> Šiame saugykloje yra 50+ kalbų vertimų, kurie ženkliai padidina parsisiuntimo dydį. Norėdami klonuoti be vertimų, naudokite sparčiosios atrankos funkciją:
> Ši saugykla turi daugiau nei 50 kalbų vertimų, dėl ko žymiai padidėja atsisiuntimo dydis. Norėdami kopijuoti be vertimų, naudokite sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,142 +33,142 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Tai suteiks viską, ko reikia kursui užbaigti, daug greičiau atsisiunčiant.
> Tai suteiks jums viską, ko reikia kursui baigti, su daug greitesniu atsisiuntimu.
Mes turime vykstančią Discord mokymosi su DI seriją, sužinokite daugiau ir prisijunkite prie mūsų [Mokymasis su DI serijoje](https://aka.ms/learnwithai/discord) rugsėjo 18 - 30 d., 2025 m. Sužinosite patarimus ir gudrybes, kaip naudoti GitHub Copilot Duomenų Mokslui.
Mes vykdome Discord „mokymosi su AI“ seriją, sužinokite daugiau ir prisijunkite prie mūsų adresu [Learn with AI Series](https://aka.ms/learnwithai/discord) nuo 2025 m. rugsėjo 18 iki 30 d. Gaunate patarimų ir triukų, kaip naudoti GitHub Copilot Duomenų moksle.
# Mašininis mokymasis pradedantiesiems –Mokymo programa
# Mašininis mokymasis pradedantiesiems –mokymo programa
> 🌍 Keliaukime po pasaulį tyrinėdami Mašininį mokymąsi per pasaulio kultūras 🌍
> 🌍 Keliaukime po pasaulį tyrinėdami mašininį mokymąsi per pasaulio kultūras 🌍
„Microsoft“ Debesijos advokatų komanda džiaugiasi galėdama pasiūlyti 12 savaičių, 26 pamokų mokymo programą, skirtą **Mašininio mokymosi** pagrindams. Šioje programoje sužinosite apie tai, kas kartais vadinama **klasikiniu mašininiu mokymusi**, daugiausia naudojant Scikit-learn biblioteką ir vengiant giluminio mokymosi, kuris aptariamas mūsų [DI pradedantiesiems mokymo programoje](https://aka.ms/ai4beginners). Taip pat derinkite šias pamokas su mūsų ['Duomenų mokslo pradedantiesiems' programa](https://aka.ms/ds4beginners).
„Microsoft“ „Cloud Advocates“ džiaugiasi galėdami pasiūlyti 12 savaičių, 26 pamokų programą, skirtą **mašininio mokymosi** studijoms. Šioje programoje sužinosite apie tai, ką kartais vadina **klasikiniu mašininiu mokymusi**, daugiausiai naudojant Scikit-learn biblioteką ir vengiant giluminio mokymosi, kuris aprašytas mūsų [AI pradedantiesiems programoje](https://aka.ms/ai4beginners). Taip pat derinkite šias pamokas su mūsų ['Duomenų mokslas pradedantiesiems' programa](https://aka.ms/ds4beginners).
Keliaukite su mumis po pasaulį taikant šias klasikines technikas duomenims iš įvairių pasaulio sričių. Kiekviena pamoka apima prieš pamoką ir po pamokos testus, rašytines instrukcijas pamokai atlikti, sprendimą, užduotį ir dar daugiau. Mūsų projektinė pedagogika leidžia mokytis projektuojant, kas yra įrodyta kaip efektyvus įgūdžių įsisavinimo būdas.
Keliaukite su mumis po pasaulį, taikydami šias klasikines technikas duomenims iš įvairių pasaulio sričių. Kiekvienoje pamokoje yra priešpamokinis ir postpamokinis testai, rašytinės instrukcijos pamokos atlikimui, sprendimas, užduotis ir daugiau. Mūsų projektinė pedagogika leidžia mokytis kuriant – tai patikrintas būdas įsisavinti naujus įgūdžius.
**✍️ Nuoširdus dėkui mūsų autoriams** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ir Amy Boyd
**✍️ Nuoširdžiai dėkojame mūsų autoriams** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ir Amy Boyd
**🎨 Taip pat dėkojame iliustratoriams** Tomomi Imura, Dasani Madipalli ir Jen Looper
**🎨 Taip pat dėkojame mūsų iliustratoriams** Tomomi Imura, Dasani Madipalli ir Jen Looper
**🙏 Ypatingas ačiū 🙏 mūsų Microsoft Studentų Ambasadorių autoriams, recenzentams ir turinio kūrėjams**, ypač Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal
**🙏 Specialus ačiū 🙏 mūsų Microsoft Studentų Ambasadorių autoriams, vertintojams ir turinio bendradarbiams**, ypač Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal
**🤩 Papildomas dėkingumas Microsoft Studentų Ambasadoriams Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!**
**🤩 Ypač dėkojame Microsoft Studentų Ambasadoriams Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!**
# Pradžia
Sekite šiuos veiksmus:
1. **Šakojimo saugykla**: Spustelėkite mygtuką „Fork“ viršutiniame dešiniajame šio puslapio kampe.
Laikykitės šių žingsnių:
1. **Padarykite fork'ą**: Spustelėkite mygtuką „Fork“ šio puslapio dešiniajame viršutiniame kampe.
> [raskite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [suraskite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Reikia pagalbos?** Peržiūrėkite mūsų [Trikčių šalinimo gaires](TROUBLESHOOTING.md) su dažnų įdiegimo, nustatymo ir pamokų vykdymo problemų sprendimais.
> 🔧 **Reikia pagalbos?** Peržiūrėkite mūsų [Gedimų šalinimo vadovą](TROUBLESHOOTING.md) – sprendimus dažniausiai pasitaikančioms problemoms diegiant, nustatant ir vykdant pamokas.
**[Studentai](https://aka.ms/student-page)**, naudodami šią programą, sukurkite savo GitHub paskyroje saugyklos atšaką ir atlikite užduotis savarankiškai arba grupėje:
**[Studentams](https://aka.ms/student-page)**, norėdami naudotis šia programa, fork'inkite visą kodą į savo GitHub paskyrą ir atlikite pratimus savarankiškai arba grupėje:
- Pradėkite nuo priešpaskaitinio testo.
- Perskaitykite paskaitą ir atlikite veiklas, sustodami ir apmąstydami kiekvieną žinių patikrinimą.
- Stenkitės kurti projektus suprasdami pamokas, o ne vien tik paleisdami sprendimo kodą; tačiau šis kodas yra prieinamas kiekvienos projektinės pamokos `/solution` aplankuose.
- Stenkitės kurti projektus suprasdami pamokas, o ne vien paleisdami sprendimo kodą; tačiau šis kodas yra prieinamas kiekvienos projektinės pamokos `/solution` aplankuose.
- Atlikite po paskaitos testą.
- Įvykdykite iššūkį.
- Įvykdykite užduotį.
- Baigus pamokų grupę, apsilankykite [Diskusijų lentoje](https://github.com/microsoft/ML-For-Beginners/discussions) ir „mokykitės garsiai“, užpildydami atitinkamą PAT vertinimo formą. „PAT“ yra pažangos vertinimo priemonė, kurią užpildote, kad pagilintumėte savo žinias. Taip pat galite reaguoti į kitų PAT, kad mokytumės kartu.
- Atlikite iššūkį.
- Atlikite užduotį.
- Baigę pamokų ciklą, aplankykite [Diskusijų forumą](https://github.com/microsoft/ML-For-Beginners/discussions) ir „mokykitės garsiai“ užpildydami atitinkamą PAT rubriką. PAT – tai Progreso Vertinimo Priemonė, kurią užpildote tolesniam mokymuisi. Taip pat galite reaguoti į kitų PAT, kad mokytumėmės kartu.
> Tolimesniam mokymuisi rekomenduojame sekti šiuos [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulius ir mokymosi kelius.
> Tolimesnėms studijoms rekomenduojame šiuos [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulius ir mokymosi kelius.
**Mokytojai**, mes pateikėme [keletą pasiūlymų](for-teachers.md), kaip naudoti šią programą.
**Mokytojams**, mes pateikėme [keletą rekomendacijų](for-teachers.md), kaip naudoti šią programą.
---
## Vaizdo įrašų peržiūros
Kai kurios pamokos yra prieinamos trumpų vaizdo įrašų pavidalu. Visus juos galite rasti tiesiogiai pamokose arba [ML pradedantiesiems grojaraštyje Microsoft Developer YouTube kanale](https://aka.ms/ml-beginners-videos), spustelėję žemiau pateiktą paveikslėlį.
Kai kurios pamokos pateikiamos trumpais vaizdo įrašais. Juos rasite įterptus pamokose arba [ML pradedantiesiems grojaraštyje Microsoft Developer YouTube kanale](https://aka.ms/ml-beginners-videos) spustelėję paveikslėlį žemiau.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Spustelėkite aukščiau esantį paveikslėlį, kad pamatytumėte video apie projektą ir jį sukūrusius žmones!
> 🎥 Spustelėkite paveikslėlį aukščiau, kad pamatytumėte vaizdo įrašą apie projektą ir jį sukūrusius žmones!
---
## Pedagogika
Kurdami šią mokymo programą pasirinkome du pedagoginius principus: užtikrinti, kad ji būtų praktinė ir **projektinė**, bei kad joje būtų **dažni testai**. Be to, šiai programai suteikta bendra **tema**, suteikianti nuoseklumą.
Kurdami šią programą pasirinkome du pedagoginius principus: užtikrinti, kad ji būtų praktiška, **projektinė**, ir kad būtų **dažni testai**. Be to, ši programa turi bendrą **temą**, suteikiančią jai darną.
Užtikrinant turinio suderinamumą su projektais, procesas studentams tampa įdomesnis, o sąvokų įsisavinimas padidėja. Be to, mažos rizikos testas prieš paskaitą nukreipia studentų dėmesį į mokymąsi, o po paskaitos atliekamas testas palaiko geresnį įsisavinimą. Ši programa sukurta būti lanksti ir smagi, ją galima atlikti visą arba dalimis. Projektai prasideda nuo paprastų ir didėja sudėtingumu per 12 savaičių ciklą. Programa taip pat apima postscriptą apie realaus gyvenimo ML taikymus, kuris gali būti naudojamas kaip papildomas balas arba diskusijų pagrindas.
Užtikrinus, kad turinys atitinka projektus, procesas tampa patrauklesnis mokiniams, o sąvokos geriau įsimenamos. Taip pat žemo pasirinkimo laipsnio testas prieš paskaitą orientuoja mokinį į temos mokymąsi, o antras testas po paskaitos užtikrina tolesnį įsisavinimą. Ši programa sukurta būti lanksti ir smagi, ją galima naudoti visą arba atskiras dalis. Projektai prasideda nuo mažų ir pabaigoje tampa vis sudėtingesni per 12 savaičių ciklą. Ši programa taip pat apima priedą apie mašininio mokymosi taikymą realiame pasaulyje, kurį galima naudoti kaip papildomą užduotį arba diskusijos pagrindą.
> Rasite mūsų [Elgesio kodeksą](CODE_OF_CONDUCT.md), [Indėlio taisykles](CONTRIBUTING.md), [Vertimų gaires](TRANSLATIONS.md) ir [Trikčių šalinimo instrukcijas](TROUBLESHOOTING.md). Labai laukiame jūsų konstruktyvios atsiliepimų!
> Raskite mūsų [Elgesio kodeksą](CODE_OF_CONDUCT.md), [Indėlio gairės](CONTRIBUTING.md), [Vertimus](..) ir [Gedimų šalinimą](TROUBLESHOOTING.md). Laukiame jūsų konstruktyvių atsiliepimų!
> **Pastaba apie kalbas**: Šios pamokos daugiausia parašytos Python kalba, tačiau daug jų yra ir R kalba. Norėdami atlikti R pamoką, eikite į `/solution` katalogą ir ieškokite R pamokų. Jos turi .rmd plėtinį, kuris reiškia **R Markdown** failą, kurį galima paprastai apibrėžti kaip `kodo blokų` (R ar kitų kalbų) ir `YAML antraštės` (kuri nurodo, kaip formatuoti išvestis, pvz., PDF) įterpimą `Markdown` dokumente. Todėl tai yra puikus duomenų mokslo kūrimo karkasas, nes leidžia derinti savo kodą, jo išvestį ir savo mintis, leidžiant jas užrašyti Markdown formatu. Be to, R Markdown dokumentus galima išvesti į tokius formatus kaip PDF, HTML ar Word.
> **Pastaba apie testus**: Visi testai yra [Quiz App kataloge](../../quiz-app), iš viso 52 testai po tris klausimus. Jie yra susieti su pamokomis, tačiau testų programą galima paleisti vietoje; vadovaukitės `quiz-app` katalogo instrukcijomis, kaip ją paleisti vietoje arba išdiegti į Azure.
| Pamokos numeris | Tema | Pamokų grupavimas | Mokymosi tikslai | Susieta pamoka | Autorius |
| 01 | Įvadas į mašininį mokymąsi | [Įvadas](1-Introduction/README.md) | Sužinokite pagrindines mašininio mokymosi sąvokas | [Pamoka](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Mašininio mokymosi istorija | [Įvadas](1-Introduction/README.md) | Sužinokite šios srities istoriją | [Pamoka](1-Introduction/2-history-of-ML/README.md) | Jen ir Amy |
| 03 | Teisingumas ir mašininis mokymasis | [Įvadas](1-Introduction/README.md) | Kokie svarbūs filosofiniai teisingumo klausimai, kuriuos studentai turėtų apsvarstyti kurdami ir taikydami ML modelius? | [Pamoka](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mašininio mokymosi metodikos | [Įvadas](1-Introduction/README.md) | Kokias technikas ML tyrėjai naudoja kurdami ML modelius? | [Pamoka](1-Introduction/4-techniques-of-ML/README.md) | Chris ir Jen |
| 05 | Įvadas į regresiją | [Regresija](2-Regression/README.md) | Pradėkite dirbti su Python ir Scikit-learn regresijos modeliams | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regresija](2-Regression/README.md) | Duomenų vizualizavimas ir valymas pasiruošiant ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regresija](2-Regression/README.md) | Sukurkite linijinius ir polinominius regresijos modelius | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ir Dmitry • Eric Wanjau |
| 08 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regresija](2-Regression/README.md) | Sukurkite logistinį regresijos modelį | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Tinklalapio programa 🔌 | [Web App](3-Web-App/README.md) | Sukurkite tinklalapio programą, skirtą naudoti treniruotą modelį | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Įvadas į klasifikaciją | [Klasifikacija](4-Classification/README.md) | Valykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasifikaciją | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ir Cassie • Eric Wanjau |
| 11 | Gardžios Azijos ir Indijos virtuvės 🍜 | [Klasifikacija](4-Classification/README.md) | Įvadas į klasifikatorius | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ir Cassie • Eric Wanjau |
| 12 | Gardžios Azijos ir Indijos virtuvės 🍜 | [Klasifikacija](4-Classification/README.md) | Daugiau klasifikatorių | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ir Cassie • Eric Wanjau |
| 13 | Gardžios Azijos ir Indijos virtuvės 🍜 | [Klasifikacija](4-Classification/README.md) | Sukurkite rekomendacinės sistemos tinklalapį naudodami savo modelį | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Įvadas į grupavimą (klasterizavimą) | [Grupavimas](5-Clustering/README.md) | Valykite, paruoškite ir vizualizuokite savo duomenis; Įvadas į grupavimą | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigerijos muzikos skonių tyrinėjimas 🎧 | [Grupavimas](5-Clustering/README.md) | Tyrinėkite K-sredinių grupavimo metodą | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Įvadas į natūralios kalbos apdorojimą ☕️ | [Natūralios kalbos apdorojimas](6-NLP/README.md) | Sužinokite NLP pagrindus kuriant paprastą botą | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Įprasti NLP uždaviniai ☕️ | [Natūralios kalbos apdorojimas](6-NLP/README.md) | Pagilinkite savo NLP žinias suprasdami dažnus uždavinius, reikalingus kalbos struktūroms | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Vertimas ir nuotaikų analizė ♥️ | [Natūralios kalbos apdorojimas](6-NLP/README.md) | Vertimas ir nuotaikų analizė su Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiški Europos viešbučiai ♥️ | [Natūralios kalbos apdorojimas](6-NLP/README.md) | Nuotaikų analizė su viešbučių apžvalgomis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiški Europos viešbučiai ♥️ | [Natūralios kalbos apdorojimas](6-NLP/README.md) | Nuotaikų analizė su viešbučių apžvalgomis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Įvadas į laiko eilučių prognozavimą | [Laiko eilutės](7-TimeSeries/README.md) | Įvadas į laiko eilučių prognozavimą | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Pasaulio galios vartojimas ⚡️ - laiko eilučių prognozavimas su ARIMA | [Laiko eilutės](7-TimeSeries/README.md) | Laiko eilučių prognozavimas su ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Pasaulio galios vartojimas ⚡️ - laiko eilučių prognozavimas su SVR | [Laiko eilutės](7-TimeSeries/README.md) | Laiko eilučių prognozavimas su atraminio vektoriaus regresoriumi | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Įvadas į sustiprintą mokymąsi | [Sustiprintas mokymasis](8-Reinforcement/README.md) | Įvadas į sustiprintą mokymąsi naudojant Q-Mokymą | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Tikros pasaulio ML scenarijai ir taikymai | [ML laukinėje aplinkoje](9-Real-World/README.md) | Įdomios ir atskleidžiančios realaus pasaulio klasikinio ML taikymo pavyzdžiai | [Pamoka](9-Real-World/1-Applications/README.md) | Komanda |
| Postscript | Modelio derinimas ML naudojant RAI valdymo skydelį | [ML laukinėje aplinkoje](9-Real-World/README.md) | Modelio derinimas mašininio mokymosi metu naudojant Responsible AI valdymo skydelio komponentus | [Pamoka](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [raskite visas papildomas šio kurso medžiagas mūsų Microsoft Learn kolekcijoje](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Vietinis prieinamumas
Šią dokumentaciją galite naudoti ir offline režimu naudodami [Docsify](https://docsify.js.org/#/). Sukurkite šio repo kopiją, [įdiekite Docsify](https://docsify.js.org/#/quickstart) savo vietinėje mašinoje, ir tuomet šio repo šakninėje direktorijoje įveskite `docsify serve`. Svetainė bus patiekiama per 3000 prievadą jūsų localhost'e: `localhost:3000`.
> **Pastaba apie kalbas**: Šios pamokos pagrinde parašytos Python kalba, bet daugelis taip pat prieinamos R kalba. Norėdami atlikti R pamoką, eikite į `/solution` katalogą ir ieškokite R pamokų. Jos turi .rmd plėtinį, kuris reiškia **R Markdown** failą – tai dokumentas, kuriame jungiamas `kodo blokai` (R ar kitų kalbų) ir `YAML antraštė` (nurodanti, kaip formatuoti išvestį, pvz., PDF) `Markdown` dokumente. Tokiu būdu tai puiki autorystės sistema duomenų mokslui, leidžianti kartu sujungti kodą, jo rezultatą ir mintis, rašant jas Markdown formatu. Be to, R Markdown dokumentai gali būti konvertuojami į formatus, tokius kaip PDF, HTML ar Word.
> **Pastaba apie quizus**: Visi quizai yra [Quiz App aplanke](../../quiz-app), iš viso 52 quizai po tris klausimus. Jie yra susieti pamokų viduje, tačiau quizų programą galima paleisti lokaliai; laikykitės instrukcijų `quiz-app` aplanke, kad ją paleistumėte vietoje arba patalpintumėte Azure.
| Pamokos numeris | Tema | Pamokų grupavimas| Mokymosi tikslai | Susieta pamoka | Autorius |
| 01 | Įvadas į mašininį mokymąsi | [Introduction](1-Introduction/README.md) | Sužinokite pagrindines mašininio mokymosi sąvokas | [Pamoka](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Mašininio mokymosi istorija | [Introduction](1-Introduction/README.md) | Sužinokite šios srities istoriją | [Pamoka](1-Introduction/2-history-of-ML/README.md) | Jen ir Amy |
| 03 | Teisingumas ir mašininis mokymasis | [Introduction](1-Introduction/README.md) | Kokios svarbios filosofinės teisingumo problemos, kuriomis turėtų domėtis studentai kurdami ir taikydami MM modelius? | [Pamoka](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mašininio mokymosi technikos | [Introduction](1-Introduction/README.md) | Kokias technikas MM tyrėjai naudoja mokydami MM modelius? | [Pamoka](1-Introduction/4-techniques-of-ML/README.md) | Chris ir Jen |
| 05 | Įvadas į regresiją | [Regression](2-Regression/README.md) | Pradėkite dirbti su Python ir Scikit-learn regresijos modeliams |[Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Vizualizuokite ir išvalykite duomenis ruošdamiesi MM | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Kurkite tiesinės ir polinominės regresijos modelius | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ir Dmitry • Eric Wanjau |
| 08 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Kurkite logistinės regresijos modelį | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Interneto programa 🔌 | [Web App](3-Web-App/README.md) | Sukurkite interneto programą, kad naudotumėte savo apmokytą modelį | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Įvadas į klasifikaciją | [Classification](4-Classification/README.md) | Valykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasifikaciją | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ir Cassie • Eric Wanjau |
| 11 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Įvadas į klasifikatorius | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ir Cassie • Eric Wanjau |
| 12 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Daugiau klasifikatorių | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ir Cassie • Eric Wanjau |
| 13 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Sukurkite rekomendacinę interneto programą naudodami savo modelį | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Įvadas į klasterizavimą | [Clustering](5-Clustering/README.md) | Valykite, ruoškitės ir vizualizuokite savo duomenis; įvadas į klasterizavimą | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigerijos muzikos skonio tyrinėjimas 🎧 | [Clustering](5-Clustering/README.md) | Tyrinėkite K-Means klasterizavimo metodą | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html)| Jen • Eric Wanjau |
| 16 | Įvadas į natūralios kalbos apdorojimą ☕️ | [Natural language processing](6-NLP/README.md) | Išmokite NLP pagrindus kurdami paprastą botą | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Įprasti NLP uždaviniai ☕️ | [Natural language processing](6-NLP/README.md) | Gilinkite NLP žinias suprasdami įprastus uždavinius, susijusius su kalbos struktūromis | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Vertimas ir nuotaikų analizė ♥️ | [Natural language processing](6-NLP/README.md) | Vertimas ir nuotaikų analizė su Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantiški Europos viešbučiai ♥️ | [Natural language processing](6-NLP/README.md) | Nuotaikų analizė su viešbučių atsiliepimais 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantiški Europos viešbučiai ♥️ | [Natural language processing](6-NLP/README.md) | Nuotaikų analizė su viešbučių atsiliepimais 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Laiko eilių prognozavimo įvadas | [Time series](7-TimeSeries/README.md) | Įvadas į laiko eilių prognozavimą | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Pasaulio energijos naudojimas ⚡️ - ARIMA prognozės | [Time series](7-TimeSeries/README.md) | Laiko eilių prognozavimas su ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Pasaulio energijos naudojimas ⚡️ - SVR prognozės | [Time series](7-TimeSeries/README.md) | Laiko eilių prognozavimas su paramos vektorių regresoriumi (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Įvadas į stiprinamąjį mokymąsi | [Reinforcement learning](8-Reinforcement/README.md) | Įvadas į stiprinamąjį mokymąsi su Q-Mokymusi | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Padėkite Petrui išvengti vilko! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Stiprinamojo mokymosi Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Realūs MM scenarijai ir taikymai | [ML in the Wild](9-Real-World/README.md) | Įdomios ir atskleidžiančios realaus pasaulio klasikinių MM taikymų | [Pamoka](9-Real-World/1-Applications/README.md) | Komanda |
| Postscript | Modelių klaidų paieška ML su RAI prietaisu | [ML in the Wild](9-Real-World/README.md) | Modelių klaidų paieška mašininio mokymosi modeliuose naudojant atsakingo AI valdymo skydelio komponentus | [Pamoka](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [raskite visus papildomus šio kurso išteklius mūsų Microsoft Learn rinkinyje](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Veikia be interneto
Galite naudoti šią dokumentaciją be interneto naudodami [Docsify](https://docsify.js.org/#/). Padarykite šio repozitorijaus šaką („fork“), [įdiekite Docsify](https://docsify.js.org/#/quickstart) savo vietiniame kompiuteryje ir tada šio repozitorijaus pagrindiniame aplanke įveskite `docsify serve`. Svetainė bus pristatyta 3000 prievade jūsų lokaliame kompiuteryje: `localhost:3000`.
## PDF failai
Raskite viso kurso mokymo planą su nuorodomis [čia](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Raskite mokymo programos pdf su nuorodomis [čia](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Kiti kursai
@ -177,62 +177,62 @@ Mūsų komanda kuria ir kitus kursus! Pažiūrėkite:
[](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://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generatyvinė dirbtinis intelektas
[](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)
### Generatyvioji AI serija
[](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://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
Jei užstrigote arba turite klausimų apie DI programėlių kūrimą, prisijunkite prie kitų besimokančiųjų ir patyrusių programuotojų diskusijose apie MCP. Tai palaikanti bendruomenė, kurioje klausimai yra laukiam ir žinios dalijamasi laisvai.
Jei įstringate ar turite klausimų apie DI programų kūrimą. Prisijunkite prie kitų besimokančių ir patyrusių kūrėjų diskusijose apie MCP. Tai palaikanti bendruomenė, kurioje klausimai yra laukiami, o žinios dalijamasi laisvai.
- Tirskite realaus pasaulio duomenų rinkinius naudodami išmoktus konceptus.
- Tyrinėkite realių duomenų rinkinius naudodami įgytas žinias.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Atsakomybės apribojimas**:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojamas profesionalus žmogiškas vertimas. Mes neatsakome už bet kokius nesusipratimus ar neteisingus aiškinimus, kylantčius dėl šio vertimo naudojimo.
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, atkreipkite dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba laikomas autoritetingu šaltiniu. Svarbiai informacijai rekomenduojama naudoti profesionalų vertimą, atliekamą žmogaus. Mes neatsakome už bet kokius nesusipratimus ar klaidingas interpretacijas, kylančias naudojant šį vertimą.
| အပြီးသတ် စာတမ်း | အမှန်တကယ် လုပ်ဆောင်နေသော ML အခြေအနေများနှင့် လျှောက်လွှာများ | [ML in the Wild](9-Real-World/README.md) | ရိုးရာ ML ၏ စိတ်ဝင်စားဖွယ်ရာနှင့် ဖော်ပြချက်များ | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| အပြီးသတ် စာတမ်း | RAI dashboard ကို အသုံးပြု၍ ML မော်ဒယ်များ Debugging | [ML in the Wild](9-Real-World/README.md) | Responsible AI dashboard အစိတ်အပိုင်းများဖြင့် Machine Learning မော်ဒယ်များ Debugging | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [ဤသင်တန်းအတွက် အပိုဆောင်းအရင်းအမြစ်များအားလုံးကို Microsoft Learn စုစည်းမှုတွင် ရှာဖွေပါ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
[](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/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
> Цей репозиторій містить понад 50 перекладів, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте sparse checkout:
> Цей репозиторій містить понад 50 мов перекладів, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,138 +33,138 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Це дає вам усе необхідне для проходження курсу з набагато швидшим завантаженням.
> Це дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.
У нас триває серія Discord "Вчимося з AI", дізнайтеся більше та приєднуйтесь до нас на [Learn with AI Series](https://aka.ms/learnwithai/discord) з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі використання GitHub Copilot для Data Science.
У нас триває серія Discord для навчання з AI, дізнайтеся більше та приєднуйтеся до нас на [Learn with AI Series](https://aka.ms/learnwithai/discord) з 18 по 30 вересня 2025 року. Ви отримаєте поради та лайфхаки використання GitHub Copilot для Data Science.
# Машинне навчання для початківців — навчальна програма
# Машинне навчання для початківців — Навчальна програма
> 🌍 Подорожуйте світом, вивчаючи машинне навчання через призму світових культур 🌍
> 🌍 Подорожуйте навколо світу, досліджуючи машинне навчання через призму світових культур 🌍
Команда Cloud Advocates у Microsoft рада запропонувати 12-тижневу навчальну програму з 26 уроків, повністю присвячених **Машинному навчанню**. У цій програмі ви дізнаєтеся про так зване **класичне машинне навчання**, використовуючи насамперед бібліотеку Scikit-learn і уникаючи глибокого навчання, яке охоплюється в нашій навчальній програмі [AI для початківців](https://aka.ms/ai4beginners). Також поєднуйте ці уроки з нашою програмою ['Data Science для початківців'](https://aka.ms/ds4beginners).
Cloud Advocates у Microsoft раді запропонувати 12-тижневу програму з 26 уроків, присвячену **машинному навчанню**. У цій навчальній програмі ви дізнаєтеся про те, що інколи називають **класичним машинним навчанням**, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибинного навчання, яке викладається у нашій [навчальній програмі AI для початківців](https://aka.ms/ai4beginners). Поєднуйте ці уроки з нашим ['Data Science для початківців'](https://aka.ms/ds4beginners)!
Подорожуйте з нами навколо світу, застосовуючи класичні техніки до даних з різних регіонів світу. Кожен урок включає тести перед та після уроку, письмові інструкції для виконання уроку, розв’язок, завдання і багато іншого. Наш проектно-орієнтований підхід дозволяє вчитися під час створення проектів — перевірений спосіб краще засвоювати нові навички.
Подорожуйте з нами світом, застосовуючи класичні техніки до даних з різних куточків планети. Кожен урок містить тести до та після занять, письмові інструкції, розв’язок, завдання та інше. Наш проектно-орієнтований підхід дозволяє навчатись, створюючи проекти, що доведено сприяє закріпленню нових навичок.
> [знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [знайдіть усі додаткові ресурси курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Потрібна допомога?** Перегляньте наш [Посібник з усунення неполадок](TROUBLESHOOTING.md) для вирішення поширених проблем із встановленням, налаштуванням і запуском уроків.
> 🔧 **Потрібна допомога?** Перевірте наш [Посібник з розв’язання проблем](TROUBLESHOOTING.md) для вирішення типових питань із встановленням, налаштуванням і запуском уроків.
**[Студенти](https://aka.ms/student-page)**, щоб використовувати цю навчальну програму, створіть форк у власному обліковому записі GitHub і виконуйте вправи індивідуально чи в групі:
**[Студенти](https://aka.ms/student-page)**, щоб використовувати цю навчальну програму, форкніть увесь репозиторій у свій акаунт GitHub і виконуйте вправи самостійно або в групі:
- Почніть з тесту перед лекцією.
- Прочитайте лекцію та виконайте завдання, роблячи паузи та розмірковуючи на кожному етапі перевірки знань.
- Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язку; хоча цей код доступний у папках `/solution` кожного проектно-орієнтованого уроку.
- Пройдіть тест після лекції.
- Почніть із квізу перед лекцією.
- Прочитайте лекцію та виконайте вправи, зупиняючись і осмислюючи кожен перевірковий момент.
- Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язку; однак цей код доступний у папках `/solution` кожного проектно-орієнтованого уроку.
- Пройдіть квіз після лекції.
- Виконайте виклик.
- Виконайте завдання.
- Після завершення групи уроків відвідайте [дошку обговорень](https://github.com/microsoft/ML-For-Beginners/discussions) і "вчися вголос", заповнивши відповідну оцінювальну рубрику PAT. 'PAT' — це інструмент оцінювання прогресу, рубрика, яку ви заповнюєте для поглиблення навчання. Також ви можете реагувати на інші PAT, щоб навчатись разом.
- Після завершення групи уроків відвідайте [Дошку обговорень](https://github.com/microsoft/ML-For-Beginners/discussions) і "навчайтеся вголос", заповнюючи відповідний рубрикатор PAT. 'PAT' — це Інструмент Оцінки Прогресу, рубрикатор для подальшого закріплення навчання. Ви також можете реагувати на інші PAT, щоб навчатися разом.
> Для подальшого вивчення рекомендуємо пройти ці модулі та навчальні траєкторії на [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Для подальшого вивчення рекомендуємо пройти ці [модулі та навчальні траєкторії Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Вчителі**, ми включили [деякі рекомендації](for-teachers.md) щодо використання цієї навчальної програми.
**Вчителі**, ми підготували деякі [пропозиції](for-teachers.md) щодо використання цієї програми.
---
## Відео-огляди
## Відео-пояснення
Деякі уроки доступні уформаті коротких відео. Ви можете знайти їх вбудованими в уроках або на [плейлисті ML для початківців на YouTube-каналі Microsoft Developer](https://aka.ms/ml-beginners-videos), натиснувши на зображення нижче.
Деякі уроки доступні увигляді коротких відео. Ви знайдете їх вбудованими у уроки або на [плейлисті ML for Beginners на YouTube каналі Microsoft Developer](https://aka.ms/ml-beginners-videos), натиснувши на зображення нижче.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Натисніть на зображення вище, щоб подивитися відео про проект та людей, які його створили!
> 🎥 Клацніть на зображення вище, щоб переглянути відео про проект і людей, які його створили!
---
## Педагогіка
Під час розробки цієї навчальної програми ми обрали два основних педагогічних принципи: забезпечити практичну **проектно-орієнтовану** роботу і включити **часті тести**. Крім того, ця програма має спільну **тему**, що надає їй цілісності.
При створенні цієї програми ми обрали два основних педагогічних принципи: забезпечення практичної **проектної орієнтації** та включення **частих вікторин**. Крім того, програма має спільну **тематичну лінію** для єдності.
Забезпечуючи відповідність змісту проектам, процес стає більш захопливим для студентів, а засвоєння понять покращується. Крім того, тест з низькою складністю перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення матеріалу. Ця навчальна програма була розроблена так, щоб бути гнучкою та цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають поступово складнішими до кінця 12-тижневого циклу. Програма також включає післямову про застосування машинного навчання у реальному світі, яку можна використовувати як додаткові завдання або як основу для обговорень.
Забезпечення відповідності контенту проектам робить процес більш захопливим для студентів і покращує засвоєння понять. Крім того, легкий тест перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття сприяє подальшому закріпленню знань. Програма розроблена гнучкою та цікавою і може проходитися повністю або частково. Проекти починаються з невеликих і поступово ускладнюються до кінця 12-тижневого циклу. Програма також містить постскрипт із реальними застосуваннями машинного навчання, який можна використати як бонус або для дискусії.
> Ознайомтесь із нашим [Кодексом поведінки](CODE_OF_CONDUCT.md), [внеском до проєкту](CONTRIBUTING.md), [Перекладами](TRANSLATIONS.md) та [Посібником з усунення неполадок](TROUBLESHOOTING.md). Ми вітаємо ваші конструктивні відгуки!
> Знайдіть наші [Кодекс поведінки](CODE_OF_CONDUCT.md), [Інструкції з внеску](CONTRIBUTING.md), [Переклади](..) та [Посібник з усунення несправностей](TROUBLESHOOTING.md). Ми відкриті для ваших конструктивних відгуків!
## Кожен урок включає
## Кожен урок містить
- необов’язкову нотатка-ескіз
- необов’язкові скетчноти
- необов’язкове додаткове відео
- відео-огляд (тільки деякі уроки)
- [тест-розминка перед лекцією](https://ff-quizzes.netlify.app/en/ml/)
- відео-пояснення (лише деякі уроки)
- [розігрівальний квіз перед лекцією](https://ff-quizzes.netlify.app/en/ml/)
- письмовий урок
- для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
- перевірки знань
- виклик
- додаткове читання
- завдання
- [тест після лекції](https://ff-quizzes.netlify.app/en/ml/)
> **Примітка про мови**: Ці уроки в основному написані на Python, але багато з них також доступні на R. Щоб пройти уроки на R, перейдіть до папки `/solution`і знайдіть уроки на R. Вони мають розширення .rmd, що позначає файл **R Markdown**, який можна просто визначити як вбудовування `кодових блоків` (на R або інших мовах) і`YAML-заголовка` (який контролює форматування виводу, такого як PDF) у`Markdown-документі`. Таким чином він слугує зразковою платформою для написання матеріалів з науки про дані, оскільки дозволяє поєднувати код, його вивід та ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна відтворювати у формати виводу, такі як PDF, HTML або Word.
- [квіз після лекції](https://ff-quizzes.netlify.app/en/ml/)
> **Примітка про вікторини**: Усі вікторини містяться в папці [Quiz App folder](../../quiz-app), всього 52 вікторини по три питання в кожній. Вони посиланнями пов’язані з уроками, але додаток для вікторин можна запускати локально; дотримуйтесь інструкцій у папці `quiz-app` для локального розгортання або на Azure.
> **Про мови програмування:** Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб пройти урок R, зайдіть у папку `/solution`і шукайте уроки на R. Вони містять розширення .rmd, що означає **R Markdown** файл – інтеграцію `кодових блоків` (з R або інших мов) і`YAML заголовка` (який визначає формат виводу, наприклад PDF) у`Markdown документі`. Таким чином, це виступає як зразкова рамка для авторства в науці про дані, оскільки дозволяє поєднувати код, його вивід та власні нотатки, записуючи їх у Markdown. Крім того, документи R Markdown можна конвертувати у формати виводу, такі як PDF, HTML або Word.
> **Примітка щодо вікторин**: Усі вікторини містяться у папці [Quiz App folder](../../quiz-app), всього 52 вікторини по три питання в кожній. Вони пов’язані з уроками, але програму вікторини можна запускати локально; дотримуйтесь інструкцій у папці `quiz-app` для локального розгортання або розгортання в Azure.
| 01 | Вступ до машинного навчання | [Introduction](1-Introduction/README.md) | Вивчити основні концепції машинного навчання | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Історія машинного навчання | [Introduction](1-Introduction/README.md) | Вивчити історію розвитку цієї галузі | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливість і машинне навчання | [Introduction](1-Introduction/README.md) | Які важливі філософські питання справедливості слід враховувати при побудові та застосуванні моделей МН? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Техніки машинного навчання | [Introduction](1-Introduction/README.md) | Які методи використовують дослідники машинного навчання для побудови моделей? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Вступ до регресії | [Regression](2-Regression/README.md) | Почати роботу з Python і Scikit-learn для моделей регресії | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи в Північній Америці 🎃 | [Regression](2-Regression/README.md) | Візуалізувати та очистити дані для підготовки до машинного навчання | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи в Північній Америці 🎃 | [Regression](2-Regression/README.md) | Побудувати лінійні та поліноміальні моделі регресії | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи в Північній Америці 🎃 | [Regression](2-Regression/README.md) | Побудувати модель логістичної регресії | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | [Web App](3-Web-App/README.md) | Побудувати веб-додаток для використання вашої навченої моделі | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Вступ до класифікації | [Classification](4-Classification/README.md) | Очистити, підготувати та візуалізувати дані; вступ до класифікації | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Смачні азійські та індійські кухні 🍜 | [Classification](4-Classification/README.md) | Вступ до класифікаторів | [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 | Смачні азійські та індійські кухні 🍜 | [Classification](4-Classification/README.md) | Більше класифікаторів | [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 | Смачні азійські та індійські кухні 🍜 | [Classification](4-Classification/README.md) | Побудувати веб-додаток для рекомендацій за допомогою вашої моделі | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Вступ до кластеризації | [Clustering](5-Clustering/README.md) | Очистити, підготувати та візуалізувати дані; вступ до кластеризації | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Дослідження музичних смаків уНігерії 🎧 | [Clustering](5-Clustering/README.md) | Вивчити метод кластеризації 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 | Вступ до обробки природної мови ☕️ | [Natural language processing](6-NLP/README.md) | Вивчити основи NLP, створивши простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Поширені задачі NLP ☕️ | [Natural language processing](6-NLP/README.md) | Поглибити знання про NLP, розглядаючи поширені задачі при роботі з мовними структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Переклад та аналіз настроїв ♥️ | [Natural language processing](6-NLP/README.md) | Переклад і аналіз настроїв на матеріалах Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтичні готелі Європи ♥️ | [Natural language processing](6-NLP/README.md) | Аналіз настроїв на відгуках про готелі 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтичні готелі Європи ♥️ | [Natural language processing](6-NLP/README.md) | Аналіз настроїв на відгуках про готелі 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Використання енергії у світі ⚡️ - прогнозування з ARIMA | [Time series](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Використання енергії у світі ⚡️ - прогнозування з SVR | [Time series](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Вступ до підкріплювального навчання | [Reinforcement learning](8-Reinforcement/README.md) | Вступ до підкріплювального навчання з Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Підкріплювальне навчання в середовищі Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Реальні сценарії та застосування МН | [ML in the Wild](9-Real-World/README.md) | Цікаві та повчальні приклади застосування класичного машинного навчання | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Відлагодження моделей МН за допомогою RAI панелі | [ML in the Wild](9-Real-World/README.md) | Відлагодження моделей машинного навчання за допомогою компонетів Responsible AI dashboard | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [знайдіть усі додаткові матеріали до цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Доступ офлайн
Ви можете переглядати цю документацію офлайн, використовуючи [Docsify](https://docsify.js.org/#/). Форкніть цей репозиторій, [встановіть Docsify](https://docsify.js.org/#/quickstart) на свій локальний комп’ютер, а потім у кореневій папці репозиторію введіть `docsify serve`. Вебсайт буде доступний на порту 3000 на вашому локальному хості: `localhost:3000`.
| 01 | Вступ до машинного навчання | [Introduction](1-Introduction/README.md) | Вивчити основні поняття машинного навчання | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Історія машинного навчання | [Introduction](1-Introduction/README.md) | Вивчити історію цієї галузі | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливість і машинне навчання | [Introduction](1-Introduction/README.md) | Які важливі філософські питання щодо справедливості слід враховувати при створенні та застосуванні моделей МН? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Техніки машинного навчання | [Introduction](1-Introduction/README.md) | Які методи використовують дослідники МН для побудови моделей МН? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Вступ до регресії | [Regression](2-Regression/README.md) | Почати працювати з Python та Scikit-learn для моделей регресії | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ціни на гарбузи у Північній Америці 🎃 | [Regression](2-Regression/README.md) | Візуалізувати та очистити дані у підготовці до МН | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ціни на гарбузи у Північній Америці 🎃 | [Regression](2-Regression/README.md) | Побудувати лінійні та поліноміальні регресійні моделі | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Ціни на гарбузи у Північній Америці 🎃 | [Regression](2-Regression/README.md) | Побудувати модель логістичної регресії | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб-додаток 🔌 | [Web App](3-Web-App/README.md) | Побудувати веб-додаток для використання вашої натренованої моделі | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Вступ до класифікації | [Classification](4-Classification/README.md) | Очистити, підготувати та візуалізувати дані; вступ до класифікації | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Смачні азійські та індійські страви 🍜 | [Classification](4-Classification/README.md) | Вступ до класифікаторів | [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 | Смачні азійські та індійські страви 🍜 | [Classification](4-Classification/README.md) | Ще більше класифікаторів | [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 | Смачні азійські та індійські страви 🍜 | [Classification](4-Classification/README.md) | Побудувати веб-додаток рекомендацій на основі вашої моделі | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Вступ до кластеризації | [Clustering](5-Clustering/README.md) | Очистити, підготувати та візуалізувати дані; вступ до кластеризації | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Дослідження музичних смаків Нігерії 🎧 | [Clustering](5-Clustering/README.md) | Ознайомитись з методом кластеризації K-середніх | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Вступ до обробки природної мови ☕️ | [Natural language processing](6-NLP/README.md) | Вивчити основи NLP, створивши простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Загальні завдання NLP ☕️ | [Natural language processing](6-NLP/README.md) | Поглибити знання з NLP, розібравшись із типовими завданнями при роботі з мовними структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Переклад і аналіз настроїв ♥️ | [Natural language processing](6-NLP/README.md) | Переклад і аналіз настроїв з використанням творів Джейн Остін | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтичні готелі Європи ♥️ | [Natural language processing](6-NLP/README.md) | Аналіз настроїв за відгуками про готелі 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтичні готелі Європи ♥️ | [Natural language processing](6-NLP/README.md) | Аналіз настроїв за відгуками про готелі 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування з ARIMA | [Time series](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Світове споживання електроенергії ⚡️ - прогнозування з SVR | [Time series](7-TimeSeries/README.md) | Прогнозування часових рядів за допомогою методу опорних векторів | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Вступ до підкріплювального навчання | [Reinforcement learning](8-Reinforcement/README.md) | Вступ до підкріплювального навчання з Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Допоможіть Пітеру уникнути вовка! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym для підкріплювального навчання | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Реальні сценарії та застосування МН| [ML in the Wild](9-Real-World/README.md) | Цікаві та повчальні приклади застосування класичного машинного навчання | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Відлагодження моделей МН за допомогою RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Відлагодження моделей машинного навчання за допомогою компонентів RAI dashboard | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлайн-доступ
Ви можете запускати цю документацію офлайн, використовуючи [Docsify](https://docsify.js.org/#/). Форкніть це сховище, [встановіть Docsify](https://docsify.js.org/#/quickstart) на ваш локальний комп’ютер і потім у кореневій папці цього сховища введіть `docsify serve`. Вебсайт буде доступний на порту 3000 у вашому локальному хості: `localhost:3000`.
## PDFs
@ -173,7 +173,7 @@
## 🎒 Інші курси
Наша команда створює й інші курси! Ознайомтесь:
Наша команда створює й інші курси! Перегляньте:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,13 +185,13 @@
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серія Generative AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-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)
@ -199,40 +199,40 @@
---
### Основне навчання
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серія 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)
Якщо ви застрягли або маєте запитання щодо створення AI-додатків. Приєднуйтесь до інших учнів і досвідчених розробників у обговореннях MCP. Це підтримуюча спільнота, де вітаються запитання і знання вільно діляться.
Якщо ви застрягли або маєте питання щодо створення AI-додатків. Приєднуйтесь до інших учнів та досвідчених розробників у обговореннях MCP. Це підтримуюча спільнота, де питання вітаються, а знання вільно обмінюються.
- Переглядайте нотатки після кожного уроку для кращого розуміння.
- Практикуйте власну реалізацію алгоритмів.
- Переглядайте блокноти після кожного уроку для кращого розуміння.
- Практикуйтесь у впровадженні алгоритмів самостійно.
- Досліджуйте реальні набори даних, використовуючи вивчені концепції.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Відмова від відповідальності**:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критичної інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильне тлумачення, що виникли внаслідок використання цього перекладу.
Цей документ було перекладено за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматизовані переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що можуть виникнути внаслідок використання цього перекладу.
localizeflow[bot]
1 month ago