zastanów się, na jakie pytania można odpowiedzieć za pomocą tej techniki. Skorzystaj z tego [samouczka](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby pogłębić swoją wiedzę.
Przeczytaj więcej na temat koncepcji regresji i zastanów się, jakie pytania można odpowiedzieć za pomocą tej techniki. Skorzystaj z tego [samouczka](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby pogłębić swoją wiedzę.
Klastrowanie to zadanie w uczeniu maszynowym, które polega na znajdowaniu obiektów podobnych do siebie i grupowaniu ich w grupy zwane klastrami. To, co odróżnia klastrowanie od innych podejść w uczeniu maszynowym, to fakt, że proces ten odbywa się automatycznie. W rzeczywistości można powiedzieć, że jest to przeciwieństwo uczenia nadzorowanego.
Klasteryzacja to zadanie uczenia maszynowego, które polega na znajdowaniu obiektów do siebie podobnych i grupowaniu ich w tzw. klastry. To, co odróżnia klasteryzację od innych podejść w uczeniu maszynowym, to fakt, że proces zachodzi automatycznie, można wręcz powiedzieć, że jest to przeciwieństwo uczenia nadzorowanego.
## Temat regionalny: modele klastrowania dla muzycznych gustów nigeryjskiej publiczności 🎧
## Temat regionalny: modele klasteryzacji dla muzycznych gustów nigeryjskiej publiczności 🎧
Różnorodna publiczność w Nigerii ma zróżnicowane gusta muzyczne. Korzystając z danych pobranych ze Spotify (zainspirowanych [tym artykułem](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), przyjrzyjmy się niektórym popularnym utworom w Nigerii. Ten zbiór danych zawiera informacje o takich cechach utworów jak: wskaźnik „taneczności”, „akustyczność”, głośność, „mowa”, popularność i energia. Odkrywanie wzorców w tych danych może być bardzo interesujące!
Różnorodna publiczność Nigerii ma różnorodne gusta muzyczne. Korzystając z danych pobranych ze Spotify (inspirowanych [tym artykułem](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), przyjrzyjmy się muzyce popularnej w Nigerii. Ten zbiór danych zawiera informacje o różnych piosenkach takie jak ocena 'danceability', 'acousticness', głośność, 'speechiness', popularność i energia. Będzie ciekawie odkryć wzorce w tych danych!
> Zdjęcie autorstwa <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
W tej serii lekcji odkryjesz nowe sposoby analizy danych za pomocą technik klastrowania. Klastrowanie jest szczególnie przydatne, gdy Twój zbiór danych nie zawiera etykiet. Jeśli jednak dane mają etykiety, techniki klasyfikacji, takie jak te, które poznałeś w poprzednich lekcjach, mogą być bardziej użyteczne. W przypadkach, gdy chcesz grupować dane bez etykiet, klastrowanie jest świetnym sposobem na odkrywanie wzorców.
W tej serii lekcji odkryjesz nowe sposoby analizowania danych z wykorzystaniem technik klasteryzacji. Klasteryzacja jest szczególnie przydatna, gdy twój zbiór danych nie posiada etykiet. Jeśli etykiety są dostępne, techniki klasyfikacyjne, takie jak te poznane w poprzednich lekcjach, mogą być bardziej użyteczne. Ale w przypadkach, gdy chcesz pogrupować dane nieoznaczone, klasteryzacja jest świetnym sposobem na odkrywanie wzorców.
> Istnieją przydatne narzędzia low-code, które mogą pomóc w nauce pracy z modelami klastrowania. Wypróbuj [Azure ML do tego zadania](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Dostępne są przydatne narzędzia low-code, które mogą pomóc Ci nauczyć się pracy z modelami klasteryzacji. Wypróbuj [Azure ML do tego zadania](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Lekcje
1. [Wprowadzenie do klastrowania](1-Visualize/README.md)
2. [Klastrowanie metodą K-Means](2-K-Means/README.md)
1. [Wprowadzenie do klasteryzacji](1-Visualize/README.md)
Te lekcje zostały napisane z 🎶 przez [Jen Looper](https://www.twitter.com/jenlooper) z pomocnymi recenzjami od [Rishit Dagli](https://rishit_dagli) i [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Te lekcje zostały napisane z 🎶 przez [Jen Looper](https://www.twitter.com/jenlooper) z pomocnymi recenzjami od [Rishit Dagli](https://rishit_dagli/) i [Muhammada Sakib Khana Inana](https://twitter.com/Sakibinan).
Zbiór danych [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) został pozyskany z Kaggle jako dane pobrane ze Spotify.
Zbiór danych [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) pochodzi z Kaggle, pozyskany ze Spotify.
Przydatne przykłady K-Means, które pomogły w stworzeniu tej lekcji, obejmują tę [eksplorację irysów](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ten [wprowadzający notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) oraz ten [hipotetyczny przykład NGO](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Użyteczne przykłady K-średnich, które pomogły w stworzeniu tej lekcji, to między innymi [eksploracja irysów](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ten [notatnik wprowadzający](https://www.kaggle.com/prashant111/k-means-clustering-with-python) oraz ten [hipotetyczny przykład NGO](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Zastrzeżenie**:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby zapewnić poprawność tłumaczenia, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
<!-- 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). Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. 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.
# Wprowadzenie do prognozowania szeregów czasowych
Czym jest prognozowanie szeregów czasowych? Chodzi o przewidywanie przyszłych zdarzeń poprzez analizę trendów z przeszłości.
Czym jest prognozowanie szeregów czasowych? To przewidywanie przyszłych zdarzeń poprzez analizowanie trendów z przeszłości.
## Temat regionalny: globalne zużycie energii elektrycznej ✨
## Temat regionalny: światowe zużycie energii elektrycznej ✨
W tych dwóch lekcjach zostaniesz wprowadzony do prognozowania szeregów czasowych, nieco mniej znanej dziedziny uczenia maszynowego, która jednak ma ogromne znaczenie dla zastosowań przemysłowych i biznesowych, a także innych obszarów. Chociaż sieci neuronowe mogą być używane do zwiększenia użyteczności tych modeli, będziemy je badać w kontekście klasycznego uczenia maszynowego, ponieważ modele pomagają przewidywać przyszłą wydajność na podstawie danych z przeszłości.
W tych dwóch lekcjach zostaniesz wprowadzony do prognozowania szeregów czasowych, stosunkowo mniej znanej dziedziny uczenia maszynowego, która jest jednak niezwykle cenna dla przemysłu i zastosowań biznesowych, między innymi. Chociaż sieci neuronowe mogą być używane do zwiększenia użyteczności tych modeli, my będziemy je studiować w kontekście klasycznego uczenia maszynowego, ponieważ modele pomagają przewidzieć przyszłe wyniki na podstawie przeszłości.
Naszym regionalnym tematem jest zużycie energii elektrycznej na świecie, interesujący zbiór danych, który pozwala nauczyć się prognozowania przyszłego zużycia energii na podstawie wzorców obciążenia z przeszłości. Możesz zobaczyć, jak tego rodzaju prognozowanie może być niezwykle pomocne w środowisku biznesowym.
Naszym regionalnym skupieniem jest zużycie energii elektrycznej na świecie, interesujący zbiór danych do nauki prognozowania przyszłego zużycia energii na podstawie wzorców dotychczasowego obciążenia. Możesz zobaczyć, jak tego typu prognozowanie może być niezwykle pomocne w środowisku biznesowym.
Zdjęcie autorstwa [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) przedstawiające wieże elektryczne przy drodze w Radżastanie na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Zdjęcie autorstwa [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) przedstawiające wieże elektroenergetyczne przy drodze w Radżastanie na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Lekcje
1. [Wprowadzenie do prognozowania szeregów czasowych](1-Introduction/README.md)
2. [Budowanie modeli szeregów czasowych ARIMA](2-ARIMA/README.md)
2. [Budowanie modeli ARIMA dla szeregów czasowych](2-ARIMA/README.md)
3. [Budowanie regresora wektorów nośnych (SVR) dla prognozowania szeregów czasowych](3-SVR/README.md)
## Podziękowania
"Wprowadzenie do prognozowania szeregów czasowych" zostało napisane z ⚡️ przez [Francesca Lazzeri](https://twitter.com/frlazzeri) i [Jen Looper](https://twitter.com/jenlooper). Notatniki po raz pierwszy pojawiły się online w repozytorium [Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) pierwotnie napisanym przez Francescę Lazzeri. Lekcja dotycząca SVR została napisana przez [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Wprowadzenie do prognozowania szeregów czasowych" zostało napisane z ⚡️ przez [Francesca Lazzeri](https://twitter.com/frlazzeri) i [Jen Looper](https://twitter.com/jenlooper). Notatniki pojawiły się po raz pierwszy online w [repozytorium Azure „Deep Learning For Time Series”](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), oryginalnie napisanym przez Francescę Lazzeri. Lekcję SVR napisał [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**Zastrzeżenie**:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
<!-- 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). Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. 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.
Mamy trwającą serię „Ucz się z AI” na Discordzie, 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 używania GitHub Copilot w Data Science.
Prowadzimy serię na Discordzie "Learn with AI", 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.
# Machine Learning dla początkujących – Program nauczania
# Uczenie Maszynowe dla Początkujących - Program Nauczania
> 🌍 Podróżuj po świecie, poznając uczenie maszynowe poprzez kultury świata 🌍
> 🌍 Podróżuj po świecie, odkrywając uczenie maszynowe przez pryzmat kultur świata 🌍
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony **uczeniu maszynowemu**. W tym programie nauczysz się tego, co nazywa się czasem **klasycznym uczeniem maszynowym**, używając głównie biblioteki Scikit-learn i unikając deep learningu, który jest omawiany w naszym [programie AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym ['Data Science dla początkujących'](https://aka.ms/ds4beginners).
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy kurs składający się z 26 lekcji poświęconych **Uczeniu Maszynowemu**. W tym kursie poznasz to, co bywa nazywane **klasycznym uczeniem maszynowym**, korzystając głównie z biblioteki Scikit-learn i unikając głębokiego uczenia, które jest omówione w naszym [programie AI dla Początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym ['Data Science dla Początkujących'](https://aka.ms/ds4beginners)!
Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu rejonów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie domowe i więcej. Nasza projektowa metodologia pozwala uczyć się przez tworzenie, co jest sprawdzoną metodą na trwałe przyswajanie nowych umiejętności.
Podróżuj z nami po świecie, stosując klasyczne techniki do danych z różnych obszarów globu. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania zadania, rozwiązanie, zadanie do wykonania i inne. Nasza dydaktyka oparta na projektach pozwala uczyć się przez praktykę — to sprawdzony sposób na skuteczne przyswajanie nowych umiejętności.
**✍️ Serdeczne podziękowania dla naszych autorów** Jen Looper, Stephena Howella, Franceski Lazzeri, Tomomi Imury, Cassie Breviu, Dmitry'ego Soshnikova, Chrisa Noringa, Anirbana Mukherjee, Ornelli Altunyan, Ruth Yakubu oraz Amy Boyd
**✍️ Serdeczne 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 także dla naszych ilustratorów** Tomomi Imury, Dasani Madipalli i Jen Looper
**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z Microsoft Student Ambassador**, w szczególności Rishita Dagli, Muhammada Sakib Khana Inana, Rohana Raja, Alexandru Petrescu, Abhisheka Jaiswala, Nawrin Tabassum, Ioana Samuili oraz Snigdhy Agarwal
**🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z Microsoft Student Ambassador**, zwłaszcza dla Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupty za lekcje R!**
**🤩 Szczególne podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!**
# Pierwsze kroki
# Pierwsze Kroki
Postępuj zgodnie z poniższymi krokami:
1. **Zrób fork repozytorium**: Kliknij przycisk „Fork” w prawym górnym rogu tej strony.
> 💡 **Szybka wskazówka:** Chcesz zacząć w przeglądarce bez instalowania Pythona lokalnie? Skorzystaj z [GitHub Codespaces](https://github.com/features/codespaces) do utworzenia środowiska chmurowego dla swojego forka. Otwórz zielone menu **Code**, wybierz **Codespaces** i utwórz codespace; w razie potrzeby zainstaluj w nim zależności wymagane przez każdą lekcję.
> [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)
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami typowych problemów przy instalacji, konfiguracji i uruchamianiu lekcji.
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami typowych kwestii dotyczących instalacji, konfiguracji i uruchamiania lekcji.
**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu nauczania, wykonaj fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu, zrób fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj aktywności, zatrzymując się na sprawdzeniach wiedzy, by zastanowić się nad materiałem.
- Staraj się tworzyć projekty rozumiejąc lekcje, zamiast tylko uruchamiać kod rozwiązań; jednakże kod jest dostępny w folderach `/solution` w każdej lekcji nastawionej na projekt.
- Zrób quiz po wykładzie.
- Przeczytaj wykład i wykonaj aktywności, zatrzymując się i zastanawiając nad każdym sprawdzianem wiedzy.
- Staraj się tworzyć projekty rozumiejąc lekcje, zamiast uruchamiać gotowe rozwiązania; jednak kody rozwiązań są dostępne w folderach `/solution` każdej lekcji projektowej.
- Rozwiąż quiz po wykładzie.
- Wykonaj wyzwanie.
- Zrealizuj zadanie.
- Po ukończeniu zestawu lekcji odwiedź [Tablicę Dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubricę PAT. „PAT” to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz także reagować na inne PAT-y, by uczyć się razem.
- Wykonaj zadanie domowe.
- Po ukończeniu grupy lekcji odwiedź [Tablicę Dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos” wypełniając odpowiednią rubrykę PAT. PAT to narzędzie oceny postępów, czyli rubryka, którą wypełniasz, aby pogłębić naukę. Możesz też reagować na inne PATy, abyśmy mogli się uczyć razem.
> Dla dalszej nauki polecamy moduły i ścieżki nauczania dostępne na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Do dalszej nauki polecamy następujące [moduły i ścieżki nauki 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) jak korzystać z tego programu.
**Nauczyciele**, przygotowaliśmy [kilka sugestii](for-teachers.md) dotyczących korzystania z tego programu.
---
## Materiały wideo
Część lekcji jest dostępna w krótkich formach wideo. Możesz je znaleźć bezpośrednio w lekcjach lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos), klikając na poniższy obraz.
Niektóre lekcje dostępne są w formie krótkich filmów. Znajdziesz je osadzone bezpośrednio w lekcjach lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos), klikając poniższy obrazek.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kliknij powyższy obraz, aby obejrzeć wideo o projekcie i ludziach, którzy go stworzyli!
> 🎥 Kliknij powyższy obrazek, aby obejrzeć film o projekcie i ludziach, którzy go stworzyli!
---
## Metodyka nauczania
## Pedagogika
Wybraliśmy dwa podstawowe założenia pedagogiczne budując ten program: zapewnienie, że jest on praktyczny i oparty na **projektach**, oraz że zawiera **częste quizy**. Ponadto, program ma wspólny **motyw przewodni**, aby nadać mu spójność.
Przy budowie tego programu wybraliśmy dwie zasady dydaktyczne: zapewnienie praktycznego charakteru **opartego na projektach** oraz obecność **częstych quizów**. Dodatkowo, program ma wspólny **motyw przewodni**, który nadaje mu spójność.
Dzięki powiązaniu treści z projektami proces staje się bardziej angażujący, a zapamiętywanie pojęć jest wzmocnione. Niskie stawki quizu na początku zajęć nastawiają ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Ten program został zaprojektowany tak, by był elastyczny i przyjemny i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera także postscriptum dotyczące zastosowań ML w świecie rzeczywistym, które można wykorzystać jako dodatkowe punkty lub bazę do dyskusji.
Dzięki powiązaniu materiału z projektami proces nauki staje się bardziej angażujący, a zapamiętywanie pojęć jest skuteczniejsze. Niski próg trudności quizów przed zajęciami ustawia nastawienie ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia lepsze utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub częściowo. Projekty zaczynają się od małych, by stopniowo stawać się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Kurs zawiera również postscriptum o rzeczywistych zastosowaniach ML, które może służyć jako dodatkowe zadanie lub podstawa do dyskusji.
> Znajdź nasze wytyczne [Kodeks postępowania](CODE_OF_CONDUCT.md), [Współpraca](CONTRIBUTING.md), [Tłumaczenia](..) oraz [Rozwiązywanie problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię!
- film pokazujący wykonanie (tylko niektóre lekcje)
- [quiz rozgrzewkowy przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
- pisemną lekcję
- w lekcjach opartych na projektach, przewodniki krok po kroku jak zbudować projekt
- sprawdzenia wiedzy
- opcjonalną notatkę typu sketchnote
- opcjonalne wideo uzupełniające
- film instruktażowy (tylko niektóre lekcje)
- [quiz rozgrzewkowy przed lekcją](https://ff-quizzes.netlify.app/en/ml/)
- lekcję napisaną
- w lekcjach projektowych przewodniki krok po kroku jak zbudować projekt
- sprawdziany wiedzy
- wyzwanie
- materiały dodatkowe
- dodatkowe lektury
- zadanie domowe
- [quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
> **Notatka na temat języków**: Te lekcje są głównie napisane w Pythonie, ale wiele jest również 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**, który można po prostu zdefiniować jako osadzenie `fragmentów kodu` (w R lub innych językach) oraz `nagłówka YAML` (który określa, jak formatować wyjścia, takie jak PDF) w `dokumencie Markdown`. Dzięki temu służy jako wzorcowy framework autorski dla nauki danych, ponieważ pozwala połączyć kod, jego wynik i myśli, umożliwiając zapisanie ich w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych, takich jak PDF, HTML lub Word.
> **Notatka na temat quizów**: Wszystkie quizy znajdują się w [folderze Quiz App](../../quiz-app), razem 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby lokalnie hostować lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe pojęcia 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 | Sprawiedliwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie ważne kwestie filozoficzne dotyczące sprawiedliwości powinni rozważyć uczniowie budujący i stosujący 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 dyni 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 dyni 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 dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Buduj 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 użycia 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 | Pyszne 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 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Kolejne klasyfikatory | [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 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Zbuduj aplikację webową do rekomendacji z wykorzystaniem swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do grupowania | [Grupowanie](5-Clustering/README.md) | Oczyść, 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 ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Poznaj podstawy NLP, budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Typowe zadania NLP ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Rozszerz swoją wiedzę o NLP, poznając typowe zadania wymagane przy pracy ze strukturami językowymi | [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 Europy ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie opinii hotelowych 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantyczne hotele Europy ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie opinii hotelowych 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 z ARIMA | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z regressorami wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomóż Peterowi uniknąć wilka! 🐺 | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Uczenie ze wzmocnieniem z użyciem Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenariusze i zastosowania ML w świecie rzeczywistym | [ML w terenie](9-Real-World/README.md) | Ciekawe i pouczające zastosowania klasycznego ML w rzeczywistych sytuacjach | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół |
| Postscript | Debugowanie modeli ML z użyciem panelu RAI | [ML w terenie](9-Real-World/README.md) | Debugowanie modeli ML przy użyciu komponentów panelu Responsible AI | [Lekcja](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [quiz po lekcji](https://ff-quizzes.netlify.app/en/ml/)
> **Uwagi o językach**: Lekcje są głównie napisane w Pythonie, ale wiele jest także dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i znajdź lekcje R, które mają rozszerzenie .rmd reprezentujące plik **R Markdown** — można go po prostu zdefiniować jako osadzenie `fragmentów kodu` (R lub innych języków) i `nagłówka YAML` (który określa formatowanie wyników np. PDF) w dokumencie `Markdown`. Dzięki temu jest to wzorcowe środowisko autorskie dla data science, ponieważ pozwala łączyć kod, jego wyniki oraz twoje przemyślenia, zapisane w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych takich jak PDF, HTML czy Word.
> **Uwagi o quizach**: Wszystkie quizy znajdują się w [folderze Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania każdy. Są powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby lokalnie hostować lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele kształcenia | Powiązana lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj podstawowe pojęcia stojące za uczeniem maszynowym | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj historię leżącą u podstaw tej dziedziny | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Sprawiedliwość i uczenie maszynowe | [Introduction](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które uczniowie powinni rozważyć podczas tworzenia i stosowania modeli ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki w uczeniu maszynowym | [Introduction](1-Introduction/README.md) | Jakie techniki wykorzystują badacze ML do tworzenia modeli ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and 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 oczyszczaj 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 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 and Dmitry • Eric Wanjau |
| 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj 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 internetowa 🔌 | [Web App](3-Web-App/README.md) | Stwórz aplikację internetową do używania wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Wprowadzenie do klasyfikacji | [Classification](4-Classification/README.md) | Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [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 and Cassie • Eric Wanjau |
| 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [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 and Cassie • Eric Wanjau |
| 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Zbuduj aplikację internetową rekomendacji używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do grupowania | [Clustering](5-Clustering/README.md) | Oczyść, przygotuj i wizualizuj swoje 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) | Poznaj podstawy 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 wymagane przy pracy ze strukturami językowymi | [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 w Europie ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie opinii o hotelach 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantyczne hotele w Europie ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie opinii o hotelach 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 |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z ARIMA | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z Regressorem 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 Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Scenariusze i zastosowania ML w rzeczywistym świecie | [ML in the Wild](9-Real-World/README.md) | Interesujące i pouczające zastosowania klasycznego ML w rzeczywistych sytuacjach | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debugowanie modelu ML przy użyciu pulpitu RAI | [ML in the Wild](9-Real-World/README.md) | Debugowanie modelu w uczeniu maszynowym za pomocą komponentów pulpitu Responsible AI | [Lesson](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)
## Dostęp offline
Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Utwórz fork tego repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim komputerze, a następnie w głównym folderze repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na twoim lokalnym hoście: `localhost:3000`.
Możesz uruchomić tę dokumentację offline, korzystając z [Docsify](https://docsify.js.org/#/). Rozgałęź to repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swojej lokalnej maszynie, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona będzie serwowana na porcie 3000 na twoim localhost: `localhost:3000`.
## Pliki PDF
Znajdź pdf z programem 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 inne kursy! Sprawdź:
@ -185,31 +189,31 @@ Nasz zespół tworzy inne kursy! Sprawdź:
[](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/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Seria Generative AI
[](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 Generatywnej AI
[](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)
---
### Podstawowa nauka
### Core Learning
[](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/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://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)
- Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
- Ćwicz samodzielne implementowanie algorytmów.
- Eksploruj rzeczywiste zestawy danych, korzystając z poznanych koncepcji.
- Eksploruj rzeczywiste zbiory danych, korzystając z poznanych koncepcji.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Zastrzeżenie**:
Ten dokument został przetłumaczony przy użyciu usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji istotnych zalecane jest skorzystanie z profesjonalnego, ludzkiego tłumaczenia. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
**Zastrzeżenie**:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. 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.
Chcesz wykorzystać ten program nauczania w swojej klasie? Śmiało!
Chcesz używać tego programu nauczania na swoich zajęciach? Proszę bardzo!
W rzeczywistości możesz używać go bezpośrednio na GitHubie, korzystając z GitHub Classroom.
W rzeczywistości możesz go używać bezpośrednio na GitHubie, korzystając z GitHub Classroom.
Aby to zrobić, zrób fork tego repozytorium. Będziesz musiał utworzyć repozytorium dla każdej lekcji, więc konieczne będzie wyodrębnienie każdego folderu do osobnego repozytorium. Dzięki temu [GitHub Classroom](https://classroom.github.com/classrooms) będzie mógł obsłużyć każdą lekcję osobno.
Aby to zrobić, zrób fork tego repozytorium. Będziesz musiał stworzyć repozytorium dla każdej lekcji, więc trzeba będzie wyodrębnić każdy folder do osobnego repozytorium. W ten sposób [GitHub Classroom](https://classroom.github.com/classrooms) będzie mógł obsługiwać każdą lekcję oddzielnie.
Te [pełne instrukcje](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) pokażą Ci, jak skonfigurować swoją klasę.
Te [pełne instrukcje](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) pokażą Ci, jak skonfigurować Twoją klasę.
## Korzystanie z repozytorium w obecnej formie
## Używanie repozytorium takim, jakim jest
Jeśli chcesz korzystać z tego repozytorium w jego obecnej formie, bez użycia GitHub Classroom, również jest to możliwe. Musisz poinformować swoich uczniów, którą lekcję należy wspólnie przerobić.
Jeśli chcesz używać tego repozytorium w jego obecnej formie, bez korzystania z GitHub Classroom, można to również zrobić. Musisz wtedy poinformować swoich uczniów, przez którą lekcję mają przechodzić razem.
W formacie online (Zoom, Teams lub inne) możesz utworzyć pokoje grupowe na potrzeby quizów i mentorować uczniów, aby przygotować ich do nauki. Następnie zaproś uczniów do udziału w quizach i poproś ich o przesłanie odpowiedzi jako 'issues' w określonym czasie. Podobnie możesz postąpić z zadaniami, jeśli chcesz, aby uczniowie pracowali wspólnie w otwartej przestrzeni.
W formacie online (Zoom, Teams lub inny) możesz tworzyć pokoje breakout na quizy i mentorować uczniów, aby pomóc im przygotować się do nauki. Następnie zaproś uczniów do rozwiązywania quizów i przesyłania ich odpowiedzi jako 'issues' w określonym czasie. Możesz zrobić to samo z zadaniami, jeśli chcesz, aby uczniowie pracowali wspólnie, publicznie.
Jeśli wolisz bardziej prywatny format, poproś uczniów, aby zrobili fork programu nauczania, lekcja po lekcji, do swoich własnych prywatnych repozytoriów na GitHubie i udzielili Ci dostępu. Wtedy będą mogli wypełniać quizy i zadania prywatnie i przesyłać je do Ciebie jako 'issues' w repozytorium Twojej klasy.
Jeśli wolisz bardziej prywatny format, poproś uczniów, aby forknęli program nauczania, lekcję po lekcji, do swoich prywatnych repozytoriów na GitHubie i dali Ci dostęp. Wtedy mogą prywatnie ukończyć quizy i zadania i przesłać je do Ciebie poprzez issues na Twoim repozytorium klasy.
Istnieje wiele sposobów, aby to działało w formacie klasy online. Daj nam znać, co działa najlepiej dla Ciebie!
Jest wiele sposobów, by to dobrze działało w formacie zajęć online. Daj nam znać, co działa najlepiej dla Ciebie!
## Podziel się z nami swoimi opiniami!
## Prosimy o Twoją opinię!
Chcemy, aby ten program nauczania był jak najbardziej przydatny dla Ciebie i Twoich uczniów. Podziel się z nami [swoją opinią](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Chcemy, aby ten program nauczania działał dla Ciebie i Twoich uczniów. Prosimy o [opinie](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Zastrzeżenie**:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
<!-- 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). Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. 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.
> Sketchnote, [Tomomi Imura](https://www.twitter.com/girlie_mac) tarafından hazırlanmıştır
## [Ders Öncesi Test](https://ff-quizzes.netlify.app/en/ml/)
## [Ders öncesi quiz](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "Yeni Başlayanlar için ML - Makine Öğreniminin Tarihi")
[](https://youtu.be/N6wxM4wZ7V0 "Yeni başlayanlar için ML - Makine Öğrenmesinin Tarihi")
> 🎥 Bu derste işlenecek kısa bir video için yukarıdaki görsele tıklayın.
> 🎥 Bu dersin kısa videosunu izlemek için yukarıdaki resme tıklayın.
Bu derste, makine öğrenimi ve yapay zekanın tarihindeki önemli dönüm noktalarını inceleyeceğiz.
Bu derste, makine öğrenmesi ve yapay zekanın tarihindeki önemli dönüm noktalarını inceleyeceğiz.
Yapay zeka (YZ) alanının tarihi, makine öğreniminin tarihiyle iç içedir, çünkü ML'yi destekleyen algoritmalar ve hesaplama ilerlemeleri YZ'nin gelişimine katkıda bulunmuştur. Bu alanların ayrı birer araştırma konusu olarak 1950'lerde şekillenmeye başladığını hatırlamak faydalıdır. Ancak, önemli [algoritmik, istatistiksel, matematiksel, hesaplama ve teknik keşifler](https://wikipedia.org/wiki/Timeline_of_machine_learning) bu dönemin öncesine dayanır ve bu dönemle örtüşür. Aslında, insanlar bu sorular üzerine [yüzyıllardır](https://wikipedia.org/wiki/History_of_artificial_intelligence) düşünüyor: Bu makale, 'düşünen bir makine' fikrinin tarihsel entelektüel temellerini tartışmaktadır.
Yapay zeka (YZ) alanının tarihi, makine öğrenmesinin tarihinden ayrılmaz biçimde iç içedir; çünkü ML'nin temelini oluşturan algoritmalar ve hesaplama gelişmeleri YZ'nin gelişimini beslemiştir. Bu alanların ayrı araştırma dalları olarak 1950’lerde belirginleşmeye başladığını hatırlamak faydalıdır, ancak önemli [algoritmik, istatistiksel, matematiksel, hesaplama ve teknik keşifler](https://wikipedia.org/wiki/Timeline_of_machine_learning) bu döneme önceki dönemlerde var olmuş ve üst üste binmiştir. Aslında, insanlar bu sorular üzerinde [yüzlerce yıldır](https://wikipedia.org/wiki/History_of_artificial_intelligence) düşünüyor: bu makale 'düşünen makina' fikrinin tarihsel entelektüel temellerini ele alır.
---
## Önemli Keşifler
## Önemli keşifler
- 1763, 1812 [Bayes Teoremi](https://wikipedia.org/wiki/Bayes%27_theorem) ve öncülleri. Bu teorem ve uygulamaları, bir olayın önceden bilinen bilgilere dayanarak gerçekleşme olasılığını tanımlayan çıkarımın temelini oluşturur.
- 1805 [En Küçük Kareler Teorisi](https://wikipedia.org/wiki/Least_squares), Fransız matematikçi Adrien-Marie Legendre tarafından geliştirilmiştir. Bu teori, Regresyon birimimizde öğreneceğiniz gibi, veri uyumunda yardımcı olur.
- 1913 [Markov Zincirleri](https://wikipedia.org/wiki/Markov_chain), Rus matematikçi Andrey Markov'un adını taşır ve bir önceki duruma dayalı olası olaylar dizisini tanımlamak için kullanılır.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), Amerikalı psikolog Frank Rosenblatt tarafından icat edilen ve derin öğrenmedeki ilerlemelerin temelini oluşturan bir tür doğrusal sınıflandırıcıdır.
- 1763, 1812 [Bayes Teoremi](https://wikipedia.org/wiki/Bayes%27_theorem) ve öncülleri. Bu teorem ve uygulamaları, ön bilgiye dayanarak bir olayın gerçekleşme olasılığını tanımlayan çıkarımların temelini oluşturur.
- 1805 Fransız matematikçi Adrien-Marie Legendre tarafından geliştirilen [En Küçük Kareler Teorisi](https://wikipedia.org/wiki/Least_squares). Bu teori, Regresyon birimimizde öğreneceğiniz gibi, veri uyumunda yardımcı olur.
- 1913 Rus matematikçi Andrey Markov'un adını taşıyan [Markov Zincirleri](https://wikipedia.org/wiki/Markov_chain), önceki duruma bağlı olarak olası olayların sırasını tanımlamak için kullanılır.
- 1957 Amerikalı psikolog Frank Rosenblatt tarafından icat edilen ve derin öğrenmedeki gelişmelerin temelini oluşturan [Perceptron](https://wikipedia.org/wiki/Perceptron) tipi bir doğrusal sınıflandırıcıdır.
---
- 1967 [En Yakın Komşu](https://wikipedia.org/wiki/Nearest_neighbor), başlangıçta rotaları haritalamak için tasarlanmış bir algoritmadır. ML bağlamında ise desenleri tespit etmek için kullanılır.
- 1970 [Geri Yayılım](https://wikipedia.org/wiki/Backpropagation), [ileri beslemeli sinir ağlarını](https://wikipedia.org/wiki/Feedforward_neural_network) eğitmek için kullanılır.
- 1982 [Tekrarlayan Sinir Ağları](https://wikipedia.org/wiki/Recurrent_neural_network), ileri beslemeli sinir ağlarından türetilen ve zamansal grafikler oluşturan yapay sinir ağlarıdır.
- 1967 [En Yakın Komşu](https://wikipedia.org/wiki/Nearest_neighbor) algoritması, başlangıçta rota haritalamak için tasarlanmıştır. Makine öğrenimi bağlamında desenleri tespit etmek için kullanılır.
- 1970 [Geri Yayılım](https://wikipedia.org/wiki/Backpropagation) algoritması, [ileri beslemeli sinir ağlarını](https://wikipedia.org/wiki/Feedforward_neural_network) eğitmek için kullanılır.
- 1982 [Tekrarlayan Sinir Ağları](https://wikipedia.org/wiki/Recurrent_neural_network), zamanı temel alan grafikler yaratan yapay sinir ağlarıdır ve ileri beslemeli ağlardan türemiştir.
✅ Biraz araştırma yapın. ML ve YZ tarihindeki başka hangi tarihler önemli dönüm noktaları olarak öne çıkıyor?
✅ Küçük bir araştırma yapın. Makine öğrenimi ve yapay zeka tarihindeki başka hangi tarihler dönüm noktası olarak öne çıkar?
---
## 1950: Düşünebilen Makineler
## 1950: Düşünen makineler
2019 yılında halk tarafından [20. yüzyılın en büyük bilim insanı](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) seçilen gerçekten olağanüstü bir kişi olan Alan Turing, 'düşünebilen bir makine' kavramının temellerini atmaya yardımcı olmakla tanınır. Bu kavramı eleştirmenlerle ve kendi ampirik kanıt ihtiyacıyla başa çıkmak için [Turing Testi](https://www.bbc.com/news/technology-18475646) oluşturmuştur. Bu testi NLP derslerimizde inceleyeceksiniz.
Gerçekten sıra dışı bir kişilik olan Alan Turing, [2019’da halk tarafından](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) 20. yüzyılın en büyük bilim insanı seçildi ve ‘düşünebilen bir makine’ kavramının temelini atmakta yardımcı olduğuna inanılır. Bu kavrama itiraz edenlerle ve bu kavrama dair kendi ampirik kanıt ihtiyacıyla mücadele ederken, NLP derslerinde inceleyeceğiniz [Turing Testi](https://www.bbc.com/news/technology-18475646)ni geliştirdi.
---
## 1956: Dartmouth Yaz Araştırma Projesi
"Dartmouth Yaz Araştırma Projesi, yapay zeka alanı için önemli bir olaydı" ve burada 'yapay zeka' terimi türetilmiştir ([kaynak](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Yapay zekâ alanında Dartmouth Yaz Araştırma Projesi, alan için dönüm noktası oldu" ve burada ‘yapay zeka’ terimi ilk kez ortaya atıldı ([kaynak](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Öğrenmenin veya zekanın herhangi bir özelliğinin, bir makinenin bunu simüle edebileceği kadar kesin bir şekilde tanımlanabileceği varsayımıyla ilerlemek mümkündür.
> Öğrenmenin veya zekanın herhangi bir yönü prensipte o kadar kesin tanımlanabilir ki, bunu simüle eden bir makina yapılabilir.
---
Baş araştırmacı, matematik profesörü John McCarthy, "öğrenmenin veya zekanın herhangi bir özelliğinin, bir makinenin bunu simüle edebileceği kadar kesin bir şekilde tanımlanabileceği varsayımıyla ilerlemeyi" umuyordu. Katılımcılar arasında alanın bir başka önemli ismi olan Marvin Minsky de vardı.
Baş araştırmacı, matematik profesörü John McCarthy, "öğrenmenin veya zekanın herhangi bir yönünün prensipte o kadar kesin tanımlanabileceği ve bir makinanın bunu simüle edebileceği varsayımı ile ilerlemeyi" umuyordu. Katılımcılar arasında alanın diğer önemli isimlerinden Marvin Minsky yer aldı.
Atölye çalışması, "sembolik yöntemlerin yükselişi, sınırlı alanlara odaklanan sistemler (erken uzman sistemler) ve tümdengelim sistemleri ile tümevarım sistemleri arasındaki tartışmalar" gibi birçok tartışmayı başlatması ve teşvik etmesiyle tanınır ([kaynak](https://wikipedia.org/wiki/Dartmouth_workshop)).
Atölye çalışması, "sembolik yöntemlerin yükselişi, sınırlı alanlara odaklanan sistemler (erken uzman sistemler) ve tümdengelimsel sistemler ile tümevarımsal sistemler arasındaki tartışmaların başlaması ve teşvik edilmesi" ile anılır ([kaynak](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Altın Yıllar"
## 1956 - 1974: "Altın yıllar"
1950'lerden 1970'lerin ortalarına kadar, YZ'nin birçok sorunu çözebileceği umudu yüksek bir iyimserlik yarattı. 1967'de Marvin Minsky, "Bir nesil içinde ... 'yapay zeka' yaratma sorunu büyük ölçüde çözülecek" diye iddialı bir şekilde ifade etti. (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
1950’den 1970’lerin ortasına kadar, YZ’nin birçok problemi çözebileceği konusunda yüksek bir iyimserlik hakimdi. 1967’de Marvin Minsky, "Bir nesil içinde… 'yapay zeka' yaratma sorunu büyük ölçüde çözülecek." diye emin bir şekilde belirtmiştir. (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Doğal dil işleme araştırmaları gelişti, arama daha güçlü ve rafine hale geldi ve 'mikro-dünyalar' kavramı oluşturuldu; burada basit görevler, sade dil talimatları kullanılarak tamamlanabiliyordu.
Doğal dil işleme araştırmaları gelişti, arama daha da geliştirildi ve güçlendirildi, ve 'mikro-dünyalar' kavramı oluşturuldu; burada basit görevler basit dil komutlarıyla yapılıyordu.
---
Araştırmalar hükümet kurumları tarafından iyi finanse edildi, hesaplama ve algoritmalarda ilerlemeler kaydedildi ve zeki makinelerin prototipleri oluşturuldu. Bu makinelerden bazıları şunlardır:
Araştırmalar devlet kurumları tarafından iyi finanse edildi, hesaplamada ve algoritmalarda ilerlemeler kaydedildi, ve akıllı makinelerin prototipleri üretildi. Bunlardan bazıları şunlardır:
* [Shakey robotu](https://wikipedia.org/wiki/Shakey_the_robot), 'zekice' görevleri nasıl gerçekleştireceğine karar verebilen ve manevra yapabilen bir robottu.
* Görevleri ‘akıllıca’ yapabilecek şekilde yönelip karar verebilen [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot).
> Shakey, 1972
> 1972 yılında Shakey
---
* Eliza, erken bir 'sohbet botu', insanlarla konuşabiliyor ve ilkel bir 'terapist' gibi davranabiliyordu. Eliza hakkında daha fazla bilgiyi NLP derslerimizde öğreneceksiniz.
* Erken bir 'sohbet botu' olan Eliza, insanlarla sohbet edebilir ve ilkel bir 'terapist' gibi davranabilirdi. NLP derslerinde Eliza hakkında daha fazla bilgi edineceksiniz.
> Eliza'nın bir versiyonu, bir sohbet botu
> Bir sohbet botu olan Eliza'nın bir versiyonu
---
* "Bloklar dünyası", blokların istiflenip sıralanabildiği ve makineleri karar vermeyi öğretme deneylerinin yapılabildiği bir mikro-dünya örneğiydi. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) gibi kütüphanelerle yapılan ilerlemeler, dil işleme alanını ileriye taşıdı.
* "Bloklar dünyası", blokların üst üste konup sıralanabileceği ve makinelerin karar vermeyi öğrenmelerinin denenebileceği bir mikro-dünya örneğiydi. [SHRDLU](https://wikipedia.org/wiki/SHRDLU) gibi kütüphanelerle yapılan gelişmeler, dil işlemeyi ileri taşıdı.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU ile bloklar dünyası")
> 🎥 Yukarıdaki görsele tıklayarak bir video izleyin: SHRDLU ile bloklar dünyası
> 🎥 Yukarıdaki resme video için tıklayın: SHRDLU ile bloklar dünyası
---
## 1974 - 1980: "YZ Kışı"
1970'lerin ortalarına gelindiğinde, 'zeki makineler' yapmanın karmaşıklığının hafife alındığı ve mevcut hesaplama gücüyle vaatlerinin abartıldığı ortaya çıktı. Fonlar kurudu ve alana olan güven azaldı. Güveni etkileyen bazı sorunlar şunlardı:
1970’lerin ortalarına gelindiğinde 'zeka makinesi' yaratmanın zorluğu ve vaatlerinin mevcut hesaplama gücüyle karşılanamayacağı anlaşılmıştı. Finansman kurudu ve alana güven azaldı. Güveni etkileyen bazı sorunlar şunlardı:
---
- **Sınırlamalar**. Hesaplama gücü çok sınırlıydı.
- **Kombinatoryal patlama**. Bilgisayarlardan daha fazlası istendikçe eğitilmesi gereken parametrelerin sayısı üstel olarak arttı, ancak hesaplama gücü ve yetenekleri paralel bir şekilde gelişmedi.
- **Veri eksikliği**. Algoritmaların test edilmesi, geliştirilmesi ve rafine edilmesi sürecini engelleyen bir veri eksikliği vardı.
- **Doğru soruları mı soruyoruz?**. Sorulan soruların kendisi sorgulanmaya başlandı. Araştırmacılar, yaklaşımlarına yönelik eleştirilerle karşılaştı:
- Turing testleri, diğer fikirlerin yanı sıra, 'Çin odası teorisi' ile sorgulandı. Bu teori, "bir dijital bilgisayarı programlamanın, dil anladığını göstermesini sağlayabileceğini, ancak gerçek bir anlayış üretemeyeceğini" öne sürdü ([kaynak](https://plato.stanford.edu/entries/chinese-room/)).
- "Terapist" ELIZA gibi yapay zekaların topluma tanıtılmasının etiği sorgulandı.
- **Kombinatoryal patlama**. Bilgisayarlardan daha çok şey istendikçe eğitilmesi gereken parametre sayısı üssel olarak arttı, ancak hesaplama gücü ve kabiliyeti bu artışa paralel gelişmedi.
- **Veri kıtlığı**. Algoritmaları test etme, geliştirme ve iyileştirme sürecini engelleyen veri eksikliği vardı.
- **Doğru soruları mı soruyoruz?**. Sorulan sorular sorgulanmaya başlandı. Araştırmacılar yaklaşımlarına yönelik eleştiriler aldı:
- Turing testleri, "Çin odası teorisi" gibi fikirlerle sorgulandı; bu teori, "dijital bir bilgisayara programlama yaparak dil anlıyormuş gibi görünmesi sağlanabilir ancak gerçek anlayışı üretemez" der ([kaynak](https://plato.stanford.edu/entries/chinese-room/)).
- "Terapist" ELIZA gibi yapay zekaların topluma tanıtılmasının etikliği tartışıldı.
---
Aynı zamanda, çeşitli YZ düşünce okulları oluşmaya başladı. ["Dağınık" ve "düzenli YZ"](https://wikipedia.org/wiki/Neats_and_scruffies) uygulamaları arasında bir ayrım yapıldı. _Dağınık_ laboratuvarlar, istenen sonuçları elde edene kadar programları saatlerce ayarladı. _Düzenli_ laboratuvarlar ise "mantık ve resmi problem çözmeye" odaklandı. ELIZA ve SHRDLU, iyi bilinen _dağınık_ sistemlerdi. 1980'lerde, ML sistemlerini tekrarlanabilir hale getirme talebi ortaya çıktıkça, _düzenli_ yaklaşım, sonuçlarının daha açıklanabilir olması nedeniyle ön plana çıktı.
Aynı zamanda, çeşitli YZ düşünce okulları oluşmaya başladı. ["dağınık" ve "düzenli YZ"](https://wikipedia.org/wiki/Neats_and_scruffies) uygulamaları arasında bir ikilik kuruldu. _Dağınık_ laboratuvarlar istedikleri sonuçları alıncaya kadar programları saatlerce değiştirdiler. _Düzenli_ laboratuvarlar "mantık ve formal problem çözmeye odaklandılar." ELIZA ve SHRDLU iyi bilinen _dağınık_ sistemlerdi. 1980'lerde ML sistemlerinin çoğaltılabilir olması talebi ortaya çıktıkça, _düzenli_ yaklaşım giderek ön plana çıktı; çünkü sonuçları daha açıklanabilirdi.
---
## 1980'ler Uzman Sistemler
## 1980’ler Uzman Sistemler
Alan büyüdükçe, iş dünyasına olan faydası daha net hale geldi ve 1980'lerde 'uzman sistemlerin' yaygınlaşması da öyle. "Uzman sistemler, yapay zekanın (YZ) ilk gerçekten başarılı yazılım türlerinden biri oldu" ([kaynak](https://wikipedia.org/wiki/Expert_system)).
Alan büyüdükçe, iş dünyasına faydaları daha belirgin oldu ve 1980'lerde 'uzman sistemler' yaygınlaştı. "Uzman sistemler, yapay zekâ (YZ) yazılımlarının ilk gerçekten başarılı biçimlerinden biridir." ([kaynak](https://wikipedia.org/wiki/Expert_system)).
Bu tür bir sistem aslında _hibrit_ bir yapıya sahiptir; iş gereksinimlerini tanımlayan bir kurallar motoru ve bu kurallar sistemini kullanarak yeni gerçekler çıkaran bir çıkarım motorundan oluşur.
Bu tür sistemler aslında _karma_ uygulamalardır ve kısmen iş gereksinimlerini belirleyen kurallar motorundan, kısmen de bu kurallar sistemini kullanarak yeni gerçekler çıkaran çıkarım motorundan oluşur.
Bu dönemde sinir ağlarına da artan bir ilgi gösterildi.
Bu dönemde sinir ağlarına artan ilgi oldu.
---
## 1987 - 1993: YZ 'Soğuma Dönemi'
## 1987 - 1993: YZ 'Durağanlığı'
Uzman sistemlerin özelleşmiş donanımlarının yaygınlaşması, ne yazık ki, aşırı özelleşmiş hale gelmelerine neden oldu. Kişisel bilgisayarların yükselişi, bu büyük, özelleşmiş, merkezi sistemlerle rekabet etti. Bilgi işlemde demokratikleşme başlamıştı ve bu, sonunda büyük veri çağının modern patlamasına zemin hazırladı.
Uzman sistemlerin donanımının fazla özelleşmesi olumsuz etki yaptı. Kişisel bilgisayarların yükselişi bu büyük, özel, merkezi sistemlerle rekabet etti. Bilgi işlem demokratikleşmeye başladı ve bu, sonunda büyük veri patlamasının yolunu açtı.
---
## 1993 - 2011
Bu dönem, ML ve YZ'nin daha önce veri ve hesaplama gücü eksikliği nedeniyle yaşanan sorunları çözebileceği yeni bir çağın başlangıcını gördü. Veri miktarı hızla artmaya ve daha geniş bir şekilde erişilebilir hale gelmeye başladı, hem iyi hem de kötü anlamda, özellikle 2007 civarında akıllı telefonların ortaya çıkışıyla. Hesaplama gücü üstel olarak genişledi ve algoritmalar buna paralel olarak evrildi. Alan, geçmişin serbest günlerinden olgunlaşmaya ve gerçek bir disiplin haline gelmeye başladı.
Bu çağ, veri ve hesaplama gücü eksikliğinin önceden neden olduğu sorunları çözmek için ML ve YZ için yeni bir dönem açtı. Veri miktarı hızla arttı ve daha geniş biçimde erişilebilir hale geldi; özellikle 2007 civarındaki akıllı telefonun ortaya çıkışıyla. Hesaplama gücü üssel olarak büyüdü ve algoritmalar da gelişti. Alan olgunlaşmaya başladı; geçmişin özgür, serbest günleri gerçek bir disipline dönüştü.
---
## Günümüz
Bugün makine öğrenimi ve YZ, hayatımızın neredeyse her alanına dokunuyor. Bu dönem, bu algoritmaların insan yaşamı üzerindeki risklerini ve potansiyel etkilerini dikkatlice anlamayı gerektiriyor. Microsoft'tan Brad Smith'in belirttiği gibi, "Bilgi teknolojisi, mahremiyet ve ifade özgürlüğü gibi temel insan hakları korumalarının kalbine inen sorunları gündeme getiriyor. Bu sorunlar, bu ürünleri yaratan teknoloji şirketleri için sorumluluğu artırıyor. Bizim görüşümüze göre, aynı zamanda düşünceli hükümet düzenlemelerini ve kabul edilebilir kullanımlar etrafında normların geliştirilmesini gerektiriyor" ([kaynak](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Günümüzde makine öğrenimi ve YZ hayatımızın neredeyse her alanına dokunuyor. Bu çağ, algoritmaların insan hayatı üzerindeki risklerini ve potansiyel etkilerini dikkatle anlamayı gerektiriyor. Microsoft'tan Brad Smith’in de belirttiği gibi, "Bilgi teknolojisi gizlilik ve ifade özgürlüğü gibi temel insan hakları korumalarının özüne dokunan sorunları gündeme getiriyor. Bu sorunlar, bu ürünleri geliştiren teknoloji şirketleri için artan sorumluluklar doğurur. Bizim görüşümüze göre, aynı zamanda düşünceli hükümet düzenlemeleri ve kabul edilebilir kullanımlara dair normların geliştirilmesini gerektirir." ([kaynak](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Geleceğin ne getireceği henüz belli değil, ancak bu bilgisayar sistemlerini ve çalıştırdıkları yazılım ve algoritmaları anlamak önemlidir. Bu müfredatın, kendi kararlarınızı verebilmeniz için daha iyi bir anlayış kazanmanıza yardımcı olacağını umuyoruz.
Geleceğin ne getireceği henüz görülmedi, ancak bu bilgisayar sistemlerini ve onların çalıştırdığı yazılım ile algoritmaları anlamak önemlidir. Umarız bu müfredat, kendiniz için karar verebilecek derecede iyi bir anlayış kazanmanıza yardımcı olur.
> 🎥 Yukarıdaki görsele tıklayarak bir video izleyin: Yann LeCun, bu derste derin öğrenmenin tarihini tartışıyor
> 🎥 Yukarıdaki resme dersin videosu için tıklayın: Yann LeCun derste derin öğrenmenin tarihini anlatıyor
---
## 🚀Meydan Okuma
## 🚀Meydan okuma
Bu tarihi anlardan birine dalın ve arkasındaki insanlar hakkında daha fazla bilgi edinin. Büyüleyici karakterler var ve hiçbir bilimsel keşif kültürel bir boşlukta yaratılmamıştır. Ne keşfediyorsunuz?
Bu tarihi anlardan birine dalın ve arkasındaki insanları daha fazla keşfedin. Büyüleyici karakterler var ve hiçbir bilimsel keşif kültürel bir vakumda yaratılmadı. Siz neler keşfediyorsunuz?
## [Ders Sonrası Test](https://ff-quizzes.netlify.app/en/ml/)
## [Ders sonrası quiz](https://ff-quizzes.netlify.app/en/ml/)
---
## Gözden Geçirme ve Kendi Kendine Çalışma
## Gözden Geçirme & Kendi Kendine Çalışma
İzleyeceğiniz ve dinleyeceğiniz öğeler:
İzlemeniz ve dinlemeniz gerekenler:
[Amy Boyd'un YZ'nin evrimini tartıştığı bu podcast](http://runasradio.com/Shows/Show/739)
[Amy Boyd’un YZ'nin evrimini tartıştığı bu podcast](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd tarafından YZ'nin tarihi")
---
@ -151,5 +151,7 @@ Bu tarihi anlardan birine dalın ve arkasındaki insanlar hakkında daha fazla b
---
**Feragatname**:
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**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 hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalardan veya yanlış yorumlamalardan sorumlu değiliz.
Bu müfredatta, makine öğreniminin hayatımızı nasıl etkilediğini keşfetmeye başlayacaksınız. Hâlihazırda, sistemler ve modeller sağlık teşhisleri, kredi onayları veya dolandırıcılık tespiti gibi günlük karar verme görevlerinde yer almaktadır. Bu nedenle, bu modellerin güvenilir sonuçlar sağlamak için iyi çalışması önemlidir. Herhangi bir yazılım uygulaması gibi, yapay zeka sistemleri beklentileri karşılamayabilir veya istenmeyen sonuçlar doğurabilir. Bu yüzden, bir yapay zeka modelinin davranışını anlamak ve açıklamak çok önemlidir.
Bu müfredatta, makine öğrenmesinin nasıl ve günlük yaşamımızı nasıl etkilediğini keşfetmeye başlayacaksınız. Hatta şu anda bile, sistemler ve modeller sağlık teşhisleri, kredi onayları veya dolandırıcılık tespiti gibi günlük karar verme görevlerinde yer almaktadır. Bu nedenle, bu modellerin güvenilir sonuçlar sağlamak için iyi çalışması önemlidir. Herhangi bir yazılım uygulaması gibi, AI sistemleri de beklentileri karşılamayabilir veya istenmeyen bir sonuç verebilir. Bu yüzden bir AI modelinin davranışını anlayabilmek ve açıklayabilmek çok önemlidir.
Bu modelleri oluşturmak için kullandığınız veriler belli demografik grupları, örneğin ırk, cinsiyet, politik görüş, din gibi özellikleri eksik barındırıyorsa ya da bu demografileri orantısız şekilde temsil ediyorsa ne olur? Modelin çıktısı bazı demografik grupları kayıracak şekilde yorumlanırsa ne olur? Uygulamanın sonucu ne olur? Ayrıca, model olumsuz bir sonuç üretip insanlara zarar verirse ne olur? Yapay zeka sistemlerinin davranışından kim sorumludur? Bu müfredatta bu gibi soruları keşfedeceğiz.
Bu modelleri oluşturmak için kullandığınız veriler belirli demografik özelliklerden, örneğin ırk, cinsiyet, politik görüş, din gibi unsurlardan yoksunsa ya da bu demografikleri orantısız bir şekilde temsil ediyorsa ne olabilir? Modelin çıktısı bazı demografik grupları kayıracak şekilde yorumlanırsa ne olur? Uygulama için sonucu nedir? Ayrıca, model olumsuz bir sonuç verdiğinde ve insanlara zarar verdiğinde ne olur? AI sisteminin davranışından kim sorumludur? İşte bu müfredatta keşfedeceğimiz bazı sorular bunlardır.
Bu derste:
Bu derste siz:
- Makine öğreniminde adaletin ve adaletle ilgili zararların önemine farkındalık kazanacaksınız.
- Güvenilirlik ve güvenliği sağlamak için sıra dışı durumları ve aykırı değerleri keşfetme pratiğine alışacaksınız.
- Verilerin ve insanların gizliliğini ve güvenliğini korumanın ne kadar hayati olduğunu keşfedeceksiniz.
- AI modellerinin davranışını açıklamak için cam kutu yaklaşımının önemini göreceksiniz.
- AI sistemlerinde güven yaratmak için hesap verebilirliğin ne kadar gerekli olduğunu göz önünde bulunduracaksınız.
## Önkoşul
Önkoşul olarak, lütfen "Sorumlu Yapay Zeka İlkeleri" Öğrenme Yolunu tamamlayın ve aşağıdaki videoyu izleyin:
Ön koşul olarak, lütfen "Sorumlu AI İlkeleri" Öğrenme Yolunu tamamlayın ve aşağıdaki videoyu izleyin:
Bu [Öğrenme Yolunu](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) takip ederek Sorumlu Yapay Zeka hakkında daha fazla bilgi edinin
Sorumlu AI hakkında daha fazla öğrenmek için bu [Öğrenme Yolunu](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) takip edin
[](https://youtu.be/dnC8-uUZXSc "Microsoft'un Sorumlu Yapay Zekaya Yaklaşımı")
[](https://youtu.be/dnC8-uUZXSc "Microsoft'un Sorumlu AI Yaklaşımı")
> 🎥 Yukarıdaki görsele tıklayarak video izleyin: Microsoft'un Sorumlu AI Yaklaşımı
## Adalet
Yapay zeka sistemleri herkese adil davranmalı ve benzer grupları farklı şekillerde etkilemekten kaçınmalıdır. Örneğin, yapay zeka sistemleri tıbbi tedavi, kredi başvuruları ya da istihdam konularında rehberlik sağlarken, benzer semptomları, finansal durumu veya mesleki nitelikleri olan herkese aynı önerileri yapmalıdır. İnsanlar olarak hepimizin kararlarımızı ve eylemlerimizi etkileyen doğuştan gelen önyargılarımız vardır. Bu önyargılar, yapay zeka sistemlerini eğitirken kullandığımız verilerde görülebilir. Bu tür manipülasyon bazen farkında olmadan gerçekleşebilir. Veriye bilinçli olarak ne zaman önyargı eklediğinizi anlamak çoğu zaman zordur.
AI sistemleri herkese adil davranmalı ve benzer insan gruplarını farklı şekillerde etkilemekten kaçınmalıdır. Örneğin, AI sistemleri tıbbi tedavi, kredi başvuruları veya işe alım konusunda rehberlik sağladığında, benzer belirtilere, finansal durumlara veya mesleki niteliklere sahip herkese aynı önerileri vermelidir. Hepimiz insan olarak kararlarımızı ve eylemlerimizi etkileyen kalıtsal önyargılar taşıyoruz. Bu önyargılar AI sistemlerini eğitmek için kullandığımız verilere de yansıyabilir. Bazen bu tür manipülasyonlar farkında olmadan gerçekleşebilir. Veriye kasten bilinçli şekilde önyargı katıldığını anlamak genellikle zordur.
**“Adaletsizlik”**, ırk, cinsiyet, yaş veya engellilik durumu gibi tanımlanan bir grup insan için ortaya çıkan olumsuz etkileri veya “zararları” kapsar. Temel adaletle ilgili zararlar şu şekilde sınıflandırılabilir:
**"Adaletsizlik"**, ırk, cinsiyet, yaş veya engellilik durumu gibi tanımlanan bir insan grubuna yönelik olumsuz etkileri veya "zararları" kapsar. Ana adaletle ilgili zararlar şu şekilde sınıflandırılabilir:
- **Tahsis**: Örneğin, bir cinsiyet veya etnik grubun diğerine kıyasla tercih edilmesi.
- **Hizmet kalitesi**: Eğer veri yalnızca belirli bir senaryo için eğitilir ama gerçeklik çok daha karmaşıksa, bu kötü çalışan bir hizmete yol açar. Örneğin, koyu tenli insanları algılayamayan bir el sabunluğu. [Referans](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Aşağılama**: Adaletsiz şekilde bir şeyi veya birini eleştirmek ve etiketlemek. Örneğin, bir görüntü etiketleme teknolojisi koyu tenli insanları maymun olarak yanlış etiketlemesiyle ünlüdür.
- **Aşırı veya az temsil**: Belirli bir grubun belli bir meslekte görülmemesi ve hizmetlerin veya fonksiyonların bunu sürdürmesi zarar vericidir.
- **Klişeleştirme**: Bir grubu önceden atanmış özelliklerle ilişkilendirmek. Örneğin, İngilizce-Türkçe çeviri sisteminde cinsiyetle ilgili klişeler nedeniyle yanlışlar oluşabilir.
- **Tahsis**, örneğin bir cinsiyetin veya etnik grubun diğerine kıyasla tercih edilmesi.
- **Hizmet kalitesi**. Verileri belirli bir senaryo için eğitirseniz ancak gerçeklik çok daha karmaşıksa, zayıf performans gösteren bir hizmet ortaya çıkar. Örneğin, koyu tenli insanları algılayamayan bir el sabunu dağıtıcısı. [Referans](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Aşağılama**. Bir şeyi veya birini haksızca eleştirmek ve etiketlemek. Örneğin, görüntü etiketleme teknolojisi koyu tenli kişilerin resimlerini maymun olarak yanlış etiketlemesiyle kötü üne kavuştu.
- **Aşırı veya yetersiz temsil**. Bazı grupların belirli mesleklerde görülmemesi durumu ve bunu teşvik eden herhangi bir hizmet veya fonksiyonun zarara katkıda bulunması.
- **Stereotipleme**. Bir grubu önceden atanan özelliklerle ilişkilendirmek. Örneğin, İngilizce ve Türkçe arasında dil çeviri sistemlerinde, cinsiyetle ilgili stereotipik çağrışımlar içeren kelimeler nedeniyle doğruluk sorunları olabilir.
> ingilizceye geri çeviri
> İngilizceye geri çeviri
Yapay zeka sistemleri tasarlanırken ve test edilirken, yapay zekanın adil olması ve insanlara yasaklanan önyargılı veya ayrımcı kararlar vermeye programlanmadığından emin olunmalıdır. Yapay zekada ve makine öğreniminde adaletin garantilenmesi karmaşık bir sosyoteknik zorluktur.
AI sistemlerini tasarlarken ve test ederken, AI'nın adil olduğundan ve programlanmış olarak önyargılı ya da ayrımcı kararlar vermediğinden emin olmamız gerekir; çünkü insanlara da bu tür kararlar vermek yasaktır. AI ve makine öğreniminde adaleti garanti etmek karmaşık bir sosyo-teknik sorundur.
### Güvenilirlik ve güvenlik
Güveni inşa etmek için yapay zeka sistemlerinin normal ve beklenmedik koşullar altında güvenilir, güvenli ve tutarlı olması gerekir. Yapay zeka sistemlerinin çeşitli durumlarda, özellikle sıra dışı durumlarda nasıl davranacağını bilmek önemlidir. Yapay zeka çözümleri oluştururken, bu çözümlerin karşılaşacağı geniş bir koşullar yelpazesine nasıl uyum sağlayacağına önemli ölçüde dikkat edilmelidir. Örneğin, otonom bir aracın insanların güvenliğini en öncelikle tutması gerekir. Bu nedenle, aracı besleyen yapay zekanın gece, fırtına, tipi, sokaktan koşan çocuklar, evcil hayvanlar, yol çalışmaları gibi tüm olası senaryoları dikkate alması gerekir. Bir yapay zeka sisteminin çok geniş koşulları ne kadar güvenilir ve güvenli şekilde yönetebildiği, veri bilimcisinin veya yapay zeka geliştiricisinin sistemi tasarlarken veya test ederken ne kadar öngördüğünü yansıtır.
Güven inşa etmek için AI sistemleri normal ve beklenmedik koşullar altında güvenilir, güvenli ve tutarlı olmalıdır. AI sistemlerinin çeşitli durumlarda, özellikle aykırı durumlarda nasıl davranacağını bilmek çok önemlidir. AI çözümleri geliştirilirken, AI'nın karşılaşacağı çok çeşitli koşulların nasıl ele alınacağına büyük önem verilmelidir. Örneğin, otonom bir araba insanların güvenliğini en üst düzeyde tutmalıdır. Buna bağlı olarak, arabayı çalıştıran AI, gece, fırtına veya kar fırtınası, sokaktan koşan çocuklar, evcil hayvanlar, yol çalışmaları gibi karşılaşabileceği tüm senaryoları göz önünde bulundurmalıdır. Bir AI sisteminin çok çeşitli koşulları güvenilir ve güvenli bir şekilde yönetebilme yeteneği, veri bilimcisi veya AI geliştiricisinin tasarım veya test aşamasında ne kadar öngörüde bulunduğunu yansıtır.
> [🎥 Bir video için buraya tıklayın: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 AI'da Güvenilirlik ve Güvenlik videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Kapsayıcılık
Yapay zeka sistemleri herkesi kapsayacak ve güçlendirecek şekilde tasarlanmalıdır. Tasarım ve uygulama süreçlerinde veri bilimciler ve yapay zeka geliştiriciler, sistemi istemeden dışlayıcı kılabilecek potansiyel engelleri tanır ve çözerler. Örneğin dünyada 1 milyar engelli insan var. Yapay zeka ilerledikçe, bu kişiler günlük yaşamlarında bilgiye ve fırsatlara daha kolay erişebilirler. Engelleri çözerek, daha iyi deneyimlere sahip yapay zeka ürünleri geliştirme ve yenilik yapma fırsatları yaratılır ve bu herkesin yararına olur.
AI sistemleri herkesin katılımını sağlamalı ve herkesi güçlendirecek şekilde tasarlanmalıdır. AI sistemlerini tasarlayan ve uygulayan veri bilimciler ve AI geliştiriciler, insanların kazara dışlanmasına yol açabilecek potansiyel engelleri belirler ve çözüm üretir. Örneğin, dünya genelinde 1 milyar engelli kişi var. AI ilerledikçe, günlük hayatlarında çok çeşitli bilgi ve fırsatlara daha kolay erişebilirler. Engeller kaldırıldığında, herkese fayda sağlayan daha iyi deneyimler sunan AI ürünleri geliştirme ve yenilik yapma fırsatı ortaya çıkar.
> [🎥 Yapay zekada kapsayıcılık videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 AI'da Kapsayıcılık videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Güvenlik ve gizlilik
Yapay zeka sistemleri güvenli olmalı ve insanların gizliliğine saygı göstermelidir. Gizliliklerini, bilgilerini veya hayatlarını riske atan sistemlere insanların güveni daha azdır. Makine öğrenimi modellerini eğitirken en iyi sonuçları almaya çalışırız. Bu süreçte verinin kaynağı ve bütünlüğü göz önünde bulundurulmalıdır. Örneğin, veri kullanıcılardan mı yoksa kamuya açık mı? Devamında, veriler üzerinde çalışırken gizli bilgileri koruyabilen ve saldırılara dayanabilen yapay zeka sistemleri geliştirmek kritik önem taşır. Yapay zeka yaygınlaştıkça gizliliğin korunması ve önemli kişisel ve ticari bilgilerin güvenliği daha kritik ve karmaşık hale gelir. Yapay zeka için gizlilik ve veri güvenliği sorunlarına özellikle dikkat edilmelidir çünkü yapay zeka sistemlerinin doğru ve bilinçli tahminler ve kararlar verebilmesi için verilere erişim gereklidir.
AI sistemleri güvenli olmalı ve insanların gizliliğine saygı göstermelidir. İnsanlar, gizliliklerini, bilgilerini veya yaşamlarını riske atan sistemlere daha az güvenirler. Makine öğrenimi modellerini eğitirken, en iyi sonuçları almak için veriye dayanırız. Bu nedenle verinin kaynağı ve bütünlüğü göz önünde bulundurulmalıdır. Örneğin, veri kullanıcı tarafından mı gönderildi yoksa kamuya açık mı? Daha sonra, verilerle çalışırken gizli bilgileri koruyabilen ve saldırılara karşı dayanıklı AI sistemleri geliştirmek kritik önemdedir. AI yaygınlaştıkça, gizliliği korumak ve önemli kişisel ve ticari bilgileri güvence altına almak giderek daha karmaşık ve önemli hale geliyor. Gizlilik ve veri güvenliği sorunları, veri erişiminin AI sistemlerinin insanlar hakkında doğru ve bilinçli tahminler ve kararlar verebilmeleri için gerekli olması nedeniyle AI için özellikle dikkat gerektirir.
> [🎥 Yapay zekada güvenlik videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI'da Güvenlik videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Endüstri olarak, GDPR (Genel Veri Koruma Yönetmeliği) gibi düzenlemelerle önemli gizlilik ve güvenlik ilerlemeleri kaydettik.
- Ancak yapay zeka sistemlerinde, sistemleri daha kişisel ve etkili yapmak için daha fazla kişisel veriye ihtiyaç ile gizlilik arasında bir gerilim olduğunu kabul etmeliyiz.
- İnternetle bağlı bilgisayarların doğuşu gibi, yapay zekayla ilişkili güvenlik sorunlarında da büyük bir artış görüyoruz.
- Aynı zamanda yapay zekanın güvenliği iyileştirmek için kullanıldığını görüyoruz. Örneğin, çoğu modern antivirüs tarayıcısı artık yapay zeka sezgileriyle çalışıyor.
- Veri Bilimi süreçlerimizin en son gizlilik ve güvenlik uygulamalarıyla uyumlu olması gerekiyor.
- Sektör olarak GDPR (Genel Veri Koruma Yönetmeliği) gibi düzenlemelerle önemli ilerlemeler kaydettik.
- Ancak AI sistemlerinde, sistemleri daha kişisel ve etkili yapmak için daha fazla kişisel veriye duyulan ihtiyaç ile gizlilik arasındaki gerilimi kabul etmeliyiz.
- İnternetle bağlantılı bilgisayarların doğuşunda olduğu gibi, AI ile ilgili güvenlik sorunlarının sayısında da büyük artışlar görüyoruz.
- Aynı zamanda, AI'nın güvenliği artırmak için kullanıldığını da gördük. Örneğin, çoğu modern antivirüs tarayıcısı bugün AI sezgisel kurallarıyla çalışmaktadır.
- Veri Bilimi süreçlerimizin en son gizlilik ve güvenlik uygulamalarıyla uyum içinde olduğundan emin olmamız gerekiyor.
### Şeffaflık
Yapay zeka sistemleri anlaşılabilir olmalıdır. Şeffaflığın kritik bir parçası, yapay zeka sistemlerinin ve bileşenlerinin davranışını açıklamaktır. Yapay zeka sistemlerinin anlaşılmasını geliştirmek, paydaşların sistemlerin nasıl ve neden işlediğini anlamasını gerektirir; bu sayede performans sorunlarını, güvenlik ve gizlilik endişelerini, önyargıları, dışlayıcı uygulamaları veya istenmeyen sonuçları tespit edebilirler. Ayrıca yapay zeka sistemlerini kullananların, bunları ne zaman, neden ve nasıl devreye aldıklarını ve hangi sınırlamalara sahip olduklarını dürüstçe açıklamaları gerektiğine inanıyoruz. Örneğin, bir banka yapay zeka sistemi kullanarak kredi kararlarını destekliyorsa, sonuçları inceleyip hangi verilerin sistemin önerilerini etkilediğini anlamak önemlidir. Hükümetler yapay zekayı düzenlemeye başladığı için, veri bilimciler ve kurumlar, bir yapay zeka sisteminin düzenleyici gereklilikleri karşılayıp karşılamadığını, özellikle istenmeyen sonuçlarda açıklamak zorundadır.
AI sistemleri anlaşılır olmalıdır. Şeffaflığın kritik bir parçası, AI sistemlerinin ve bileşenlerinin davranışlarını açıklamaktır. AI sistemlerinin anlaşılmasını geliştirmek, paydaşların bu sistemlerin nasıl ve neden çalıştığını anlamalarını gerektirir; böylece potansiyel performans sorunlarını, güvenlik ve gizlilik endişelerini, önyargıları, hariç tutucu uygulamaları veya istenmeyen sonuçları tanımlayabilirler. Ayrıca AI sistemlerini kullananların, ne zaman, neden ve nasıl kullandıklarını ve sistemlerin sınırlamalarını dürüstçe bildirmeleri gerektiğine inanıyoruz. Örneğin, bir banka tüketici kredi kararlarını desteklemek için AI sistemini kullanıyorsa, sonuçları incelemek ve sistemin önerilerini hangi verilerin etkilediğini anlamak önemlidir. Hükümetler AI'yı endüstrilerde düzenlemeye başladı, bu nedenle veri bilimciler ve kuruluşlar, özellikle istenmeyen bir sonuç olduğunda, AI sisteminin düzenleyici gereksinimleri karşılayıp karşılamadığını açıklamalıdır.
> [🎥 Yapay zekada şeffaflık videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 AI'da Şeffaflık videosu için buraya tıklayın](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Yapay zeka sistemleri çok karmaşık olduğundan, nasıl çalıştıklarını anlamak ve sonuçları yorumlamak zordur.
- Bu anlayış eksikliği, bu sistemlerin yönetilişi, uygulanışı ve belgelenişini etkiler.
- Daha da önemlisi, bu anlayış eksikliği, bu sistemlerin ürettiği sonuçlarla yapılan kararları etkiler.
- AI sistemleri çok karmaşık olduğu için nasıl çalıştıklarını anlamak ve sonuçları yorumlamak zordur.
- Bu anlayış eksikliği, bu sistemlerin nasıl yönetildiğini, işletildiğini ve belgelendiğini etkiler.
- Daha da önemlisi, bu anlayış eksikliği, bu sistemlerin ürettiği sonuçlarla verilen kararları etkiler.
### Sorumluluk
### Hesap verebilirlik
Yapay zeka sistemlerini tasarlayan ve kullanan insanlar, sistemlerinin nasıl çalıştığından sorumlu olmalıdır. Yüz tanıma gibi hassas teknolojilerde sorumluluk özellikle önemlidir. Son zamanlarda, çalıntı çocukları bulmak gibi kullanımlarda potansiyel görülen bu teknolojiye, özellikle güvenlik güçlerinden yoğun talep artışı olmuştur. Ancak bu teknolojiler, örneğin belirli bireylerin sürekli gözetilmesini mümkün kılarak, bir hükümetin vatandaşlarının temel özgürlüklerini riske atacak şekilde kullanılabilir. Bu nedenle, veri bilimciler ve kurumlar, yapay zeka sistemlerinin bireyler veya toplum üzerindeki etkileri için sorumlu olmalıdır.
AI sistemlerini tasarlayan ve kullanan kişiler sistemlerin nasıl çalıştığından sorumlu olmalıdır. Hesap verebilirlik özellikle yüz tanıma gibi hassas teknolojilerde kritik önemdedir. Son zamanlarda, özellikle kayıp çocukları bulma gibi kullanımlarda bu teknolojiye olan talep artmıştır. Ancak bu teknolojiler, örneğin belirli bireylerin sürekli gözetimini mümkün kılarak, bir hükümetin vatandaşlarının temel özgürlüklerini riske atmak için kullanabileceği potansiyel tehlikeler barındırır. Bu nedenle veri bilimciler ve kuruluşlar AI sistemlerinin bireyler veya toplum üzerindeki etkilerinden sorumlu olmalıdır.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft'un Sorumlu Yapay Zekaya Yaklaşımı")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft'un Sorumlu AI Yaklaşımı")
> 🎥 Yukarıdaki resme tıklayarak videoyu izleyin: Yüz Tanıma ile Kitlesel Gözetim Uyarısı
> 🎥 Yukarıdaki görsele tıklayarak video izleyin: Yüz Tanıma ile Kapsamlı Gözetim Uyarıları
Sonuç olarak, AI'yı topluma getiren ilk nesil olarak bizim neslimize yönelen en büyük sorulardan biri, bilgisayarların insanlara karşı sorumlu kalmasını ve bilgisayarları tasarlayanların herkes karşısında sorumlu olmasını nasıl sağlayacağımızdır.
Sonuç olarak, toplumla AI'yı tanıştıran ilk nesil olarak en büyük sorulardan biri, bilgisayarların insanlara karşı hesap verebilir kalmasını nasıl sağlayacağımız ve bilgisayarları tasarlayan insanların diğer herkes karşısında nasıl hesap verebilir olacağını sağlamaktır.
## Etki değerlendirmesi
Bir makine öğrenimi modeli eğitmeden önce, yapay zeka sisteminin amacını; kullanım şeklinin ne olduğunu; nerede uygulanacağını; ve sistemle kimlerin etkileşimde bulunacağını anlamak için etki değerlendirmesi yapmak önemlidir. Bu, sistemi inceleyen veya test eden kişilerin potansiyel riskleri ve beklenen sonuçları belirlerken hangi faktörleri göz önünde bulundurması gerektiğini bilmelerine yardımcı olur.
Bir makine öğrenimi modeli eğitmeden önce, AI sisteminin amacını; kullanım şeklinin ne olduğunu; nerede uygulama yapılacağını; ve sistemle kimlerin etkileşimde bulunacağını anlamak için bir etki değerlendirmesi yapmak önemlidir. Bu, sistemi değerlendiren gözden geçirenler veya test edenler için potansiyel riskleri ve beklenen sonuçları belirlerken dikkate almaları gereken faktörleri bilmek açısından faydalıdır.
Etki değerlendirmesi yapılırken odaklanılan alanlar şunlardır:
Etki değerlendirmesi yaparken odaklanılan alanlar şunlardır:
* **Bireyler üzerindeki olumsuz etkiler**. Sistemin performansını engelleyen kısıtlamalar, desteklenmeyen kullanımlar veya bilinen sınırlamalar konusunda farkındalık, bireylere zarar verilmemesi için kritik öneme sahiptir.
* **Veri gereksinimleri**. Sistemin veriyi nasıl ve nerede kullanacağını anlamak, inceleyenlerin uyulması gereken veri gereksinimlerini (örneğin GDPR veya HIPAA gibi) araştırmasına olanak verir. Ayrıca, veri kaynağı ve miktarının eğitime yeterli olup olmadığını kontrol etmek gerekir.
* **Etki özeti**. Sistem kullanımından ortaya çıkabilecek olası zararların listesini toplamak. Makine öğrenimi yaşam döngüsü boyunca, belirlenen sorunların önlenip önlenmediğini incelemek.
* **Altı temel ilkenin her biri için uygulanabilir hedefler**. Her ilkenin hedeflerinin karşılanıp karşılanmadığını değerlendirmek ve varsa eksiklikleri belirlemek.
* **Bireylere olumsuz etkiler**. Herhangi bir kısıtlama veya gereksinim, desteklenmeyen kullanım ya da bilinen sınırlamalar sistemin performansını engelliyorsa bunun farkında olmak ve sistemin bireylere zarar verecek şekilde kullanılmamasını sağlamak kritiktir.
* **Veri gereksinimleri**. Sistemin veriyi nasıl ve nerede kullanacağını anlamak, gözden geçirenlerin dikkat etmesi gereken veri gereksinimlerini (örneğin GDPR veya HIPAA düzenlemeleri) anlamasını sağlar. Ayrıca, verinin kaynağı veya miktarının eğitim için yeterli olup olmadığını incelemek gerekir.
* **Etki özeti**. Sistemin kullanımıyla ortaya çıkabilecek potansiyel zararları listeleyin. Makine öğrenimi yaşam döngüsü boyunca tespit edilen sorunların hafifletilip giderilip giderilmediğini gözden geçirin.
* Altı temel prensibin her biri için **geçerli hedefler**. Her prensibin hedeflerinin karşılanıp karşılanmadığını ve varsa eksiklikleri değerlendirin.
## Sorumlu yapay zeka ile hata ayıklama
## Sorumlu AI ile hata ayıklama
Bir yazılım uygulamasına hata ayıklama yapılması gibi, bir yapay zeka sistemine hata ayıklama yapmak da sistemi etkileyen hataları belirleme ve çözme sürecidir. Bir modelin beklenen veya sorumlu şekilde çalışmamasını etkileyen birçok faktör vardır. Geleneksel performans metrikleri genellikle modelin performansının niceliksel toplamlarıdır ve modelin sorumlu yapay zeka ilkelerini nasıl ihlal ettiğini analiz etmek için yeterli değildir. Ayrıca, makine öğrenimi modeli çıktısını neyin etkilediğini anlamayı zorlaştıran kara kutu gibidir ve hata yaptığında açıklama yapmak zordur. Bu derste, yapay zeka sistemlerini hata ayıklamada yardımcı olan Sorumlu Yapay Zeka kontrol panelini nasıl kullanacağımızı öğreneceğiz. Kontrol paneli, veri bilimciler ve yapay zeka geliştiricileri için şu kapsamlı araçları sunar:
Bir yazılım uygulamasında hata ayıklamak gibi, bir AI sisteminde hata ayıklamak da sistemdeki sorunları tanımlamak ve çözmek için gerekli bir süreçtir. Bir modelin beklendiği gibi veya sorumlu şekilde performans göstermemesini etkileyen birçok faktör olabilir. Geleneksel model performans ölçütlerinin çoğu modelin performansının sayısal özetleridir ve bir modelin sorumlu AI prensiplerine nasıl aykırı davrandığını analiz etmeye yetmez. Ayrıca, makine öğrenimi modeli bir kara kutudur ve çıktısını nelerin etkilediğini anlamayı veya hata yaptığında açıklama yapmayı zorlaştırır. Bu kursta daha sonra, AI sistemlerini hata ayıklamada yardımcı olan Sorumlu AI panosunu nasıl kullanacağımızı öğreneceğiz. Pano, veri bilimciler ve AI geliştiriciler için bütünsel bir araç sağlar:
* **Hata analizi**. Sistemin adaletini veya güvenilirliğini etkileyebilecek hata dağılımının tespiti.
* **Model genel görünümü**. Modelin performansındaki farklılıkların veri kümeleri arasında nerede olduğunu keşfetmek.
* **Veri analizi**. Veri dağılımını anlayarak, adalet, kapsayıcılık ve güvenilirlik sorunlarına yol açabilecek önyargıları tespit etmek.
* **Model yorumlanabilirliği**. Modelin tahminlerini etkileyen faktörleri anlamak. Bu, şeffaflık ve sorumluluk için modelin davranışını açıklamada yardımcı olur.
* **Hata analizi**. Sistemin adaletini veya güvenilirliğini etkileyebilecek hata dağılımını tanımlamak için.
* **Model genel görünümü**. Modelin farklı veri kümeleri üzerindeki performansındaki farklılıkları keşfetmek için.
* **Veri analizi**. Veri dağılımını anlamak ve adalet, kapsayıcılık ve güvenilirlik sorunlarına yol açabilecek önyargıları belirlemek için.
* **Model yorumlanabilirliği**. Modelin tahminlerini neyin etkilediğini anlamak için. Bu, şeffaflık ve hesap verebilirlik açısından önemlidir.
## 🚀 Meydan okuma
## 🚀 Zorluk
Zararların baştan engellenmesi için:
Zararlara sebebiyet verilmesini önlemek için:
- Sistemler üzerinde çalışan kişiler arasında çeşitli geçmişler ve bakış açıları olsun
- Toplumumuzun çeşitliliğini yansıtan veri setlerine yatırım yapılsın
- Makine öğrenimi yaşam döngüsü boyunca sorumlu yapay zekayı tespit edip düzeltmek için daha iyi yöntemler geliştirilsin
- Sistemde çalışan kişiler arasında çeşitli geçmişler ve bakış açıları olmalı
- Toplumun çeşitliliğini yansıtan veri setlerine yatırım yapılmalı
- Makine öğrenimi yaşam döngüsü boyunca sorumsuz AI’yi tespit edip düzeltmek için daha iyi yöntemler geliştirilmelidir
Model oluşturma ve kullanımı aşamalarında güvenilmezlik belirgin olduğu gerçek yaşam senaryolarını düşünün. Başka neleri dikkate almalıyız?
Bir modelin güvensizliğinin model oluşturma ve kullanımda belirgin olduğu gerçek hayat senaryolarını düşünün. Başka neleri göz önünde bulundurmalıyız?
## [Ders sonrası quiz](https://ff-quizzes.netlify.app/en/ml/)
Bu derste, makine öğreniminde adalet ve adaletsizlik kavramlarının bazı temel bilgilerini öğrendiniz.
Bu derste, makine öğreniminde adalet ve adaletsizlik kavramları hakkında bazı temel bilgileri öğrendiniz.
Konulara daha derinlemesine dalmak için bu atölyeyi izleyin:
Konuları daha derinlemesine incelemek için bu atölyeyi izleyin:
- Sorumlu Yapay Zekanın Peşinde: İlkeleri Pratiğe Dökmek, Besmira Nushi, Mehrnoosh Sameki ve Amit Sharma tarafından
- Sorumlu AI peşinde: İlkeleri uygulamaya dönüştürmek, Besmira Nushi, Mehrnoosh Sameki ve Amit Sharma tarafından
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Sorumlu yapay zeka oluşturmak için açık kaynaklı bir çerçeve")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Sorumlu AI oluşturmak için açık kaynaklı bir çerçeve")
> 🎥 Video için yukarıdaki resme tıklayın: RAI Toolbox: Besmira Nushi, Mehrnoosh Sameki ve Amit Sharma tarafından hazırlanan sorumlu yapay zeka oluşturmak için açık kaynaklı bir çerçeve
> 🎥 Yukarıdaki resme tıklayın: Besmira Nushi, Mehrnoosh Sameki ve Amit Sharma tarafından hazırlanan Sorumlu AI oluşturmak için açık kaynaklı bir çerçeve: RAI Toolbox videosu
Ayrıca, okuyun:
Ayrıca şunları okuyun:
- Microsoft’un RAI kaynak merkezi: [Sorumlu Yapay Zeka Kaynakları– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft’un RAI kaynak merkezi: [Sorumlu AI Kaynakları– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoft’un FATE araştırma grubu: [FATE: Yapay Zekada Adalet, Hesap Verebilirlik, Şeffaflık ve Etik - Microsoft Araştırma](https://www.microsoft.com/research/theme/fate/)
- Microsoft’un FATE araştırma grubu: [FATE: AI’da Adalet, Hesap Verebilirlik, Şeffaflık ve Etik - Microsoft Araştırma](https://www.microsoft.com/research/theme/fate/)
RAI Araç Kutusu:
RAI Toolbox:
- [Sorumlu Yapay Zeka Araç Kutusu GitHub deposu](https://github.com/microsoft/responsible-ai-toolbox)
- [Sorumlu AI Araç Kutusu GitHub deposu](https://github.com/microsoft/responsible-ai-toolbox)
Azure Machine Learning'in adaleti sağlamak için araçları hakkında bilgi edinin:
Adalet sağlamak için Azure Machine Learning araçları hakkında bilgi edinin:
## [Ders öncesi quiz](https://ff-quizzes.netlify.app/en/ml/)
## [Ders öncesi sınav](https://ff-quizzes.netlify.app/en/ml/)
> ### [Bu ders R dilinde de mevcuttur!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Giriş
Bu dört derste, regresyon modelleri oluşturmayı keşfedeceksiniz. Bunun ne işe yaradığını kısa bir süre içinde tartışacağız. Fakat herhangi bir şeye başlamadan önce, süreci başlatmak için doğru araçlara sahip olduğunuzdan emin olun!
Bu dört derste regresyon modellerini nasıl oluşturacağınızı keşfedeceksiniz. Bunların ne için olduğunu birazdan tartışacağız. Ama herhangi bir şey yapmadan önce, süreci başlatmak için doğru araçlara sahip olduğunuzdan emin olun!
Bu derste, nasıl yapılacağını öğreneceksiniz:
Bu derste şunları öğreneceksiniz:
- Yerel makine öğrenimi görevleri için bilgisayarınızı yapılandırmak.
- Bilgisayarınızı yerel makine öğrenimi görevleri için yapılandırmak.
- Jupyter Notebooks ile çalışmak.
- Kurulum dahil olmak üzere Scikit-learn kullanmak.
- Uygulamalı bir egzersizle doğrusal regresyonu keşfetmek.
- Scikit-learn'i kullanmak, kurulumu dahil.
- Temel bir uygulama ile lineer regresyonu keşfetmek.
## Kurulumlar ve yapılandırmalar
[](https://youtu.be/-DfeD2k2Kj0 "Yeni başlayanlar için ML - Makine Öğrenimi modelleri oluşturmak için araçlarınızı hazırlayın")
[](https://youtu.be/-DfeD2k2Kj0 "Yeni başlayanlar için ML - Makine Öğrenmesi modelleri oluşturmak için araçlarınızı hazırlayın")
> 🎥 Bilgisayarınızı ML için yapılandırmayı anlatan kısa video için yukarıdaki görsele tıklayın.
> 🎥 Bilgisayarınızı ML için yapılandırma adımlarını gösteren kısa video için yukarıdaki görsele tıklayın.
1. **Python kurun**. Bilgisayarınızda [Python](https://www.python.org/downloads/) yüklü olduğundan emin olun. Python'u birçok veri bilimi ve makine öğrenimi görevi için kullanacaksınız. Çoğu bilgisayar sistemi zaten Python kurulumu içerir. Bazı kullanıcıların kurulumu kolaylaştırması için kullanışlı [Python Kodlama Paketleri](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) de mevcuttur.
1. **Python’u yükleyin**. Bilgisayarınızda [Python](https://www.python.org/downloads/) yüklü olduğundan emin olun. Python’u birçok veri bilimi ve makine öğrenmesi görevinde kullanacaksınız. Çoğu bilgisayar sisteminde zaten Python kuruludur. Bazı kullanıcıların kurulumu kolaylaştırması için yararlı [Python Kodlama Paketleri](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) de mevcuttur.
Python'un bazı kullanımları yazılımın bir sürümünü gerektirirken, diğerleri başka bir sürümünü gerektirir. Bu nedenle, bir [sanal ortam](https://docs.python.org/3/library/venv.html) içinde çalışmak faydalıdır.
Ancak, Python’un bazı kullanımları bir yazılım sürümünü gerektirirken, diğerleri farklı bir sürüm ister. Bu nedenle, bir [sanallaştırılmış ortam](https://docs.python.org/3/library/venv.html) içinde çalışmak faydalıdır.
2. **Visual Studio Code yükleyin**. Bilgisayarınızda Visual Studio Code yüklü olduğundan emin olun. Temel kurulum için bu talimatları izleyerek [Visual Studio Code'u yükleyin](https://code.visualstudio.com/). Bu derste Python'u Visual Studio Code içinde kullanacağınız için, Python geliştirmesi için VS Code'u nasıl [yapılandıracağınızı gözden geçirmek](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) isteyebilirsiniz.
2. **Visual Studio Code’u yükleyin**. Bilgisayarınızda Visual Studio Code’un kurulu olduğundan emin olun. Temel kurulum için [Visual Studio Code kurulum talimatlarını](https://code.visualstudio.com/) izleyin. Bu kursta Python’u Visual Studio Code’da kullanacağınız için, Python geliştirme için [Visual Studio Code nasıl yapılandırılır](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) öğrenmek isteyebilirsiniz.
> Python'u öğrenmek için bu [Learn modülleri koleksiyonunu](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) inceleyin
> Python ile rahat etmek için bu [Öğren modülleri](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) koleksiyonunu inceleyin
>
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code ile Python kurulumu")
> [](https://youtu.be/yyQM70vi7V8 "Visual Studio Code ile Python’un kurulumu")
>
> 🎥 Yukarıdaki görsele tıklayarak VS Code içinde Python kullanımını gösteren videoyu izleyin.
> 🎥 Python’u VS Code içinde kullanmayı gösteren videoya yukarıdaki resme tıklayarak ulaşabilirsiniz.
3. **Scikit-learn yükleyin**, [bu talimatları](https://scikit-learn.org/stable/install.html) takip ederek. Python 3 kullandığınızdan emin olmanız gerektiği için, bir sanal ortam kullanmanız önerilir. M1 Mac üzerinde bu kütüphaneyi yükliyorsanız, yukarıdaki bağlantıdaki sayfada özel talimatlar bulunmaktadır.
3. **Scikit-learn’i yükleyin**, [bu talimatları](https://scikit-learn.org/stable/install.html) izleyerek. Python 3 kullandığınızdan emin olmalısınız; sanal ortam kullanmanız önerilir. M1 Mac için bu kütüphaneyi kurarken özel talimatlar sayfada bulunuyor.
Python kodunuzu geliştirmek ve makine öğrenimi modelleri oluşturmak için **notebook'ları** kullanacaksınız. Bu dosya türü veri bilimciler için yaygın bir araçtır ve `.ipynb` uzantısı ile tanımlanır.
Python kodunuzu geliştirmek ve makine öğrenimi modelleri oluşturmak için **notebook'lar** kullanacaksınız. Bu tür dosyalar veri bilimciler arasında yaygın bir araçtır ve `.ipynb` uzantısıyla tanımlanır.
Notebooks, geliştiricinin kod yazması kadar kod etrafına notlar, belgeler de ekleyebileceği interaktif bir ortamdır. Bu, deneysel veya araştırma odaklı projeler için oldukça faydalıdır.
Notebook'lar, kod yazmanın yanı sıra notlar ekleyip kod çevresine dokümantasyon yazmaya imkan tanıyan etkileşimli bir ortamdır; bu da deneysel veya araştırma odaklı projeler için oldukça faydalıdır.
[](https://youtu.be/7E-jC8FLA2E "Yeni başlayanlar için ML - Regresyon modelleri oluşturmayı başlatmak için Jupyter Notebooks kurun")
[](https://youtu.be/7E-jC8FLA2E "Yeni başlayanlar için ML - Regresyon modelleri oluşturmak için Jupyter Notebooks kurulumu")
> 🎥 Bu egzersizi adım adım anlatan kısa video için yukarıdaki görsele tıklayın.
> 🎥 Bu egzersizi çalıştıran kısa videoya yukarıdaki görsele tıklayarak ulaşabilirsiniz.
### Egzersiz - bir notebook ile çalışın
### Alıştırma - bir notebook ile çalışma
Bu klasörde _notebook.ipynb_ dosyasını bulacaksınız.
1. _notebook.ipynb_'yi Visual Studio Code'da açın.
1. Visual Studio Code’da _notebook.ipynb_ dosyasını açın.
Python 3+ çalışan bir Jupyter sunucusu başlatılacak. Notebook içinde `çalıştırılabilir` alanlar yani kod parçacıkları vardır. Bir kod bloğunu, oynat simgesine benzeyen ikona tıklayarak çalıştırabilirsiniz.
Python 3+ çalışan bir Jupyter sunucusu başlayacak. Notebook bölümlerinde `run` (çalıştırılabilir) kod parçaları vardır. Bir kod bloğunu çalıştırmak için oynat düğmesine benzeyen ikon seçilir.
1. `md` ikonunu seçin ve biraz markdown ekleyin, aşağıdaki metni yazın **# Notebook'unuza Hoş Geldiniz**.
1. `md` ikonunu seçin ve biraz markdown ekleyin, ardından şu metni yazın: **# Notebook'unuza hoş geldiniz**.
Sonra biraz Python kodu ekleyin.
Ardından biraz Python kodu ekleyin.
1. Kod bloğuna **print('hello notebook')** yazın.
1. Kodu çalıştırmak için ok işaretini seçin.
Yazdırılan ifade görünmeli:
Yazdırılan ifadeyi görmelisiniz:
```output
hello notebook
```
Kodunuzu kendinizi belgelemek için yorumlarla harmanlayabilirsiniz.
Kodlarınızı açıklamalarla destekleyerek notebook'u kendi kendinize belgeleyebilirsiniz.
✅ Bir web geliştiricinin çalışma ortamının veri bilimcisinden ne kadar farklı olduğunu bir dakika düşünün.
✅ Bir web geliştiricisinin çalışma ortamının bir veri bilimcisinden ne kadar farklı olabileceğini bir dakika düşünün.
## Scikit-learn ile çalışmaya başlamak
Python yerel ortamınızda kuruldu ve Jupyter Notebooks ile rahat olduğunuz için, şimdi Scikit-learn (telaffuzu `sci`‘science’ gibi) ile de aynı rahatlığa ulaşalım. Scikit-learn size ML görevlerini gerçekleştirmek için [kapsamlı bir API](https://scikit-learn.org/stable/modules/classes.html#api-ref) sağlar.
Python artık yerel ortamınızda kurulu ve Jupyter Notebooks ile rahat olduğunuz için, Scikit-learn ile de aynı rahatlığı kazanma zamanı. Scikit-learn, ML görevlerini gerçekleştirmekte size yardımcı olacak [kapsamlı bir API](https://scikit-learn.org/stable/modules/classes.html#api-ref) sağlar.
[web sitelerine](https://scikit-learn.org/stable/getting_started.html) göre, "Scikit-learn, denetimli ve denetimsiz öğrenmeyi destekleyen açık kaynaklı bir makine öğrenimi kütüphanesidir. Ayrıca model uyumu, veri ön işleme, model seçimi ve değerlendirme ve pek çok başka araç sağlar."
Kendi [web sitesine](https://scikit-learn.org/stable/getting_started.html) göre, "Scikit-learn, denetimli ve denetimsiz öğrenmeyi destekleyen açık kaynak makine öğrenimi kütüphanesidir. Ayrıca model uyumu, veri ön işleme, model seçimi ve değerlendirilmesi için çeşitli araçlar ve birçok diğer yardımcı araç sağlar."
Bu derste 'geleneksel makine öğrenimi' görevleri olarak adlandırdığımız modelleri oluşturmak için Scikit-learn ve diğer araçları kullanacaksınız. Nöral ağlar ve derin öğrenmeden bilinçli olarak uzak durduk, zira bunlar yakında yayınlanacak 'Yeni Başlayanlar için AI' müfredatımızda kapsamlı şekilde ele alınacak.
Bu kursta Scikit-learn ve diğer araçları kullanarak, 'geleneksel makine öğrenimi' görevlerini gerçekleştirecek modeller inşa edeceksiniz. Sinir ağları ve derin öğrenmeden kasıtlı olarak kaçındık; çünkü bunlar yakında yayınlanacak 'Yapay Zeka Yeni Başlayanlar İçin' müfredatında daha iyi ele alınacak.
Scikit-learn, modeller oluşturmayı ve değerlendirmeyi kolaylaştırır. Öncelikle sayısal verilerle çalışmaya odaklanmıştır ve öğrenme araçları olarak kullanılabilecek hazır birden fazla veri seti içerir. Ayrıca öğrencilerin deneyebileceği önceden hazırlanmış modeller sağlar. Öncelikle paketlenmiş veri yükleme ve yerleşik bir tahminci kullanarak Scikit-learn ile temel bir ML modeli kurma sürecini keşfedelim.
Scikit-learn, modeller oluşturmayı ve kullanım için değerlendirmeyi kolaylaştırır. Öncelikle sayısal verilerle çalışmak için tasarlanmıştır ve öğrenme araçları olarak kullanılabilecek birkaç hazır veri seti içerir. Ayrıca öğrencilerin denemesi için önceden oluşturulmuş modeller içerir. Hazır paketlenmiş veriyi yükleme ve dahili bir tahminleyici kullanarak temel verilerle ilk ML modelinizi oluşturma sürecini keşfedelim.
## Egzersiz - ilk Scikit-learn notebook'unuz
## Alıştırma - ilk Scikit-learn notebook’unuz
> Bu öğretici, Scikit-learn web sitesindeki [doğrusal regresyon örneği](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) tarafından esinlenmiştir.
> Bu eğitim, Scikit-learn web sitesindeki [lineer regresyon örneği](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) ilham alınarak hazırlanmıştır.
[](https://youtu.be/2xkXL5EUpS0 "Yeni başlayanlar için ML - Python'da İlk Doğrusal Regresyon Projeniz")
[](https://youtu.be/2xkXL5EUpS0 "Yeni başlayanlar için ML - Python'da İlk Lineer Regresyon Projeniz")
> 🎥 Bu egzersizi adım adım anlatan kısa video için yukarıdaki görsele tıklayın.
> 🎥 Bu alıştırmayı gösteren kısa videoya yukarıdaki görsele tıklayarak ulaşabilirsiniz.
_notebook.ipynb_ dosyasında, tüm hücreleri 'çöp kutusu' ikonuna basarak temizleyin.
Bu derse ilişkin _notebook.ipynb_ dosyasında, tüm hücreleri 'çöp kutusu' ikonuna basarak temizleyin.
Bu bölümde, Scikit-learn'e öğrenme amaçlı olarak dahil edilmiş küçük bir diyabet veri kümesiyle çalışacaksınız. Diyabet hastaları için bir tedavi test etmek istediğinizi hayal edin. Makine Öğrenimi modelleri, değişken kombinasyonlarına göre hangi hastaların tedaviye daha iyi yanıt vereceğini belirlemenize yardımcı olabilir. Çok temel bir regresyon modeli bile görselleştirildiğinde, teorik klinik deneylerinizi organize etmekte yardımcı olacak değişkenler hakkında bilgi verebilir.
Bu bölümde, eğitim amaçlı Scikit-learn içine gömülü küçük bir diyabet veri seti ile çalışacaksınız. Diyabetli hastalara bir tedavi test etmek istediğinizi hayal edin. Makine öğrenimi modelleri, değişken kombinasyonlarına göre hangi hastaların tedaviye daha iyi yanıt vereceğini belirlemede yardımcı olabilir. Basit bir regresyon modeli bile görselleştirildiğinde, teorik klinik deneylerinizi organize etmenize yardımcı olacak değişkenler hakkında bilgi gösterebilir.
✅ Birçok regresyon yöntemi türü vardır ve hangisini seçeceğiniz, aradığınız yanıta bağlıdır. Belirli bir yaş için muhtemel uzunluğu tahmin etmek istiyorsanız, **sayısal bir değer** aradığınız için doğrusal regresyon kullanırsınız. Diyet olarak vegan kabul edilip edilmemesi gibi bir tür yiyecek sınıflandırması ilgilendiriyorsa, **kategori ataması** arıyorsunuz demektir ve lojistik regresyon kullanırsınız. Lojistik regresyonu daha sonra öğreneceksiniz. Veriden sorabileceğiniz bazı soruları ve hangi yöntemin daha uygun olacağını biraz düşünün.
✅ Regresyon yöntemlerinin birçok türü vardır ve hangisini seçtiğiniz aradığınız cevaba göre değişir. Belirli bir yaş için bir kişinin olası boyunu tahmin etmek istiyorsanız, bir **sayısal değer** aradığınız için lineer regresyon kullanırsınız. Bir mutfak türünün vegan olup olmadığını öğrenmek istiyorsanız, **kategori ataması** yapmak istiyorsunuz demektir; bu durumda lojistik regresyon kullanırsınız. Daha sonra lojistik regresyon hakkında daha fazla bilgi edineceksiniz. Veriye sorabileceğiniz bazı soruları ve hangi yöntemlerin daha uygun olacağını düşünün.
Bu göreve başlayalım.
Hadi bu göreve başlayalım.
### Kütüphaneleri içe aktar
### Kütüphaneleri içe aktarın
Bu görev için bazı kütüphaneleri içe aktaracağız:
- **matplotlib**. Faydalı bir [grafik aracı](https://matplotlib.org/)dır ve çizgi grafiği oluşturmak için kullanacağız.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html), Python'da sayısal veri ile çalışmak için yararlı bir kütüphanedir.
- **matplotlib**. Kullanışlı bir [grafik aracı](https://matplotlib.org/)dır ve bir çizgi grafiği oluşturmak için kullanacağız.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html), Python’da sayısal verilerle çalışmak için yararlı bir kütüphanedir.
- **sklearn**. Bu, [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) kütüphanesidir.
Görevlerinize yardımcı olacak bazı kütüphaneleri içe aktarın.
Görevlerinize yardımcı olması için bazı kütüphaneleri içe aktarın.
1. Aşağıdaki kodu yazarak içe aktarımları ekleyin:
@ -123,26 +123,26 @@ Görevlerinize yardımcı olacak bazı kütüphaneleri içe aktarın.
from sklearn import datasets, linear_model, model_selection
```
Yukarıda `matplotlib`, `numpy` içe aktarılıyor ve `sklearn`den `datasets`, `linear_model` ve `model_selection`içe aktarılıyor. `model_selection`, veriyi eğitim ve test setlerine bölmek için kullanılır.
Yukarıda `matplotlib`, `numpy` içe aktarılıyor ve `sklearn`den `datasets`, `linear_model` ve `model_selection`de dahil ediliyor. `model_selection`, veriyi eğitim ve test setlerine bölmek için kullanılır.
### Diyabet veri kümesi
### Diyabet veri seti
Dahili [diyabet veri kümesi](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset), diyabet çevresinde 442 örnek veri içerir ve 10 özellik değişkeni vardır, bunlardan bazıları:
Dahili [diyabet veri seti](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset), diyabet hakkında 10 özellik değişkeni içeren 442 örnek veri sunar. Bazı özellikler şunlardır:
- age: yaş (yıl olarak)
- bmi: beden kitle indeksi
- bp: ortalama kan basıncı
- s1 tc: T-Hücreleri (bir tür beyaz kan hücresi)
- yaş: yaş (yıl olarak)
- vki: vücut kitle indeksi
- kb: ortalama kan basıncı
- s1 tc: THücreleri (bir tür beyaz kan hücresi)
✅ Bu veri setinde, diyabet araştırmalarında önemli bir özellik değişken olan 'cinsiyet' kavramı vardır. Birçok tıbbi veri seti bu tür ikili sınıflandırmalar içerir. Bu tür sınıflandırmaların nüfusun bazıbölümlerini tedavilerden nasıl dışlayabileceğini biraz düşünün.
✅ Bu veri seti, diyabet araştırmaları açısından önemli bir özellik olan 'cinsiyet' kavramını içerir. Pek çok tıbbi veri seti bu tür ikili sınıflandırmalar içerir. Bu tür sınıflandırmaların nüfusun bazıkesimlerini tedavilerden dışlayabileceğini bir düşünün.
Şimdi, X ve y verilerini yükleyin.
> 🎓 Unutmayın, bu denetimli öğrenmedir ve adlandırılmış bir 'y' hedefi gerekir.
> 🎓 Unutmayın, bu denetimli öğrenmedir ve adlandırılmış bir ‘y’ hedefi gereklidir.
Yeni bir kod hücresinde, diyabet veri setini`load_diabetes()` çağırarak yükleyin. `return_X_y=True` girişi, `X`in veri matrisi ve `y`nin regresyon hedefi olacağını belirtir.
Yeni bir kod hücresinde `load_diabetes()`fonksiyonunu çağırarak diyabet veri setini yükleyin. `return_X_y=True` girişi, `X`'in bir veri matrisi, `y`'nin ise regresyon hedefi olduğunu belirtir.
1. Veri matrisinin şekli ve ilk öğesini göstermek için birkaç yazdırma komutu ekleyin:
1. Veri matrisinin şekli ve ilk elemanını göstermek için bazı print komutları ekleyin:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Yeni bir kod hücresinde, diyabet veri setini `load_diabetes()` çağırarak yü
print(X[0])
```
Dönen yanıt bir demet (tuple) olup, ona göre ilk iki değer sırasıyla `X` ve `y`ye atanır. Demetler hakkında daha fazla bilgi için [demetlere](https://wikipedia.org/wiki/Tuple) bakabilirsiniz.
Geri dönen yanıt bir tuple’dır. İlk iki değeri sırasıyla `X` ve `y` değişkenlerine atıyorsunuz. Daha fazla bilgi için [tuple’lar hakkında](https://wikipedia.org/wiki/Tuple) okuyabilirsiniz.
Bu verinin 442 öğeden oluştuğunu ve bunların her birinin 10 elemanlı diziler şeklinde olduğunu görebilirsiniz:
Bu verinin 442 öğeden oluştuğunu ve her öğenin 10 elemanlı dizi şeklinde olduğunu görebilirsiniz:
```text
(442, 10)
@ -160,39 +160,39 @@ Yeni bir kod hücresinde, diyabet veri setini `load_diabetes()` çağırarak yü
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Veriler ile regresyon hedefi arasındaki ilişkiyi biraz düşünün. Doğrusal regresyon, özellik X ile hedef değişken y arasındaki ilişkiyi tahmin eder. Diyabet veri kümesi için [hedefi](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) dokümantasyonda bulabilir misiniz? Bu veri seti verilen hedefle ne gösteriyor?
✅ Veri ve regresyon hedefinin ilişkisini biraz düşünün. Lineer regresyon, özellik X ile hedef değişken y arasındaki ilişkileri tahmin eder. Diyabet veri seti için [hedef](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ne olabilir? Bu veri seti, verilen hedefle neyi gösteriyor?
2. Sonra, bu veri setinin bir kısmını çizdirmek için 3. sütunu seçin. Bunu tüm satırları seçmek için `:` operatörü ile ve daha sonra (2) indeksi ile 3. sütunu seçerek yapabilirsiniz. Veriyi çizim için gereken 2 boyutlu dizi haline getirmek için `reshape(n_rows, n_columns)`fonksiyonunu kullanabilirsiniz. Parametrelerden biri -1 ise, o boyut otomatik hesaplanır.
2. Ardından, 3. sütunu seçerek bu veri setinden bir kısmını çizim için seçin. Bunu tüm satırları seçmek için `:` operatörü ve sonra 3. sütunu seçmek için indeks (2) kullanarak yapabilirsiniz. Ayrıca veriyi çizim için gereken 2 boyutlu dizi haline getirmek için `reshape(n_rows, n_columns)`kullanabilirsiniz. Parametrelerden biri -1 ise, karşılık gelen boyut otomatik olarak hesaplanır.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Herhangi bir zamanda verinin şeklini kontrol etmek için yazdırın.
✅ Her zaman veriyi yazdırarak şekline bakabilirsiniz.
3. Artık çizime hazır veriniz var, bir makinenin veri setindeki sayılar arasında mantıklı bir sınır belirlemesine izin verip vermediğine bakabilirsiniz. Bunu yapmak için, veri (X) ve hedef (y) test ve eğitim setlerine bölünmelidir. Scikit-learn bunu kolayca yapmanızı sağlar; test verinizi belirli bir noktada bölebilirsiniz.
3. Artık verileriniz çizime hazır, makinenizin bu veri kümesindeki sayılar arasında mantıklı bir ayrım yapıp yapamayacağını görebilirsiniz. Bunu yapmak için, hem verileri (X) hem de hedefi (y) test ve eğitim setlerine bölmeniz gerekir. Scikit-learn bunu yapmak için kolay bir yol sağlar; test verilerini belirttiğiniz bir noktada bölebilirsiniz.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Şimdi modelinizi eğitmeye hazırsınız! Doğrusal regresyon modelini yükleyin ve `model.fit()` kullanarak X ve y eğitim setleriniz ile eğitin:
4. Şimdi modelinizi eğitmeye hazırsınız! Lineer regresyon modelini yükleyin ve `model.fit()` ile X ve y eğitim setlerinizle eğitin:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()`fonksiyonu, TensorFlow gibi birçok ML kütüphanesinde gördüğünüz bir işlevdir
✅ `model.fit()`birçok ML kütüphanesinde göreceğiniz bir fonksiyondur, örneğin TensorFlow'da da vardır.
5. Sonra test verisini kullanarak `predict()` fonksiyonu ile tahmin oluşturun. Bu, veri grupları arasında bir çizgi çizmek için kullanılacak.
5. Sonra, test verisi kullanarak `predict()` fonksiyonu ile tahmin oluşturun. Bu, veri gruplarının arasına çizgi çizmek için kullanılacak.
```python
y_pred = model.predict(X_test)
```
6. Şimdi veriyi bir grafikte gösterme zamanı. Bu görev için matplotlib çok faydalı bir araçtır. Tüm X ve y test verilerinin bir saçılım grafiğini oluşturun ve tahmini kullanarak modelin veri grupları arasında en uygun yere bir çizgi çizin.
6. Şimdi veriyi grafikte gösterme zamanı. Matplotlib bu iş için çok faydalı bir araçtır. Tüm X ve y test verisinin bir dağılım grafiğini oluşturun ve tahmin çizgisini modelin veri gruplarının en uygun yerine çizin.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ Yeni bir kod hücresinde, diyabet veri setini `load_diabetes()` çağırarak yü
plt.show()
```
✅ Burada ne olduğunu biraz düşünün. Bir düz çizgi birçok küçük veri noktasının içinden geçiyor, peki tam olarak ne yapıyor? Bu çizgiyi kullanarak yeni, görülmemiş bir veri noktasının grafiğin y ekseniyle ilişkisi içinde nerede olması gerektiğini tahmin etmeniz gerektiğini görebiliyor musunuz? Bu modelin pratik kullanımı için kelimelere dökmeye çalışın.
✅ Burada neler olup bittiği hakkında biraz düşünün. Bir doğru, birçok küçük veri noktasından geçiyor, peki tam olarak ne yapıyor? Yeni, görülmemiş bir veri noktasının grafiğin y eksenine göre nerede yer alması gerektiğini tahmin etmek için bu doğruyu nasıl kullanabileceğinizi görebiliyor musunuz? Bu modelin pratik kullanımını kelimelere dökmeye çalışın.
Tebrikler, ilk doğrusal regresyon modelinizi oluşturdunuz, onunla bir tahmin yaptınız ve bunu bir grafikte gösterdiniz!
Tebrikler, ilk lineer regresyon modelinizi oluşturdunuz, onunla tahmin yaptınız ve grafikte gösterdiniz!
---
## 🚀Meydan Okuma
Bu veri setinden farklı bir değişkeni grafikle gösterin. İpucu: bu satırı düzenleyin: `X = X[:,2]`. Bu veri setinin hedefi göz önüne alındığında, diyabet hastalığının ilerleyişi hakkında neler keşfedebilirsiniz?
Bu veri setinden farklı bir değişkeni çizin. İpucu: bu satırı düzenleyin: `X = X[:,2]`. Bu veri setinin hedefi göz önüne alındığında, diyabetin bir hastalık olarak ilerleyişi hakkında ne keşfedebilirsiniz?
Bu öğreticide, tek değişkenli veya çoklu doğrusal regresyon yerine basit doğrusal regresyon ile çalıştınız. Bu yöntemler arasındaki farklılıklar hakkında biraz okuyun veya [bu videoya](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) göz atın.
Bu eğitimde, basit lineer regresyon ile çalıştınız, tek değişkenli veya çoklu lineer regresyondan ziyade. Bu yöntemler arasındaki farkları biraz okuyun veya [bu videoya](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) göz atın.
Regresyon kavramı hakkında daha fazla okuyun ve bu teknikle hangi tür soruların cevaplanabileceğini düşünün. Anlayışınızı derinleştirmek için bu [öğreticiyi](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) yapın.
Regresyon kavramı hakkında daha fazla bilgi edinin ve bu teknikle hangi tür soruların cevaplanabileceğini düşünün. Anlayışınızı derinleştirmek için bu [öğreticiyi](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) alın.
Kümeleme, birbirine benzeyen nesneleri bulup bunları "küme" adı verilen gruplara ayırmayı amaçlayan bir makine öğrenimi görevidir. Kümelemenin makine öğrenimindeki diğer yaklaşımlardan farkı, işlemlerin otomatik olarak gerçekleşmesidir; aslında, denetimli öğrenmenin tam tersidir demek doğru olur.
Kümeleme, nesnelerin birbirine benzeyenlerini bulup bunları kümeler adı verilen gruplara ayırmayı amaçlayan bir makine öğrenimi görevidir. Kümelemeyi makine öğrenimindeki diğer yaklaşımlardan ayıran özellik, her şeyin otomatik olarak gerçekleşmesidir; aslında, denetlenmiş öğrenmenin tam tersi olduğu söylenebilir.
## Bölgesel konu: Nijeryalıbir kitlenin müzik zevkine yönelik kümeleme modelleri 🎧
## Bölgesel konu: Nijeryalıizleyicinin müzik zevklerine yönelik kümeleme modelleri 🎧
Nijerya'nın çeşitli kitlesi, farklı müzik zevklerine sahiptir. [Bu makaleden](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) ilham alınarak Spotify'dan toplanan verileri kullanarak Nijerya'da popüler olan bazı müziklere bakalım. Bu veri seti, çeşitli şarkıların 'dans edilebilirlik' puanı, 'akustiklik', ses yüksekliği, 'konuşma oranı', popülerlik ve enerji gibi verilerini içerir. Bu verilerdeki desenleri keşfetmek oldukça ilginç olacak!
Nijerya’nın çeşitli izleyicileri farklı müzik zevklerine sahiptir. Spotify'dan toplanan verileri kullanarak (bu makaleden esinlenilmiştir [this article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), Nijerya’da popüler olan bazı müziklere bakalım. Bu veri seti çeşitli şarkıların 'danceability' (dans edilebilirlik) puanı, 'acousticness' (akustiklik), ses şiddeti, 'speechiness' (konuşma yoğunluğu), popülerlik ve enerji gibi verilerini içerir. Bu verideki desenleri keşfetmek ilginç olacak!
> Fotoğrafçı<ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a>, <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> üzerinden
Bu ders serisinde, kümeleme tekniklerini kullanarak verileri analiz etmenin yeni yollarını keşfedeceksiniz. Kümeleme, veri setinizde etiketler olmadığında özellikle faydalıdır. Eğer etiketler varsa, önceki derslerde öğrendiğiniz sınıflandırma teknikleri daha kullanışlı olabilir. Ancak, etiketlenmemiş verileri gruplamaya çalıştığınız durumlarda, kümeleme desenleri keşfetmek için harika bir yöntemdir.
Bu ders serisinde, kümeleme tekniklerini kullanarak verileri analiz etmenin yeni yollarını keşfedeceksiniz. Kümeleme, özellikle veri setinizde etiket olmadığında çok faydalıdır. Eğer etiketler varsa, önceki derslerde öğrendiğiniz sınıflandırma teknikleri daha faydalı olabilir. Ancak etiketlenmemiş verileri gruplamak istediğiniz durumlarda, kümeleme desenleri keşfetmek için harika bir yöntemdir.
> Kümeleme modelleriyle çalışmayı öğrenmenize yardımcı olabilecek kullanışlı düşük kod araçları vardır. Bu görev için [Azure ML'yi deneyin](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Kümeleme modelleriyle çalışmayı öğrenmenize yardımcı olabilecek kullanışlı düşük kodlu araçlar vardır. Bu görev için [Azure ML’yi deneyin](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Dersler
1. [Kümelemeye giriş](1-Visualize/README.md)
2. [K-Means kümeleme](2-K-Means/README.md)
2. [K-Ortalamalar kümeleme](2-K-Means/README.md)
## Katkıda Bulunanlar
## Teşekkürler
Bu dersler, [Jen Looper](https://www.twitter.com/jenlooper) tarafından 🎶 ile yazılmış ve [Rishit Dagli](https://rishit_dagli) ile [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) tarafından faydalı incelemelerle desteklenmiştir.
Bu dersler, 🎶 ile [Jen Looper](https://www.twitter.com/jenlooper) tarafından yazılmıştır ve [Rishit Dagli](https://rishit_dagli/) ve [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) tarafından faydalı incelemeler yapılmıştır.
[Nijeryalı Şarkılar](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) veri seti, Spotify'dan toplanarak Kaggle'dan alınmıştır.
[Nijerya Şarkıları](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) veri seti Spotify’dan kazınarak Kaggle’dan sağlanmıştır.
Bu dersi oluştururken yardımcı olan faydalı K-Means örnekleri arasında [iris incelemesi](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [tanıtıcı bir not defteri](https://www.kaggle.com/prashant111/k-means-clustering-with-python) ve [varsayımsal bir STK örneği](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) bulunmaktadır.
Bu dersin hazırlanmasında faydalanılan bazı K-Ortalamalar örnekleri arasında bu [iris keşfi](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), bu [giriş defteri](https://www.kaggle.com/prashant111/k-means-clustering-with-python) ve bu [varsayımsal STK örneği](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering) bulunmaktadır.
---
**Feragatname**:
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**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 hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalardan veya yanlış yorumlamalardan sorumlu değiliz.
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
> **Yerel olarak klonlamayı mı tercih edersiniz?**
>
> Bu depo 50'den fazla dil çevirisi içermektedir, bu da indirme boyutunu önemli ölçüde artırır. Çevirisiz klonlamak için sparse checkout kullanabilirsiniz:
> Bu depo, indirme boyutunu önemli ölçüde artıran 50'den fazla dil çevirisi içerir. Çeviriler olmadan klonlamak için seyrek checkout kullanın:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,217 +33,220 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Bu, kursu tamamlamak için ihtiyacınız olan her şeyi çok daha hızlı bir indirmeyle sağlar.
> Bu, kursu çok daha hızlı bir indirme ile tamamlamanız için ihtiyacınız olan her şeyi sağlar.
Discord'da yapay zeka ile öğrenme serimiz devam ediyor, 18 - 30 Eylül 2025 tarihleri arasında daha fazlasını öğrenmek ve bize katılmak için [Learn with AI Serisi](https://aka.ms/learnwithai/discord) adresini ziyaret edin. Veri Bilimi için GitHub Copilot kullanımına dair ipuçları ve püf noktaları edineceksiniz.
Eylül 18 - 30, 2025 tarihleri arasında süren AI ile öğrenme serimiz var. Daha fazla bilgi edinip bize [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord)'nden katılabilirsiniz. Veri Bilimi için GitHub Copilot kullanımı hakkında ipuçları ve püf noktaları alacaksınız.
# Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat
# Yeni Başlayanlar İçin Makine Öğrenmesi - Bir Müfredat
> 🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı gezin 🌍
> 🌍 Dünyanın kültürleri aracılığıyla Makine Öğrenmesini keşfederken dünyayı gezin 🌍
Microsoft'tan Bulut Savunucuları, tamamen **Makine Öğrenimi** hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen **klasik makine öğrenimi** olarak adlandırılan, esas olarak Scikit-learn kütüphanesini kullanarak derin öğrenmeden kaçınan ve derin öğrenmenin yer aldığı [Yapay Zeka için Yeni Başlayanlar müfredatı](https://aka.ms/ai4beginners) ile birlikte öğrenilen bir yaklaşımı öğreneceksiniz. Dersleri ayrıca ['Yeni Başlayanlar için Veri Bilimi müfredatı'](https://aka.ms/ds4beginners) ile eşleştirin!
Microsoft'taki Cloud Advocates, **Makine Öğrenmesi** hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, esas olarak Scikit-learn kütüphanesini kullanarak bazen **klasik makine öğrenmesi** denilen şeyi öğreneceksiniz ve derin öğrenmeyi, [Yeni Başlayanlar için AI müfredatımızda](https://aka.ms/ai4beginners) ele alacağız. Bu dersleri ['Yeni Başlayanlar için Veri Bilimi müfredatıyla'](https://aka.ms/ds4beginners) da eşleştirmeniz önerilir.
Bu klasik teknikleri dünyanın çeşitli bölgelerinden gelen veriler üzerinde uygularken bizimle birlikte seyahat edin. Her ders, ders öncesi ve sonrası sınavları, tamamlamanız için yazılı yönergeler, çözüm, görev ve daha fazlasını içerir. Projeye dayalı pedagojimiz, yeni becerilerin öğrenilirken kalıcı olmasını sağlayan kanıtlanmış bir yöntemdir.
Dünyanın birçok bölgesinden verilere bu klasik teknikleri uygularken bizimle seyahat edin. Her ders, ders öncesi ve sonrası quizler, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir görev ve daha fazlasını içerir. Proje tabanlı öğretim metodolojimiz, öğrenirken yaratmanızı sağlar, yeni becerilerin kalıcı olmasının kanıtlanmış bir 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
**✍️ Yazarlara içten teşekkürlerimiz** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd
**🎨 Çizerlerimize de teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🎨 İllüstratörlere teşekkürlerimiz** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımız, inceleyiciler ve içerik katkıda bulunanlarımıza**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🙏 Microsoft Öğrenci Elçisi yazarlarımıza, gözden geçirenlerimize ve içerik katkıcılarımıza özel teşekkürlerimiz**, 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 derslerimiz için ekstra teşekkürler!**
**🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra teşekkürler!**
# Başlarken
Şu adımları izleyin:
1. **Depoyu Forklayın**: Sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın.
> 💡 **Hızlı Başlangıç İpucu:** Python'u yerel olarak kurmadan tarayıcıda başlamak ister misiniz? Çatallanmış deponuz için bir bulut geliştirme ortamı oluşturmak amacıyla [GitHub Codespaces](https://github.com/features/codespaces) kullanın. Yeşil **Code** menüsünü açın, **Codespaces**'i seçin ve bir codespace oluşturun; gerektiğinde her dersin gereken bağımlılıklarını içinde kurun.
> [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, yapılandırma ve dersleri çalıştırmayla ilgili yaygın sorunlar için [Sorun Giderme Kılavuzumuza](TROUBLESHOOTING.md) göz atın.
> 🔧 **Yardıma mı ihtiyacınız var?**Yaygın kurulum, ayar ve ders çalıştırma sorunlarına çözümler için [Sorun Giderme Kılavuzumuza](TROUBLESHOOTING.md) bakın.
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza forklayın ve alıştırmaları bireysel ya da grubunuzla tamamlayın:
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm depoyu GitHub hesabınıza çatallayın ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:
- Ön-lecture sınavıyla başlayın.
- Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
- Çözüm kodunu çalıştırmaktan ziyade dersleri anlayarak projeleri yaratmaya çalışın; ancak o kod her proje odaklı dersin `/solution` klasöründe mevcuttur.
- Ders sonrası sınavıçözün.
- Ders öncesi sınavla başlayın.
- Dersi okuyun ve faaliyetleri tamamlayın, her bilgi kontrolünde durup düşünün.
- Çözümlerin kodunu çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak bu kodlar her proje odaklı dersin `/solution` klasöründe mevcuttur.
- Ders sonrası sınavıyapın.
- Meydan okumayı tamamlayın.
- Ödevi tamamlayın.
- Bir ders grubunu tamamladıktan sonra [Tartışma Panosu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT puanlama formunu doldurarak “yüksek sesle öğrenin”. 'PAT', ilerlemenizi değerlendiren bir araçtır. Diğer PAT'lara da tepki vererek beraber öğrenebiliriz.
- Bir ders grubunu tamamladıktan sonra, [Tartışma Panelini](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT rubriğini doldurarak "açıkça öğrenin". Bir 'PAT', öğreniminizi ilerletmek için doldurduğunuz bir Değerlendirme Aracı rubriğidir. Ayrıca diğer PAT'lere tepki vererek birlikte öğrenebiliriz.
> Daha ileri inceleme 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.
> 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 müfredatı nasıl kullanacağınıza dair bazı [öneriler](for-teachers.md) ekledik.
**Öğretmenler**, bu müfredatı nasıl kullanacağınızla ilgili [bazı öneriler ekledik](for-teachers.md).
---
## Video anlatımlar
## Video anlatımları
Bazı dersler kısa form video olarak mevcuttur. Bunların tümünü derslerde satır içi olarak veya [Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) aşağıdaki resme tıklayarak bulabilirsiniz.
Bazı dersler kısa biçimli video olarak mevcuttur. Tüm bunları derslerin içinde ya da aşağıdaki görsele tıklayarak [Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) bulabilirsiniz.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Proje ve yaratan insanlar hakkında video için yukarıdaki resme tıklayın!
> 🎥 Proje ve yaratan kişiler hakkında bir video için yukarıdaki görsele tıklayın!
---
## Pedagoji
Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı**proje tabanlı** olması ve **sık quizler** içermesi. Ayrıca, müfredatın birlikteliği için ortak bir **tema** içerir.
Bu müfredatı oluştururken iki pedagoji ilkesi seçtik: uygulamalı ve**proje tabanlı** olması ve **sık quizler** içermesi. Ayrıca, bu müfredatın tutarlılık sağlaması için ortak bir **tema** içermesi.
İçeriğin projelerle uyumlu olmasını sağlamak, süreci öğrenciler için daha ilgi çekici yapar ve kavramların kalıcılığını artırır. Ayrıca, ders öncesi düşük riskli bir quiz öğrencinin öğrenmeye niyetini belirlerken, ders sonrası ikinci bir quiz bilgilerin kalıcılığını pekiştirir. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamen ya da kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Müfredat ayrıca, gerçek dünyadaki ML uygulamalarına ilişkin bir son not içerir; bu da ekstra kredi veya tartışma temeli olarak kullanılabilir.
İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale getirilir ve kavramların kalıcılığı artırılır. Ayrıca, dersten önceki düşük riskli bir quiz öğrencinin öğrenme niyetini belirlerken, dersten sonra yapılan ikinci bir quiz daha fazla kalıcılığı sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlandı ve tamamen veya kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Bu müfredat ayrıca, ek kredi olarak veya tartışma temeli olarak kullanılabilecek gerçek dünya ML uygulamaları hakkında bir epilog içerir.
> [Davranış Kuralları](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviriler](..) ve [Sorun Giderme](TROUBLESHOOTING.md) rehberlerimizi bulun. Yapıcı geri bildiriminizi bekliyoruz!
> [Davranış Kuralları](CODE_OF_CONDUCT.md), [Katkı Sağlama](CONTRIBUTING.md), [Çeviriler](..) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildirimlerinizi bekliyoruz!
## Her ders şunları içerir
- isteğe bağlısketchnot
- isteğe bağlı ek video
- video anlatım (sadece bazı derslerde)
- [ders öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/)
- isteğe bağlıçizim notu
- isteğe bağlıdestekleyici video
- video anlatımı (yalnızca bazı dersler)
- [ders öncesi ısınma quizi](https://ff-quizzes.netlify.app/en/ml/)
- yazılı ders
- proje tabanlı dersler için, projenin nasıl inşa edileceğine dair adım adım rehberler
- proje tabanlı derslerde, projeyi adım adım nasıl inşa edeceğinize dair rehberler
- bilgi kontrolleri
- bir meydan okuma
- ek okuma
- meydan okuma
- destekleyici okuma
- ödev
- [ders sonrası sınav](https://ff-quizzes.netlify.app/en/ml/)
> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidip R derslerini arayın. Bunlar, `code chunks` (R veya diğer dillerden) ve `YAML header` (PDF gibi çıktıların nasıl biçimlendirileceğini yöneten) içeren bir **R Markdown** dosyasını temsil eden .rmd uzantısına sahiptir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazma çerçevesi hizmeti görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
> **Sınavlar hakkında bir not**: Tüm sınavlar [Quiz App klasöründe](../../quiz-app) bulunmaktadır, toplamda her biri üç sorudan oluşan 52 sınav mevcuttur. Dersler içerisinde bağlantıları vardır ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerel olarak barındırmak veya Azure’a dağıtmak için `quiz-app` klasöründeki talimatları izleyin.
| Lesson Number | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmenin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın tarihini 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 kullanırken 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 araştırmacıları ML modellerini oluşturmak için hangi teknikleri kullanır? | [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 kullanmaya 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) | ML için veri görselleştirme ve temizleme | [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 polinomsal 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 |
- [ders sonrası quiz](https://ff-quizzes.netlify.app/en/ml/)
> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidin ve R derslerini arayın. Bunlar, `kod parçacıkları` (R veya diğer diller) ile `Çıktıların nasıl biçimlendirileceğini yönlendiren YAML başlığı` içeren **R Markdown** dosyası anlamına gelen .rmd uzantılıdır. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazar frameworkü işlevi görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
> **Quizler hakkında bir not**: Tüm quizler, her biri üç sorudan oluşan toplam 52 quiz için [Quiz Uygulaması klasöründe](../../quiz-app) bulunur. Dersler içinde bağlantılıdırlar ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel olarak barındırmak veya Azure'a dağıtmak için `quiz-app` klasöründeki talimatları izleyin.
| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Introduction](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğrenin | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğrenmesinin tarihi | [Introduction](1-Introduction/README.md) | Bu alanın temel tarihini öğrenin | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy |
| 03 | Adalet ve makine öğrenmesi | [Introduction](1-Introduction/README.md) | Öğrencilerin ML modellerini oluştururken ve uygularken göz önünde bulundurması gereken adaletle ilgili önemli felsefi meseleler nelerdir? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Makine öğrenmesi teknikleri | [Introduction](1-Introduction/README.md) | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen |
| 05 | Regresyona giriş | [Regression](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 kabak fiyatları 🎃 | [Regression](2-Regression/README.md) | ML hazırlığı için verileri 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 kabak fiyatları 🎃 | [Regression](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 kabak fiyatları 🎃 | [Regression](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 App](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) | 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 öneri yapan bir 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 Keşfetme 🎧 | [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'ye giriş ☕️ | [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 yapıları ile uğraşırken gerek duyulan 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 |
| 19 | Avrupa’nın romantik otelleri ♥️ | [Doğal dil işleme](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 işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Zaman serisi tahmine giriş | [Zaman serisi](7-TimeSeries/README.md) | Zaman serisi tahmine 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 | [Gerçek Dünya ML](9-Real-World/README.md) | Klasik ML’nin gerçek dünyadaki ilginç ve açıklayıcı uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Takım |
| Postscript | RAI panosu kullanarak ML model hata ayıklaması | [Gerçek Dünya ML](9-Real-World/README.md) | Sorumlu AI pano bileşenleri kullanarak Makine Öğrenmesi Model Hata Ayıklaması | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Bu ders için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 10 | Sınıflandırmaya giriş | [Classification](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 mutfakları 🍜 | [Classification](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 🍜 | [Classification](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 🍜 | [Classification](4-Classification/README.md) | Modelinizi kullanarak tavsiye eden bir web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Kümelenmeye giriş | [Clustering](5-Clustering/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelenmeye 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 🎧 | [Clustering](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 ☕️ | [Natural language processing](6-NLP/README.md) | Basit bir bot oluşturarak NLP temel bilgilerini öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | [Natural language processing](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 ♥️ | [Natural language processing](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 ♥️ | [Natural language processing](6-NLP/README.md) | Otel yorumlarıyla duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Avrupa'nın romantik otelleri ♥️ | [Natural language processing](6-NLP/README.md) | Otel yorumlarıyla duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Zaman serisi tahminine giriş | [Time series](7-TimeSeries/README.md) | Zaman serisi tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Dünya Enerji Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | [Time series](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Dünya Enerji Kullanımı ⚡️ - SVR ile zaman serisi tahmini | [Time series](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Takviyeli öğrenmeye giriş | [Reinforcement learning](8-Reinforcement/README.md) | Q-Öğrenmesi ile takviyeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Son Söz | Gerçek dünyada ML senaryoları ve uygulamaları | [ML in the Wild](9-Real-World/README.md) | Klasik ML'nin ilginç ve aydınlatıcı gerçek dünya uygulamaları | [Lesson](9-Real-World/1-Applications/README.md) | Takım |
| Son Söz | RAI gösterge paneli kullanarak ML model hata ayıklama | [ML in the Wild](9-Real-World/README.md) | Sorumlu AI gösterge paneli bileşenleri kullanarak Makine Öğrenmesinde Model Hata Ayıklama | [Lesson](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
Bu dokümantasyonu çevrimdışı kullanmak için [Docsify](https://docsify.js.org/#/) kullanabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify kurun](https://docsify.js.org/#/quickstart) ve bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost’unuzda 3000 portunda sunulacaktır: `localhost:3000`.
Bu dökümantasyonu [Docsify](https://docsify.js.org/#/) kullanarak çevrimdışı çalıştırabilirsiniz. Bu depoyu çatallayın, kendi makinenize [Docsify yükleyin](https://docsify.js.org/#/quickstart) ve sonra bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost:3000 portunda sunulacaktır: `localhost:3000`.
## PDF’ler
## PDF'ler
Program müfredatının bağlantılı bir pdf’ini [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulun.
Kaynak bağlantılarıyla müfredatın pdf'sine [buradan](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) ulaşabilirsiniz.
## 🎒 Diğer Kurslar
## 🎒 Diğer Kurslar
Ekibimiz başka kurslar da üretiyor! Göz atın:
<!-- 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/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Ajanlar
[](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/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)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-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)
- Öğrenilen kavramları kullanarak gerçek dünya veri setlerini keşfedin.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Feragatname**:
Bu belge, AI çeviri servisi [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba sarf edilse de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi asli dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda oluşabilecek 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 hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalardan veya yanlış yorumlamalardan sorumlu değiliz.
Bu müfredatı sınıfınızda kullanmak ister misiniz? Lütfen çekinmeden kullanın!
Aslında, GitHub Classroom kullanarak bunu doğrudan GitHub içinde kullanabilirsiniz.
Aslında, bunu GitHub Classroom kullanarak GitHub içinde de kullanabilirsiniz.
Bunu yapmak için, bu depoyu çatallayın. Her ders için ayrı bir depo oluşturmanız gerekecek, bu yüzden her klasörü ayrı bir depoya çıkarmanız gerekecek. Bu şekilde, [GitHub Classroom](https://classroom.github.com/classrooms) her dersi ayrı ayrı alabilir.
Bunu yapmak için, bu depo çatallayın. Her ders için bir depo oluşturmanız gerekecek, bu yüzden her klasörü ayrı bir depoya çıkarmanız gerekecek. Böylece, [GitHub Classroom](https://classroom.github.com/classrooms) her dersi ayrı ayrı alabilir.
Bu [tam talimatlar](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) sınıfınızı nasıl kuracağınız konusunda size fikir verecektir.
Bu [tam talimatlar](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) sınıfınızı nasıl kuracağınız konusunda size bir fikir verecektir.
## Depoyu olduğu gibi kullanma
## Depoyu olduğu gibi kullanmak
Eğer bu depoyu şu anki haliyle, GitHub Classroom kullanmadan kullanmak isterseniz, bu da mümkün. Öğrencilerinizle hangi dersi birlikte çalışacağınızı iletişim kurmanız gerekecek.
Bu depoyu şu haliyle, GitHub Classroom kullanmadan kullanmak isterseniz, bu da mümkündür. Hangi dersin birlikte çalışılacağını öğrencilerinizle iletişim kurmanız gerekir.
Çevrimiçi bir formatta (Zoom, Teams veya diğerleri) sınavlar için küçük gruplar oluşturabilir ve öğrencileri öğrenmeye hazırlanmaları için yönlendirebilirsiniz. Ardından öğrencileri sınavlar için davet edebilir ve cevaplarını belirli bir zamanda 'issue' olarak göndermelerini isteyebilirsiniz. Aynı şeyi ödevler için de yapabilirsiniz, eğer öğrencilerin açık bir şekilde iş birliği yapmasını istiyorsanız.
Çevrimiçi formatta (Zoom, Teams veya başka bir platformda) quizler için küçük gruplar oluşturabilir ve öğrencileri öğrenmeye hazırlanmaları için mentorluk yapabilirsiniz. Ardından öğrencileri quizleri yapmaya ve cevaplarını belirli bir zamanda 'issues' olarak göndermeye davet edebilirsiniz. Eğer öğrencilerin açık bir şekilde birlikte çalışmasını istiyorsanız, ödevler için de aynı yöntemi uygulayabilirsiniz.
Daha özel bir format tercih ediyorsanız, öğrencilerinizden müfredatı ders ders kendi GitHub depolarına özel depo olarak çatallamalarını ve size erişim vermelerini isteyin. Ardından sınavları ve ödevleri özel olarak tamamlayabilir ve bunları sınıf deponuzdaki 'issue'lar aracılığıyla size gönderebilirler.
Daha özel bir format tercih ederseniz, öğrencilerinizden müfredatı ders ders çatallamaları ve kendi GitHub depolarına özel depolar olarak almalarını isteyin, size erişim verin. Böylece quizleri ve ödevleri özel olarak tamamlayabilir ve bunları size sınıfınızın deposunda issues üzerinden gönderebilirler.
Çevrimiçi sınıf formatında bunu çalıştırmanın birçok yolu var. Lütfen sizin için en iyi çalışan yöntemi bizimle paylaşın!
Çevrimiçi sınıf formatında bunu çalıştırmanın birçok yolu vardır. Lütfen sizin için en iyi olanı bize bildirin!
## Lütfen düşüncelerinizi bizimle paylaşın!
Bu müfredatın sizin ve öğrencileriniz için işe yaramasını istiyoruz. Lütfen bize [geri bildirim](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) verin.
Bu müfredatı sizin ve öğrencileriniz için işe yarar hale getirmek istiyoruz. Lütfen bize [geri bildirimde bulunun](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Feragatname**:
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluğu sağlamak için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**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 hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalardan veya yanlış yorumlamalardan sorumlu değiliz.
localizeflow[bot]
3 weeks ago