> Ovaj repozitorij sadrži prijevode na više od 50 jezika što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda koristite sparse checkout:
> Ovaj repozitorij uključuje prijevode na više od 50 jezika što znatno povećava veličinu preuzimanja. Za kloniranje bez prijevoda koristite sparse checkout:
Imamo seriju Discord za učenje s AI, saznajte više i pridružite nam se na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za Data Science.
Imamo seriju "Uči s AI" na Discordu, saznajte više i pridružite se na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilot za Data Science.
# Strojno učenje za početnike - Kurikulum
> 🌍 Putujte svijetom dok istražujemo Strojno učenje kroz kulture svijeta 🌍
> 🌍 Putujte oko svijeta dok istražujemo Strojno učenje kroz kulture svijeta 🌍
Cloud Advocates u Microsoftu s ponosom nude 12-tjedni, 26-poglavni kurikulum koji se bavi **Strojnim učenjem**. U ovom kurikulumu naučit ćete o onome što se ponekad naziva **klasičnim strojnim učenjem**, koristeći prvenstveno Scikit-learn kao knjižnicu i izbjegavajući duboko učenje, koje je obuhvaćeno u našem [AI za početnike kurikulumu](https://aka.ms/ai4beginners). Uparite ove lekcije s našim ['Data Science za početnike' kurikulumom](https://aka.ms/ds4beginners) također!
Cloud Advocates u Microsoftu s ponosom nude 12-tjedni, 26-lekcijski kurikulum posvećen **Strojnom učenju**. U ovom kurikulumu ćete naučiti o onome što se ponekad naziva **klasičnim strojnim učenjem**, koristeći prvenstveno biblioteku Scikit-learn i izbjegavajući duboko učenje, koje je obrađeno u našem [AI for Beginners' kurikulumu](https://aka.ms/ai4beginners). Uparite ove lekcije i s našim ['Data Science for Beginners' kurikulumom](https://aka.ms/ds4beginners).
Putujte s nama diljem svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih područja svijeta. Svaka lekcija uključuje kvizove prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i više. Naša pedagoška metoda zasnovana na projektima omogućuje vam da učite dok gradite, što je dokazani način da nove vještine ostanu.
Putujte s nama oko svijeta dok primjenjujemo ove klasične tehnike na podatke iz raznih dijelova svijeta. Svaka lekcija uključuje kvizove prije i nakon lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i još mnogo toga. Naša metodologija zasnovana na projektima omogućuje vam učenje kroz izgradnju, što je dokazano učinkovit način da nova znanja "ostanu".
**✍️ Srdačne zahvale našim autorima** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**✍️ Veliko hvala našim autorima** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**🎨 Zahvale također našim ilustratorima** Tomomi Imura, Dasani Madipalli, i Jen Looper
**🎨 Zahvale i našim ilustratorima** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Posebne zahvale 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja**, posebice Rishitu Dagliju, Muhammadu Sakib Khanu Inanu, Rohanu Raju, Alexandru Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwal
**🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja**, posebno Rishitu Dagliju, Muhammadu Sakib Khanu Inanu, Rohanu Raju, Alexandruu Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwalu
**🤩 Dodatna zahvala Microsoft Student Ambassadorima Ericu Wanjau, Jasleen Sondhi i Vidushi Gupti za naše R lekcije!**
**🤩 Posebna zahvalnost Microsoft Student Ambassadorima Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za naše R lekcije!**
# Početak rada
Slijedite ove korake:
1. **Forkajte Repozitorij**: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Trebate pomoć?** Provjerite naš [Vodič za rješavanje problema](TROUBLESHOOTING.md) za rješenja uobičajenih problema s instalacijom, postavkom i izvođenjem lekcija.
> 🔧 **Trebate pomoć?** Pogledajte naš [Vodič za rješavanje problema](TROUBLESHOOTING.md) za rješenja čestih problema s instalacijom, postavljanjem i izvođenjem lekcija.
**[Studenti](https://aka.ms/student-page)**, za korištenje ovog kurikuluma, forkajte cijeli repozitorij na vaš GitHub račun i dovršite vježbe sami ili u grupi:
**[Učenici](https://aka.ms/student-page)**, za korištenje ovog kurikuluma, forkajte cijeli repozitorij na vlastiti GitHub račun i dovršavajte vježbe samostalno ili u grupi:
- Započnite kvizom prije predavanja.
- Pročitajte predavanje i dovršite aktivnosti, pauzirajući i razmišljajući kod svake provjere znanja.
- Pokušajte kreirati projekte razumijevanjem lekcija umjesto izvođenjem koda rješenja; ipak je taj kod dostupan u `/solution` mapama u svakoj lekciji orijentiranoj na projekt.
- Polažite kviz nakon predavanja.
- Počnite s kvizom prije predavanja.
- Pročitajte predavanje i dovršite aktivnosti, zaustavljajući se i razmišljajući na svakoj provjeri znanja.
- Pokušajte stvoriti projekte razumijevanjem lekcija, a ne samo pokretanjem rješenja; međutim, taj je kod dostupan u mapama `/solution` u svakoj lekciji usmjerenoj na projekte.
- Uradite kviz nakon predavanja.
- Dovršite izazov.
- Dovršite zadatak.
- Nakon dovršetka grupe lekcija, posjetite [Diskusijski Forum](https://github.com/microsoft/ML-For-Beginners/discussions) i "učite na glas" ispunjavajući odgovarajući PAT obrazac. 'PAT' je alat za procjenu napretka i obrazac koji ispunjavate za daljnje učenje. Također možete reagirati na druge PAT-ove kako bismo zajednički učili.
- Nakon završetka grupe lekcija, posjetite [Diskusijski forum](https://github.com/microsoft/ML-For-Beginners/discussions) i "učite naglas" ispunjavanjem odgovarajućeg PAT obrasca. 'PAT' je alat za procjenu napretka koji ispunjavate za daljnje učenje. Također možete reagirati na druge PAT-ove kako bismo zajedno učili.
> Za daljnje proučavanje preporučujemo praćenje ovih [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modula i putanja učenja.
> Za daljnje učenje preporučujemo praćenje ovih [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modula i obrazovnih putanja.
**Nastavnici**, dali smo [neke prijedloge](for-teachers.md) kako koristiti ovaj kurikulum.
**Nastavnici**, uključili smo [neke prijedloge](for-teachers.md) o tome kako koristiti ovaj kurikulum.
---
## Video vodiči
Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći u liniji u lekcijama ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod.
Neke lekcije dostupne su u obliku kratkih video zapisa. Sve ih možete pronaći unutar lekcija ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na donju sliku.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kliknite na sliku gore za video o projektu i ljudima koji su ga stvorili!
> 🎥 Kliknite gornju sliku za video o projektu i ljudima koji su ga stvorili!
---
## Pedagogija
Odabrali smo dva pedagoška načela pri izradi ovog kurikuluma: osigurati da je praktičan i **zasnovan na projektima** te da uključuje **česte kvizove**. Osim toga, ovaj kurikulum ima zajedničku **temu** koja mu daje koheziju.
Pri izradi ovog kurikuluma odabrali smo dva pedagoška principa: osigurati da je praktičan i **zasnovan na projektima** te da uključuje **učestale kvizove**. Osim toga, ovaj kurikulum ima zajedničku **temu** za koheziju.
Osiguravanjem da sadržaj odgovara projektima, proces učenja postaje zanimljiviji za studente, a zadržavanje koncepata pojačano. Osim toga, kviz s niskom uloženosti prije nastave postavlja namjeru učenika prema učenju teme, dok drugi kviz nakon nastave dodatno osigurava zadržavanje. Ovaj kurikulum je dizajniran da bude fleksibilan i zabavan te se može provesti u cijelosti ili djelomično. Projekti započinju mali i postaju sve složeniji do kraja 12-tjednog ciklusa. Kurikulum uključuje i naknadnu napomenu o stvarnim primjenama ML-a, što može poslužiti kao dodatni bod ili kao osnova za raspravu.
Osiguravajući da se sadržaj uskladi s projektima, proces učenja postaje zanimljiviji za učenike i poboljšava zadržavanje pojmova. Uz to, kviz s niskim ulogom prije nastave usmjerava namjeru učenika ka učenju teme, dok drugi kviz nakon nastave osigurava dodatno usvajanje znanja. Ovaj je kurikulum osmišljen kao fleksibilan i zabavan te se može koristiti u cijelosti ili djelomično. Projekti počinju jednostavni i postaju sve složeniji do kraja 12-tjednog ciklusa. Kurikulum također uključuje epilog o stvarnim primjenama strojnog učenja, koji se može koristiti kao dodatni bodovi ili kao osnova za raspravu.
> Pogledajte naš [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Doprinos](CONTRIBUTING.md), [Prevođenje](TRANSLATIONS.md) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Cijenimo vašu konstruktivnu povratnu informaciju!
> Pronađite naš [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Pravila za doprinos](CONTRIBUTING.md), [Prijevode](TRANSLATIONS.md) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Dobrodošao je vaš konstruktivan feedback!
## Svaka lekcija uključuje
- opcionalnu skicu bilješki
- opcionalni dodatni video
- video vodič (samo za neke lekcije)
- [kviz za zagrijavanje prije lekcije](https://ff-quizzes.netlify.app/en/ml/)
- neobaveznu skicu bilješki
- neobavezni dopunski video
- video vodič (samo neke lekcije)
- [pripremni kviz prije predavanja](https://ff-quizzes.netlify.app/en/ml/)
- pisanu lekciju
- za lekcije temeljene na projektima, vodiče korak po korak kako izgraditi projekt
- za lekcije temeljene na projektima, vodiče korak-po-korak za izradu projekta
- provjere znanja
- izazov
- dopunsko čitanje
- dodatno čitanje
- zadatak
- [kviz nakon lekcije](https://ff-quizzes.netlify.app/en/ml/)
> **Napomena o jezicima**: Ove lekcije su uglavnom napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršetak R lekcije, otiđite u mapu `/solution` i potražite R lekcije. One uključuju ekstenziju .rmd što predstavlja **R Markdown** datoteku koja se može jednostavno definirati kao ugradnja `kodnih blokova` (R ili drugih jezika) i `YAML zaglavlja` (koje usmjerava formatiranje izlaza poput PDF) unutar `Markdown dokumenta`. Kao takav, služi kao izvrsni okvir za autorstvo u znanosti o podacima jer vam omogućuje da kombinirate svoj kod, njegov izlaz i svoje misli pisanjem u Markdownu. Štoviše, R Markdown dokumenti mogu se pretvoriti u izlazne formate poput PDF, HTML ili Word.
> **Napomena o kvizovima**: Svi kvizovi su smješteni u [Quiz App folder](../../quiz-app), ukupno 52 kviza sa po tri pitanja. Povezani su iz lekcija, ali kviz aplikacija se može pokrenuti lokalno; pratite upute u `quiz-app` mapi za lokalno hostanje ili postavljanje na Azure.
| Broj lekcije | Tema | Grupiranje lekcija | Ciljevi učenja | Povezana lekcija | Autor |
| 01 | Uvod u strojno učenje | [Uvod](1-Introduction/README.md) | Naučite osnovne koncepte strojnog učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Naučite povijest ovog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Pravičnost i strojno učenje | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja o pravičnosti koja učenici trebaju razmotriti prilikom izrade i primjene ML modela? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike za strojno učenje | [Uvod](1-Introduction/README.md) | Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Počnite s Pythonom i Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte i očistite podatke kao pripremu za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izgradite linearne i polinomne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izgradite logistički regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Web aplikacija 🔌 | [Web App](3-Web-App/README.md) | Izgradite web aplikaciju za korištenje vašeg obučenog modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod u klasifikatore | [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 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Više klasifikatora | [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 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Izgradite preporučiteljsku web aplikaciju koristeći vaš model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod u grupiranje | [Grupiranje](5-Clustering/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u grupiranje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Istražujući nigerijske glazbene ukuse 🎧 | [Grupiranje](5-Clustering/README.md) | Istražite K-Means metodu grupiranja | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Uvod u obradu prirodnog jezika ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Naučite osnove NLP-a izgradnjom jednostavnog bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Česti zadaci NLP-a ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbite svoje NLP znanje razumijevanjem čestih zadataka potrebnih pri radu s jezičnim strukturama | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prijevod i analiza sentimenta ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Prijevod i analiza sentimenta s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod u vremenske serije | [Vremenske serije](7-TimeSeries/README.md) | Uvod u predviđanje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Potrošnja električne energije u svijetu ⚡️ - predviđanje vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Potrošnja električne energije u svijetu ⚡️ - predviđanje vremenskih serija sa SVR | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s Support Vector Regressorom | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod u učenje potkrepljivanjem | [Učenje potkrepljivanjem](8-Reinforcement/README.md) | Uvod u učenje potkrepljivanjem s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Praktični scenariji i primjene strojnog učenja | [ML u stvarnom svijetu](9-Real-World/README.md) | Zanimljive i otkrivajuće primjene klasičnog strojnog učenja | [Lekcija](9-Real-World/1-Applications/README.md) | Tim |
| Postscript | Otklanjanje grešaka modela u strojnome učenju uz RAI nadzornu ploču | [ML u stvarnom svijetu](9-Real-World/README.md) | Otklanjanje grešaka modela u strojnome učenju koristeći Responsible AI nadzornu ploču | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
> **Napomena o jezicima**: Ove su lekcije prvenstveno napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršetak R lekcije, idite u mapu `/solution` i potražite R lekcije. One uključuju .rmd ekstenziju koja predstavlja **R Markdown** datoteku, što se može jednostavno definirati kao umetanje `code chunks` (R ili drugih jezika) i `YAML zaglavlja` (koje usmjerava kako formatirati izlaze kao PDF) u `Markdown dokument`. Kao takav, služi kao izvrstan okvir za autorstvo za data science jer vam dopušta kombinirati vaš kod, njegov izlaz i vaše misli pisanjem u Markdownu. Nadalje, R Markdown dokumenti mogu se izvesti u izlazne formate poput PDF, HTML ili Word.
> **Napomena o kvizovima**: Svi kvizovi su sadržani u [Quiz App folderu](../../quiz-app), ukupno 52 kviza sa po tri pitanja. Linkani su unutar lekcija, no aplikaciju za kvizove moguće je pokrenuti lokalno; slijedite upute u `quiz-app` folderu za lokalno hostanje ili deploy na Azure.
| Broj lekcije | Tema | Grupiranje lekcija | Ciljevi učenja | Povezana lekcija | Autor |
| 01 | Uvod u strojno učenje | [Uvod](1-Introduction/README.md) | Naučiti osnovne pojmove strojnog učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Naučiti povijest ovog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Pravednost i strojno učenje | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja o pravednosti koja učenici trebaju razmotriti pri izgradnji i primjeni ML modela? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike za strojno učenje | [Uvod](1-Introduction/README.md) | Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Početak rada s Pythonom i Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Vizualizirati i očistiti podatke kao pripremu za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izraditi linearne i polinomijalne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izraditi logistički regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Web aplikacija 🔌 | [Web App](3-Web-App/README.md) | Izgraditi web aplikaciju za upotrebu vašeg istreniranog modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistiti, pripremiti i vizualizirati podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod u klasifikatore | [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 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md)| Više klasifikatora | [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 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Izraditi web aplikaciju za preporuke koristeći vaš model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod u klasteriranje | [Klasteriranje](5-Clustering/README.md) | Očistiti, pripremiti i vizualizirati podatke; uvod u klasteriranje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Istraživanje nigerijskih glazbenih ukusa 🎧 | [Klasteriranje](5-Clustering/README.md) | Istražiti K-Means metodu klasteriranja | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Uvod u obradu prirodnog jezika ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Naučiti osnove NLP-a kroz izgradnju jednostavnog bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Uobičajeni NLP zadaci ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbiti svoje znanje NLP-a razumijevanjem čestih zadataka u radu s jezičnim strukturama | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prevođenje i analiza sentimenta ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Prevođenje i analiza sentimenta s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod u predviđanje vremenskih serija | [Vremenske serije](7-TimeSeries/README.md) | Uvod u predviđanje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija sa SVR | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija pomoću regresora s podrškom vektora | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod u učenje s pojačanjem | [Učenje s pojačanjem](8-Reinforcement/README.md) | Uvod u učenje s pojačanjem pomoću Q-Learninga | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozite Peteru izbjeći vuka! 🐺 | [Učenje s pojačanjem](8-Reinforcement/README.md) | Učenje s pojačanjem uz Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Poslije | Scenariji i primjene stvarnog svijeta s ML | [ML u stvarnom svijetu](9-Real-World/README.md) | Zanimljive i otkrivajuće stvarne primjene klasičnog strojnog učenja | [Lekcija](9-Real-World/1-Applications/README.md) | Tim |
| Poslije | Debugiranje modela u ML s RAI dashboardom | [ML u stvarnom svijetu](9-Real-World/README.md) | Debugiranje modela u strojnome učenju koristeći komponente Responsible AI dashboarda | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Pristup izvan mreže
## Offline pristup
Ovu dokumentaciju možete pokretati izvan mreže koristeći [Docsify](https://docsify.js.org/#/). Forkajte ovaj repozitorij, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na vaš lokalni uređaj, a zatim u glavnoj mapi ovog repozitorija upišite `docsify serve`. Web stranica će se poslužiti na portu 3000 na vašem lokalnom računalu: `localhost:3000`.
Ovu dokumentaciju možete pokrenuti offline koristeći [Docsify](https://docsify.js.org/#/). Forkajte ovaj repozitorij, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na svoj lokalni uređaj i u korijenskom direktoriju repozitorija upišite `docsify serve`. Web stranica će biti dostupna na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF-ovi
Nađite pdf nastavnoga plana s poveznicama [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Pronađite pdf nastavnog plana s linkovima [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Drugi tečajevi
## 🎒 Drugi tečajevi
Naš tim proizvodi i druge tečajeve! Pogledajte:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agent
[](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)
---
### Serija generativne umjetne inteligencije
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Osnovno učenje
[](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://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)
@ -200,24 +200,24 @@ Naš tim proizvodi i druge tečajeve! Pogledajte:
---
### Serija 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)
Ako zapnete ili imate pitanja o izradi AI aplikacija, pridružite se drugim učenicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica gdje su pitanja dobrodošla, a znanje se slobodno dijeli.
Ako zapnete ili imate pitanja o izgradnji AI aplikacija. Pridružite se drugim učenicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica gdje su pitanja dobrodošla i znanje se slobodno dijeli.
Ovaj dokument je preveden pomoću AI prevodilačke usluge [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, molimo imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati službenim i autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.
**Odricanje od odgovornosti**:
Ovaj dokument preveden je korištenjem AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako nastojimo postići točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku smatra se službenim i autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakve nesporazume ili kriva tumačenja koja proizlaze iz korištenja ovog prijevoda.
Imamo tekočo serijo Learn with AI na Discordu, izvedite več in se nam pridružite na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Prejeli boste nasvete in trike za uporabo GitHub Copilota za podatkovno znanost.
Imamo tekočo serijo Learn with AI na Discordu, več o tem in pridružitev na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Prejeli boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.
# Strojno učenje za začetnike - Kurikulum
# Strojno učenje za začetnike – učni načrt
> 🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje preko svetovnih kultur 🌍
> 🌍 Potujte po svetu, ko raziskujemo strojno učenje preko svetovnih kultur 🌍
Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski, 26-universni kurikulum, ki govori o **strojno učenje**. V tem kurikulumu se boste naučili, kar se včasih imenuje **klasično strojno učenje**, pri čemer primarno uporabljamo knjižnico Scikit-learn in se izogibamo globokemu učenju, ki je zajeto v našem [Kurikulumu AI za začetnike](https://aka.ms/ai4beginners). Te lekcije kombinirajte s kurikulumom ['Data Science for Beginners'](https://aka.ms/ds4beginners).
Cloud Advocates pri Microsoftu so z veseljem pripravili 12-tedenski, 26-lekcijski učni načrt, ki govori o **strojnem učenju**. V tem učnem načrtu boste spoznali t.i. **klasično strojno učenje**, ki uporablja predvsem knjižnico Scikit-learn in se izogiba globokemu učenju, ki je zajeto v našem učnem načrtu [AI za začetnike](https://aka.ms/ai4beginners). Združite te lekcije tudi z našim [učnim načrtom za podatkovno znanost za začetnike](https://aka.ms/ds4beginners)!
Potujte z nami po svetu, ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje vprašalnike pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša pedagoška metoda temelji na projektih, kar vam omogoča učenje med gradnjo, preizkušena metoda, da nove sposobnosti zares usvojite.
Potujte z nami okoli sveta, ko uporabljamo te klasične tehnike na podatkih iz različnih področij sveta. Vsaka lekcija vsebuje kvize pred in po lekciji, pisna navodila za izvedbo lekcije, rešitev, nalogo in več. Naš projektno usmerjen pouk vam omogoča učenje preko gradnje, kar je preverjen način za boljše pomnjenje novih veščin.
**✍️ Iskrena hvala našim avtorjem** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
**✍️ Iskrena zahvala našim avtorjem** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
**🎨 Zahvala tudi našim ilustratorjem** Tomomi Imura, Dasani Madipalli in Jen Looper
**🎨 Hvala tudi našim ilustratorjem** Tomomi Imura, Dasani Madipalli in Jen Looper
**🙏 Posebna hvala 🙏 našim avtorjem, recenzentom in prispevkarjem vsebin Microsoft Student Ambassador**, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
**🙏 Posebna zahvala 🙏 avtorjem, recenzentom in prispevkarjem vsebin Microsoft Student Ambassador,** predvsem Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
**🤩 Dodatna zahvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!**
**🤩 Dodatna hvala Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R-u!**
# Začetek
Sledite tem korakom:
1. **Razvezi repozitorij**: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
> [najdite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [vse dodatne vire za ta tečaj najdete v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potrebujete pomoč?**Preverite naš [Vodnik za odpravljanje težav](TROUBLESHOOTING.md) za rešitve pogostih težav pri nameščanju, nastavitvi in izvajanju lekcij.
> 🔧 **Potrebujete pomoč?**Oglejte si naš [Vodnik za odpravljanje težav](TROUBLESHOOTING.md) za rešitve pogostih težav pri namestitvi, nastavitvi in izvajanju lekcij.
**[Študenti](https://aka.ms/student-page)**, da uporabite ta kurikulum, razvejite celoten repozitorij v svoj GitHub račun in rešujte vaje samostojno ali v skupini:
- Začnite z vprašalnikom pred predavanjem.
- Preberite predavanje in opravite aktivnosti, premorite in razmislite vsakič ob preverjanju znanja.
- Poskusite ustvariti projekte z razumevanjem lekcij, ne le z zagonom rešitvene kode; ta koda je na voljo v mapah `/solution` v vsaki lekciji usmerjeni v projekt.
- Opravite vprašalnik po predavanju.
**[Študenti](https://aka.ms/student-page)**, za uporabo tega učnega načrta razvejite celoten repozitorij na svoj GitHub račun in vaje rešujte sami ali v skupini:
- Začnite s kvizom pred predavanjem.
- Preberite predavanje in dokončajte dejavnosti, ob vsakem preverjanju znanja naredite pavzo in razmislite.
- Poskušajte ustvariti projekte z razumevanjem lekcij, namesto samo z izvajanjem rešitvenih kod; te so vseeno na voljo v mapah `/solution` v vsaki lekciji, usmerjeni v projekte.
- Naredite kviz po predavanju.
- Opravite izziv.
- Opravite nalogo.
- Po zaključku skupine lekcij obiščite [Diskusijsko ploščo](https://github.com/microsoft/ML-For-Beginners/discussions) in "učite se naglas" tako, da izpolnite ustrezno rubriko PAT. 'PAT' je orodje za ocenjevanje napredka, ki ga izpolnite za nadaljnje učenje. Prav tako lahko reagirate na druge PAT-e, da se učimo skupaj.
- Izpolnite nalogo.
- Po zaključku skupine lekcij obiščite [razpravno ploščo](https://github.com/microsoft/ML-For-Beginners/discussions) in "učite se naglas" tako, da izpolnite ustrezno rubriko PAT. 'PAT' je Orodje za ocenjevanje napredka, kjer izpolnite rubriko, ki vam pomaga pri učenju. Prav tako lahko reagirate na druge PAT, da se učimo skupaj.
> Za nadaljnje študije priporočamo, da sledite tem modulom in učnim potezam na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Za dodatno študijo priporočamo sledenje tem [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulom in učnim potem.
**Učitelji**, vključili smo [nekaj predlogov](for-teachers.md) o uporabi tega kurikuluma.
**Učitelji**, vključili smo nekaj [predlogov](for-teachers.md) o tem, kako uporabiti ta učni načrt.
---
## Video predstavitve
Nekatere lekcije so na voljo kot kratki video posnetki. Vse te lahko najdete v lekcijah ali na [predvajalniku ML for Beginners na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) s klikom na spodnjo sliko.
Nekatere lekcije so na voljo tudi kot kratki videoposnetki. Vse te najdete v lekcijah ali na [predvajalnem seznamu ML za začetnike na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) s klikom na spodnjo sliko.
[](https://aka.ms/ml-beginners-videos)
@ -88,76 +89,76 @@ Nekatere lekcije so na voljo kot kratki video posnetki. Vse te lahko najdete v l
> 🎥 Kliknite na zgornjo sliko za video o projektu in osebah, ki so ga ustvarile!
> 🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!
---
## Pedagogika
Ob oblikovanju tega kurikuluma smo izbrali dve pedagoški načeli: zagotoviti, da je praktičen in **na projektih temelječ** ter da vključuje **pogoste preizkuse** znanja. Poleg tega ima ta kurikulum skupno **temo**, ki mu daje kohezivnost.
Pri oblikovanju tega učnega načrta smo izbrali dva pedagoška temeljna načela: zagotoviti, da je praktičen in **projektno usmerjen** ter da vključuje **pogoste kvize**. Poleg tega ima ta učni načrt skupno **temo** za boljšo povezanost.
S tem, ko se vsebina uskladi s projekti, je proces učenja bolj zanimiv za študente in bo pripomogel k boljši zapomnljivosti konceptov. Poleg tega nizko-dvignjen vprašalnik pred predavanjem usmeri študentovo pozornost k učenju teme, medtem ko vprašalnik po predavanju zagotavlja še boljšo zapomnljivost. Ta kurikulum je zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo preprosto in postanejo vse bolj kompleksni do konca 12-tedenskega cikla. Kurikulum vključuje tudi dodatek o resničnih aplikacijah strojnega učenja, ki se lahko uporabi kot dodaten kredit ali kot osnova za razpravo.
S tem, ko uskladimo vsebino s projekti, je proces za študente bolj privlačen in koncepti se bolje zapomnijo. Poleg tega nizko-tvegan kviz pred predavanjem postavi namero študenta za učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnje utrjevanje. Ta učni načrt je zasnovan kot prilagodljiv in zabaven ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo majhni in ob koncu 12-tedenskega obdobja postanejo vedno bolj kompleksni. Ta učni načrt vključuje tudi dodatek o resničnih aplikacijah strojnega učenja, ki ga lahko uporabite kot dodatno ocenjevanje ali osnovo za razpravo.
> Najdite naš [Kodeks ravnanja](CODE_OF_CONDUCT.md), [Prispevanje](CONTRIBUTING.md), [Prevajanje](TRANSLATIONS.md) in [Odpravljanje težav](TROUBLESHOOTING.md). Veselimo se vaših konstruktivnih povratnih informacij!
> Poiščite naša pravila [Kodeks vedenja](CODE_OF_CONDUCT.md), [Prispevanje](CONTRIBUTING.md), [Prevajanje](TRANSLATIONS.md) in [Odpravljanje težav](TROUBLESHOOTING.md). Veselimo se vaših konstruktivnih povratnih informacij!
## Vsaka lekcija vključuje
- neobveznoosnutek/sketchnote
- neobvezni dopolnilni video
- video predstavitev (v nekaterih lekcijah)
- [vprašalnik za ogrevanje pred predavanjem](https://ff-quizzes.netlify.app/en/ml/)
- neobvezen sketchnote
- neobvezen dodatni video
- video predstavitev (le nekatere lekcije)
- [kviz za ogrevanje pred predavanjem](https://ff-quizzes.netlify.app/en/ml/)
- pisno lekcijo
- pri projektnih lekcijah, vodnike po korakih za izdelavo projekta
- preverjanje znanja
- za projektno usmerjene lekcije korak-po-korak vodiče kako sestaviti projekt
- preverjanja znanja
- izziv
- dodatno branje
- nalogo
- [vprašalnik po predavanju](https://ff-quizzes.netlify.app/en/ml/)
> **Opomba o jezikih**: Te lekcije so večinoma napisane v Pythonu, a je veliko tudi na voljo v R. Za dokončanje lekcije v R pojdite v mapo `/solution`, kjer poiščite R lekcije. Te vsebujejo datoteke z .rmd razširitvijo, ki predstavlja **R Markdown** datoteko, ki je preprosto definirano kot vstavljanje `kodo blokov` (R ali drugih jezikov) in `YAML glave` (ki usmerja oblikovanje izhodov, kot je PDF) v `Markdown dokument`. Tako služi kot odličen okvir za pisanje vsebin za podatkovno znanost, saj vam omogoča, da združite kodo, njen izhod in svoje misli s pisanjem v Markdown. Poleg tega se dokumenti R Markdown lahko pretvorijo v izhodne formate, kot so PDF, HTML ali Word.
> **Opomba o kvizih**: Vsi kvizi so v [mapi Quiz App](../../quiz-app), skupaj 52 kvizov s po tremi vprašanji. Povezani so znotraj lekcij, vendar lahko aplikacijo za kvize zaženete lokalno; sledite navodilom v mapi `quiz-app` za lokalno gostovanje ali namestitev na Azure.
| Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtorji |
| 01 | Uvod v strojno učenje | [Uvod](1-Introduction/README.md) | Spoznajte osnovne pojme strojnega učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Zgodovina strojnega učenja | [Uvod](1-Introduction/README.md) | Spoznajte zgodovino tega področja| [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen in Amy |
| 03 | Poštenost in strojno učenje | [Uvod](1-Introduction/README.md) | Katere so pomembne filozofske težave glede poštenosti, ki naj jih študenti upoštevajo pri ustvarjanju in uporabi modelov ML? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike strojnega učenja | [Uvod](1-Introduction/README.md) | Katere tehnike uporabljajo raziskovalci ML za gradnjo ML modelov? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris in Jen |
| 05 | Uvod v regresijo | [Regresija](2-Regression/README.md) | Začnite s Pythonom in Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte in očistite podatke v pripravi na ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Izdelajte linearne in polinomske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen in Dmitry • Eric Wanjau |
| 08 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Izdelajte logistični regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | [Spletna aplikacija](3-Web-App/README.md) | Ustvarite spletno aplikacijo za uporabo vašega usposobljenega modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod v klasifikacijo | [Klasifikacija](4-Classification/README.md)| Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo| [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen in Cassie • Eric Wanjau |
| 11 | Okusne azijske in indijske jedi 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod v klasifikatorje| [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen in Cassie • Eric Wanjau |
| 12 | Okusne azijske in indijske jedi 🍜 | [Klasifikacija](4-Classification/README.md) | Več klasifikatorjev | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen in Cassie • Eric Wanjau |
| 13 | Okusne azijske in indijske jedi 🍜 | [Klasifikacija](4-Classification/README.md) | Ustvarite priporočilno spletno aplikacijo z vašim modelom | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod v gručenje | [Gručenje](5-Clustering/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v gručenje| [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | [Gručenje](5-Clustering/README.md) | Raziskujte metodo gručenja K-sredin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Uvod v obdelavo naravnega jezika ☕️ | [Obdelava naravnega jezika](6-NLP/README.md) | Spoznajte osnove NLP z gradnjo preprostega bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Pogoste naloge NLP ☕️ | [Obdelava naravnega jezika](6-NLP/README.md) | Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prevajanje in analiza sentimenta ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Prevajanje in analiza sentimenta z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli v Evropi ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Analiza sentimenta s pregledi hotelov 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli v Evropi ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Analiza sentimenta s pregledi hotelov 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod v napovedovanje časovnih vrst | [Časovne vrste](7-TimeSeries/README.md) | Uvod v napovedovanje časovnih vrst | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Svetovna poraba električne energije ⚡️ - napoved ARIMA | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Svetovna poraba električne energije ⚡️ - napoved SVR | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z regresorjem podpornih vektorjev | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod v učenje z okrepitvijo | [Učenje z okrepitvijo](8-Reinforcement/README.md) | Uvod v učenje z okrepitvijo z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomagajte Petru ubežati volku! 🐺 | [Učenje z okrepitvijo](8-Reinforcement/README.md) | Učenje z okrepitvijo v prostoru Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Dodatek | Primeri in uporabe ML v resničnem svetu | [ML v naravi](9-Real-World/README.md) | Zanimive in razkrivajoče realne aplikacije klasičnega ML | [Lekcija](9-Real-World/1-Applications/README.md) | Ekipa |
| Dodatek | Odpravljanje napak modelov ML z RAI nadzorno ploščo | [ML v naravi](9-Real-World/README.md) | Odpravljanje napak modelov strojnega učenja z uporabo komponent odgovorne nadzorne plošče RAI | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [najdite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [kviz po predavanju](https://ff-quizzes.netlify.app/en/ml/)
> **Opomba glede jezikov**: Te lekcije so večinoma napisane v Pythonu, vendar so mnoge na voljo tudi v R-ju. Za dokončanje lekcije v R-ju pojdite v mapo `/solution` in poiščite lekcije v R-ju. Vsebujejo končnico .rmd, ki predstavlja **R Markdown** datoteko, kar je preprosto definirano kot vdelava `koda blokov` (R ali drugih jezikov) in `YAML glave` (ki usmerja oblikovanje izhodov, kot je PDF) v `Markdown dokument`. Kot tak služi kot vzoren okvir za oblikovanje vsebin za podatkovno znanost, saj omogoča kombiniranje kode, njenega izhoda in vaših misli z zapisovanjem v Markdown. Poleg tega je mogoče R Markdown dokumente pretvoriti v izhodne formate, kot so PDF, HTML ali Word.
> **Opomba o kvizih**: Vsi kvizi so shranjeni v [mapi Quiz App](../../quiz-app), skupaj 52 kvizov, vsak s tremi vprašanji. Povezani so iz lekcij, lahko pa tudi lokalno zaženete aplikacijo za kvize; sledite navodilom v mapi `quiz-app` za lokalno gostovanje ali nameščanje v Azure.
| številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
| 01 | Uvod v strojno učenje | [Uvod](1-Introduction/README.md) | Spoznajte osnovne koncepte strojenega učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Zgodovina strojenega učenja | [Uvod](1-Introduction/README.md) | Spoznajte zgodovino tega področja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen in Amy |
| 03 | Pravičnost in strojno učenje | [Uvod](1-Introduction/README.md) | Katere so pomembne filozofske teme pravičnosti, ki jih morajo študenti upoštevati pri ustvarjanju in uporabi ML modelov? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike strojnega učenja | [Uvod](1-Introduction/README.md) | Katere tehnike uporabljajo raziskovalci ML za ustvarjanje ML modelov? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris in Jen |
| 05 | Uvod v regresijo | [Regresija](2-Regression/README.md) | Začnite z uporabo Pythona in Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte in očistite podatke kot pripravo za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Ustvarite linearne in polinomske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen in Dmitry • Eric Wanjau |
| 08 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Izdelajte model logistične regresije | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | [Spletna aplikacija](3-Web-App/README.md) | Ustvarite spletno aplikacijo za uporabo vašega izurjenega modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod v klasifikacijo | [Klasifikacija](4-Classification/README.md) | Očistite, pripravite in vizualizirajte svoje podatke; uvod v klasifikacijo | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen in Cassie • Eric Wanjau |
| 11 | Okusen azijski in indijski kulinarični svet 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod v klasifikatorje | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen in Cassie • Eric Wanjau |
| 12 | Okusen azijski in indijski kulinarični svet 🍜 | [Klasifikacija](4-Classification/README.md) | Več klasifikatorjev | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen in Cassie • Eric Wanjau |
| 13 | Okusen azijski in indijski kulinarični svet 🍜 | [Klasifikacija](4-Classification/README.md) | Ustvarite priporočilno spletno aplikacijo z vašim modelom | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod v gručenje | [Gručenje](5-Clustering/README.md) | Očistite, pripravite in vizualizirajte svoje podatke; uvod v gručenje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | [Gručenje](5-Clustering/README.md) | Raziščite metodo gručenja K-povprečij | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Uvod v procesiranje naravnega jezika ☕️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Spoznajte osnove NLP z izdelavo enostavnega bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Pogoste naloge NLP ☕️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Poglobite svoje znanje NLP z razumevanjem pogostih nalog, potrebnih za delo z jezikovnimi strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prevod in analiza sentimenta ♥️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Prevod in analiza sentimenta z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli Evrope ♥️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Analiza sentimenta z ocenami hotelov 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli Evrope ♥️ | [Procesiranje naravnega jezika](6-NLP/README.md) | Analiza sentimenta z ocenami hotelov 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod v napovedovanje časovnih vrst | [Časovne vrste](7-TimeSeries/README.md) | Uvod v napovedovanje časovnih vrst | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Poraba električne energije na svetu ⚡️ - napovedovanje časovnih vrst z ARIMA | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z metodo ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Poraba električne energije na svetu ⚡️ - napovedovanje časovnih vrst z SVR | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z regresorjem podpornih vektorjev | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod v učenje s krepitvijo | [Učenje s krepitvijo](8-Reinforcement/README.md) | Uvod v učenje s krepitvijo z metodo Q-učenja | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomagaj Petru, da se izogne volku! 🐺 | [Učenje s krepitvijo](8-Reinforcement/README.md) | Gym za učenje s krepitvijo | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Dodatek | Resnični primeri in uporabe ML | [ML v resnici](9-Real-World/README.md) | Zanimive in razkrivajoče resnične aplikacije klasičnega ML | [Lekcija](9-Real-World/1-Applications/README.md) | Ekipa |
| Dodatek | Odpravljanje napak modelov v ML z uporabo RAI nadzorne plošče | [ML v resnici](9-Real-World/README.md) | Odpravljanje napak modelov strojnega učenja z uporabo komponent nadzorne plošče Responsible AI | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Dostop brez povezave
To dokumentacijo lahko uporabljate brez povezave z uporabo [Docsify](https://docsify.js.org/#/). Razvežite ta repozitorij, [namestite Docsify](https://docsify.js.org/#/quickstart) na vaš lokalni računalnik, nato pa v korenski mapi tega repozitorija vnesite `docsify serve`. Spletna stran bo dostopna na vratih 3000 na vašem local hostu: `localhost:3000`.
To dokumentacijo lahko zaženete offline z uporabo [Docsify](https://docsify.js.org/#/). Forkajte ta repozitorij, [namestite Docsify](https://docsify.js.org/#/quickstart) na svoj računalnik in v korenski mapi tega repozitorija zaženite ukaz `docsify serve`. Spletna stran bo na voljo na vratih 3000 na vašem lokalnem računalniku: `localhost:3000`.
## PDF-ji
PDF različico učnega načrta s povezavami poiščite [tukaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Prenesite pdf učnega načrta s povezavami [tukaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Drugi tečaji
@ -168,55 +169,55 @@ Naša ekipa pripravlja tudi druge tečaje! Oglejte si:
### 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)
---
### Azure / Edge / MCP / Agentje
[](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)
---
### Serija generativne umetne inteligence
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Osnovno učenje
[](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)
### Osnove učenja
[](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)
---
### Serija 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)
Če boste obtičali ali imeli kakršnakoli vprašanja glede izdelave AI aplikacij, se pridružite so-učencem in izkušenim razvijalcem v razpravah o MCP. To je podpirajoča skupnost, kjer so vprašanja dobrodošla in se znanje brezplačno deli.
Če se zataknete ali imate kakršnakoli vprašanja glede izdelave AI aplikacij, se pridružite ostalim učencem in izkušenim razvijalcem v razpravah o MCP. To je podpirajoča skupnost, kjer so vprašanja dobrodošla in kjer znanje prosto delijo.
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v izvorni jeziku velja za uradni vir. Za pomembne informacije priporočamo strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, vas opozarjamo, da avtomatski prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije priporočamo strokovni človeški prevod. Ne odgovarjamo za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.
> Овај репозиторијум укључује преводе на преко 50 језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите sparse checkout:
> Ово складиште садржи преко 50 превода на различите језике што значајно повећава величину преузимања. Да бисте клонирали без превода, користите sparse checkout:
Имамо текућу серију „Учите са вештачком интелигенцијом“ на Discord-у, сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-а за Data Science.
Имамо текући серијал учења "Learn with AI" на Discord-у, сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. године. Добит ћете савете и трикове за коришћење GitHub Copilot-а за Data Science.
# Машинско учење за почетнике - Наставни програм
> 🌍 Путујте око света док истражујемо Машинско учење кроз светске културе 🌍
> 🌍 Путујте око света док истражујемо Машинско учење кроз културе света 🌍
Облачно одељење у Microsoft-уса задовољством нуди 12-недељни, 26-часовни наставни програм у вези са**Машинским учењем**. У овом програму учићете о нечему што се понекад назива **класично машинско учење**, користећи углавном Scikit-learn библиотеку и избегавајући дубоко учење, које је обухваћено у нашем [AI за почетнике наставном програму](https://aka.ms/ai4beginners). Такође, можете упарити ове лекције са нашим ['Data Science за почетнике' наставним програмом](https://aka.ms/ds4beginners).
Cloud Advocates у Microsoft-уса задовољством нуде 12-недељни програм од 26 лекција у вези са**Машинским учењем**. У овом програму научићете о ономе што се понекад назива **класичним машинским учењем**, користећи углавном Scikit-learn као библиотеку и избегавајући дубоко учење, које је обухваћено у нашем [AI for Beginners' nastavnom planu](https://aka.ms/ai4beginners). Повежите ове лекције са нашим ['Data Science for Beginners' наставним планом](https://aka.ms/ds4beginners) такође!
Путујте са нама широм света док примењујемо ове класичне технике на податке из различитих делова света. Свака лекција укључује квиз пре и после лекције, писана упутства за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам учење кроз рад, проверен начин да нове вештине остану у сећању.
Путујте с нама кроз свет док примењујемо ове класичне технике на податке из многих делова света. Свака лекција садржи квизове пре и после лекције, писана упутства за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам учење кроз рад, доказани начин да нова знања остану запамћена.
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Треба вам помоћ?** Погледајте наш [Водич за решавање проблема](TROUBLESHOOTING.md) за решења за честа питања о инсталацији, подешавању и покретању лекција.
> 🔧 **Треба вам помоћ?** Погледајте наш [Водич за решавање проблема](TROUBLESHOOTING.md) за решења уобичајених питања о инсталацији, подешавању и извођењу лекција.
**[Студенти](https://aka.ms/student-page)**, да бисте користили овај наставни програм, форкајте цео репозиторјум на свој GitHub налог и решавајте задатке сами или у групи:
**[Студенти](https://aka.ms/student-page)**, да бисте користили овај наставни програм, форкујте цело складиште на свој GitHub налог и извршавајте вежбе сами или у групи:
- Започните квизом пре предавања.
- Прочитајте предавање и завршите активности, правећи паузе и размишљајући о сваком проверавању знања.
- Покушајте да направите пројекте разумевањем лекција, уместо покретањем решења; ипак, тај код је доступан у папкама `/solution`у свакој лекцији усмереној на пројекте.
- Попуните квиз након предавања.
- Почните са квизом пре предавања.
- Прочитајте предавање и завршите активности, правећи паузе и размишљајући на сваком провери знања.
- Покушајте да направите пројекте разумевајући лекције уместо да само покрећете код решења; међутим, код је доступан у фолдерима `/solution`у свакој лекцији оријентисаној на пројекат.
- Урадите квиз после предавања.
- Завршите изазов.
- Попуните задатак.
- Након завршетка групе лекција, посетите [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) и „учите наглас“ попуњавајући одговарајућу PAT скалу. PAT је алат за процену напретка који се попуњава ради интензивирања учења. Такође можете реаговати на друге PAT-ове како бисмо заједно учили.
- Завршите задатак.
- Након завршетка групе лекција, посетите [Дискусиону таблу](https://github.com/microsoft/ML-For-Beginners/discussions) и "учите гласно" попуњавајући одговарајућу PAT рубрику. PAT је алат за процену напретка који се попуњава за боље учење. Такође можете реаговати на друге PAT-ове да бисмо учили заједно.
> За даље студирање препоручујемо пратеће [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) модуле и путеве учења.
> За даље учење препоручујемо праћење ових [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) модула и путева учења.
**Наставници**, укључили смо [неке предлоге](for-teachers.md) о коришћењу овог наставног програма.
**Наставници**, укључили смо [неке предлоге](for-teachers.md) како користити овај наставни програм.
---
## Видео водичи
## Видео презентације
Неке лекције су доступне као кратки видео записи. Сви се могу пронаћи интегрисани у лекције или на [ML for Beginners плейлисти на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод.
Неке од лекција доступне су као кратки видео снимци. Све их можете пронаћи унутар лекција или на [ML for Beginners плејлисти на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Кликните на слику горе за видео о пројекту и људима који суга креирали!
> 🎥 Кликните слику изнад за видео о пројекту и људима који суга креирали!
---
## Педагогија
Изабрали смо два педагошка начела у изградњи овог наставног програма: обезбеђивање практичне, **пројектно оријентисане** наставе и укључивање **честих квизова**. Поред тога, овај наставни програм има заједничку **тему** ради кохезије.
Изабрали смо два педагошка принципа приликом креирања овог програма: обезбеђивање да буде практичан и **појекат заснован**, као и да укључује **честе квизове**. Поред тога, овај програм има заједничку **тему** која му даје кохерентност.
Обезбеђивање усаглашености садржаја са пројектима повећава ангажовање студената и појачава задржавање концепата. Поред тога, квиз са малом важношћу пре часа усмерава студента ка учењу теме, док други квиз након часа осигурава додатно задржавање знања. Овај програм је дизајниран да буде флексибилан и забаван и може сепохађати у целости или делимично. Пројекти почињу једноставно и постају све сложенији до краја 12-недељног циклуса. У програму је такође укључен послепис о примени машинског учења у стварном свету, који се може користити као додатни бод или као тема за дискусију.
Обезбеђивањем да садржај буде усаглашен с пројектима, процес учења постаје занимљивији за студенте и повећава се задржавање концепата. Поред тога, квиз с малим улагањем пре часа поставља студенту циљ учења, док други квиз по завршетку часа осигурава додатно задржавање градива. Овај наставни програм је дизајниран да буде флексибилан и забаван и може секористити у целини или делимично. Пројекти почињу једноставно, а завршавају се све сложенијим по завршетку 12-недељног циклуса. Програм такође укључује епилог о стварним применама машинског учења, који се може искористити као додатни бод или као основа за дискусију.
> Пронађите наша упутства за [Правила понашања](CODE_OF_CONDUCT.md), [Допринос](CONTRIBUTING.md), [Превод](TRANSLATIONS.md) и [Решавање проблема](TROUBLESHOOTING.md). Добро су дошли ваши конструктивни предлози!
> Пронађите наше смернице [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) и [Troubleshooting](TROUBLESHOOTING.md). Добродошли су ваши конструктивни коментари!
## Свака лекција укључује
## Сваку лекцију чине
- опциони скицнoт
- опциони додатни видео
- видео водич (само неке лекције)
- [квиз за загревање пре предавања](https://ff-quizzes.netlify.app/en/ml/)
- писану лекцију
- за пројектно оријентисане лекције, корак-по-корак упутства како направити пројекат
- опционална скицнота
- опционални додатни видео
- видео преглед (само неке лекције)
- [преквиз пре предавања](https://ff-quizzes.netlify.app/en/ml/)
- писана лекција
- за лекције засноване на пројектима, корак по корак упутства како изградити пројекат
- провере знања
- изазов
- додатно читање
- додатна литература
- задатак
- [квиз након предавања](https://ff-quizzes.netlify.app/en/ml/)
> **Напомена о језицима**: Ове лекције су углавном написане на Питону, али многе су доступне и на R-у. Да бисте завршили R лекцију, идите у`/solution` фолдер и потражите R лекције. Оне укључују .rmd екстензију која представља **R Markdown** фајл, који се једноставно може дефинисати као уградња`кодних делова` (R или других језика) и `YAML заглавља` (које води како да се форматирају излази као ПДФ) у`Markdown документ`. Као такав, он служи као изванредан систем за ауторство за науку о подацимајер вам омогућава да комбинујете свој код, његов излаз и своје мисли записане у Markdown-у. Штавише, R Markdown документи могу бити преведени у излазне формате као што су PDF, HTML или Word.
> **Напомена о квизовима**: Сви квизови се налазе у [фолдеру Quiz App](../../quiz-app), укупно 52 квизова са по три питања. Они су повезани из унутар лекција али апликацију за квизове можете покренути локално; пратите упутство уфолдеру `quiz-app` за локално хостовање или деплој на Azure.
| 01 | Увод у машинско учење | [Увод](1-Introduction/README.md) | Научите основне појмове машинског учења | [Лекција](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Историја машинског учења | [Увод](1-Introduction/README.md) | Научите историју ове области | [Лекција](1-Introduction/2-history-of-ML/README.md) | Jen и Amy |
| 03 | Праведност и машинско учење | [Увод](1-Introduction/README.md) | Којасу важна филозофска питања о праведности која студенти треба да размотре приликом израде и примене ML модела? | [Лекција](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Технике машинског учења | [Увод](1-Introduction/README.md) | Које технике истраживачи машинског учења користе за израду ML модела? | [Лекција](1-Introduction/4-techniques-of-ML/README.md) | Chris и Jen |
| 05 | Увод у регресију | [Регресија](2-Regression/README.md) | Започните са Python и Scikit-learn за регресионе моделе | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Визуелизујте и очистите податке у припреми за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Изградите линеарне и полиномне регресионе моделе | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen и Dmitry • Eric Wanjau |
| 08 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Израдите логистички регресионни модел | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 10 | Увод у класификацију | [Класификација](4-Classification/README.md) | Очистите, припремите и визуелизујте своје податке; увод у класификацију | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen и Cassie • Eric Wanjau |
| 11 | Укусна азијска и индијска кухиња 🍜 | [Класификација](4-Classification/README.md) | Увод у класификаторе | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen и Cassie • Eric Wanjau |
| 12 | Укусна азијска и индијска кухиња 🍜 | [Класификација](4-Classification/README.md) | Више класификатора | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen и Cassie • Eric Wanjau |
| 13 | Укусна азијска и индијска кухиња 🍜 | [Класификација](4-Classification/README.md) | Израдите препоручиву веб апликацију користећи свој модел | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Увод у кластеризацију | [Кластеризација](5-Clustering/README.md) | Очистите, припремите и визуелизујте своје податке; увод у кластеризацију | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Истраживање нигеријских музичких утисака 🎧 | [Кластеризација](5-Clustering/README.md) | Истражите K-Means методу кластеризације | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Увод у обраду природног језика ☕️ | [Обрада природног језика](6-NLP/README.md) | Научите основе NLP израдом једноставног бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Чести задаци NLP-а ☕️ | [Обрада природног језика](6-NLP/README.md) | Продубите своје знање NLP-а разумевањем уобичајених задатака потребних за рад са структурама језика | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Превод и анализа сентимента ♥️ | [Обрада природног језика](6-NLP/README.md) | Превод и анализа сентиментаса Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтични хотели Европе ♥️ | [Обрада природног језика](6-NLP/README.md) | Анализа сентимента помоћу рецензија хотела 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтични хотели Европе ♥️ | [Обрада природног језика](6-NLP/README.md) | Анализа сентимента помоћу рецензија хотела 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Увод у прогнозирање временских серија | [Временске серије](7-TimeSeries/README.md) | Увод у прогнозирање временских серија | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање са ARIMA | [Временске серије](7-TimeSeries/README.md) | Прогнозирање временских серија са ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање са SVR | [Временске серије](7-TimeSeries/README.md) | Прогнозирање временских серија са Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Увод у појачајно учење | [Појачајно учење](8-Reinforcement/README.md) | Увод у појачајно учење са Q-учењем | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Послепис | Сценарији и примене машинског учења у свету | [ML у природи](9-Real-World/README.md) | Интересантне и откривајуће примене класичног машинског учења | [Лекција](9-Real-World/1-Applications/README.md) | Тим |
- [постквиз након предавања](https://ff-quizzes.netlify.app/en/ml/)
> **Напомена о језицима**: Ове лекције су углавном написане у Питону, али многе су такође доступне и у R. За завршетак R лекције, идите у фолдер `/solution` и потражите R лекције. Оне имају .rmd екстензију која представља **R Markdown** датотеку која се једноставно може дефинисати као уграђивање`кодних делова` (R или других језика) и `YAML заглавља` (које води како форматити излаз као PDF) у`Markdown документ`. Као таква, служи као пример ауторског оквира за data scienceјер вам омогућава да комбинујете свој код, његов излаз и своје размишљање тако што ћете их записати у Markdown. Поред тога, R Markdown документи могу бити претворени у излазне формате као што су PDF, HTML или Word.
> **Напомена о квизовима**: Сви квизови се налазе у [Quiz App фолдеру](../../quiz-app), укупно 52 квизаса по три питања сваки. Они су повезани из уџбеника али апликацију за квизове можете покренути локално; пратите упутство у`quiz-app` фолдеру да бисте локално хостовали или депловали на Azure.
| Број лекције | Тема | Група лекција | Циљеви учења | Повезана лекција | Аутор |
| 01 | Увод у машинско учење | [Introduction](1-Introduction/README.md) | Научите основне концепте машинског учења | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Историја машинског учења | [Introduction](1-Introduction/README.md) | Научите историју овог поља | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Поштеност и машинско учење | [Introduction](1-Introduction/README.md) | Којасу важна филозофска питања о поштености која студенти треба да размотре при изградњи и примени ML модела? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Технике машинског учења | [Introduction](1-Introduction/README.md) | Које технике истраживачи ML користе за изградњу ML модела? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Увод у регресију | [Regression](2-Regression/README.md) | Започните са Питоном и Scikit-learn за регресионе моделе| [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цена бундеве у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Визуализујте и очистите податке у припреми за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цена бундеве у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Изградите линеарне и полиномне регресионе моделе | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Цена бундеве у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Изградите логистички регресионни модел | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 10 | Увод у класификацију | [Classification](4-Classification/README.md) | Очистите, припремите и визуализујте своје податке; увод у класификацију | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Укусне азијске и индијске кухиње 🍜 | [Classification](4-Classification/README.md) | Увод у класификаторе | [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 | Укусне азијске и индијске кухиње 🍜 | [Classification](4-Classification/README.md) | Више класификатора | [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 | Укусне азијске и индијске кухиње 🍜 | [Classification](4-Classification/README.md) | Изградите препоручивачку веб апликацију користећи ваш модел | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Увод у кластеровање | [Clustering](5-Clustering/README.md) | Очистите, припремите и визуализујте своје податке; увод у кластеровање | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Истраживање нигеријских музичких укуса 🎧 | [Clustering](5-Clustering/README.md) | Истражите K-Means методу кластеровања | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Увод у обраду природног језика ☕️ | [Natural language processing](6-NLP/README.md) | Научите основе NLP правећи једноставног бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Чести задаци NLP ☕️ | [Natural language processing](6-NLP/README.md) | Продубите своје знање NLP разумевањем уобичајених задатака у раду са језичким структурама | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Превод и анализа осећања ♥️ | [Natural language processing](6-NLP/README.md) | Превод и анализа осећањаса Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтични хотели Европе ♥️ | [Natural language processing](6-NLP/README.md) | Анализа осећања кроз рецензије хотела 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтични хотели Европе ♥️ | [Natural language processing](6-NLP/README.md) | Анализа осећања кроз рецензије хотела 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Увод у предвиђање временских серија | [Time series](7-TimeSeries/README.md) | Увод у предвиђање временских серија | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Светска потрошња електричне енергије ⚡️ - предвиђање временских серија уз ARIMA | [Time series](7-TimeSeries/README.md) | Предвиђање временских серија коришћењем ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Светска потрошња електричне енергије ⚡️ - предвиђање временских серија уз SVR | [Time series](7-TimeSeries/README.md) | Предвиђање временских серија коришћењем Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Увод у појачано учење | [Reinforcement learning](8-Reinforcement/README.md) | Увод у појачано учење уз Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Помозите Петру да избегне вука! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Pojačano učenje уз Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Постскрипт | Реални сценарији и примене ML | [ML in the Wild](9-Real-World/README.md) | Интересне и откривачке примене класичног ML у стварном свету | [Lesson](9-Real-World/1-Applications/README.md) | Тим |
| Постскрипт | Отлањање грешака модела у ML уз RAI контролну таблу | [ML in the Wild](9-Real-World/README.md) | Отлањање грешака модела машинског учења коришћењем компоненти контролне табле Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлајн приступ
## Приступ без интернет везе
Ову документацију можете користити офлајн помоћу [Docsify](https://docsify.js.org/#/). Форкујте овај репозиторијум, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на свом рачунару, и затим у коренском фолдеру овог репозиторијума укуцајте `docsify serve`. Веб сајт ће бити доступан на порт 3000 на вашем локалхосту: `localhost:3000`.
Ову документацију можете покренути офлајн користећи [Docsify](https://docsify.js.org/#/). Форкујте овај репо, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на својој локалној машини, па у коренском фолдеру овог репоа унесите `docsify serve`. Вебсајт ће бити доступан на порту 3000 на вашем локалном серверу: `localhost:3000`.
## PDF-ови
## PDF фајлови
Пронађите PDF наставног плана са линковима [овде](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Остали курсеви
## 🎒 Остали курсеви
Наш тим производи и друге курсеве! Погледајте:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Агенти
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серијал генеративне вештачке интелигенције
[](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)
### Generative AI Series
[](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)
---
### Основно учење
[](https://aka.ms/ml-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)
@ -198,25 +198,25 @@
---
### Сертификат серија
[](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)
Ако запнете или имате било каквих питања о креирању AI апликација, придружите се другим ученицима и искусним програмерима у дискусијама о MCP-у. Тоје подржавајућа заједница где су питања добродошла и знање се слободно дели.
Ако заглавите или имате било каква питања у вези са изградњом AI апликација. Придружите се другим учесницима и искусним програмерима у дискусијама о MCP-у. Овоје подржавајућа заједница где су питања добродошла и знање се слободно дели.
Овај документ је преведен помоћу AI сервиса за превођење [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитетним извором. За критичне информације препоручује се професионални превод од стране људског стручњака. Нисмо одговорни за било каква непоразумевања или погрешна тумачења која произилазе из коришћења овог превода.
**Изјава о одрицању одговорности**:
Овај документ је преведен коришћењем услуге за аутоматски превод [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да буде прецизно, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Изворни документ на његовом оригиналном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Ми нисмо одговорни за било каква неспоразума или погрешна тумачења која могу настати коришћењем овог превода.
localizeflow[bot]
3 days ago