> Tento repozitář obsahuje překlady do více než 50 jazyků, což výrazně zvětšuje velikost ke stažení. Chcete-li klonovat bez překladů, použijte sparse checkout:
> Tento repozitář zahrnuje více než 50 jazykových překladů, což výrazně zvětšuje velikost stahování. Pro klonování bez překladů použijte sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,62 +33,63 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Tím získáte vše potřebné k dokončení kurzu s mnohem rychlejším stažením.
> To vám poskytne vše potřebné k dokončení kurzu a mnohem rychlejší stažení.
Máme probíhající Discord sérii Learn with AI, dozvíte se více a můžete se připojit na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky, jak používat GitHub Copilot pro Data Science.
Máme probíhající sérii Learn with AI na Discordu, dozvíte se více a připojte se k nám na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro Data Science.
# Strojové učení pro začátečníky - Osnova
# Strojové učení pro začátečníky - učební plán
> 🌍 Cestujte po světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍
> 🌍 Cestujte po celém světě, zatímco zkoumáme strojové učení prostřednictvím kultur světa 🌍
Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní osnovu se 26 lekcemi zaměřenými na **strojové učení**. V této osnově se naučíte něco, co se někdy nazývá **klasické strojové učení**, používající především knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem [kurzu AI pro začátečníky](https://aka.ms/ai4beginners). Tyto lekce můžete také skvěle kombinovat s naší osnovou ['Data Science pro začátečníky'](https://aka.ms/ds4beginners)!
Cloud Advocates ve společnosti Microsoft vám s potěšením představují 12týdenní učební plán se 26 lekcemi, které se věnují **strojovému učení**. V tomto učebním plánu se naučíte, co se někdy nazývá **klasické strojové učení**, přičemž používáme především knihovnu Scikit-learn a vyhýbáme se hlubokému učení, které je pokryto v našem [učebním plánu AI pro začátečníky](https://aka.ms/ai4beginners). Tyto lekce zkombinujte také s naším [učebním plánem Data Science pro začátečníky](https://aka.ms/ds4beginners).
Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých oblastí světa. Každá lekce zahrnuje před a po lekci testy, psané instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika umožňuje učit se při vytváření projektu, což je osvědčený způsob, jak nové dovednosti opravdu "zůstanou".
Cestujte s námi po celém světě, když aplikujeme tyto klasické techniky na data z mnoha oblastí světa. Každá lekce obsahuje před a po lekci kvízy, písemné pokyny k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožňuje učit se při budování, což je osvědčený způsob, jak nové znalosti "ulpí".
**✍️ Srdečné poděkování autorům** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
**✍️ Srdečné díky našim autorům** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
**🎨 Poděkování také našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🎨 Také díky našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu ze studentského ambasádorského programu Microsoftu**, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal
**🙏 Zvláštní díky 🙏 našim autorům, recenzentům a přispěvatelům obsahu ze studentské ambasady Microsoftu**, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal
**🤩 Extra poděkování Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!**
**🤩 Extra poděkování patří také ambasadorům Microsoft Student Ericu Wanjauovi, Jasleen Sondhi a Vidushi Guptě za naše lekce v jazyce R!**
# Začínáme
Postupujte podle těchto kroků:
Postupujte takto:
1. **Vytvořte Fork repozitáře**: Klikněte na tlačítko „Fork“ v pravém horním rohu této stránky.
> [najdete zde všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [najděte všechny doplňkové zdroje pro tento kurz v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potřebujete pomoc?** Podívejte se na náš [Průvodce řešením problémů](TROUBLESHOOTING.md) pro běžné problémy při instalaci, nastavení a spuštění lekcí.
> 🔧 **Potřebujete pomoc?** Podívejte se do našeho [Průvodce řešením problémů](TROUBLESHOOTING.md) pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.
**[Studenti](https://aka.ms/student-page)**, pro použití této osnovy, vytvořte fork celého repozitáře do svého GitHub účtu a vypracujte cvičení sami nebo ve skupině:
- Začněte testem před lekcí.
- Přečtěte si lekci a dokončete aktivity, při každé znalostní kontrole se zastavte a zamyslete.
- Snažte se vytvářet projekty pochopením lekcí místo pouhého spuštění řešení; kód je však dostupný ve složce `/solution` v každé projektově orientované lekci.
- Udělejte test po lekci.
**[Studenti](https://aka.ms/student-page)**, pro použití tohoto učebního plánu si vytvořte fork celého repozitáře na svůj vlastní GitHub účet a cvičení dokončujte sami nebo ve skupině:
- Začněte před-lecturním kvízem.
- Přečtěte si lekci a dokončete aktivity, zastavujte se a přemýšlejte u každé kontroly znalostí.
- Pokuste se vytvářet projekty tak, že pochopíte lekce místo pouhého spuštění řešení; zda řešení najdete v adresáři `/solution` v každé lekci orientované na projekt.
- Udělejte post-lecturní kvíz.
- Dokončete výzvu.
- Dokončete zadání.
- Po dokončení skupiny lekcí navštivte [Diskusní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a "učte se nahlas" vyplněním příslušné PAT rubricy. 'PAT' je nástroj hodnocení pokroku, který vyplníte, abyste prohloubili své učení. Můžete také reagovat na jiné PAT a učit se společně.
- Dokončete úkol.
- Po dokončení skupiny lekcí navštivte [Diskusní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a „učte se nahlas“ vyplněním příslušného hodnotícího formuláře PAT. 'PAT' je nástroj hodnocení pokroku, který vyplníte pro zvýšení svého učení. Můžete také reagovat na další PATy, abychom se mohli učit společně.
> Pro další studium doporučujeme sledovat tyto moduly a učební cesty na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Pro další studium doporučujeme sledovat tyto [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduly a vzdělávací cesty.
**Učitelé**, přiložili jsme [několik doporučení](for-teachers.md), jak tuto osnovu využít.
**Učitelé**, máme [několik doporučení](for-teachers.md) o tom, jak používat tento učební plán.
---
## Video průvodci
Některé lekce jsou dostupné jako krátká videa. Všechny najdete v lekcích přímo nebo na playlistu [ML for Beginners na YouTube kanálu Microsoft Developer](https://aka.ms/ml-beginners-videos) kliknutím na obrázek níže.
Některé lekce jsou k dispozici jako krátká videa. Najdete je přímo v lekcích nebo na [playlistu ML for Beginners na kanálu Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos) kliknutím na obrázek níže.
[](https://aka.ms/ml-beginners-videos)
@ -100,79 +101,79 @@ Některé lekce jsou dostupné jako krátká videa. Všechny najdete v lekcích
> 🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!
> 🎥 Klikněte na obrázek výše pro zhlédnutí videa o projektu a lidech, kteří jej vytvořili!
---
## Pedagogika
Při vytváření této osnovy jsme zvolili dva pedagogické principy: zajistit, aby byla praktická a projektově orientovaná, a zároveň obsahovala časté kvízy. Navíc má tato osnova společné **téma**, které jí dodává soudržnost.
Při budování tohoto učebního plánu jsme zvolili dva pedagogické principy: zajistit, aby byl **praktický a projektově orientovaný** a aby obsahoval **četné kvízy**. Navíc má tento učební plán společné **téma** pro soudržnost.
Díky tomu, že obsah je sladěn s projekty, je proces pro studenty poutavější a zvyšuje se zapamatování konceptů. Nízkorizikový kvíz před lekcí nastavuje záměr studenta na učení tématu, zatímco druhý kvíz po lekci posiluje další zapamatování. Osnova byla navržena tak, aby byla flexibilní a zábavná, a lze ji absolvovat celou nebo po částech. Projekty začínají malé a koncem 12týdenního cyklu se stávají složitějšími. V osnově je také poscriptum o reálných aplikacích strojového učení, které může sloužit jako extra kredit nebo jako základ pro diskusi.
Zajištěním souladu obsahu s projekty je proces pro studenty poutavější a zvyšuje se uchování konceptů. Kromě toho nízkorizikový kvíz před lekcí nastavuje studentovi úmysl učit se dané téma, zatímco druhý kvíz po lekci zajišťuje další uchování znalostí. Tento učební plán je navržen tak, aby byl flexibilní a zábavný a může být absolvován celý nebo částečně. Projekty začínají malé a ke konci 12týdenního cyklu se postupně stávají složitějšími. Tento učební plán také obsahuje poscriptum o reálných aplikacích ML, které může být použito jako extra kredit nebo jako základ pro diskusi.
> Najděte naše [Kodex chování](CODE_OF_CONDUCT.md), [příspěvky](CONTRIBUTING.md), [překlady](..) a [Průvodce řešením problémů](TROUBLESHOOTING.md). Vítáme vaši konstruktivní zpětnou vazbu!
> Najděte naše [Pravidla chování](CODE_OF_CONDUCT.md), [Příspěvky](CONTRIBUTING.md), [Překlady](..) a [Řešení problémů](TROUBLESHOOTING.md). Vítáme vaši konstruktivní zpětnou vazbu!
## Každá lekce obsahuje
- volitelnou skicu (sketchnote)
- volitelnou sketchnotu
- volitelné doplňkové video
- video průvodce (jen některé lekce)
- [kvíz před lekcí](https://ff-quizzes.netlify.app/en/ml/)
- psanou lekci
- u projektově orientovaných lekcí podrobný návod, jak projekt vytvořit
- u lekcí orientovaných na projekty krok za krokem průvodce, jak projekt vytvořit
- kontroly znalostí
- výzvu
- doplňující čtení
- doplňkové čtení
- úkol
- [kvíz po lekci](https://ff-quizzes.netlify.app/en/ml/)
> **Poznámka k jazykům**: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je dostupných i v R. Pro dokončení lekce v R přejděte do složky `/solution` a vyhledejte lekce v R. Obsahují příponu .rmd, která představuje **R Markdown** soubor, což lze jednoduše definovat jako kombinaci `kódových bloků` (v R nebo jiných jazycích) a `YAML hlavičky` (která určuje, jak formátovat výstupy jako PDF) v `Markdown dokumentu`. Díky tomu slouží jako vzorový autorský rámec pro datovou vědu, protože umožňuje kombinovat kód, jeho výstupy a vaše poznámky psané v Markdownu. R Markdown dokumenty lze navíc převádět do výstupních formátů jako PDF, HTML nebo Word.
> **Poznámka k kvízům**: Všechny kvízy jsou obsaženy ve složce [Quiz App](../../quiz-app), celkem 52 kvízů po třech otázkách. Jsou propojeny v lekcích, ale aplikaci kvízů lze spustit i lokálně; postupujte podle instrukcí ve složce `quiz-app`, abyste aplikaci spustili lokálně nebo nasadili na Azure.
| Číslo lekce | Téma | Skupina lekcí | Vzdělávací cíle | Propojená lekce | Autor |
| 01 | Úvod do strojového učení| [Úvod](1-Introduction/README.md) | Seznámení se základními koncepty strojového učení | [Lekce](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Naučit se historii, na které toto pole stojí | [Lekce](1-Introduction/2-history-of-ML/README.md) | Jen a Amy |
| 03 | Spravedlnost a strojové učení | [Úvod](1-Introduction/README.md) | Jaké jsou důležité filozofické otázky o spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci modelů ML? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky pro strojové učení | [Úvod](1-Introduction/README.md) | Jaké techniky používají vědci ML pro tvorbu modelů? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regresních modelů | [Regrese](2-Regression/README.md) | Začít s Pythonem a Scikit-learn pro regresní modely | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vizualizovat a vyčistit data před ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vybudovat lineární a polynomické regresní modely | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vybudovat logistický regresní model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Web App](3-Web-App/README.md) | Vybudovat webovou aplikaci pro použití vašeho natrénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Vyčistit, připravit a vizualizovat data; úvod do klasifikace | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Úvod do klasifikátorů | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Další klasifikátory | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Vybudovat doporučující webovou aplikaci pomocí vašeho modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod ke shlukování | [Shlukování](5-Clustering/README.md) | Vyčistit, připravit a vizualizovat data; úvod ke shlukování | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Průzkum nigerijských hudebních chutí 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumat metodu shlukování 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 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučit se základy NLP vytvořením jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné úkoly NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohloubit znalosti NLP porozuměním běžným úkolům požadovaným při práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Překlad a sentimentální analýza ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Překlad a sentimentální analýza s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 21 | Úvod do predikce časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do predikce časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad ARIMA | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad SVR | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí Support Vector Regressoru | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Úvod do posilovaného učení | [Posilované učení](8-Reinforcement/README.md) | Úvod do posilovaného učení pomocí Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozte Petrovi vyhnout se vlkovi! 🐺 | [Posilované učení](8-Reinforcement/README.md)| Posilované učení s Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Posloupnost | Skutečné scénáře a aplikace ML | [ML ve světě](9-Real-World/README.md) | Zajímavé a poučné reálné aplikace klasického ML | [Lekce](9-Real-World/1-Applications/README.md) | Tým |
| Posloupnost | Ladění modelů v ML pomocí RAI dashboardu | [ML ve světě](9-Real-World/README.md) | Ladění modelů v ML pomocí komponent Responsible AI dashboardu | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Poznámka o jazycích**: Tyto lekce jsou primárně napsané v Pythonu, ale mnoho z nich je také dostupných v R. Pro dokončení lekce v R přejděte do složky `/solution` a hledejte lekce v R. Ty mají příponu .rmd, která představuje **R Markdown** soubor, což lze jednoduše definovat jako vložení `kódových bloků` (v R nebo jiných jazycích) a `YAML záhlaví` (které určuje, jak formátovat výstupy jako PDF) v rámci `Markdown dokumentu`. Takto slouží jako příkladný autorský rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že vám dovolí je psát v Markdownu. Navíc R Markdown dokumenty lze vyrenderovat do výstupních formátů, jako je PDF, HTML nebo Word.
> **Poznámka o kvízech**: Všechny kvízy jsou obsaženy ve [složce Quiz App](../../quiz-app), dohromady 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale kvízovou aplikaci lze spustit lokálně; postupujte podle instrukcí ve složce `quiz-app` pro lokální hostování nebo nasazení na Azure.
| Číslo lekce | Téma | Skupina lekcí | Výukové cíle | Propojená lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Naučte se základní pojmy strojového učení | [Lekce](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Seznamte se s historií tohoto oboru | [Lekce](1-Introduction/2-history-of-ML/README.md) | Jen a Amy |
| 03 | Spravedlnost a strojové učení | [Úvod](1-Introduction/README.md) | Jaké jsou důležité filozofické otázky kolem spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci ML modelů? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky strojového učení | [Úvod](1-Introduction/README.md) | Jaké techniky používají výzkumníci strojového učení pro stavbu ML modelů? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regrese | [Regrese](2-Regression/README.md) | Začněte s Pythonem a Scikit-learn pro regresní modely | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vizualizace a čištění dat pro ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Stavba lineárních a polynomiálních regresních modelů | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Stavba logistického regresního modelu | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Web App](3-Web-App/README.md) | Vytvořte webovou aplikaci, která využívá váš vytrénovaný model | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Čištění, příprava a vizualizace dat; úvod do klasifikace | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen a Cassie • Eric Wanjau |
| 11 | Lahodná asijská a indická kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Úvod do klasifikátorů | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen a Cassie • Eric Wanjau |
| 12 | Lahodná asijská a indická kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Další klasifikátory | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen a Cassie • Eric Wanjau |
| 13 | Lahodná asijská a indická kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Vytvoření doporučovací webové aplikace s vaším modelem | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod do shlukování | [Shlukování](5-Clustering/README.md) | Čištění, příprava a vizualizace dat; úvod do shlukování | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Průzkum nigerijských hudebních chutí 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumejte metodu shlukování 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 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučte se základy NLP vytvořením jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné úlohy NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohlubte své znalosti NLP pochopením běžných úloh nezbytných pro práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Překlad a analýza sentimentu ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Překlad a analýza sentimentu s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantické hotely Evropy ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu na recenzích hotelů 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantické hotely Evropy ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu na recenzích hotelů 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Úvod do predikce časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do předpovídání časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Světová spotřeba energie ⚡️ - předpovídání časových řad s ARIMA | [Časové řady](7-TimeSeries/README.md) | Předpovídání časových řad s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Světová spotřeba energie ⚡️ - předpovídání časových řad s SVR | [Časové řady](7-TimeSeries/README.md) | Předpovídání časových řad pomocí Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Úvod do posilovaného učení | [Posilované učení](8-Reinforcement/README.md) | Úvod do posilovaného učení s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Posloupnost | Reálné scénáře a aplikace ML v praxi | [ML v praxi](9-Real-World/README.md) | Zajímavé a poučné reálné aplikace klasického ML | [Lekce](9-Real-World/1-Applications/README.md) | Tým |
| Posloupnost | Ladění modelů ML pomocí RAI dashboardu | [ML v praxi](9-Real-World/README.md) | Ladění modelů ve strojovém učení pomocí komponent dashboardu Responsible AI | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline přístup
Tuto dokumentaci můžete spustit offline pomocí [Docsify](https://docsify.js.org/#/). Zforkujte si tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj počítač a potom v kořenové složce tohoto repozitáře zadejte příkaz `docsify serve`. Webová stránka poběží na portu 3000 na vašem localhostu: `localhost:3000`.
Tuto dokumentaci můžete spouštět offline pomocí [Docsify](https://docsify.js.org/#/). Naklonujte si tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na místní počítač a pak v kořenové složce repozitáře zadejte `docsify serve`. Webová stránka bude dostupná na portu 3000 na vaší lokální adrese: `localhost:3000`.
## PDF
Najdete zde PDF osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Najděte pdf osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Další kurzy
## 🎒 Další kurzy
Náš tým vytváří i další kurzy! Podívejte se na:
Náš tým vytváří i další kurzy! Podívejte se:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -181,25 +182,25 @@ Náš tým vytváří i další kurzy! Podívejte se na:
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agenti
### 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/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série generativní AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### Série Generativní AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Základní učení
[](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/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)
@ -216,22 +217,22 @@ Náš tým vytváří i další kurzy! Podívejte se na:
## Získání pomoci
Pokud uvíznete nebo máte jakékoli otázky ohledně vytváření AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům k diskuzím o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti jsou sdíleny volně.
Pokud se zaseknete nebo máte otázky ohledně vývoje AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům v diskuzích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se sdílejí volně.
- Po každé lekci si projděte zápisky pro lepší porozumění.
- Procvičujte si implementaci algoritmů samostatně.
- Prozkoumávejte reálné datasety pomocí naučených konceptů.
- Projděte si bloky poznámek po každé lekci pro lepší pochopení.
- Procvičujte implementaci algoritmů sami.
- Prozkoumejte reálné datové sady pomocí naučených konceptů.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o vyloučení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). I když usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
> Ez a tárház több mint 50 nyelvre készült fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használj sparse checkout-ot:
> Ez a tároló több mint 50 nyelvi fordítást tartalmaz, ami jelentősen növeli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkout-ot:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,63 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Ez mindent biztosít, amire szükséged van a tanfolyam elvégzéséhez, sokkal gyorsabb letöltéssel.
> Így minden szükséges dolgot megkap, hogy be tudd fejezni a tanfolyamot sokkal gyorsabb letöltéssel.
Folyamatban van egy Discord „Tanulj AI-val” sorozatunk, tudj meg többet és csatlakozz hozzánk a [Learn with AI Series](https://aka.ms/learnwithai/discord) oldalán 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.
Folyamatban van egy Discord „tanulj AI-val” sorozatunk, tanulj többet és csatlakozz hozzánk a [Tanulj AI-val sorozaton](https://aka.ms/learnwithai/discord) 2025. szeptember 18-tól 30-ig. Tippeket és trükköket fogsz kapni a GitHub Copilot adat tudományi használatához.
# Gépi tanulás kezdőknek – Tananyag
# Gépi tanulás kezdőknek - Tanterv
> 🌍 Utazz velünk a világ körül, miközben a gépi tanulást a világ kultúráinak szemszögén keresztül fedezzük fel 🌍
> 🌍 Utazz a világ körül, miközben a gépi tanulást a világ kultúrái segítségével fedezzük fel 🌍
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot a **gépi tanulásról**. Ebben a tananyagban olyan klasszikus gépi tanulásról tanulsz, amely elsősorban a Scikit-learn könyvtárra épül, a mély tanulást pedig kihagyja, amit az [AI for Beginners tananyagunkban](https://aka.ms/ai4beginners) találhatsz meg. Ezt a tananyagot párosítsd a ['Data Science for Beginners' tananyagunkkal](https://aka.ms/ds4beginners) is!
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely a **gépi tanulásról** szól. Ebben a tantervben megismerkedsz azzal, amit néha **klasszikus gépi tanulásnak** hívnak, főként a Scikit-learn könyvtár használatával, elkerülve a mély tanulást, amely az [AI kezdőknek tantervünkben](https://aka.ms/ai4beginners) található meg. Ezeket a leckéket párosítsd a ['Data Science kezdőknek' tantervünkkel](https://aka.ms/ds4beginners) is!
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos adatforrására alkalmazzuk. Minden lecke elő- és utótesztet tartalmaz, írásos útmutatót a lecke teljesítéséhez, megoldást, feladatot és egyebeket. Projektalapú oktatásunk lehetővé teszi, hogy építés közben tanulj, ami bizonyítottan segíti az új készségek rögzülését.
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos területéről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóvizsgákat, írásos utasításokat a lecke elvégzéséhez, megoldást, feladatot és egyebeket. Projekt-alapú oktatásunk lehetővé teszi, hogy tanulj miközben építesz, ez egy bevált mód az új készségek elmélyítésére.
**✍️ Szívből köszönjük szerzőinknek:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**🎨 Köszönet illusztrátorainknak is:** Tomomi Imura, Dasani Madipalli, és Jen Looper
**🎨 Köszönjük illusztrátorainknak is:** Tomomi Imura, Dasani Madipalli és Jen Looper
**🙏 Külön köszönet 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, lektorainknak és tartalomközreműködőinknek**, kiemelten Rishit Daglinek, Muhammad Sakib Khan Inannak, Rohan Rajnak, Alexandru Petrescunak, Abhishek Jaiswalnak, Nawrin Tabassumnak, Ioan Samuilának és Snigdha Agarwalnak
**🙏 Külön köszönetünk 🙏 a Microsoft Hallgatói Nagykövetei szerzőinknek, lektorainknak és tartalomközreműködőinknek**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🤩 Extra köszönet Microsoft Hallgatói Nagyköveteknek Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Guptának az R leckéinkért!**
**🤩 Külön köszönet a Microsoft Hallgatói Nagyköveteknek, Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Gupta-nak a R leckéinkért!**
# Kezdés
Kövesd ezeket a lépéseket:
1. **Válaszd le a tárházat:** Kattints a jobb felső sarokban a "Fork" gombra.
2. **Klónozd a tárházat:** `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Forkold le a tárolót**: Kattints a "Fork" gombra a jobb felső sarokban ezen az oldalon.
2. **Klónozd a tárolót**:`git clone https://github.com/microsoft/ML-For-Beginners.git`
> [a tanfolyam további erőforrásait megtalálod Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Minden további erőforrást megtalálsz ehhez a tanfolyamhoz Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Segítségre van szükséged?** Nézd meg a [Hibaelhárítási útmutatónkat](TROUBLESHOOTING.md) a telepítési, beállítási és lecke lefuttatási problémák megoldásához.
> 🔧 **Segítségre van szükséged?** Nézd meg [Hibaelhárítási útmutatónkat](TROUBLESHOOTING.md) az általános telepítési, beállítási és lecke futtatási problémák megoldásáért.
**[Diákok](https://aka.ms/student-page)**, hogy használjátok ezt a tananyagot, fork-old le a teljes repo-t a saját GitHub fiókodra, és végezd el a feladatokat egyedül vagy csoportban:
**[Tanulók](https://aka.ms/student-page)**, a tanterv használatához forkold le az egész repo-t a saját GitHub fiókodra, és végezd el a gyakorlatokat egyénileg vagy csoportban:
- Kezdj az előadás előtti teszttel.
- Kezdd előadási előkészítő kvízzel.
- Olvasd el az előadást és végezd el a feladatokat, megállva és átgondolva minden tudásellenőrzésnél.
- Próbáld megérteni a leckéket és a tanultak alapján megalkotni a projekteket, a megoldó kód futtatása helyett; azonban a kód elérhető a `/solution` mappákban minden projektorientált leckénél.
- Tedd meg az előadás utáni tesztet.
- Próbáld meg a projekteket úgy elkészíteni, hogy érted a leckéket, és ne csak lefuttasd a megoldó kódot; a megoldások kódban is elérhetők a projekt alapú leckék `/solution` mappáiban.
- Tedd meg az utólagos előadási kvízt.
- Teljesítsd a kihívást.
- Teljesítsd a feladatot.
- Egy leckecsoport befejezése után látogasd meg a [Vita fórumot](https://github.com/microsoft/ML-For-Beginners/discussions) és „tanulj hangosan” egy megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy haladás értékelő eszköz, egy értékelőlap, amit kitöltve tovább mélyíted a tanulásod. Reagálhatsz más PAT-ekre is, így együttesen tanulhatunk.
- Egy leckecsoport befejezése után látogasd meg a [Vita fórumot](https://github.com/microsoft/ML-For-Beginners/discussions), és "tanulj hangosan" a megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy Haladási Értékelő Eszköz, amit kitöltesz a tanulás javítása érdekében. Mások PAT értékeléseire is reagálhatsz, hogy együtt tanulhassunk.
> A további tanuláshoz javasoljuk, hogy kövesd ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
> További tanuláshoz ajánljuk ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási utakat.
**Tanárként** itt találsz néhány [javaslatot](for-teachers.md), hogyan használd ezt a tananyagot.
Néhány lecke rövid videó formájában is elérhető. Ezeket megtekintheted a leckékben közvetlenül vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornáján](https://aka.ms/ml-beginners-videos) a lenti képre kattintva.
Néhány lecke elérhető rövid videó formátumban. Ezeket megtalálhatod a leckék között, vagy a [ML kezdőknek lejátszási listán a Microsoft Developer YouTube csatornáján](https://aka.ms/ml-beginners-videos), ha a képre kattintasz.
[](https://aka.ms/ml-beginners-videos)
@ -101,79 +101,79 @@ Néhány lecke rövid videó formájában is elérhető. Ezeket megtekintheted a
> 🎥 Kattints a fenti képre, hogy videót nézz meg a projektről és annak alkotóiról!
> 🎥 Kattints a fenti képre egy videó megtekintéséhez a projektről és az alkotókról!
---
## Didaktika
## Pedagógia
Két oktatási elvet választottunk a tananyag kialakításakor: projekt alapú, gyakorlati jelleg biztosítása, illetve gyakori kvízek beiktatása. Emellett a tananyagnak közös **téma** ad koherenciát.
Két pedagógiai alapelvet választottunk ehhez a tantervhez: hogy gyakorlatias, **projekt-alapú** legyen, és hogy **gyakori kvízeket** tartalmazzon. Ezen kívül a tantervnek van egy közös **vonalvezető témája** az összefüggőség érdekében.
Az tartalom projektekhez való igazítása élvezetesebbé teszi a tanulók számára a folyamatot, és fokozza a fogalmak megtartását. Egy alacsony tétű kvíz az óra előtt beállítja a tanulók szándékát egy téma tanulására, míg a kicsivel később, az óra után tartott kvíz további megtartást szolgál. Ez a tananyag rugalmas és szórakoztató, egészben vagy részleteiben is elvégezhető. A projektek a kis kezdéstől fokozatosan egyre összetettebbé válik a 12 hetes ciklus végére. A tananyag egy utószót is tartalmaz, ami a gépi tanulás valódi alkalmazásairól szól, amely plusz kreditként vagy vitaalapként is használható.
Azáltal, hogy a tartalom projektekkel összhangban van, a folyamat érdekesebb lesz a tanulók számára és a fogalmak megőrzése javul. Emellett az órák előtti kis kockázatú kvíz irányt ad a tanuló szándékának a téma elsajátítására, míg az óra utáni második kvíz további rögzítést biztosít. Ez a tanterv rugalmas és szórakoztató, egészben vagy részben is végezhető. A projektek kicsiben indulnak, és egyre összetettebbek lesznek a 12 hetes ciklus végére. A tanterv tartalmaz egy utószót is a valós világban alkalmazott ML-ről, amit plusz pontként vagy vitatémaként lehet felhasználni.
> Találd meg a [Magatartási kódexünket](CODE_OF_CONDUCT.md), [Hozzájárulási](CONTRIBUTING.md), [Fordítási](..) és [Hibaelhárítási](TROUBLESHOOTING.md) útmutatóinkat. Várjuk építő jellegű visszajelzéseidet!
> Találd meg [Magatartási kódexünket](CODE_OF_CONDUCT.md), [Közreműködési irányelveinket](CONTRIBUTING.md), a [Fordításokat](..), és a [Hibaelhárítást](TROUBLESHOOTING.md). Szívesen fogadjuk építő visszajelzésed!
## Minden lecke tartalmazza
## Minden lecke tartalmaz
- választható vázlatjegyzet
- választható kiegészítő videó
- videós bemutató (csak néhány leckénél)
- [előadás előtti bemelegítő kvíz](https://ff-quizzes.netlify.app/en/ml/)
- írott lecke
- projekt alapú leckéknél lépésről lépésre útmutatók a projekt felépítéséhez
- projekt-alapú leckéknél lépésről-lépésre útmutató a projekt elkészítéséhez
- tudásfelmérő
- kihívás
- kiegészítő olvasmány
- feladat
- [előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Python nyelven íródtak, de sokan elérhetők R nyelven is. Egy R lecke elvégzéséhez keresd meg az `/solution` mappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** dokumentumot jelentenek, ami egyszerűen olyan Markdown dokumentum, amelybe `kódblokkok` (R vagy más nyelvek) és egy `YAML fejléc` (ami meghatározza a kimenet formátumát, pl. PDF) van ágyazva. Ez egy kiváló szerzői keretrendszer az adat tudomány számára, mert lehetővé teszi, hogy a kódodat, annak outputját és gondolataidat egyszerre írd le Markdown formátumban. Ezen felül az R Markdown dokumentumok többféle kimeneti formátumba exportálhatók, például PDF, HTML vagy Word.
> **Megjegyzés a kvízekhez**: Az összes kvíz megtalálható a [Quiz App mappában](../../quiz-app), összesen 52 darab, mindegyik három kérdésből áll. Ezek kapcsolódnak az egyes leckékhez, de a kvíz alkalmazást helyileg is futtathatod; kövesd a `quiz-app` mappában található utasításokat a helyi hosztoláshoz vagy az Azure-ra történő telepítéshez.
| Lecke száma | Téma | Lecke csoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapvető fogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület történetét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Milyen fontos filozófiai kérdéseket érdemes figyelembe venni a méltányosság vonatkozásában az ML modellek építésekor és alkalmazásakor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat alkalmaznak a kutatók az ML modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekhez | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Adatok megjelenítése és tisztítása az ML-re való felkészüléshez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinomiális regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webalkalmazás 🔌 | [Web App](3-Web-App/README.md) | Építs webalkalmazást a betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókhoz | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Több osztályozó | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Építs ajánló webalkalmazást a modell segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Fedezd fel a nigériai zenei ízlést 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel a K-Means klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetesnyelvfeldolgozásba ☕️ | [Természetesnyelvfeldolgozás](6-NLP/README.md) | Tanuld meg az NLP alapjait egy egyszerű bot építésén keresztül | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Természetesnyelvfeldolgozás](6-NLP/README.md) | Mélyítsd el NLP tudásodat a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelemelemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austen műveivel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Idősorok](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utóirat | Valós világ ML forgatókönyvek és alkalmazások | [ML a mindennapokban](9-Real-World/README.md) | Érdekes és feltáró valódi világban alkalmazott klasszikus gépi tanulás | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utóirat | Modell hibakeresése ML-ben RAI irányítópult segítségével | [ML a mindennapokban](9-Real-World/README.md) | Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [minden további anyag megtalálható ebben a Microsoft Learn gyűjteményben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline elérés
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) használatával. Forkold a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépeden, majd a repó gyökérmappájában írd be, hogy `docsify serve`. Az oldal a localhost 3000-es portján lesz elérhető: `localhost:3000`.
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. Egy R leckét a befejezéshez menj a `/solution` mappába, és keresd az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** fájlt jelentenek, amely egyszerűen definiálható úgy, hogy `kódblokkokat` (R vagy más nyelvek kódjai) és egy `YAML fejlécet` (amely útmutatást ad a kimenetek, például PDF formázásához) ágyaz be egy `Markdown dokumentumba`. Így példamutató keretrendszert nyújt az adattudományhoz, mivel lehetővé teszi, hogy összekapcsold a kódodat, annak kimenetét és gondolataidat, mindezt Markdown formátumban írva le. Továbbá, az R Markdown dokumentumok PDF, HTML vagy Word kimeneti formátumokká alakíthatók.
> **Megjegyzés a tesztekről**: Az összes teszt a [Quiz App mappában](../../quiz-app) található, összesen 52 darab, három kérdésből álló teszt. Ezek linkelve vannak a leckékben, de a teszt alkalmazás helyileg is futtatható; a `quiz-app` mappában található utasításokat követve helyben hosztolhatod vagy telepítheted Azure-ra.
| Lecke száma | Téma | Lecke Csoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapfogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Tanuld meg a terület mögötti történelmet | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Melyek a fontos filozófiai kérdések a méltányosság terén, amiket a tanulóknak meg kell fontolniuk ML modellek létrehozásakor és alkalmazásakor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat alkalmaznak az ML kutatók ML modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Kezdj el dolgozni Pythonnal és a Scikit-learn könyvtárral regressziós modellekhez | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Adatok vizualizálása és tisztítása gépi tanulásra való felkészüléshez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinomiális regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webalkalmazás 🔌 | [Web App](3-Web-App/README.md) | Webalkalmazás építése a betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés a klasszifikációba | [Klasszifikáció](4-Classification/README.md) | Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klasszifikációba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Finom ázsiai és indiai konyhák 🍜 | [Klasszifikáció](4-Classification/README.md) | Bevezetés a klasszifikátorokhoz | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Finom ázsiai és indiai konyhák 🍜 | [Klasszifikáció](4-Classification/README.md) | További klasszifikátorok | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Finom ázsiai és indiai konyhák 🍜 | [Klasszifikáció](4-Classification/README.md) | Ajánló webalkalmazás építése a modelled használatával | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Felfedező elemzés a nigériai zenei ízlésekről 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel a K-means klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetesnyelv-feldolgozásba ☕️ | [Természetesnyelv-feldolgozás](6-NLP/README.md) | Tanuld meg az NLP alapjait egy egyszerű bot elkészítésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakoribb NLP feladatok ☕️ | [Természetesnyelv-feldolgozás](6-NLP/README.md) | Mélyítsd el NLP ismereteidet a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és hangulatelemzés ♥️ | [Természetesnyelv-feldolgozás](6-NLP/README.md) | Fordítás és hangulatelemzés Jane Austen példáján keresztül | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus hotelek Európában ♥️ | [Természetesnyelv-feldolgozás](6-NLP/README.md) | Hangulatelemzés hotelértékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus hotelek Európában ♥️ | [Természetesnyelv-feldolgozás](6-NLP/README.md) | Hangulatelemzés hotelértékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősor előrejelzésbe | [Idősor](7-TimeSeries/README.md) | Bevezetés az idősor előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utószó | Valós világ gépi tanulás esetei és alkalmazásai | [ML a valóságban](9-Real-World/README.md) | Érdekes és feltáró valós világ klasszikus gépi tanulás alkalmazások | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utószó | Modellhibázás gépi tanulásban RAI dashboarddal | [ML a valóságban](9-Real-World/README.md) | Modellhibázás gépi tanulásban a Responsible AI dashboard komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [találd meg az összes további forrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline hozzáférés
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) segítségével. Forkold ezt a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépeden, majd a repó gyökérmappájában írd be, hogy `docsify serve`. A weboldalt a localhost 3000-es portján szolgálja ki: `localhost:3000`.
## PDF-ek
A tananyagról pdf változat, linkekkel [itt található](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
A tananyag pdf változatát linkekkel [itt találod](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Egyéb kurzusok
Csapatunk további kurzusokat is készít! Nézd meg:
Csapatunk más kurzusokat is készít! Nézd meg:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,11 +185,11 @@ Csapatunk további kurzusokat is készít! Nézd meg:
### Azure / Edge / MCP / Ügynökök
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
@ -197,9 +197,9 @@ Csapatunk további kurzusokat is készít! Nézd meg:
[-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/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
Ha elakadnál vagy kérdésed van MI alkalmazások fejlesztésével kapcsolatban, csatlakozz tanulótársaidhoz és tapasztalt fejlesztőkhöz az MCP közösségi beszélgetéseiben. Ez egy támogató közösség, ahol szívesen fogadják a kérdéseket és a tudás szabadon megosztott.
Ha elakadnál vagy kérdésed lenne AI alkalmazások építésével kapcsolatban, csatlakozz a tanulótársakhoz és tapasztalt fejlesztőkhöz a MCP-vel kapcsolatos beszélgetésekben. Ez egy támogató közösség, ahol a kérdések szívesen fogadottak, és a tudás szabadon megosztott.
- Minden leckét követően nézd át az jegyzetfüzeteket a jobb megértés érdekében.
- Gyakorold az algoritmusok önálló megvalósítását.
- Fedezd fel a valós adatokat a megtanult fogalmak alkalmazásával.
- Nézd át a jegyzetfüzeteket minden lecke után a jobb megértés érdekében.
- Gyakorold a algoritmusok önálló megvalósítását.
- Fedezz fel valós adatokat a tanult fogalmak alkalmazásával.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Felülvizsgálati nyilatkozat**:
Ezt a dokumentumot az AI fordító szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordítottuk. Bár igyekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti, anyanyelvi dokumentum tekintendő hiteles forrásnak. Fontos információk esetén szakmai, emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
**Nyilatkozat**:
Ezt a dokumentumot az AI fordító szolgáltatásával, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordítottuk. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítás hibákat vagy pontatlanságokat tartalmazhat. Az eredeti dokumentum anyanyelvű változata tekintendő hiteles forrásnak. Kritikus információk esetén professzionális emberi fordítást javaslunk. Nem vállalunk felelősséget az ezen fordítás használatából eredő félreértésekért vagy hibás értelmezésekért.
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](http://makeapullrequest.com)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Msaada wa Lugha Nyingi
#### Inapatikana kupitia GitHub Action (Otomatiki & Daima Iliyosasishwa)
#### Umeungwa mkono kupitia Kitendo cha GitHub (Kisotomati & Kila Wakati kina Sasishwa)
> Hifadhi hii ina tafsiri za lugha zaidi ya 50 ambazo huongeza kiasi cha kupakua kwa kiasi kikubwa. Ili kukopa bila tafsiri, tumia sparse checkout:
> Hifadhi hii inajumuisha tafsiri za lugha zaidi ya 50 ambazo huongeza kwa kiasi kikubwa ukubwa wa kupakua. Ili kukopa bila tafsiri, tumia sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,205 +33,206 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Hii inakupa kila kitu unachohitaji kukamilisha kozi hii kwa kupakua kwa kasi zaidi.
> Hii inakupa kila kitu unachohitaji kukamilisha kozi kwa kupakua kwa kasi zaidi.
Tuna mfululizo wa kujifunza kwenye Discord na AI unaoendelea, jifunze zaidi na jiunge nasi kwenye [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapokea vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Data.
Tuna mfululizo wa kujifunza wa Discord pamoja na AI unaoendelea, jifunze zaidi na jiunge nasi kwenye [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapokea vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Takwimu.
# Kujifunza Mashine kwa Waanzilishi - Mtaala
# Kujifunza Mashine kwa Wakianza - Mtaala
> 🌍 Tazama duniani tunapochunguza Mashine ya Kujifunza kupitia tamaduni za dunia 🌍
> 🌍 Tembea ulimwenguni tunapochunguza Kujifunza Mashine kwa njia za tamaduni za dunia 🌍
Watangazaji wa Cloud katika Microsoft wanafurahia kutoa mtaala wa wiki 12, somo 26 kuhusu **Mashine ya Kujifunza**. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa wakati mwingine **mashine ya kujifunza ya kawaida**, kwa kutumia hasa maktaba ya Scikit-learn na kuepuka deep learning, ambayo imefunzwa katika [mtaala wetu wa AI kwa Waanzilishi](https://aka.ms/ai4beginners). Pia weka masomo haya pamoja na [mtaala wetu wa Sayansi ya Data kwa Waanzilishi](https://aka.ms/ds4beginners)!
Watetezi wa Wingu wa Microsoft wanafurahia kutoa mtaala wa wiki 12, masomo 26 kuhusu **Kujifunza Mashine**. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa mara nyingine **kujifunza mashine cha classic**, ukitumia hasa maktaba ya Scikit-learn na kuepuka kujifunza kwa kina, ambacho kinashughulikiwa katika [mtaala wetu wa AI kwa Wakianza](https://aka.ms/ai4beginners). Pia weka masomo haya pamoja na mtaala wetu wa ['Sayansi ya Takwimu kwa Wakianza'](https://aka.ms/ds4beginners).
Tukisafiri na sisi kote duniani tunapotumia mbinu hizi za kawaida kwenye data kutoka sehemu nyingi duniani. Kila somo lina vipimo vya kabla na baada ya somo, maelekezo yaliyoandikwa ya kukamilisha somo, suluhisho, kazi, na zaidi. Mbinu yetu inayojikita kwenye miradi inakuwezesha kujifunza wakati wa kujenga, njia iliyothibitishwa kuongeza uelewa wa ujuzi mpya.
Safiri nasi duniani kote tunapotumia mbinu hizi za classic kwa data kutoka maeneo mengi ya dunia. Kila somo lina mtihani wa kabla na baada ya somo, maelekezo yaliyoandikwa ya kukamilisha somo, suluhisho, kazi ya nyumbani, na zaidi. Njia yetu ya kujifunza kwa mradi inakuwezesha kujifunza unajenga, njia iliyo thibitishwa ya kuufanya ujuzi mpya udumu.
**✍️ Shukrani za dhati kwa waandishi wetu** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu na Amy Boyd
**🎨 Pia shukrani kwa wachoraji wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🎨 Asante pia kwa wachoraji wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🙏 Shukrani maalum 🙏 kwa waandishi, wakaguzi, na wachangiaji wa maudhui wa Microsoft Student Ambassador**, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal
**🙏 Shukrani maalum 🙏 kwa waandishi, wachambuzi, na wachangiaji wa maudhui wa Ubalozi wa Wanafunzi wa Microsoft**, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal
**🤩 Shukrani za ziada kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
**🤩 Shukrani za ziada kwa Mabalozi wa Wanafunzi wa Microsoft Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
# Kuanzia
# Kuanza
Fuata hatua hizi:
1. **Fanya nakala (fork) ya Hifadhi**: Bonyeza kitufe cha "Fork" kilicho kona ya juu kulia ya ukurasa huu.
> [pata rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [pata rasilimali zote za ziada za kozi hii kwenye mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Utatuzi wa Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo ya kawaida katika usakinishaji, usanidi, na kuendesha masomo.
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Kutatua Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo ya kawaida kuhusu usakinishaji, usanidi, na kuendesha masomo.
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, fanya nakala nzima ya repo kwa akaunti yako ya GitHub na kamilisha mazoezi peke yako au na kikundi:
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, fanya fork ya repo yote kwenye akaunti yako ya GitHub na ukamilishe mazoezi mwenyewe au na kikundi:
- Anza na mtihani wa kabla ya mihadhara.
- Soma mihadhara na kamilisha shughuli, simama na kutafakari kila ukaguzi wa maarifa.
- Jaribu kuunda miradi kwa kuelewa masomo badala ya kutumia msimbo wa suluhisho; hata hivyo msimbo huo upo katika folda za `/solution` za kila somo linalolenga mradi.
- Fanya mtihani wa baada ya mihadhara.
- Kamilisha changamoto.
- Kamilisha kazi.
- Baada ya kumaliza kundi la somo, tembelea [Jukwaa la Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunze kwa sauti" kwa kujaza rubrik ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambalo ni rubrik unayojaza ili kuendeleza kujifunza kwako. Unaweza pia kutoa maoni kwa PAT za wengine ili tujifunze pamoja.
- Anza na mtihani wa kabla ya mhadhara.
- Soma mhadhara na ukamilishe shughuli, simama na fikiri kila baada ya kila kipimo cha maarifa.
- Jaribu kuunda miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; hata hivyo msimbo huo unapatikana kwenye folda za `/solution` katika kila somo la mradi.
- Fanya mtihani wa baada ya mhadhara.
- Kukamilisha changamoto.
- Kukamilisha kazi ya nyumbani.
- Baada ya kukamilisha kikundi cha masomo, tembelea [Bodi ya Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunze kwa sauti" kwa kujaza rubric ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambacho ni rubric unayojaza ili kuendeleza kujifunza kwako. Pia unaweza kutoa maoni kwa PAT zingine ili tufunzwe pamoja.
> Kwa masomo zaidi, tunapendekeza kufuata [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduli na njia za kujifunza.
> Kwa masomo zaidi, tunapendekeza kufuata moduli na njia za kujifunza za [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Walimu**, tumetoa [mapendekezo kadhaa](for-teachers.md) juu ya jinsi ya kutumia mtaala huu.
**Walezi**, tumewajumuisha [mapendekezo kadhaa](for-teachers.md) juu ya jinsi ya kutumia mtaala huu.
---
## Video za kufundisha hatua kwa hatua
## Maelezo ya video
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kuyapata yote mtandaoni ndani ya masomo, au kwenye [orodha ya nyimbo ya ML kwa Waanzilishi kwenye kituo cha YouTube cha Microsoft Developer](https://aka.ms/ml-beginners-videos) kwa kubofya picha hapa chini.
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata yote haya ndani ya masomo, au kwenye [mfululizo wa ML kwa Wakianza kwenye chaneli ya Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kwa kubofya picha hapa chini.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
## Kutana na Timu
## Kutambuliana na Timu
[](https://youtu.be/Tj1XWrDSYJU)
> 🎥 Bonyeza picha hapo juu kwa video kuhusu mradi na watu waliouunda!
---
## Mbinu ya kufundisha
## Mbinu ya Kufundishia
Tumebaini kanuni mbili muhimu katika kuunda mtaala huu: kuhakikisha kuwa unazingatia **miradi ya vitendo** na kuwa na **mtihani wa mara kwa mara**. Aidha, mtaala huu una **kauli mbiu** ya pamoja inayotoa ulinganifu.
Tumekuwa na kauli mbiu mbili za kielimu wakati wa kujenga mtaala huu: kuhakikisha kwamba ni mkono-katika-mtu **unaotegemea mradi** na kwamba unajumuisha **mitihani ya mara kwa mara**. Zaidi ya hayo, mtaala huu una **kauli mbiu** ya pamoja kutoa mshikamano.
Kwa kuhakikisha maudhui yanahusiana na miradi, mchakato unakuwa wa kuvutia kwa wanafunzi na kuongeza kumbukumbu ya dhana. Pia, mtihani wa ukubwa mdogo kabla ya darasa huweka nia ya mwanafunzi kuelekea kujifunza mada, wakati mtihani wa pili baada ya darasa unahakikisha kumbukumbu zaidi. Mtaala huu umeundwa kuwa rahisi na wa kufurahisha na unaweza kuchukuliwa kwa jumla au sehemu. Miradi huanza midogo na kuongezeka kwa ugumu mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia unajumuisha maelezo ya matumizi ya ML katika maisha halisi, ambayo inaweza kutumika kama mkopo wa ziada au msingi wa mjadala.
Kwa kuhakikisha kwamba maudhui yanahusiana na miradi, mchakato unatengenezwa kuvutia zaidi kwa wanafunzi na uwezo wa kumbukumbu wa dhana utaongezeka. Zaidi ya hayo, mtihani wa chini wa hatari kabla ya darasa huweka nia ya mwanafunzi kuelekea kujifunza mada, wakati mtihani wa pili baada ya darasa unaongeza kumbukumbu zaidi. Mtaala huu umetengenezwa kuwa mraimu na wa kufurahisha na unaweza kuchukuliwa kwa ukamilifu au sehemu. Miradi huanza kwa ndogo na kuendelea kuwa ngumu zaidi mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia una kumbusho kuhusu matumizi halisi ya ML, ambayo inaweza kutumika kama mkopo wa ziada au kama msingi wa mjadala.
> Pata [Kanuni zetu za Maadili](CODE_OF_CONDUCT.md), [Jinsi ya Kuchangia](CONTRIBUTING.md), [Tafsiri](..), na [Mwongozo wa Kutatua Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako ya ujenzi!
> Tafuta [Kanuni zetu za Maadili](CODE_OF_CONDUCT.md), [Michango](CONTRIBUTING.md), [Tafsiri](..), na mwongozo wa [Utatuzi wa Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako yenye tija!
## Kila somo linajumuisha
- chati ya hiari
- chati ya sketchnote hiari
- video ya ziada hiari
- video ya kufundisha hatua kwa hatua (masomo machache tu)
- [mtihani wa kujiandaa kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
- somo lililoandikwa
- kwa masomo yanayotegemea mradi, viwango kwa hatua ya kujenga mradi
- ukaguzi wa maarifa
- maelekezo ya video (baadhi ya masomo tu)
- [mtihani wa awali wa joto kabla ya mhadhara](https://ff-quizzes.netlify.app/en/ml/)
- somo maandishi
- kwa masomo yanayotegemea mradi, mwongozo hatua kwa hatua wa ujenzi wa mradi
- vipimo vya maarifa
- changamoto
- usomezi wa ziada
- kazi
- [mtihani baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
> **Kuhusu lugha**: Masomo haya yameandikwa hasa kwa Python, lakini mengi pia yanapatikana kwa R. Ili kukamilisha somo la R, nenda kwenye folda ya `/solution` utafute masomo ya R. Yanajumuisha kiambatisho cha .rmd ambacho ni faili la **R Markdown** ambalo linaweza kufafanuliwa kama uingizaji wa `vipande vya msimbo` (R au lugha nyingine) na `kichwa cha YAML` (kinachoelekeza jinsi ya kuandaa matokeo kama PDF) katika `nyaraka ya Markdown`. Hivyo, ni mfumo bora wa uandishi kwa sayansi ya data kwa kuwa unakuwezesha kuunganishwa kwa msimbo wako, matokeo yake, na mawazo yako kwa kuweza kuyaandika kwa Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kubadilishwa kuwa aina za matokeo kama PDF, HTML, au Word.
> **Kumbuka kuhusu mitihani ya maswali**: Mitihani yote iko kwenye [folda ya Quiz App](../../quiz-app), ikiwa na jumla ya mitihani 52 yenye maswali matatu kila mmoja. Mitihani hii imeunganishwa kutoka ndani ya masomo lakini programu ya mitihani inaweza kuendeshwa eneo la kompyuta; fuata maelekezo katika folda ya `quiz-app` ili kuendesha eneo la kompyuta au kuitoa Azure.
| Nambari ya Somo | Mada | Uainishaji wa Somo | Malengo ya Kujifunza | Somo Lililounganishwa | Mwandishi |
| 01 | Utangulizi wa kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze dhana za msingi nyuma ya kujifunza kwa mashine| [Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze historia inayozunguka uwanja huu | [Somo](1-Introduction/2-history-of-ML/README.md) | Jen na Amy |
| 03 | Haki na kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Je, masuala gani muhimu ya kifalsafa kuhusu haki ambayo wanafunzi wanapaswa kuyazingatia wakati wa kujenga na kutumia mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Ni mbinu gani wanafanyakazi wa ML hutumia kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa udhibiti wa mtiririko | [Udhibiti wa Mtiririko](2-Regression/README.md) | Anza na Python na Scikit-learn kwa mifano ya udhibiti wa mtiririko | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Bei za malenge ya Amerika Kaskazini 🎃 | [Udhibiti wa Mtiririko](2-Regression/README.md) | Onyesha na safisha data kama maandalizi kwa ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Bei za malenge ya Amerika Kaskazini 🎃 | [Udhibiti wa Mtiririko](2-Regression/README.md) | Tengeneza mifano ya udhibiti wa mstari na polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen na Dmitry • Eric Wanjau |
| 08 | Bei za malenge ya Amerika Kaskazini 🎃 | [Udhibiti wa Mtiririko](2-Regression/README.md) | Tengeneza mfano wa udhibiti wa logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Programu ya Mtandao 🔌 | [Programu ya Mtandao](3-Web-App/README.md) | Tengeneza programu ya mtandao kutumia mfano uliyofundishwa | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa uainishaji | [Uainishaji](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa uainishaji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Mapishi ya Ladha za Kiazi na Kizina cha Asia 🍜 | [Uainishaji](4-Classification/README.md) | Utangulizi wa waainishaji | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen na Cassie • Eric Wanjau |
| 12 | Mapishi ya Ladha za Kiazi na Kizina cha Asia 🍜 | [Uainishaji](4-Classification/README.md) | Waainishaji zaidi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen na Cassie • Eric Wanjau |
| 13 | Mapishi ya Ladha za Kiazi na Kizina cha Asia 🍜 | [Uainishaji](4-Classification/README.md) | Tengeneza programu ya mtandao ya kupendekeza ukitumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa kupanga kundi | [Kupanga Kundi](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; Utangulizi wa kupanga kundi | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Kuchunguza Ladha za Muziki wa Nigeria 🎧 | [Kupanga Kundi](5-Clustering/README.md) | Chunguza mbinu ya kupanga kundi kwa 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 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Jifunze misingi ya NLP kwa kutengeneza bot rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Kazi za kawaida za NLP ☕️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Zidi uelewa wako wa NLP kwa kuelewa kazi za kawaida zinazohitajika unapotumia miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia na Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Uchambuzi wa hisia kwa kupitia hakiki za hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Uchambuzi wa hisia kwa kupitia hakiki za hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Utangulizi wa utabiri wa mfululizo wa wakati | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa wakati | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa ARIMA | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa SVR | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Utangulizi wa kujifunza kwa kuimarisha | [Kujifunza kwa kuimarisha](8-Reinforcement/README.md) | Utangulizi wa kujifunza kwa kuimarisha kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaidie Peter kuepuka mbwa mwitu! 🐺 | [Kujifunza kwa kuimarisha](8-Reinforcement/README.md) | Gym ya kujifunza kwa kuimarisha | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Kidokezo cha Mwisho | Hali halisi na matumizi ya ML | [ML kwenye Ulimwengu Halisi](9-Real-World/README.md) | Matumizi ya kuvutia na ya wazi ya ML ya kawaida | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Kidokezo cha Mwisho | Utafutaji mdogo wa modeli za ML kwa kutumia dashibodi ya RAI | [ML kwenye Ulimwengu Halisi](9-Real-World/README.md) | Utafutaji mdogo wa modeli katika Kujifunza kwa Mashine kwa kutumia vitu vya dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [apata rasilimali zote za ziada za kozi hii kwenye mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Kupata nyaraka bila mtandao
Unaweza kuendesha nyaraka hii bila mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Nakili repo hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye kompyuta yako, kisha katika folda ya mizizi ya repo hii, andika `docsify serve`. Tovuti itakuwa imetumika kwenye mlango wa bandari 3000 kwenye localhost yako: `localhost:3000`.
- kusoma ziada
- kazi ya nyumbani
- [mtihani wa baada ya mhadhara](https://ff-quizzes.netlify.app/en/ml/)
> **Kumbuka kuhusu lugha**: Masomo haya yameandikwa hasa kwa Python, lakini mengi pia yanapatikana kwa R. Ili kumaliza somo la R, nenda kwenye folda ya `/solution` na tafuta masomo ya R. Yana nyongeza ya .rmd ambayo inawakilisha faili la **R Markdown** ambalo linaweza kuelezwa kwa urahisi kama kuingiza `vidonge vya nambari` (za R au lugha nyingine) na `kichwa cha YAML` (ambacho kinaongoza jinsi ya kuunda matokeo kama PDF) kwenye `nyaraka za Markdown`. Kwa kuwa hivyo, hutoa mfumo bora wa uandishi wa sayansi ya data kwa sababu inakuwezesha kuunganisha nambari zako, matokeo yake, na mawazo yako kwa kuweza kuyaandika chini kwa Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kutengenezwa kuwa aina za matokeo kama PDF, HTML, au Word.
> **Kumbuka kuhusu maswali ya mtihani**: Maswali yote ya mtihani yanapatikana kwenye [Folda ya Programu ya Mtihani](../../quiz-app), kwa jumla ya maswali 52 yenye maswali matatu kila moja. Yameunganishwa ndani ya masomo lakini programu ya mtihani inaweza kuendeshwa kwa mtaa; fuata maelekezo kwenye folda ya `quiz-app` ili kuiendesha kwa mtaa au kuipeleka kwenye Azure.
| Nambari ya Somo | Mada | Ukusanyaji wa Masomo | Malengo ya Kujifunza | Somo Lililo Unganishwa | Mwandishi |
| 01 | Utangulizi wa ujifunzaji wa mashine |[Utangulizi](1-Introduction/README.md) | Jifunze dhana za msingi nyuma ya ujifunzaji wa mashine | [Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya ujifunzaji wa mashine |[Utangulizi](1-Introduction/README.md) | Jifunze historia inayojihusisha na eneo hili | [Somo](1-Introduction/2-history-of-ML/README.md) | Jen na Amy |
| 03 | Uadilifu na ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Je, ni masuala gani muhimu ya falsafa kuhusu uadilifu ambayo wanafunzi wanapaswa kuzingatia wanapojenga na kutekeleza mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Ni mbinu gani watafiti wa ML hutumia kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa regression | [Regression](2-Regression/README.md) | Anza na Python na Scikit-learn kwa mifano ya regression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Bei za maboga ya Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Onyesha kwa kuona na safisha data kwa ajili ya ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Bei za maboga ya Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mifano ya regression ya mstari na polynomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen na Dmitry • Eric Wanjau |
| 08 | Bei za maboga ya Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mfano wa regression wa logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Programu ya Wavuti 🔌 | [Web App](3-Web-App/README.md) | Jenga programu ya wavuti kutumia mfano wako uliopata mafunzo | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa uainishaji | [Classification](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa uainishaji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Vyakula vitamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Utangulizi wa waainishaji | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen na Cassie • Eric Wanjau |
| 12 | Vyakula vitamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Waainishaji zaidi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen na Cassie • Eric Wanjau |
| 13 | Vyakula vitamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Jenga programu ya wavuti ya kupendekeza kutumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa uundaji | [Clustering](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; Utangulizi wa uundaji | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Kuchunguza Ladha za Muziki za Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Chunguza njia ya uundaji ya 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 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Natural language processing](6-NLP/README.md) | Jifunze misingi ya NLP kwa kujenga roboti rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Majukumu ya kawaida ya NLP ☕️ | [Natural language processing](6-NLP/README.md) | Zidi uelewa wako wa NLP kwa kuelewa majukumu ya kawaida yanayohitajika wakati wa kushughulika na miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Natural language processing](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia na Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia kwa mapitio ya hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia kwa mapitio ya hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Utangulizi wa utabiri wa mfululizo wa wakati | [Time series](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa wakati | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa ARIMA | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa SVR | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Utangulizi wa ujifunzaji wa msaada | [Reinforcement learning](8-Reinforcement/README.md) | Utangulizi wa ujifunzaji wa msaada kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaada kwa Peter kuepuka mbwa mwitu! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym ya ujifunzaji wa msaada | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Matukio halisi ya ML na matumizi | [ML in the Wild](9-Real-World/README.md) | Matumizo ya kuvutia na kufunua ya ML ya zamani | [Somo](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Urekebishaji wa Mfano wa ML kwa kutumia dashibodi ya RAI | [ML in the Wild](9-Real-World/README.md) | Urekebishaji wa Mfano wa Ujifunzaji wa Mashine kwa kutumia vipengele vya dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pata rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Ufikiaji nje ya mtandao
Unaweza kuendesha hati hizi nje ya mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Nakili repo hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya mtaa, na kisha kwenye folda ya mzizi ya repo hii, andika `docsify serve`. Tovuti itakuwa inapatikana kwenye bandari 3000 kwenye mtaa wako wa localhost: `localhost:3000`.
## PDFs
Pata faili la pdf la mtaala wa masomo yenye viungo [hapa](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Tafuta pdf ya mtaala wenye viungo [hapa](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Kozi Nyingine
## 🎒 Kozi Nyingine
Timu yetu hutengeneza kozi nyingine! Angalia:
Timu yetu huandaa kozi zingine! Angalia:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Wakala
[](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)
---
### Msururu wa AI ya Kizazi
[](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)
### Mfululizo wa AI Inayotengeneza
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
### Mafunzo ya Msingi
[](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)
---
### Mfululizo wa 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)
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## Kupata Msaada
Ikiwa unakumbwa na shida au una maswali yoyote kuhusu kujenga programu za AI. Jiunge na wenzako wanaojifunza na watengenezaji wenye uzoefu katika mijadala kuhusu MCP. Ni jamii yenye usaidizi ambapo maswali yanakaribishwa na maarifa yanashirikiwa kwa uhuru.
Ukikumbwa au ikiwa na maswali yoyote kuhusu kujenga programu za AI. Jiunge na wanajifunza wenzako na waendelezaji wenye uzoefu katika mijadala kuhusu MCP. Ni jamii yenye msaada ambapo maswali yanakaribishwa na maarifa yanashirikishwa kwa ukarimu.
- Pitia daftari la mazoezi baada ya kila somo kwa uelewa bora.
- Fanya mazoezi ya kutekeleza algoriti kwa ajili yako.
- Pitia daftari za maelezo baada ya kila somo kwa uelewa mzuri zaidi.
- Fanya mazoezi ya kutekeleza algoriti peke yako.
- Chunguza seti halisi za data ukitumia dhana ulizojifunza.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Angalizo la Kukataa**:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri kwa AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kufikia usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au upungufu wa usahihi. Hati ya asili katika lugha yake ya asili inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu na ya binadamu inashauriwa. Hatuna dhima kwa kutoelewana au tafsiri potofu zitokanazo na matumizi ya tafsiri hii.
**Tangazo la Msamaha**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Wakati tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kasoro. Hati ya awali katika lugha yake ya asili inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inashauriwa. Hatukuwajibiki kwa kutoelewana au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.
localizeflow[bot]
4 months ago