> رسم تخطيطي من إعداد [تومومي إيمورا](https://www.twitter.com/girlie_mac)
> رسم توضيحي من إعداد [تومومي إيمورا](https://www.twitter.com/girlie_mac)
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "تعلم الآلة للمبتدئين - تاريخ تعلم الآلة")
[](https://youtu.be/N6wxM4wZ7V0 "التعلم الآلي للمبتدئين - تاريخ التعلم الآلي")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذه الدرس.
في هذا الدرس، سنستعرض المحطات الرئيسية في تاريخ تعلم الآلة والذكاء الاصطناعي.
في هذا الدرس، سوف نستعرض المحطات الرئيسية في تاريخ التعلم الآلي والذكاء الاصطناعي.
تاريخ الذكاء الاصطناعي (AI) كمجال مرتبط بشكل وثيق بتاريخ تعلم الآلة، حيث أن الخوارزميات والتطورات الحاسوبية التي تدعم تعلم الآلة ساهمت في تطوير الذكاء الاصطناعي. من المفيد أن نتذكر أنه على الرغم من أن هذه المجالات بدأت تتبلور كمجالات بحثية متميزة في الخمسينيات، إلا أن هناك [اكتشافات خوارزمية وإحصائية ورياضية وحاسوبية وتقنية مهمة](https://wikipedia.org/wiki/Timeline_of_machine_learning) سبقت وتداخلت مع هذه الحقبة. في الواقع، كان الناس يفكرون في هذه الأسئلة منذ [مئات السنين](https://wikipedia.org/wiki/History_of_artificial_intelligence): يناقش هذا المقال الأسس الفكرية التاريخية لفكرة "الآلة المفكرة".
تاريخ الذكاء الاصطناعي (AI) كمجال مرتبط بتاريخ التعلم الآلي، حيث إن الخوارزميات والتطورات الحاسوبية التي تدعم التعلم الآلي ساهمت في تطور الذكاء الاصطناعي. من المفيد أن نتذكر أنه بينما بدأت هذه المجالات كمجالات استقصائية متميزة في خمسينيات القرن الماضي، فإن [العديد من الاكتشافات الخوارزمية والإحصائية والرياضية والحسابية والتقنية](https://wikipedia.org/wiki/Timeline_of_machine_learning) سبقت وتداخلت مع هذه الحقبة. في الواقع، كان الناس يفكرون في هذه الأسئلة منذ [مئات السنين](https://wikipedia.org/wiki/History_of_artificial_intelligence): يناقش هذا المقال الأسس الفكرية التاريخية لفكرة "آلة تفكر".
---
## اكتشافات بارزة
- 1763، 1812 [نظرية بايز](https://wikipedia.org/wiki/Bayes%27_theorem) وأسلافها. هذه النظرية وتطبيقاتها تشكل أساس الاستدلال، حيث تصف احتمالية وقوع حدث بناءً على المعرفة السابقة.
- 1805 [نظرية المربعات الصغرى](https://wikipedia.org/wiki/Least_squares) التي قدمها عالم الرياضيات الفرنسي أدريان-ماري ليجيندر. هذه النظرية، التي ستتعلم عنها في وحدة الانحدار، تساعد في ملاءمة البيانات.
- 1913 [سلاسل ماركوف](https://wikipedia.org/wiki/Markov_chain)، التي سميت على اسم عالم الرياضيات الروسي أندريه ماركوف، تُستخدم لوصف تسلسل الأحداث المحتملة بناءً على الحالة السابقة.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron)،وهو نوع من المصنفات الخطية اخترعه عالم النفس الأمريكي فرانك روزنبلات، ويشكل أساس التقدم في التعلم العميق.
- 1763، 1812 [نظرية بايز](https://wikipedia.org/wiki/Bayes%27_theorem) وسابقتها. هذه النظرية وتطبيقاتها تشكل أساس الاستدلال، موصوفة احتمال حدوث حدث بناءً على المعرفة السابقة.
- 1805 [نظرية المربعات الصغرى](https://wikipedia.org/wiki/Least_squares) التي وضعها عالم الرياضيات الفرنسي أدريان ماري ليجندر. هذه النظرية، التي ستتعلم عنها في وحدة الانحدار لدينا، تساعد في ملاءمة البيانات.
- 1913 [سلاسل ماركوف](https://wikipedia.org/wiki/Markov_chain) التي سميت على اسم عالم الرياضيات الروسي أندري ماركوف، وتستخدم لوصف تسلسل من الأحداث المحتملة بناءً على حالة سابقة.
- 1957 [البيرسيترون](https://wikipedia.org/wiki/Perceptron) هو نوع من المصنفات الخطية اخترعه العالم النفسي الأمريكي فرانك روزنبلات والذيشكّل أساس التقدم في التعلم العميق.
---
- 1967 [أقرب جار](https://wikipedia.org/wiki/Nearest_neighbor)، وهو خوارزمية صُممت في الأصل لتخطيط المسارات. في سياق تعلم الآلة، تُستخدم لاكتشاف الأنماط.
- 1982 [الشبكات العصبية العودية](https://wikipedia.org/wiki/Recurrent_neural_network) هي شبكات عصبية صناعية مشتقة من الشبكات التغذوية الأمامية تُنشئ رسوماً زمنية.
✅ قم ببعض البحث. ما هي التواريخ الأخرى التي تبرز كمحطات محورية في تاريخ تعلم الآلة والذكاء الاصطناعي؟
✅ قم ببحث بسيط. ما التواريخ الأخرى التي تبرز كمحورية في تاريخ التعلم الآلي والذكاء الاصطناعي؟
---
## 1950: الآلات التي تفكر
يُعتبر آلان تورينغ، وهو شخصية استثنائية تم التصويت له [من قبل الجمهور في عام 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) كأعظم عالم في القرن العشرين، أحد المؤسسين لفكرة "الآلة التي يمكن أن تفكر". لقد واجه المشككين وحاجته الشخصية إلى أدلة تجريبية لهذه الفكرة من خلال إنشاء [اختبار تورينغ](https://www.bbc.com/news/technology-18475646)، الذي ستستكشفه في دروس معالجة اللغة الطبيعية.
آلان تورينج، شخص استثنائي حقاً وصُوّت له [من الجمهور في 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) كأعظم عالم في القرن العشرين، يُنسب إليه الفضل في إرساء أساس مفهوم "آلة قادرة على التفكير". تصدى للمتشككين وحاجته إلى أدلة تجريبية على هذا المفهوم جزئياً من خلال إنشاء [اختبار تورينج](https://www.bbc.com/news/technology-18475646)، الذي ستستكشفه في دروس معالجة اللغة الطبيعية لدينا.
---
## 1956: مشروع دارتموث الصيفي للبحث
## 1956: مشروع بحوث صيف دارتموث
"كان مشروع دارتموث الصيفي للبحث في الذكاء الاصطناعي حدثًا محوريًا في مجال الذكاء الاصطناعي"، حيث تم صياغة مصطلح "الذكاء الاصطناعي" لأول مرة ([المصدر](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"كان مشروع بحوث صيف دارتموث للذكاء الاصطناعي حدثًا تأسيسيًا كمجال للذكاء الاصطناعي"، وهنا تم صياغة مصطلح "الذكاء الاصطناعي" ([المصدر](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> يمكن وصف كل جانب من جوانب التعلم أو أي ميزة أخرى للذكاء بدقة كافية بحيث يمكن إنشاء آلة لمحاكاتها.
> يمكن من حيث المبدأ وصف كل جانب من جوانب التعلم أو أي خاصية أخرى للذكاء بدقة كافية بحيث يمكن تصميم آلة لمحاكاتها.
---
كان الباحث الرئيسي، أستاذ الرياضيات جون مكارثي، يأمل "في المضي قدمًابناءً على فرضية أن كل جانب من جوانب التعلم أو أي ميزة أخرى للذكاء يمكن وصفها بدقة كافية بحيث يمكن إنشاء آلة لمحاكاتها." وشملت المشاركين شخصية بارزة أخرى في المجال، مارفن مينسكي.
كان الباحث الرئيسي، أستاذ الرياضيات جون مكارثي، يأمل "في المضي قدما على أساس الافتراض أن كل جانب من جوانب التعلم أو أي خاصية أخرى للذكاء يمكن وصفها بدقة كافية بحيث يمكن تصميم آلة لمحاكاتها." وشمل المشاركين شخصية بارزة أخرى في المجال، مارفن مينسكي.
يُنسب إلى الورشة الفضل في بدء وتشجيع العديد من المناقشات، بما في ذلك "ظهور الأساليب الرمزية، الأنظمة التي تركز على مجالات محدودة (أنظمة الخبراء المبكرة)، والأنظمة الاستنتاجية مقابل الأنظمة الاستقرائية." ([المصدر](https://wikipedia.org/wiki/Dartmouth_workshop)).
يُعزى إلى الورشة كونها أطلقت وشجعت عدة مناقشات من بينها "صعود الأساليب الرمزية، الأنظمة التي تركز على مجالات محدودة (أنظمة الخبراء المبكرة)، والأنظمة الاستنتاجية مقابل الأنظمة الاستقرائية." ([المصدر](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "السنوات الذهبية"
من الخمسينيات وحتى منتصف السبعينيات، ساد التفاؤل الكبير بأن الذكاء الاصطناعي يمكن أن يحل العديد من المشكلات. في عام 1967، صرح مارفن مينسكي بثقة: "في غضون جيل ... سيتم حل مشكلة إنشاء 'ذكاء اصطناعي' بشكل كبير." (مينسكي، مارفن (1967)، الحساب: الآلات المحدودة واللانهائية، إنغلوود كليفس، نيوجيرسي: برنتيس-هول)
من أوائل الخمسينات وحتى منتصف السبعينات، كان التفاؤل عاليًا بأن الذكاء الاصطناعي يمكن أن يحل الكثير من المشاكل. في 1967، صرح مارفن مينسكي بثقة أن "خلال جيل... سيتم حل مشكلة خلق 'الذكاء الاصطناعي' إلى حد كبير." (مينسكي، مارفن (1967)، الحساب: الآلات المحدودة واللانهائية، إنجلوود كليفس، نيوجيرسي: برنتيس-هول)
ازدهرت أبحاث معالجة اللغة الطبيعية، وتم تحسين البحث وجعله أكثر قوة، وتم إنشاء مفهوم "العوالم المصغرة"، حيث تم تنفيذ مهام بسيطة باستخدام تعليمات بلغة بسيطة.
ازدهرت أبحاث معالجة اللغة الطبيعية، وتم تحسين البحث وجعله أكثر قوة، وظهر مفهوم "العوالم الصغيرة" حيث تُنجز المهام البسيطة باستخدام تعليمات بلغة بسيطة.
---
حظيت الأبحاث بتمويل جيد من الوكالات الحكومية، وتم إحراز تقدم في الحوسبة والخوارزميات، وتم بناء نماذج أولية للآلات الذكية. بعض هذه الآلات تشمل:
تم تمويل الأبحاث جيدًا من قبل الوكالات الحكومية، وتحققت تقدمات في الحوسبة والخوارزميات، وبُنيت نماذج أولية لآلات ذكية. بعض هذه الآلات تشمل:
* [الروبوت شاكي](https://wikipedia.org/wiki/Shakey_the_robot)، الذي كان بإمكانه المناورة واتخاذ قرارات "ذكية" لتنفيذ المهام.
* [شاكِي الروبوت](https://wikipedia.org/wiki/Shakey_the_robot)، الذي كان بإمكانه المناورة واتخاذ قرارات حول كيفية أداء المهام "بذكاء".
* "عالم الكتل" كان مثالًا على عالم مصغر حيث يمكن تكديس الكتل وفرزها، وتم اختبار التجارب في تعليم الآلات اتخاذ القرارات. ساعدت المكتبات مثل [SHRDLU](https://wikipedia.org/wiki/SHRDLU) في دفع معالجة اللغة إلى الأمام.
* كان "عالم الكتل" مثالاً على عالم صغير حيث يمكن تكديس وفرز الكتل، ويمكن اختبار تجارب تعليم الآلات اتخاذ القرارات. ساعدت التقدمات المبنية على مكتبات مثل [SHRDLU](https://wikipedia.org/wiki/SHRDLU) على دفع معالجة اللغة إلى الأمام.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "عالم الكتل مع SHRDLU")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: عالم الكتل مع SHRDLU
---
## 1974 - 1980: "شتاء الذكاء الاصطناعي"
## 1974 - 1980: "الشتاء الاصطناعي"
بحلول منتصف السبعينيات، أصبح من الواضح أن تعقيد إنشاء "آلات ذكية" قد تم التقليل من شأنه وأن الوعود التي قُدمت، بالنظر إلى قوة الحوسبة المتاحة، كانت مبالغًا فيها. جف التمويل وتباطأت الثقة في المجال. بعض القضايا التي أثرت على الثقة تشمل:
بحلول منتصف السبعينات، أصبح واضحًا أن تعقيد صنع "آلات ذكية" كان قد قُيًّم بأقل مما ينبغي، وأن وعوده، بالنظر إلى قوة الحوسبة المتاحة، قد تم المبالغة بها. جفت مصادر التمويل وبدأ الثقة في المجال تتراجع. بعض القضايا التي أثرت على الثقة شملت:
---
- **القيود**. كانت قوة الحوسبة محدودة للغاية.
- **الانفجار التوافقي**. نما عدد المعلمات التي يجب تدريبها بشكل أسي مع زيادة الطلبات على الحواسيب، دون تطور موازٍ في قوة وقدرة الحوسبة.
- **ندرة البيانات**. كانت هناك ندرة في البيانات التي أعاقت عملية الاختبار والتطوير وتحسين الخوارزميات.
- **هل نطرح الأسئلة الصحيحة؟**. بدأت الأسئلة نفسها التي كانت تُطرح تخضع للتشكيك. بدأ الباحثون يواجهون انتقادات حول مناهجهم:
- اختبارات تورينغ خضعت للتشكيك من خلال، من بين أفكار أخرى، "نظرية الغرفة الصينية" التي افترضت أن "برمجة حاسوب رقمي قد تجعل الأمر يبدو وكأنه يفهم اللغة ولكنه لا يمكن أن ينتج فهمًا حقيقيًا." ([المصدر](https://plato.stanford.edu/entries/chinese-room/))
- تم تحدي أخلاقيات إدخال ذكاء اصطناعي مثل "المعالج" إليزا إلى المجتمع.
- **القيود**. كانت قوة الحوسبة محدودة جدًا.
- **الانفجار التركيبي**. زاد عدد المعلمات المطلوب تدريبها بشكل أُسّي مع طلب المزيد من الحواسيب، دون تطور موازٍ في القدرة الحاسوبية والإمكانات.
- **قلة البيانات**. كان هناك نقص في البيانات الذي أعاق عملية اختبار، وتطوير، وتحسين الخوارزميات.
- **هل نطرح الأسئلة الصحيحة؟**. بدأت الأسئلة المطروحة نفسها تخضع للنقد. بدأ الباحثون يواجهون انتقادات تجاه أساليبهم:
- تم التشكيك في اختبارات تورينج بوسائل، من بين أفكار أخرى، مثل "نظرية الغرفة الصينية" التي تفترض أن "برمجة كمبيوتر رقمي قد تجعله يبدو كأنه يفهم اللغة لكنه لا يستطيع تحقيق فهم حقيقي." ([المصدر](https://plato.stanford.edu/entries/chinese-room/))
- تم تحدي الأخلاق في إدخال ذكاء اصطناعي مثل "المعالج" إليزا في المجتمع.
---
في الوقت نفسه، بدأت تتشكل مدارس فكرية مختلفة للذكاء الاصطناعي. تم إنشاء تفرقة بين ممارسات ["الذكاء الاصطناعي الفوضوي" و"الذكاء الاصطناعي المنظم"](https://wikipedia.org/wiki/Neats_and_scruffies). كانت المختبرات "الفوضوية" تعدل البرامج لساعات حتى تحصل على النتائج المطلوبة. أما المختبرات "المنظمة" فكانت تركز على المنطق وحل المشكلات الرسمي. كانت إليزا وSHRDLU من الأنظمة "الفوضوية" المعروفة. في الثمانينيات، مع ظهور الحاجة لجعل أنظمة تعلم الآلة قابلة للتكرار، أصبح النهج "المنظم" في المقدمة لأن نتائجه أكثر قابلية للتفسير.
في الوقت نفسه، بدأت مدارس فكرية مختلفة في الذكاء الاصطناعي تتشكل. تم إنشاء تباين بين ممارسات ["الذكاء الاصطناعي الفوضوي" مقابل "النظيف"](https://wikipedia.org/wiki/Neats_and_scruffies). المختبرات الـ _الفوضوية_ كانت تعدل البرامج لساعات حتى تحصل على النتائج المرغوبة. المختبرات الـ _النظيفة_ "تركيز على المنطق وحل المشكلات بشكل رسمي". كانت إليزا وSHRDLU أنظمة _فوضوية_ معروفة. في الثمانينات، ومع ظهور الحاجة لجعل أنظمة التعلم الآلي قابلة لإعادة الإنتاج، بدأ النهج _النظيف_ يأخذ الصدارة تدريجيًا حيث تصبح نتائجه أكثر قابلية للتفسير.
---
## أنظمة الخبراء في الثمانينيات
## أنظمة الخبراء في الثمانينات
مع نمو المجال، أصبح واضحًا فائدته للأعمال التجارية، وفي الثمانينيات انتشرت"أنظمة الخبراء". "كانت أنظمة الخبراء من بين أول أشكال البرمجيات الناجحة حقًا للذكاء الاصطناعي." ([المصدر](https://wikipedia.org/wiki/Expert_system)).
مع نمو المجال، أصبح واضحًا فائدته للأعمال التجارية، وفي الثمانينات ظهر انتشار أنظمة "الخبراء". "كانت أنظمة الخبراء من أوائل أشكال البرمجيات الناجحة الحقيقية للذكاء الاصطناعي." ([المصدر](https://wikipedia.org/wiki/Expert_system)).
هذا النوع من الأنظمة هو في الواقع _هجين_، يتكون جزئيًا من محرك قواعد يحدد متطلبات العمل، ومحرك استنتاج يستفيد من نظام القواعد لاستنتاج حقائق جديدة.
هذا النوع من الأنظمة _هجين_ جزئياً، يتألف جزئياً من محرك قواعد يحدد متطلبات العمل، ومحرك استنتاج يستخدم نظام القواعد لاستنتاج حقائق جديدة.
شهدت هذه الحقبة أيضًا زيادة الاهتمام بالشبكات العصبية.
كما شهدت هذه الحقبة اهتمامًا متزايدًا بالشبكات العصبية.
---
## 1987 - 1993: "برودة الذكاء الاصطناعي"
## 1987 - 1993: "تبريد" الذكاء الاصطناعي
كان لانتشار أجهزة أنظمة الخبراء المتخصصة تأثير سلبي حيث أصبحت متخصصة للغاية. كما تنافست أجهزة الكمبيوتر الشخصية مع هذه الأنظمة الكبيرة والمركزية. بدأت ديمقراطية الحوسبة، مما مهد الطريق في النهاية لانفجار البيانات الضخمة الحديث.
كان لتكاثر أجهزة أنظمة الخبراء المتخصصة تأثير سلبي حيث أصبحت متخصصة جدًا. كما تنافست الحواسيب الشخصية الصاعدة مع هذه الأنظمة الكبيرة والمتخصصة والمركزية. بدأت ديمقراطية الحوسبة، ومهدت الطريق في نهاية المطاف لانفجار البيانات الضخمة الحديث.
---
## 1993 - 2011
شهدت هذه الحقبة عصرًا جديدًا لتعلم الآلة والذكاء الاصطناعي لحل بعض المشكلات التي كانت ناجمة عن نقص البيانات وقوة الحوسبة في السابق. بدأت كمية البيانات في الزيادة بسرعة وأصبحت متاحة على نطاق واسع، سواء للأفضل أو للأسوأ، خاصة مع ظهور الهواتف الذكية حوالي عام 2007. توسعت قوة الحوسبة بشكل كبير، وتطورت الخوارزميات جنبًا إلى جنب. بدأ المجال في النضوج حيث بدأت الأيام العشوائية الماضية تتبلور إلى تخصص حقيقي.
شهدت هذه الحقبة عصرًا جديدًا للتعلم الآلي والذكاء الاصطناعي قادرين على حل بعض المشاكل التي نشأت سابقًا بسبب نقص البيانات وقوة الحوسبة. بدأ حجم البيانات في التزايد بسرعة وأصبح أكثر توافرًا على نطاق واسع، للأفضل والأسوأ، خصوصًا مع ظهور الهواتف الذكية حوالي 2007. توسعت قوة الحوسبة بشكل أسّي، وتطورت الخوارزميات بالتزامن. بدأ المجال يكتسب نضجًا مع تحول الأيام الحرة السابقة إلى انضباط حقيقي.
---
## الآن
اليوم، يمس تعلم الآلة والذكاء الاصطناعي تقريبًا كل جزء من حياتنا. هذا العصر يتطلب فهمًا دقيقًا للمخاطر والتأثيرات المحتملة لهذه الخوارزميات على حياة البشر. كما صرح براد سميث من مايكروسوفت: "تثير تكنولوجيا المعلومات قضايا تمس جوهر حماية حقوق الإنسان الأساسية مثل الخصوصية وحرية التعبير. هذه القضايا تزيد من مسؤولية شركات التكنولوجيا التي تصنع هذه المنتجات. من وجهة نظرنا، تدعو أيضًا إلى تنظيم حكومي مدروس وتطوير معايير حول الاستخدامات المقبولة" ([المصدر](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
اليوم، يلامس التعلم الآلي والذكاء الاصطناعي تقريبًا كل جانب من جوانب حياتنا. هذا العصر يتطلب فهمًا دقيقًا للمخاطر والتأثيرات المحتملة لهذه الخوارزميات على حياة الإنسان. كما قال براد سميث من مايكروسوفت، "تثير تكنولوجيا المعلومات قضايا تمس جوهر الحماية الأساسية لحقوق الإنسان مثل الخصوصية وحرية التعبير. تعزز هذه القضايا المسؤولية على شركات التكنولوجيا التي تصنع هذه المنتجات. ومن وجهة نظرنا، فإنها تدعو أيضًا إلى تنظيم حكومي مدروس وتطوير معايير حول الاستخدامات المقبولة" ([المصدر](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
لا يزال من غير المعروف ما يخبئه المستقبل، ولكن من المهم فهم هذه الأنظمة الحاسوبية والبرمجيات والخوارزميات التي تعمل بها. نأمل أن يساعدك هذا المنهج في اكتساب فهم أفضل حتى تتمكن من اتخاذ قراراتك بنفسك.
لا يزال المستقبل مجهولًا، ولكن من المهم فهم هذه الأنظمة الحاسوبية والبرمجيات والخوارزميات التي تعمل عليها. نأمل أن تساعدك هذه المناهج على اكتساب فهم أفضل لتتمكن من اتخاذ قرارك بنفسك.
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: يان ليكون يناقش تاريخ التعلم العميق في هذه المحاضرة
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: يان لوكون يناقش تاريخ التعلم العميق في هذه المحاضرة
---
## 🚀تحدي
تعمق في واحدة من هذه اللحظات التاريخية وتعرف أكثر على الأشخاص الذين كانوا وراءها. هناك شخصيات مثيرة للاهتمام، ولم يتم إنشاء أي اكتشاف علمي في فراغ ثقافي. ماذا تكتشف؟
اغمر نفسك في أحد هذه اللحظات التاريخية وتعلم المزيد عن الأشخاص خلفها. هناك شخصيات مثيرة للاهتمام، ولم يُخلق أي اكتشاف علمي في فراغ ثقافي. ماذا تكتشف؟
## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
---
## المراجعة والدراسة الذاتية
## مراجعة ودراسة ذاتية
إليك بعض المواد للمشاهدة والاستماع:
إليك بعض المواد لمشاهدتها والاستماع إليها:
[هذا البودكاست حيث تناقش آمي بويد تطور الذكاء الاصطناعي](http://runasradio.com/Shows/Show/739)
[هذا البودكاست حيث تناقش إيمي بويّد تطور الذكاء الاصطناعي](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "تاريخ الذكاء الاصطناعي بواسطة آمي بويد")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "تاريخ الذكاء الاصطناعي بواسطة إيمي بويّد")
---
## الواجب
[إنشاء خط زمني](assignment.md)
[أنشئ جدولًا زمنيًا](assignment.md)
---
**إخلاء المسؤولية**:
تمت ترجمة هذه الوثيقة باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار الوثيقة الأصلية بلغتها الأصلية المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
# بناء حلول التعلم الآلي مع الذكاء الاصطناعي المسؤول
# بناء حلول التعلم الآلي بالذكاء الاصطناعي المسؤول
> رسم تخطيطي بواسطة [Tomomi Imura](https://www.twitter.com/girlie_mac)
> ملاحظة مرسومة بواسطة [تومومي إيمورا](https://www.twitter.com/girlie_mac)
## [اختبار ما قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
## مقدمة
في هذا المنهج الدراسي، ستبدأ باكتشاف كيف يمكن للتعلم الآلي أن يؤثر ويؤثر بالفعل على حياتنا اليومية. حتى الآن، الأنظمة والنماذج تشارك في مهام اتخاذ القرار اليومية، مثل تشخيص الرعاية الصحية، الموافقات على القروض أو كشف الاحتيال. لذا، من المهم أن تعمل هذه النماذج بشكل جيد لتقديم نتائج جديرة بالثقة. مثل أي تطبيق برمجي، من الممكن أن تفشل أنظمة الذكاء الاصطناعي في الوفاء بالتوقعات أو أن تسفر عن نتيجة غير مرغوبة. لهذا السبب من الضروري أن نكون قادرين على فهم وشرح سلوك نموذج الذكاء الاصطناعي.
في هذا المنهج، ستبدأ في اكتشاف كيف يؤثر التعلم الآلي على حياتنا اليومية وكيف يمكن أن يفعل ذلك. حتى الآن، تشارك الأنظمة والنماذج في مهام اتخاذ القرار اليومية مثل التشخيصات الطبية، الموافقات على القروض، أو الكشف عن الاحتيال. لذا، من المهم أن تعمل هذه النماذج بشكل جيد لتقديم نتائج جديرة بالثقة. تمامًا مثل أي تطبيق برمجي، فإن أنظمة الذكاء الاصطناعي قد لا تلبي التوقعات أو قد تنتج نتائج غير مرغوب فيها. لهذا السبب من الضروري أن نتمكن من فهم وشرح سلوك نموذج الذكاء الاصطناعي.
تخيل ما قد يحدث عندما تكون البيانات التي تستخدمها لبناء هذه النماذج تفتقر إلى بعض الفئات السكانية، مثل العرق، الجنس، الرأي السياسي، الدين، أو تمثل هذه الفئات بشكل غير متناسب. ماذا عن عندما يتم تفسير ناتج النموذج لصالح فئة سكانية معينة؟ ما هي العواقب على التطبيق؟ بالإضافة إلى ذلك، ماذا يحدث عندما يكون للنموذج نتيجة سلبية وتسبب ضرراً للناس؟ من هو المسؤول عن سلوك أنظمة الذكاء الاصطناعي؟ هذه بعض الأسئلة التي سنستكشفها في هذا المنهج.
تخيل ما قد يحدث عندما تفتقر البيانات التي تستخدمها لبناء هذه النماذج إلى ديموغرافيات معينة، مثل العرق، الجنس، الرأي السياسي، الدين، أو تمثل هذه الديموغرافيات بشكل غير متناسب. ماذا يحدث عندما يتم تفسير مخرجات النموذج لصالح بعض الفئات السكانية؟ ما هو العاقبة على التطبيق؟ بالإضافة إلى ذلك، ماذا يحدث عندما يكون للنموذج نتيجة ضارة وتسبب أذى للناس؟ من المسؤول عن سلوك أنظمة الذكاء الاصطناعي؟ هذه بعض الأسئلة التي سنستكشفها في هذا المنهج.
في هذا الدرس، ستقوم بـ:
في هذا الدرس، سوف:
- زيادة وعيك بأهمية العدالة في التعلم الآلي والأضرار المتعلقة بالعدالة.
- التعرف على ممارسة استكشاف الحالات الشاذة والسيناريوهات غير المعتادة لضمان الموثوقية والسلامة.
- فهم الحاجة لتمكين الجميع من خلال تصميم أنظمة شاملة.
- استكشاف مدى أهمية حماية خصوصية وأمان البيانات والأشخاص.
- رؤية أهمية وجود نهج شفاف لشرح سلوك نماذج الذكاء الاصطناعي.
- الانتباه لكيفية كون المساءلة ضرورية لبناء الثقة في أنظمة الذكاء الاصطناعي.
- ترفع وعيك حول أهمية العدالة في التعلم الآلي والأضرار المتعلقة بالعدالة.
- تتعرف على ممارسة استكشاف الحالات الشاذة والسيناريوهات غير المعتادة لضمان الموثوقية والسلامة
- تفهم الحاجة لتمكين الجميع من خلال تصميم أنظمة شاملة
- تستكشف مدى أهمية حماية خصوصية وأمن البيانات والأشخاص
- ترى أهمية وجود نهج شفاف لشرح سلوك نماذج الذكاء الاصطناعي
- تكون واعيًا بكيفية أهمية المساءلة لبناء الثقة في أنظمة الذكاء الاصطناعي
## المتطلبات المسبقة
## المتطلبات السابقة
كمتطلب مسبق، يرجى أخذ مسار التعلم "مبادئ الذكاء الاصطناعي المسؤول" ومشاهدة الفيديو أدناه حول الموضوع:
كمتطلب سابق، يُرجى أخذ مسار التعلم "مبادئ الذكاء الاصطناعي المسؤول" ومشاهدة الفيديو أدناه حول هذا الموضوع:
تعرّف أكثر على الذكاء الاصطناعي المسؤول من خلال متابعة هذا [مسار التعلم](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "نهج مايكروسوفت تجاه الذكاء الاصطناعي المسؤول")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: نهج مايكروسوفت للذكاء الاصطناعي المسؤول
> 🎥 انقر على الصورة أعلاه لفيديو: نهج مايكروسوفت تجاه الذكاء الاصطناعي المسؤول
## العدالة
يجب أن تعامل أنظمة الذكاء الاصطناعي الجميع بشكل عادل وتتجنب التأثير بطرق مختلفة على مجموعات مماثلة من الناس. على سبيل المثال، عندما تقدم أنظمة الذكاء الاصطناعي التوجيهبشأن العلاج الطبي، طلبات القروض، أو التوظيف، يجب أن تقدم نفس التوصيات للجميع الذين لديهم أعراض متشابهة، أو ظروف مالية مماثلة، أو مؤهلات مهنية متقاربة. كل واحد منا كإنسان يحمل تحيزات مكتسبة تؤثر على قراراته وأفعاله. قد تكون هذه التحيزات واضحة في البيانات التي نستخدمها لتدريب أنظمة الذكاء الاصطناعي. قد يحدث مثل هذا التلاعب أحيانًا دون قصد. غالبًا ما يصعب معرفة متى تقوم بإدخال تحيز في البيانات بوعي.
يجب أن تعامل أنظمة الذكاء الاصطناعي الجميع بعدل وتتجنب التأثير السلبي على مجموعات مماثلة من الناس بطرق مختلفة. على سبيل المثال، عندما تقدم أنظمة الذكاء الاصطناعي إرشادات لعلاج طبي، طلبات القروض، أو التوظيف، يجب أن تقدم نفس التوصيات للجميع الذين لديهم أعراض مشابهة، ظروف مالية مماثلة، أو مؤهلات مهنية متشابهة. كل منا كبشر يحمل تحيزات متوارثة تؤثر على قراراتنا وأفعالنا. يمكن أن تكون هذه التحيزات واضحة في البيانات التي نستخدمها لتدريب أنظمة الذكاء الاصطناعي. قد يحدث هذا التلاعب أحيانًا دون قصد. وغالبًا ما يصعب معرفة متى تُدخل تحيزًا في البيانات بوعي.
**"الظلم"** يشمل التأثيرات السلبية، أو "الأضرار"، لمجموعة من الناس، مثل تلك المعرفة من حيث العرق، الجنس، العمر، أو حالة الإعاقة. يمكن تصنيف الأضرار الرئيسية المتعلقة بالعدالة على النحو التالي:
**"الظلم"** يشمل التأثيرات السلبية، أو "الأضرار"، على مجموعة من الناس مثل تلك المعرفة بناءً على العرق أو الجنس أو العمر أو حالة الإعاقة. يمكن تصنيف الأضرار المتعلقة بالعدالة على النحو التالي:
- **التخصيص**، إذا تم تفضيل جنس أو إثنية معينة على أخرى.
- **جودة الخدمة**. إذا قمت بتدريب البيانات على سيناريو محدد ولكن الواقع أكثر تعقيدًا بكثير، يؤدي ذلك إلى خدمة سيئة الأداء. على سبيل المثال، موزع صابون لا يبدو قادرًا على التعرف على الأشخاص ذوي البشرة الداكنة. [مرجع](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **الشهرة السيئة**. انتقاد لامر أو شخص بشكل غير عادل ووضع ملصقات عليه. على سبيل المثال، تقنية تصنيف الصور بالخطأ صنفت صور الأشخاص ذوي البشرة الداكنة على أنهم غوريلا.
- **التمثيل الزائد أو الناقص**. الفكرة هي أن مجموعة معينة ليست مرئية في مهنة محددة، وأي خدمة أو وظيفة تستمر في تعزيز ذلك تسهم في الإضرار.
- **الصور النمطية**. ربط مجموعة معينة بصفات محددة مسبقًا. على سبيل المثال، نظام ترجمة بين الإنجليزية والتركية قد يحتوي على أخطاء بسبب كلمات مرتبطة بالصور النمطية للجنس.
- **التخصيص**، إذا تم تفضيل جنس أو عرق معين على آخر.
- **جودة الخدمة**. إذا قمت بتدريب البيانات لسيناريو معين لكن الواقع أكثر تعقيدًا، يؤدي ذلك إلى خدمة ذات أداء ضعيف. على سبيل المثال، موزع صابون يدوي لا يمكنه التعرف على الأشخاص ذوي البشرة الداكنة. [مرجع](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **التحقير**. النقد اللا عادل وصف شيء أو شخص بشكل سلبي. على سبيل المثال، تكنولوجيا تصنيف الصور الشهيرة أخطأت في تصنيف صور الأشخاص ذوي البشرة الداكنة كغوريلا.
- **التمثيل الزائد أو الناقص**. الفكرة هي أن مجموعة معينة غير مرئية في مهنة معينة، وأي خدمة أو وظيفة تواصل تعزيز ذلك تسهم في الأذى.
- **الوصم النمطي**. ربط مجموعة معينة بصفات مسبقة. على سبيل المثال، قد يحتوي نظام ترجمة اللغة بين الإنجليزية والتركية على أخطاء بسبب كلمات تحمل ارتباطات نمطية بالجنس.
> الترجمة إلى التركية
> الترجمة مرة أخرى إلى الإنجليزية
> الترجمة إلى الإنجليزية
عند تصميم واختبار أنظمة الذكاء الاصطناعي، نحتاج إلى ضمان أن الذكاء الاصطناعي عادل وليس مبرمجًا لاتخاذ قرارات متحيزة أو تمييزية، والتي يُمنع البشر من اتخاذها أيضًا. ضمان العدالة في الذكاء الاصطناعي والتعلم الآلي لا يزال تحديًا اجتماعيًا تقنيًا معقدًا.
عند تصميم واختبار أنظمة الذكاء الاصطناعي، نحتاج إلى ضمان أن يكون الذكاء الاصطناعي عادلاً وغير مبرمج لاتخاذ قرارات متحيزة أو تمييزية، وهي قرارات يحظر أيضًا على البشر اتخاذها. يظل ضمان العدالة في الذكاء الاصطناعي والتعلم الآلي تحديًا اجتماعيًا تقنيًا معقدًا.
### الموثوقية والسلامة
لبناء الثقة، يجب أن تكون أنظمة الذكاء الاصطناعي موثوقة، وآمنة، ومتسقة في الظروف العادية وغير المتوقعة. من المهم معرفة كيف ستتصرف أنظمة الذكاء الاصطناعي في مجموعة متنوعة من الحالات، خاصة عندما تكون حالات شاذة. عند بناء حلول الذكاء الاصطناعي، يجب أن يكون هناك تركيز كبير على كيفية التعامل مع مجموعة واسعة من الظروف التي قد تواجهها الحلول. على سبيل المثال، يجب على السيارة ذاتية القيادة أن تضع سلامة الناس كأولوية قصوى. ونتيجة لذلك، يحتاج الذكاء الاصطناعي المشغّل للسيارة إلى النظر في جميع السيناريوهات الممكنة التي قد تواجه السيارة مثل الليل، العواصف الرعدية أو العواصف الثلجية، الأطفال الذين يركضون عبر الشارع، الحيوانات الأليفة، أعمال الطرق، وما إلى ذلك. مدى جودة قدرة نظام الذكاء الاصطناعي على التعامل مع نطاق واسع من الظروف بشكل موثوق وآمن يعكس مستوى التوقع الذي اعتبره عالم البيانات أو مطور الذكاء الاصطناعي خلال تصميم أو اختبار النظام.
لبناء الثقة، تحتاج أنظمة الذكاء الاصطناعي إلى أن تكون موثوقة وآمنة ومتسقة في الظروف العادية وغير المتوقعة. من المهم معرفة كيف ستتصرف أنظمة الذكاء الاصطناعي في مجموعة متنوعة من الحالات، خاصة عندما تكون حالات شاذة. عند بناء حلول الذكاء الاصطناعي، يجب التركيز بشكل كبير على كيفية التعامل مع مجموعة واسعة من الظروف التي قد تواجهها الحلول. على سبيل المثال، يجب أن تولي سيارة ذاتية القيادة سلامة الناس أولوية قصوى. نتيجة لذلك، يحتاج الذكاء الاصطناعي الذي يشغل السيارة إلى النظر في جميع السيناريوهات المحتملة التي قد تواجهها السيارة مثل الليل، العواصف الرعدية أو الثلوج الكثيفة، الأطفال الذين يركضون عبر الشارع، الحيوانات الأليفة، أعمال الطرق، وما إلى ذلك. مدى جودة قدرة نظام الذكاء الاصطناعي على التعامل مع مجموعة واسعة من الظروف بشكل موثوق وآمن يعكس مستوى التوقع الذي وضعه عالم البيانات أو مطور الذكاء الاصطناعي أثناء تصميم النظام أو اختباره.
> [🎥 انقر هنا لمشاهدة فيديو: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 انقر هنا لفيديو: الموثوقية والسلامة في الذكاء الاصطناعي](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### الشمولية
يجب تصميم أنظمة الذكاء الاصطناعي لتشمل وتمكن الجميع. عند تصميم وتنفيذ أنظمة الذكاء الاصطناعي، يقوم علماء البيانات ومطورو الذكاء الاصطناعي بتحديد ومعالجة الحواجز المحتملة في النظام التي قد تستبعد الناس دون قصد. على سبيل المثال، هناك مليار شخص من ذوي الإعاقة حول العالم. مع تقدم الذكاء الاصطناعي، يمكنهم الوصول إلى مجموعة واسعة من المعلومات والفرص بسهولة أكبر في حياتهم اليومية. من خلال معالجة الحواجز، يتم خلق فرص للابتكار وتطوير منتجات ذكاء اصطناعي تقدم تجارب أفضل تفيد الجميع.
يجب تصميم أنظمة الذكاء الاصطناعي لإشراك وتمكين الجميع. عند تصميم وتنفيذ أنظمة الذكاء الاصطناعي، يحدد علماء البيانات ومطورو الذكاء الاصطناعي العوائق المحتملة في النظام التي قد تستبعد الناس دون قصد. على سبيل المثال، هناك مليار شخص من ذوي الإعاقات حول العالم. مع تقدم الذكاء الاصطناعي، يمكنهم الوصول بسهولة أكبر إلى مجموعة واسعة من المعلومات والفرص في حياتهم اليومية. من خلال معالجة الحواجز، يتم خلق فرص للابتكار وتطوير منتجات ذكاء اصطناعي تقدم تجارب أفضل تفيد الجميع.
> [🎥 انقر هنا لفيديو: الشمولية في الذكاء الاصطناعي](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### الأمان والخصوصية
### الأمن والخصوصية
يجب أن تكون أنظمة الذكاء الاصطناعي آمنة وتحترم خصوصية الناس. يقل ثقة الناس في الأنظمة التي تعرض خصوصيتهم، معلوماتهم أو حياتهم للخطر. عند تدريب نماذج التعلم الآلي، نعتمد على البيانات لتحقيق أفضل النتائج. لذلك، يجب مراعاة أصل البيانات وسلامتها. على سبيل المثال، هل كانت البيانات مقدمة من المستخدم أم متاحة بشكل عام؟ بعد ذلك، أثناء العمل مع البيانات، من الضروري تطوير أنظمة ذكاء اصطناعي يمكنها حماية المعلومات السرية ومقاومة الهجمات. مع انتشار الذكاء الاصطناعي، أصبح حماية الخصوصية وتأمين المعلومات الشخصية والتجارية المهمة أكثر حرجًا وتعقيدًا. تتطلب مسائل الخصوصية وأمن البيانات اهتمامًا خاصًا مع الذكاء الاصطناعي لأن الوصول إلى البيانات ضروري لأنظمة الذكاء الاصطناعي لاتخاذ تنبؤات وقرارات دقيقة ومستنيرة حول الأشخاص.
يجب أن تكون أنظمة الذكاء الاصطناعي آمنة وتحترم خصوصية الناس. يقلل الناس من ثقتهم في الأنظمة التي تعرض خصوصيتهم، معلوماتهم، أو حياتهم للخطر. عند تدريب نماذج التعلم الآلي، نعتمد على البيانات لإنتاج أفضل النتائج. عند القيام بذلك، يجب النظر في مصدر البيانات ونزاهتها. على سبيل المثال، هل كانت البيانات مقدمة من المستخدم أو متاحة للجمهور؟ بعد ذلك، أثناء العمل مع البيانات، من الضروري تطوير أنظمة ذكاء اصطناعي قادرة على حماية المعلومات السرية ومقاومة الهجمات. مع تزايد انتشار الذكاء الاصطناعي، أصبح حماية الخصوصية وتأمين المعلومات الشخصية والتجارية الهامة أمرًا حيويًا وأكثر تعقيدًا. تتطلب قضايا الخصوصية وأمن البيانات اهتمامًا خاصًا للذكاء الاصطناعي لأن الوصول إلى البيانات ضروري لأنظمة الذكاء الاصطناعي لتقديم توقعات وقرارات دقيقة ومستنيرة حول الناس.
> [🎥 انقر هنا لفيديو: الأمان في الذكاء الاصطناعي](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 انقر هنا لفيديو: الأمن في الذكاء الاصطناعي](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- كب صناعة، حققنا تقدمًا كبيرًا في الخصوصية والأمان، مدفوعًا بشكل كبير بتنظيمات مثل اللائحة العامة لحماية البيانات (GDPR).
- ومع أنظمة الذكاء الاصطناعي، يجب أن نعترف بالتوتر بين الحاجة إلى المزيد من البيانات الشخصية لجعل الأنظمة أكثر شخصية وفعالية – وبين الخصوصية.
- تمامًا كما حدث مع ولادة الكمبيوترات المتصلة بالإنترنت، نشهد أيضًا زيادة كبيرة في عدد قضايا الأمان المتعلقة بالذكاء الاصطناعي.
- في الوقت نفسه، رأينا استخدام الذكاء الاصطناعي لتحسين الأمان. كمثال، معظم برامج مضادات الفيروسات الحديثة تعتمد اليوم على تقنيات الذكاء الاصطناعي.
- يجب علينا التأكد من أن عمليات علم البيانات لدينا تمزج بتناغم مع أحدث ممارسات الخصوصية والأمان.
- كمجال، حققنا تقدمًا كبيرًا في الخصوصية والأمن، مدفوعًا بشكل كبير بالقوانين مثل اللائحة العامة لحماية البيانات (GDPR).
- ومع ذلك، مع أنظمة الذكاء الاصطناعي، يجب أن نعترف بالتوتر بين الحاجة إلى المزيد من البيانات الشخصية لجعل الأنظمة أكثر تخصصًا وفعالية – والخصوصية.
- تمامًا كما هو الحال مع ولادة الحواسيب المتصلة بالإنترنت، نشهد أيضًا زيادة كبيرة في عدد قضايا الأمن المتعلقة بالذكاء الاصطناعي.
- وفي الوقت نفسه، رأينا الذكاء الاصطناعي يُستخدم لتحسين الأمان. على سبيل المثال، معظم برامج مكافحة الفيروسات الحديثة تعتمد الآن على خوارزميات الذكاء الاصطناعي.
- نحتاج إلى ضمان أن تتماشى عمليات علوم البيانات لدينا بتناغم مع أحدث ممارسات الخصوصية والأمان.
### الشفافية
يجب أن تكون أنظمة الذكاء الاصطناعي مفهومة. جزء حاسم من الشفافية هو شرح سلوك أنظمة الذكاء الاصطناعي ومكوناتها. تحسين فهم أنظمة الذكاء الاصطناعي يتطلب أن يفهم المعنيون كيف ولماذا تعمل حتى يتمكنوا من تحديد مشاكل الأداء المحتملة، مخاوف السلامة والخصوصية، التحيزات، الممارسات الاستبعادية، أو النتائج غير المقصودة. نؤمن أيضًا بأن من يستخدم أنظمة الذكاء الاصطناعي يجب أن يكون صادقًا ومنفتحًا حول متى ولماذا وكيف يختار نشرها. وكذلك حدود الأنظمة التي يستخدمونها. على سبيل المثال، إذا استخدم بنك نظام ذكاء اصطناعي لدعم قرارات إقراض المستهلكين، فمن المهم فحص النتائج وفهم البيانات التي تؤثر على توصيات النظام. بدأت الحكومات بوضع تنظيمات للذكاء الاصطناعي عبر الصناعات، لذلك يجب على علماء البيانات والمنظمات شرح ما إذا كان نظام الذكاء الاصطناعي يفي بالمتطلبات التنظيمية، خاصة عندما تكون هناك نتائج غير مرغوبة.
يجب أن تكون أنظمة الذكاء الاصطناعي مفهومة. جزء حيوي من الشفافية هو شرح سلوك أنظمة الذكاء الاصطناعي ومكوناتها. تحسين فهم أنظمة الذكاء الاصطناعي يتطلب أن يدرك أصحاب المصلحة كيف ولماذا تعمل هذه الأنظمة بحيث يمكنهم تحديد المشاكل المحتملة في الأداء أو القلق على السلامة والخصوصية أو التحيزات أو الممارسات الإقصائية أو النتائج غير المرغوبة. نؤمن أيضًا بأنه يجب على الذين يستخدمون أنظمة الذكاء الاصطناعي أن يكونوا صادقين وواضحين بشأن متى ولماذا وكيف يختارون نشر هذه الأنظمة، وكذلك حدود الأنظمة التي يستخدمونها. على سبيل المثال، إذا استخدم بنك نظام ذكاء اصطناعي لدعم قرارات الإقراض للعملاء، فمن المهم فحص النتائج وفهم البيانات التي تؤثر على توصيات النظام. بدأت الحكومات في تنظيم الذكاء الاصطناعي عبر الصناعات، لذا يجب على علماء البيانات والمنظمات شرح ما إذا كان النظام يفي بالمتطلبات التنظيمية، خاصةً عندما يكون هناك نتيجة غير مرغوب فيها.
> [🎥 انقر هنا لفيديو: الشفافية في الذكاء الاصطناعي](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- بسبب تعقيد أنظمة الذكاء الاصطناعي، يصعب فهم كيف تعمل وتفسير النتائج.
- يؤثر هذا النقص في الفهم على طريقة إدارة هذه الأنظمة، تشغيلها، وتوثيقها.
- يؤثر هذا النقص في الفهم على الطريقة التي تتم بها إدارة وتشغيل وتوثيق هذه الأنظمة.
- والأهم من ذلك، يؤثر هذا النقص في الفهم على القرارات المتخذة باستخدام النتائج التي تنتجها هذه الأنظمة.
### المساءلة
يجب أن يكون الأشخاص الذين يصممون وينشرون أنظمة الذكاء الاصطناعي مسؤولين عن كيفية عمل أنظمتهم. الحاجة إلى المساءلة تكون مهمة بشكل خاص مع التقنيات الحساسة مثل التعرف على الوجه. مؤخرًا، كان هناك طلب متزايد لتقنية التعرف على الوجه، خاصة من منظمات إنفاذ القانون التي ترى إمكانيات التقنية في استخدامات مثل العثور على الأطفال المفقودين. ومع ذلك، يمكن أن تستخدم هذه التكنولوجيا من قبل الحكومات لتعريض الحريات الأساسية لمواطنيها للخطر، مثل تمكين المراقبة المستمرة لأفراد محددين. لذا، يجب على علماء البيانات والمنظمات أن يكونوا مسؤولين عن كيفية تأثير نظام الذكاء الاصطناعي على الأفراد أو المجتمع.
يجب أن يكون الأشخاص الذين يصممون وينشرون أنظمة الذكاء الاصطناعي مسؤولين عن كيفية عمل أنظمتهم. الحاجة إلى المساءلة مهمة بشكل خاص في التقنيات الحساسة مثل التعرف على الوجوه. مؤخرًا، زاد الطلب على تقنية التعرف على الوجوه، خاصة من منظمات إنفاذ القانون التي ترى إمكانات هذه التقنية في استخدامات مثل العثور على الأطفال المفقودين. ومع ذلك، قد تُستخدم هذه التقنيات من قبل الحكومات لوضع حريات مواطنيها الأساسية في خطر، مثل تمكين المراقبة المستمرة لأشخاص محددين. لذلك، يحتاج علماء البيانات والمنظمات إلى تحمل المسؤولية عن كيفية تأثير نظام الذكاء الاصطناعي الخاص بهم على الأفراد أو المجتمع.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "نهج مايكروسوفت للذكاء الاصطناعي المسؤول")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "نهج مايكروسوفت تجاه الذكاء الاصطناعي المسؤول")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: تحذيرات من المراقبة الجماعية عبر التعرف على الوجه
> 🎥 انقر على الصورة أعلاه لفيديو: تحذيرات من المراقبة الجماعية عبر التعرف على الوجوه
في النهاية، أحد أكبر الأسئلة لأجيالنا، كجيل أول يجلب الذكاء الاصطناعي للمجتمع، هو كيفية ضمان بقاء الحواسيب مسؤولة أمام الناس وكيفية ضمان بقاء الأشخاص الذين يصممون الحواسيب مسؤولين أمام الجميع.
في نهاية المطاف، من أكبر الأسئلة لأجيالنا، بصفتنا الجيل الأول الذي يجلب الذكاء الاصطناعي إلى المجتمع، هو كيفية ضمان بقاء الحواسيب مسؤولة تجاه الناس وكيفية ضمان بقاء الأشخاص الذين يصممون الحواسيب مسؤولين تجاه الجميع.
## تقييم التأثير
## تقييم الأثر
قبل تدريب نموذج التعلم الآلي، من المهم إجراء تقييم تأثير لفهم هدف نظام الذكاء الاصطناعي؛ ما هو الاستخدام المقصود؛ أين سيتم نشره؛ ومن سيتفاعل مع النظام. هذه المعلومات تفيد المراجعين أو المختبرين الذين يقيمون النظام لمعرفة العوامل التي يجب مراعاتها عند تحديد المخاطر المحتملة والعواقب المتوقعة.
قبل تدريب نموذج التعلم الآلي، من المهم إجراء تقييم الأثر لفهم غرض نظام الذكاء الاصطناعي؛ ما هو الاستخدام المقصود؛ أين سيتم نشره؛ ومن سيتفاعل مع النظام. هذه الأمور مفيدة للمراجع(ين) أو المختبرين عند تقييم النظام لمعرفة العوامل التي يجب أخذها بالاعتبار عند تحديد المخاطر المحتملة والنتائج المتوقعة.
المجالات التالية تعتبر محورية عند إجراء تقييم التأثير:
المجالات التالية هي محور التركيز عند إجراء تقييم الأثر:
* **التأثير السلبي على الأفراد**. الوعي بأي قيود أو متطلبات، استخدام غير مدعوم أو أي قيود معروفة تعيق أداء النظام ضروري لضمان عدم استخدام النظام بطريقة قد تسبب ضررًا للأفراد.
* **متطلبات البيانات**. فهم كيف وأين سيستخدم النظام البيانات يمكن المراجعين من استكشاف متطلبات البيانات التي يجب الانتباه لها (مثل تنظيمات GDPR أو HIPAA). بالإضافة إلى ذلك، يجب فحص ما إذا كانت مصدر البيانات أو كميتها كافيين للتدريب.
* **ملخص التأثير**. جمع قائمة بالأضرار المحتملة التي قد تنشأ من استخدام النظام. خلال دورة حياة التعلم الآلي، مراجعة ما إذا تم التخفيف من المشكلات المحددة أو التعامل معها.
* **الأهداف التطبيقية** لكل من المبادئ الستة الأساسية. تقييم ما إذا تم تحقيق أهداف كل مبدأ وإذا كان هناك أي ثغرات.
* **الأثر السلبي على الأفراد**. الوعي بأي قيود أو متطلبات، أو استخدام غير مدعوم أو أي قيود معروفة تعيق أداء النظام أمر حيوي لضمان عدم استخدام النظام بطريقة قد تتسبب في ضرر للأفراد.
* **متطلبات البيانات**. فهم كيفية وأين سيستخدم النظام البيانات يمكّن المراجعين من استكشاف أي متطلبات بيانات يجب الانتباه إليها (مثل لوائح البيانات GDPR أو HIPAA). بالإضافة إلى ذلك، التحقق مما إذا كان مصدر أو كمية البيانات كافية للتدريب.
* **ملخص الأثر**. جمع قائمة بالأضرار المحتملة التي قد تنجم عن استخدام النظام. خلال دورة حياة التعلم الآلي، راجع ما إذا كانت القضايا المحددة قد تم التخفيف منها أو معالجتها.
* **الأهداف القابلة للتطبيق** لكل من المبادئ الستة الأساسية. تقييم ما إذا كانت الأهداف من كل مبدأ قد تحققت وما إذا كانت هناك فجوات.
## تصحيح الأخطاء مع الذكاء الاصطناعي المسؤول
مثل تصحيح الأخطاء في تطبيق برمجي، يعد تصحيح أخطاء نظام الذكاء الاصطناعي خطوة ضرورية لتحديد وحل المشكلات في النظام. هناك العديد من العوامل التي تؤثر على عدم أداء النموذج كما هو متوقع أو بشكل مسؤول. معظم مقاييس أداء النماذج التقليدية هي مقاييس كمية لأداء النموذج، والتي لا تكفي لتحليل كيف ينتهك نموذج مبادئ الذكاء الاصطناعي المسؤول. علاوة على ذلك، نموذج التعلم الآلي صندوق أسود يصعب فهم ما الذي يدفع ناتجه أو تقديم شرح عند حدوث خطأ. لاحقًا في هذا المقرر، سنتعلم كيفية استخدام لوحة تحكم الذكاء الاصطناعي المسؤول للمساعدة في تصحيح أنظمة الذكاء الاصطناعي. توفر اللوحة أداة شاملة لعلماء البيانات ومطوري الذكاء الاصطناعي لأداء:
كالعملية في تصحيح أخطاء تطبيق برمجي، تصحيح أخطاء نظام الذكاء الاصطناعي هو عملية ضرورية لتحديد وحل المشاكل في النظام. هناك العديد من العوامل التي قد تؤثر على عدم أداء النموذج كما هو متوقع أو بشكل مسؤول. معظم مقاييس أداء النموذج التقليدية هي تجميعات كمية لأداء النموذج، والتي ليست كافية لتحليل كيف ينتهك نموذج مبادئ الذكاء الاصطناعي المسؤول. علاوة على ذلك، نموذج التعلم الآلي هو صندوق أسود يصعب فهم ما يدفع مخرجاته أو تقديم تفسير عندما يرتكب خطأ. لاحقًا في هذه الدورة، سنتعلم كيفية استخدام لوحة معلومات الذكاء الاصطناعي المسؤول لمساعدة في تصحيح أخطاء أنظمة الذكاء الاصطناعي. تقدم اللوحة أداة شاملة لعلماء البيانات ومطوري الذكاء الاصطناعي لأداء:
* **تحليل الأخطاء**. لتحديد توزيع الخطأ للنموذج الذي يمكن أن يؤثر على عدالة النظام أو موثوقيته.
* **نظرة عامة على النموذج**. لاكتشاف أماكن التفاوت في أداء النموذج عبر مجموعات البيانات.
* **تحليل البيانات**. لفهم توزيع البيانات وتحديد أي تحيز محتمل في البيانات قد يؤدي إلى مشاكل في العدالة، الشمولية، والموثوقية.
* **قابلية تفسير النموذج**. لفهم ما يؤثر أو يؤثر في تنبؤات النموذج. هذا يساعد في شرح سلوك النموذج، وهو أمر مهم للشفافية والمساءلة.
* **تحليل الأخطاء**. لتحديد توزيع أخطاء النموذج التي قد تؤثر على عدالة النظام أو موثوقيته.
* **نظرة عامة على النموذج**. لاكتشاف الأماكن التي توجد فيها فروق في أداء النموذج عبر مجموعات البيانات.
* **تحليل البيانات**. لفهم توزيع البيانات وتحديد أي تحيز محتمل في البيانات قد يؤدي إلى مشكلات العدالة والشمولية والموثوقية.
* **قابلية تفسير النموذج**. لفهم ما يؤثر أو يؤثر على توقعات النموذج. هذا يساعد في شرح سلوك النموذج، وهو أمر مهم للشفافية والمساءلة.
## 🚀 تحدي
## 🚀 التحدي
لمنع إدخال الأضرار من البداية، يجب علينا:
لمنع إدخال الأضرار من البداية، يجب أن:
- وجود تنوع في الخلفيات ووجهات النظر بين الأشخاص العاملين على الأنظمة
- الاستثمار في مجموعات البيانات التي تعكس تنوع مجتمعنا
- تطوير طرق أفضل طوال دورة حياة التعلم الآلي لاكتشاف وتصحيح المسؤولية في الذكاء الاصطناعي عندماتحدث
- يكون هناك تنوع في الخلفيات ووجهات النظر بين الأشخاص العاملين على الأنظمة
- نستثمر في مجموعات بيانات تعكس تنوع مجتمعنا
- نطور طرقًا أفضل طوال دورة حياة التعلم الآلي لاكتشاف وتصحيح الذكاء الاصطناعي غير المسؤول عند حدوثه
فكر في سيناريوهات حياتية حقيقية يكون فيها عدم ثقة النموذج واضحًا في بناء النموذج واستخدامه. ماذا يجب أن نأخذ في الاعتبار أيضًا؟
فكر في سيناريوهات من الحياة الحقيقية حيث يكون عدم موثوقية نموذج معين واضحًا في بناء النموذج واستخدامه. ما الذي يجب أن نأخذه بعين الاعتبار أيضًا؟
## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
## مراجعة ودراسة ذاتية
في هذا الدرس، تعلمت بعض أساسيات مفاهيم العدالة وعدم العدالة في التعلم الآلي.
في هذا الدرس، تعلمت بعض أساسيات مفاهيم العدالة والظلم في التعلم الآلي.
شاهد هذه الورشة للتعمق أكثر في المواضيع:
شاهد هذه الورشة للتعمق أكثر في المواضيع:
- في السعي نحو الذكاء الاصطناعي المسؤول: تطبيق المبادئ عملياً بقلم بيسميرا نوشي، مهرنوش سامي وأميت شارما
- في رحلة الذكاء الاصطناعي المسؤول: تحويل المبادئ إلى الممارسة من تأليف بيسميرا نوشي، مهرنوش سامي وأميت شارما
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "صندوق أدوات RAI: إطار عمل مفتوح المصدر لبناء ذكاء اصطناعي مسؤول")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: صندوق أدوات الذكاء الاصطناعي المسؤول: إطار عمل مفتوح المصدر لبناء ذكاء اصطناعي مسؤول من تأليف بيسميرا نوشي، مهرنوش سامي، وأميت شارما
> 🎥 انقر على الصورة أعلاه لفيديو: صندوق أدوات RAI: إطار عمل مفتوح المصدر لبناء ذكاء اصطناعي مسؤول بواسطة بسميرة نوشي، مهرنوش سامي، وأميت شارما
اقرأ أيضاً:
اقرأ أيضًا:
- مركز موارد الذكاء الاصطناعي المسؤول من مايكروسوفت: [موارد الذكاء الاصطناعي المسؤول – مايكروسوفت AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- مركز موارد الذكاء الاصطناعي المسؤول لدى مايكروسوفت: [موارد الذكاء الاصطناعي المسؤول – مايكروسوفت AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- مجموعة أبحاث FATE من مايكروسوفت: [FATE: العدالة، المساءلة، الشفافية، والأخلاقيات في الذكاء الاصطناعي - أبحاث مايكروسوفت](https://www.microsoft.com/research/theme/fate/)
- مجموعة أبحاث FATE لمايكروسوفت: [FATE: النزاهة، المساءلة، الشفافية، والأخلاقيات في الذكاء الاصطناعي - أبحاث مايكروسوفت](https://www.microsoft.com/research/theme/fate/)
صندوق أدوات الذكاء الاصطناعي المسؤول:
صندوق أدوات RAI:
- [مستودع صندوق أدوات الذكاء الاصطناعي المسؤول على GitHub](https://github.com/microsoft/responsible-ai-toolbox)
في هذه الدروس الأربعة، ستكتشف كيفية بناء نماذج الانحدار. سنناقش قريبًا ما هي استخداماتها. ولكن قبل أن تفعل أي شيء، تأكد من أن لديك الأدوات المناسبة لبدء العملية!
في هذه الدروس الأربعة، ستكتشف كيفية بناء نماذج الانحدار. سنناقش الغرض منها قريبًا. ولكن قبل أن تفعل أي شيء، تأكد من أن لديك الأدوات المناسبة لبدء العملية!
في هذا الدرس، ستتعلم كيفية:
- تهيئة حاسوبك لمهام التعلم الآلي المحلية.
- تكوين جهاز الكمبيوتر الخاص بك لمهام التعلم الآلي المحلية.
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح كيفية تهيئة حاسوبك للتعلم الآلي.
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح كيفية تكوين جهاز الكمبيوتر الخاص بك للتعلم الآلي.
1. **تثبيت بايثون**. تأكد من تثبيت [بايثون](https://www.python.org/downloads/) على حاسوبك. ستستخدم بايثون في العديد من مهام علم البيانات والتعلم الآلي. تتضمن معظم أنظمة الحاسوب تثبيتًا مسبقًا لبايثون. هناك أيضًا [حزم برمجة بايثون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفيدة متاحة لتسهيل الإعداد لبعض المستخدمين.
1. **ثبّت بايثون**. تأكد من أن [بايثون](https://www.python.org/downloads/) مثبت على جهاز الكمبيوتر الخاص بك. ستستخدم بايثون في العديد من مهام علوم البيانات والتعلم الآلي. معظم أنظمة الكمبيوتر تحتوي بالفعل على تثبيت بايثون. هناك [حزم ترميز بايثون](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) مفيدة أيضًا لتسهيل الإعداد لبعض المستخدمين.
مع ذلك، تتطلب بعض استخدامات بايثون إصدارًا معينًا من البرنامج، في حين تحتاج أخرى إلى إصدار مختلف. لذلك، من المفيد العمل ضمن [بيئة افتراضية](https://docs.python.org/3/library/venv.html).
بعض استخدامات بايثون تتطلب نسخة معينة من البرنامج، بينما يحتاج البعض الآخر لنسخة مختلفة. لذلك، من المفيد العمل ضمن [بيئة افتراضية](https://docs.python.org/3/library/venv.html).
2. **تثبيت Visual Studio Code**. تأكد من وجود Visual Studio Code مثبتًا على حاسوبك. اتبع هذه التعليمات لـ [تثبيت Visual Studio Code](https://code.visualstudio.com/) للإعداد الأساسي. ستستخدم بايثون في Visual Studio Code في هذا المساق، لذا قد ترغب في تعلُّم كيفية [تهيئة Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) لتطوير برامج بايثون.
2. **ثبّت Visual Studio Code**. تأكد من تثبيت Visual Studio Code على جهاز الكمبيوتر الخاص بك. اتبع هذه التعليمات لـ [تثبيت Visual Studio Code](https://code.visualstudio.com/) للتثبيت الأساسي. ستستخدم بايثون في Visual Studio Code خلال هذا الدورة، لذا قد ترغب في تعلم كيفية [تكوين Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) لتطوير بايثون.
> تعرّف على بايثون بسهولة من خلال متابعة مجموعة [وحدات التعلم](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> تعرّف على بايثون من خلال العمل على مجموعة [الوحدات التعليمية](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "إعداد بايثون مع Visual Studio Code")
>
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: استخدام بايثون في VS Code.
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو: استخدام بايثون داخل VS Code.
3. **تثبيت Scikit-learn**، باتباع [هذه التعليمات](https://scikit-learn.org/stable/install.html). بما أنك تحتاج إلى التأكد من استخدام بايثون 3، يُوصى باستخدام بيئة افتراضية. لاحظ أنه إذا كنت تثبت هذه المكتبة على ماك M1، هناك تعليمات خاصة على الصفحة المذكورة أعلاه.
3. **ثبّت Scikit-learn**، باتباع [هذه التعليمات](https://scikit-learn.org/stable/install.html). بما أنك بحاجة للتأكد من استخدام بايثون 3، فمن المفضل استخدام بيئة افتراضية. ملاحظة، إذا كنت تثبت هذه المكتبة على جهاز Mac M1، هناك تعليمات خاصة في الصفحة المرتبطة أعلاه.
1. **تثبيت Jupyter Notebook**. ستحتاج إلى [تثبيت حزمة Jupyter](https://pypi.org/project/jupyter/).
1. **ثبّت Jupyter Notebook**. ستحتاج إلى [تثبيت حزمة Jupyter](https://pypi.org/project/jupyter/).
## بيئة التأليف الخاصة بك في التعلم الآلي
## بيئة تأليف التعلم الآلي الخاصة بك
ستستخدم **الدفاتر** لتطوير كود بايثون الخاص بك وإنشاء نماذج التعلم الآلي. هذا النوع من الملفات أداة شائعة لدى علماء البيانات، ويمكن التعرف عليها من خلال اللاحقة أو الامتداد `.ipynb`.
ستستخدم **دفاتر الملاحظات** لتطوير كود بايثون الخاص بك وإنشاء نماذج التعلم الآلي. هذا النوع من الملفات أداة شائعة لعلماء البيانات، ويمكن التعرف عليها من خلال اللاحقة أو الامتداد `.ipynb`.
الدفاتر هي بيئة تفاعلية تسمح للمطور بكتابة الكود وإضافة ملاحظات وكتابة توثيق حول الكود، وهو أمر مفيد جدًا للمشاريع التجريبية أو البحثية.
الدفاتر هي بيئة تفاعلية تسمح للمطور بالبرمجة وإضافة الملاحظات وكتابة الوثائق حول الكود، وهو ما يكون مفيدًا جدًا للمشاريع التجريبية أو البحثية.
[](https://youtu.be/7E-jC8FLA2E "التعلم الآلي للمبتدئين - إعداد دفاتر Jupyter للبدء في بناء نماذج الانحدار")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.
### تمرين - العمل مع دفتر ملاحظات
### التمرين - العمل مع دفتر ملاحظات
في هذا المجلد، ستجد الملف _notebook.ipynb_.
1. افتح _notebook.ipynb_ في Visual Studio Code.
ستبدأ خادم Jupyter مع تشغيل بايثون 3+. ستجد أجزاء من الدفتر يمكن `تشغيلها`، وهي قطع من الكود. يمكنك تشغيل قطعة الكود من خلال اختيار الرمز الذي يشبه زر التشغيل.
سيبدأ خادم جوبتر مع بايثون 3+. ستجد مناطق في الدفتر يمكن `تشغيلها`، وهي قطع من الكود. يمكنك تشغيل كتلة كود عن طريق اختيار الأيقونة التي تشبه زر التشغيل.
1. اختر رمز `md` وأضف بعض الماركدون، والنص التالي **# مرحبًا بك في دفترك**.
1. اختر أيقونة `md` وأضف بعض ماركداون، مع النص التالي **# مرحبًا بك في دفتر ملاحظاتك**.
ثم أضف بعض كود بايثون.
ثم، أضف بعض كود بايثون.
1. اكتب **print('hello notebook')** في كتلة الكود.
1. اختر السهم لتشغيل الكود.
سترى العبارة المطبوعة:
يجب أن ترى البيان المطبوع:
```output
hello notebook
```
يمكنك دمج كودك مع التعليقات لتوثيق الدفتر بنفسك.
يمكنك مزج كودك مع تعليقات لتوثيق الدفتر بنفسك.
✅ فكر للحظة كيف تختلف بيئة عمل مطور الويب مقارنةً ببيئة عالم البيانات.
✅ فكّر لبرهة في مدى اختلاف بيئة عمل مطور ويب مقارنة بعالم بيانات.
## ابدأ العمل مع Scikit-learn
## تشغيل Scikit-learn
الآن بعد أن تم إعداد بايثون في بيئتك المحلية وأصبحت مرتاحًا في استخدام دفاتر Jupyter، لنكتسب نفس الراحة مع Scikit-learn (تنطق `ساي` كما في `science`). يوفر Scikit-learn [واجهة برمجة تطبيقات واسعة](https://scikit-learn.org/stable/modules/classes.html#api-ref) لمساعدتك في أداء مهام التعلم الآلي.
الآن بعد إعداد بايثون في بيئتك المحلية وأصبحت مرتاحًا مع دفاتر Jupyter، دعنا نتحلى بالراحة أيضًا مع Scikit-learn (تنطق `ساي` كما في `science`). يوفر Scikit-learn [واجهة برمجة تطبيقات شاملة](https://scikit-learn.org/stable/modules/classes.html#api-ref) لمساعدتك في تنفيذ مهام التعلم الآلي.
حسب موقعهم [الرسمي](https://scikit-learn.org/stable/getting_started.html)، "سكايكيت-ليرن هي مكتبة تعلم آلي مفتوحة المصدر تدعم التعلم الخاضع للإشراف وغير الخاضع للإشراف. كما توفر أدوات متنوعة لتركيب النماذج، ومعالجة البيانات، واختيار النماذج وتقييمها، والعديد من الأدوات الأخرى."
وفقًا لموقعهم [الرسمي](https://scikit-learn.org/stable/getting_started.html)، "Scikit-learn هو مكتبة تعلم آلي مفتوحة المصدر تدعم التعلم المراقب وغير المراقب. كما توفر أدوات مختلفة لتناسب النماذج، معالجة البيانات المسبقة، اختيار النماذج وتقييمها، والعديد من الأدوات المساعدة الأخرى."
في هذا المساق، ستستخدم Scikit-learn وأدوات أخرى لبناء نماذج تعلم آلي لأداء ما نسميه 'التعلم الآلي التقليدي'. لقد تجنبنا عمدًا الشبكات العصبية والتعلم العميق، إذ يتم تناولها بشكل أفضل في منهجية 'الذكاء الاصطناعي للمبتدئين' القادمة.
في هذه الدورة، ستستخدم Scikit-learn وأدوات أخرى لبناء نماذج التعلم الآلي لتنفيذ ما نسميه مهام 'التعلم الآلي التقليدي'. لقد تجنبنا عمدًا الشبكات العصبية والتعلم العميق، لأنها مغطاة بشكل أفضل في منهج 'الذكاء الاصطناعي للمبتدئين' القادم.
يجعل Scikit-learn بناء النماذج وتقييمها سهلاً. يركز أساسًا على استخدام البيانات الرقمية ويحتوي على عدة مجموعات بيانات جاهزة للاستخدام كأدوات تعلم. كما يتضمن نماذج مبنية مسبقًا ليجربها الطلاب. لنستكشف أولاً عملية تحميل البيانات المعبأة واستخدام مقدّر مدمج أول نموذج تعلم آلي مع Scikit-learn باستخدام بيانات أساسية.
يسهل Scikit-learn بناء النماذج وتقييمها للاستخدام. يركز بشكل رئيسي على استخدام البيانات الرقمية ويحتوي على عدة مجموعات بيانات جاهزة لاستخدامها كأدوات تعلم. كما يضم نماذج مدمجة لتجربتها من قبل الطلاب. دعونا نستكشف عملية تحميل بيانات جاهزة واستخدام نموذج مدمج لإنشاء أول نموذج تعلم آلي مع Scikit-learn باستخدام بيانات بسيطة.
## تمرين - دفتر ملاحظاتك الأول مع Scikit-learn
## تمرين - أول دفتر ملاحظات Scikit-learn لك
> استُلهم هذا الدليل من [مثال الانحدار الخطي](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) على موقع Scikit-learn.
> استوحي هذا الدرس من [مثال الانحدار الخطي](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) على موقع Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "التعلم الآلي للمبتدئين - مشروعكالأول للانحدار الخطي في بايثون")
[](https://youtu.be/2xkXL5EUpS0 "التعلم الآلي للمبتدئين - مشروع الانحدار الخطي الأول في بايثون")
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو قصير يشرح هذا التمرين.
في ملف _notebook.ipynb_ المرتبط بهذا الدرس، قم بمسح كل الخلايا بالضغط على رمز 'سلة المهملات'.
في ملف _notebook.ipynb_ المرفق بهذا الدرس، قم بمسح جميع الخلايا عن طريق الضغط على أيقونة 'سلة المهملات'.
في هذا القسم، ستعمل مع مجموعة بيانات صغيرة عن مرض السكري مدمجة في Scikit-learn لأغراض التعلم. تخيل أنك تريد اختبار علاج لمرضى السكري. قد تساعدك نماذج التعلم الآلي على تحديد أي المرضى قد يستجيبون بشكل أفضل للعلاج، بناءً على تركيبات من المتغيرات. حتى نموذج انحدار بسيط جدًا، عند تصوره، قد يظهر معلومات حول المتغيرات التي قد تساعدك في تنظيم تجاربك السريرية النظرية.
في هذا القسم، ستعمل مع مجموعة بيانات صغيرة عن مرض السكري مدمجة في Scikit-learn لأغراض التعلم. تخيل أنك تريد اختبار علاج للمرضى المصابين بالسكري. قد تساعد نماذج التعلم الآلي في تحديد المرضى الذين سيستجيبون بشكل أفضل للعلاج بناءً على تركيبات من المتغيرات. حتى نموذج انحدار بسيط، عند تصويره، قد يوضح معلومات عن المتغيرات التي تساعد في تنظيم التجارب السريرية النظرية.
✅ هناك العديد من أنواع طرق الانحدار، واختيارك يعتمد على الإجابة التي تبحث عنها. إذا أردت التنبؤ بالطول المحتمل لشخص في عمر معين، ستستخدم الانحدار الخطي، لأنك تبحث عن **قيمة رقمية**. إذا كنت مهتمًا باكتشاف ما إذا كان نوع من المأكولات يجب اعتباره نباتيًا أم لا، فأنت تبحث عن **تصنيف فئة** لذا ستستخدم الانحدار اللوجستي. ستتعلم المزيد عن الانحدار اللوجستي لاحقًا. فكر قليلًا في بعض الأسئلة التي يمكنك طرحها على البيانات، وأي من هذه الطرق سيكون الأنسب.
✅ هناك العديد من أنواع طرق الانحدار، والاختيار بينها يعتمد على الإجابة التي تبحث عنها. إذا كنت تريد التنبؤ بالطول المحتمل لشخص في عمر معين، ستستخدم الانحدار الخطي، لأنك تبحث عن **قيمة رقمية**. إذا كنت مهتمًا باكتشاف ما إذا كانت نوعية المطبخ يجب اعتبارها نباتية أم لا، فأنت تبحث عن **تصنيف فئوي** لذلك ستستخدم الانحدار اللوجستي. ستتعلم المزيد عن الانحدار اللوجستي لاحقًا. فكر قليلاً في بعض الأسئلة التي يمكنك طرحها على البيانات، وأي من هذه الطرق ستكون أكثر ملاءمة.
- **matplotlib**. هي [أداة رسم بياني](https://matplotlib.org/) مفيدة وسنستخدمها لإنشاء رسم خطي.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) مكتبة مفيدة للتعامل مع البيانات الرقمية في بايثون.
- **sklearn**. هذه هي مكتبة [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
استورد بعض المكتبات لمساعدتك في مهامك.
استورد بعض المكتبات لمساعدتك في المهام.
1. أضف الاستيرادات بكتابة الكود التالي:
@ -123,26 +123,26 @@
from sklearn import datasets, linear_model, model_selection
```
في الأعلى تقوم باستيراد `matplotlib`، و `numpy`، كما تستورد `datasets`، و `linear_model` و `model_selection` من `sklearn`. يستخدم `model_selection` لتقسيم البيانات إلى مجموعات تدريب واختبار.
أعلاه تستورد `matplotlib`، `numpy` وتستورد `datasets`، `linear_model` و `model_selection` من `sklearn`. تُستخدم `model_selection` لتقسيم البيانات إلى مجموعات تدريب واختبار.
### مجموعة بيانات السكري
### مجموعة بيانات مرض السكري
تتضمن مجموعة البيانات المدمجة [السكري](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 عينة بيانات عن مرض السكري، مع 10 متغيرات ميزة، بعضها يشمل:
مجموعة بيانات [مرض السكري](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) المدمجة تشمل 442 عينة من البيانات حول مرض السكري، مع 10 متغيرات ميزات، بعض منها تشمل:
- العمر: العمر بالسنوات
- مؤشر كتلة الجسم
- ضغط الدم: متوسط ضغط الدم
- s1 tc: خلايا تي (نوع من خلايا الدم البيضاء)
- s1 tc: خلايا T (نوع من خلايا الدم البيضاء)
✅ تشمل هذه المجموعة مفهوم 'الجنس' كمتغير ميزة مهم في البحث حول السكري. تتضمن العديد من مجموعات البيانات الطبية هذا النوع من التصنيف الثنائي. فكر قليلاً في كيفية أن تصنيفات مثل هذه قد تستبعد أجزاء معينة من السكان من العلاجات.
✅ تتضمن هذه المجموعة مفهوم 'الجنس' كمتغير ميزة مهم للبحث حول مرض السكري. العديد من مجموعات البيانات الطبية تتضمن هذا النوع من التصنيف الثنائي. فكر قليلاً كيف قد تستبعد التصنيفات مثل هذه أجزاء معينة من السكان من العلاجات.
الآن، قم بتحميل بيانات X و y.
> 🎓 تذكر، هذا تعلم مشرف، ونحتاج إلى هدف ‘y’ مسمى.
> 🎓 تذكر، هذا تعلم مراقب، ونحتاج إلى هدف مسمى 'y'.
في خلية كود جديدة، قم بتحميل مجموعة بيانات السكري باستدعاء `load_diabetes()`. يشير المعطى `return_X_y=True` إلى أن `X` ستكون مصفوفة بيانات، و `y` سيكون الهدف للانحدار.
في خلية كود جديدة، حمّل مجموعة بيانات مرض السكري عن طريق استدعاء `load_diabetes()`. الإدخال `return_X_y=True` يشير إلى أن `X` ستكون مصفوفة بيانات، و `y` ستكون هدف الانحدار.
1. أضف بعض أوامر الطباعة لعرض شكل مصفوفة البيانات وعنصرها الأول:
1. أضف بعض أوامر الطباعة لإظهار شكل مصفوفة البيانات وأول عنصر فيها:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -152,7 +152,7 @@
ما تحصل عليه كرد هو زوج مرتب. ما تفعله هو تعيين أول قيمتين من الزوج إلى `X` و `y` على التوالي. تعرف أكثر [عن الأزواج المرتبة](https://wikipedia.org/wiki/Tuple).
يمكنك رؤية أن هذه البيانات تحتوي على 442 عنصرًا مشكّلة في مصفوفات من 10 عناصر:
يمكنك رؤية أن هذه البيانات تحتوي على 442 عنصرًا مرتبة في مصفوفات من 10 عناصر:
```text
(442, 10)
@ -160,9 +160,9 @@
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ فكّر قليلًا في العلاقة بين البيانات وهدف الانحدار. الانحدار الخطي يتنبأ بالعلاقات بين ميزة X والمتغير الهدف y. هل يمكنك العثور على [الهدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) لمجموعة بيانات السكري في التوثيق؟ ماذا تُظهر هذه المجموعة بناءً على الهدف؟
✅ فكّر قليلاً في العلاقة بين البيانات وهدف الانحدار. الانحدار الخطي يتنبأ بالعلاقات بين ميزة X والمتغير الهدف y. هل تستطيع العثور على [الهدف](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) لمجموعة بيانات مرض السكري في التوثيق؟ ماذا توضح هذه المجموعة بناءً على الهدف؟
2. بعد ذلك، اختر جزءًا من هذه المجموعة لرسمه باختيار العمود الثالث من المجموعة. يمكنك فعل ذلك باستخدام عامل `:` لاختيار كل الصفوف، ثم اختيار العمود الثالث باستخدام الفهرس (2). يمكنك أيضًا إعادة تشكيل البيانات لتكون مصفوفة ثنائية الأبعاد - حسب المطلوب للرسم - باستخدام `reshape(n_rows, n_columns)`. إذا كان أحد المعاملات -1، يتم حساب البعد الموافق تلقائيًا.
2. بعد ذلك، اختر جزءًا من هذه المجموعة للرسم عن طريق اختيار العمود الثالث من المجموعة. يمكنك فعل ذلك باستخدام معامل `:` لاختيار كل الصفوف، ثم اختيار العمود الثالث باستخدام الفهرس (2). يمكنك أيضًا إعادة تشكيل البيانات لتكون مصفوفة ثنائية الأبعاد - كما هو مطلوب للرسم - باستخدام `reshape(n_rows, n_columns)`. إذا كان أحد المعلمات -1، يتم حساب البُعد الموافق تلقائيًا.
```python
X = X[:, 2]
@ -171,28 +171,28 @@
✅ في أي وقت، اطبع البيانات للتحقق من شكلها.
3. الآن بعد أن أصبحت لديك بيانات جاهزة للرسم، يمكنك أن ترى ما إذا كان الماكينة يمكنها المساعدة في تحديد تقسيم منطقي بين الأرقام في هذه المجموعة. للقيام بذلك، تحتاج إلى تقسيم كل من البيانات (X) والهدف (y) إلى مجموعات اختبار وتدريب. لدى Scikit-learn طريقة مباشرة لذلك؛ يمكنك تقسيم بيانات الاختبار عند نقطة معينة.
3. الآن بعد أن أصبحت البيانات جاهزة للرسم، يمكنك معرفة ما إذا كان بإمكان آلة المساعدة في تحديد فصل منطقي بين الأرقام في هذه المجموعة. للقيام بذلك، تحتاج إلى تقسيم كلاً من البيانات (X) والهدف (y) إلى مجموعات اختبار وتدريب. لدى Scikit-learn طريقة مباشرة للقيام بذلك؛ يمكنك تقسيم بيانات الاختبار في نقطة معينة.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. الآن أنت جاهز لتدريب نموذجك! قم بتحميل نموذج الانحدار الخطي وقم بتدريبه باستخدام مجموعات التدريب X و y الخاصة بك باستخدام `model.fit()`:
4. الآن أنت جاهز لتدريب نموذجك! حمّل نموذج الانحدار الخطي ودربه باستخدام مجموعات تدريب X و y باستخدام `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` هي دالة سترى وجودها في العديد من مكتبات التعلم الآلي مثل TensorFlow
✅ `model.fit()` هي دالة تراها في العديد من مكتبات التعلم الآلي مثل TensorFlow
5. ثم، أنشئ توقعًا باستخدام بيانات الاختبار، باستخدام الدالة `predict()`. سيتم استخدام هذا لرسم الخط بين مجموعات البيانات.
5. ثم، أنشئ تنبؤًا باستخدام بيانات الاختبار، باستخدام الدالة `predict()`. ستُستخدم هذه لرسم الخط بين مجموعات بيانات النموذج.
```python
y_pred = model.predict(X_test)
```
6. حان الوقت الآن لعرض البيانات في رسم بياني. Matplotlib أداة مفيدة جدًا لهذه المهمة. أنشئ مخطط نقاط لجميع بيانات X و y الاختبارية، واستخدم التوقع لرسم خط في المكان الأنسب، بين مجموعات بيانات النموذج.
6. حان الوقت الآن لعرض البيانات في رسم بياني. Matplotlib أداة مفيدة جدًا لهذا الغرض. أنشئ رسمًا نقطيًا لكل بيانات X و y في مجموعة الاختبار، واستخدم التنبؤ لرسم خط في المكان الأنسب بين مجموعات بيانات النموذج.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,26 +203,25 @@
plt.show()
```
✅ فكّر قليلاً في ما يجري هنا. خط مستقيم يمر عبر العديد من النقاط الصغيرة من البيانات، لكن ما الذي يفعله بالضبط؟ هل ترى كيف ينبغي أن تستخدم هذا الخط لتوقع مكان نقطة بيانات جديدة غير مرئية بالنسبة لمحور y في الرسم؟ حاول أن تضع بالكلمات الاستخدام العملي لهذا النموذج.
✅ فكر قليلاً في ما يحدث هنا. هناك خط مستقيم يمر عبر العديد من نقاط البيانات الصغيرة، ولكنه ماذا يفعل بالضبط؟ هل ترى كيف ينبغي أن تتمكن من استخدام هذا الخط للتنبؤ بمكان تناسب نقطة بيانات جديدة غير مرئية بالنسبة لمحور y في الرسم البياني؟ حاول التعبير بالكلمات عن الاستخدام العملي لهذا النموذج.
تهانينا، لقد أنشأت نموذج الانحدار الخطي الأول لك، وأنتجت توقعًا به، وعرضته في رسم بياني!
مبروك، لقد بنيت أول نموذج انحدار خطي، أنشأت تنبؤًا به، وعرضته في رسم بياني!
---
## 🚀تحدي
## 🚀التحدي
قم برسم متغير مختلف من هذه المجموعة البيانية. تلميح: حرر هذا السطر: `X = X[:,2]`. بالنظر إلى هدف هذه البيانات، ماذا يمكنك اكتشافه عن تقدم مرض السكري كمرض؟
ارسم متغيرًا مختلفًا من هذه المجموعة. تلميح: عدّل هذا السطر: `X = X[:,2]`. بناءً على هدف هذه المجموعة، ماذا يمكنك اكتشاف حول تطور مرض السكري كمرض؟
## [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
## مراجعة ودراسة ذاتية
## المراجعة والدراسة الذاتية
في هذا الدرس، عملت مع الانحدار الخطي البسيط، بدلاً من الانحدار الخطي أحادي المتغير أو المتعدد. اقرأ قليلاً عن الفروقات بين هذه الأساليب، أو ألق نظرة على [هذا الفيديو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
في هذا الدرس، عملت مع الانحدار الخطي البسيط، بدلاً من الانحدار الخطي الأحادي أو المتعدد. اقرأ قليلًا عن الفروقات بين هذه الطرق، أو شاهد [هذا الفيديو](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
اقرأ المزيد عن مفهوم الانحدار وفكر في أنواع الأسئلة التي يمكن الإجابة عليها باستخدام هذه التقنية. خذ هذا [الدليل](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لتعميق فهمك.
اقرأ المزيد عن مفهوم الانحدار وفكر في نوع الأسئلة التي يمكن الإجابة عليها بواسطة هذه التقنية. خذ هذا [الدليل التعليمي](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) لتعميق فهمك.
التجميع هو مهمة في تعلم الآلة تهدف إلى العثور على الأشياء التي تشبه بعضها البعض وتجميعها في مجموعات تُسمى "العناقيد". ما يميز التجميع عن الأساليب الأخرى في تعلم الآلة هو أن الأمور تحدث تلقائيًا، في الواقع، يمكن القول إنه عكس التعلم الموجّه.
التجميع هو مهمة في التعلّم الآلي تهدف إلى إيجاد الأشياء المتشابهة وتجمّعها ضمن مجموعات تُسمى تجمّعات. ما يميّز التجميع عن الأساليب الأخرى في التعلّم الآلي هو أن العمليات تتم تلقائيًا، في الواقع، يمكن القول إنه عكس التعلّم المُشرف.
## موضوع إقليمي: نماذج التجميع لتفضيلات الجمهور النيجيري الموسيقية 🎧
## الموضوع الإقليمي: نماذج التجميع لذوق الجمهور النيجيري الموسيقي 🎧
الجمهور النيجيري المتنوع لديه أذواق موسيقية متنوعة. باستخدام البيانات المستخرجة من Spotify (مستوحاة من [هذه المقالة](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421))، دعونا نلقي نظرة على بعض الموسيقى الشعبية في نيجيريا. تتضمن هذه المجموعة من البيانات معلومات حول درجات "القابلية للرقص"، "الصوتية"، مستوى الصوت، "الكلامية"، الشعبية والطاقة للأغاني المختلفة. سيكون من المثير اكتشاف الأنماط في هذه البيانات!
يمتلك جمهور نيجيريا المتنوع أذواقًا موسيقية متنوعة. باستخدام بيانات تم جمعها من سبوتيفاي (مستلهمة من [هذه المقالة](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421))، دعونا نلقي نظرة على بعض الموسيقى الشهيرة في نيجيريا. تتضمن هذه المجموعة بيانات حول درجات 'رقص' الأغاني، و'الصوتية'، والضوضاء، و'الكلامية'، والشعبية والطاقة. سيكون من الممتع اكتشاف الأنماط في هذه البيانات!
> صورة بواسطة <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> على <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> صورة بواسطة <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">مارسلا لاسكوسكي</a> على <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">أنسبلاش</a>
في هذه السلسلة من الدروس، ستكتشف طرقًا جديدة لتحليل البيانات باستخدام تقنيات التجميع. التجميع مفيد بشكل خاص عندما تفتقر مجموعة البيانات إلى تسميات. إذا كانت تحتوي على تسميات، فإن تقنيات التصنيف مثل تلك التي تعلمتها في الدروس السابقة قد تكون أكثر فائدة. ولكن في الحالات التي تبحث فيها عن تجميع بيانات غير مُسماة، فإن التجميع طريقة رائعة لاكتشاف الأنماط.
في هذه السلسلة من الدروس، ستكتشف طرقًا جديدة لتحليل البيانات باستخدام تقنيات التجميع. يعد التجميع مفيدًا بشكل خاص عندما تفتقر مجموعة بياناتك إلى تسميات. إذا كانت تحتوي على تسميات، فقد تكون تقنيات التصنيف مثل تلك التي تعلمتها في الدروس السابقة أكثر فائدة. ولكن في الحالات التي تسعى فيها لتجميع بيانات غير مصنفة، فإن التجميع هو وسيلة رائعة لاكتشاف الأنماط.
> هناك أدوات منخفضة الكود يمكن أن تساعدك في تعلم كيفية العمل مع نماذج التجميع. جرب [Azure ML لهذه المهمة](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> هناك أدوات منخفضة البرمجة مفيدة يمكن أن تساعدك في تعلم العمل مع نماذج التجميع. جرّب [Azure ML لهذه المهمة](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## الدروس
1. [مقدمة في التجميع](1-Visualize/README.md)
2. [تجميع K-Means](2-K-Means/README.md)
## الشكر
## الاعتمادات
تم كتابة هذه الدروس مع 🎶 بواسطة [Jen Looper](https://www.twitter.com/jenlooper) مع مراجعات مفيدة من [Rishit Dagli](https://rishit_dagli) و [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
كُتبت هذه الدروس مع 🎶 بواسطة [جين لوبير](https://www.twitter.com/jenlooper) بمراجعات مفيدة من [ريشيت داغلي](https://rishit_dagli/) و [محمد سكيب خان إنان](https://twitter.com/Sakibinan).
تم الحصول على مجموعة بيانات [الأغاني النيجيرية](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) من Kaggle بعد استخراجها من Spotify.
تم الحصول على مجموعة بيانات [الأغاني النيجيرية](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) من Kaggle تم جمعها من سبوتيفاي.
أمثلة مفيدة عن K-Means ساعدت في إنشاء هذا الدرس تشمل [استكشاف زهرة السوسن](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)، [دفتر ملاحظات تمهيدي](https://www.kaggle.com/prashant111/k-means-clustering-with-python)، و[مثال افتراضي لمنظمة غير حكومية](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
الأمثلة المفيدة لتجميع K-Means التي ساعدت في إنشاء هذا الدرس تشمل هذا [استكشاف إيريس](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering)، وهذا [دفتر تمهيدي](https://www.kaggle.com/prashant111/k-means-clustering-with-python)، وهذا [مثال من منظمة غير حكومية افتراضية](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**إخلاء المسؤولية**:
تم ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
ما هو التنبؤ بالسلاسل الزمنية؟ إنه يتعلق بتوقع الأحداث المستقبلية من خلال تحليل اتجاهات الماضي.
ما هو التنبؤ بالسلاسل الزمنية؟ يتعلق الأمر بتوقع الأحداث المستقبلية من خلال تحليل اتجاهات الماضي.
## موضوع إقليمي: استخدام الكهرباء عالميًا ✨
## موضوع إقليمي: استخدام الكهرباء في جميع أنحاء العالم ✨
في هذين الدرسين، ستتعرف على التنبؤ بالسلاسل الزمنية، وهو مجال أقل شهرة في تعلم الآلة ولكنه ذو قيمة كبيرة للتطبيقات الصناعية والتجارية، بالإضافة إلى مجالات أخرى. بينما يمكن استخدام الشبكات العصبية لتعزيز فائدة هذه النماذج، سنقوم بدراستها في سياق تعلم الآلة التقليدي حيث تساعد النماذج في توقع الأداء المستقبلي بناءً على الماضي.
في هذين الدرسين، سيتم تعريفك على التنبؤ بالسلاسل الزمنية، وهو مجال أقل شهرة إلى حد ما في التعلم الآلي ولكنه ذو قيمة كبيرة لتطبيقات الصناعة والأعمال، من بين مجالات أخرى. وعلى الرغم من أنه يمكن استخدام الشبكات العصبية لتعزيز فائدة هذه النماذج، إلا أننا سندرسها في سياق التعلم الآلي الكلاسيكي حيث تساعد النماذج في التنبؤ بالأداء المستقبلي بناءً على الماضي.
تركيزنا الإقليمي هو استخدام الكهرباء عالميًا، وهو مجموعة بيانات مثيرة للاهتمام للتعلم عن كيفية التنبؤ باستخدام الطاقة في المستقبل بناءً على أنماط الأحمال السابقة. يمكنك أن ترى كيف يمكن أن يكون هذا النوع من التنبؤ مفيدًا للغاية في بيئة الأعمال.
تركيزنا الإقليمي هو استخدام الكهرباء في العالم، وهو مجموعة بيانات مثيرة للاهتمام لتعلم التنبؤ باستخدام الطاقة المستقبلية بناءً على أنماط الحِمل السابقة. يمكنك أن ترى كيف يمكن أن يكون هذا النوع من التنبؤ مفيدًا للغاية في بيئة الأعمال.
صورة بواسطة [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) لأبراج كهرباء على طريق في راجستان على [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
صورة بواسطة [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) لأبراج كهربائية على طريق في راجستان على [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## الدروس
1. [مقدمة في التنبؤ بالسلاسل الزمنية](1-Introduction/README.md)
3. [بناء نموذج دعم المتجهات للتنبؤ بالسلاسل الزمنية](3-SVR/README.md)
3. [بناء نموذج الانحدار بدعم المتجهات للتنبؤ بالسلاسل الزمنية](3-SVR/README.md)
## الشكر والتقدير
## الشكر
تم كتابة "مقدمة في التنبؤ بالسلاسل الزمنية" بحب ⚡️ بواسطة [Francesca Lazzeri](https://twitter.com/frlazzeri) و [Jen Looper](https://twitter.com/jenlooper). ظهرت الدفاتر لأول مرة على الإنترنت في [مستودع Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) الذي كتبته في الأصل Francesca Lazzeri. تم كتابة درس SVR بواسطة [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
"مقدمة في التنبؤ بالسلاسل الزمنية" كتبت بواسطة ⚡️ من قبل [Francesca Lazzeri](https://twitter.com/frlazzeri) و [Jen Looper](https://twitter.com/jenlooper). ظهرت دفاتر الملاحظات لأول مرة عبر الإنترنت في [مستودع أزور "التعلم العميق للسلاسل الزمنية"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) والتي كتبت في الأصل من قبل Francesca Lazzeri. درس SVR كتب بواسطة [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**إخلاء المسؤولية**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> هذا يتيح لك كل ما تحتاجه لإكمال الدورة مع تنزيل أسرع بكثير.
> هذا يمنحك كل ما تحتاجه لإكمال الدورة مع تنزيل أسرع بكثير.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
#### انضم إلى مجتمعنا
[](https://discord.gg/nTYy5BXMWG)
[](https://discord.gg/nTYy5BXMWG)
لدينا سلسلة تعلم على Discord مع الذكاء الاصطناعي مستمرة، تعرف أكثر وانضم إلينا على [سلسلة التعلم مع الذكاء الاصطناعي](https://aka.ms/learnwithai/discord) من 18 - 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot لعلوم البيانات.
لدينا سلسلة تعلم على ديسكورد مع الذكاء الاصطناعي مستمرة، تعرّف على المزيد وانضم إلينا في [سلسلة التعلم مع الذكاء الاصطناعي](https://aka.ms/learnwithai/discord) من 18 إلى 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot لعلم البيانات.
# تعلم الآلة للمبتدئين - منهج دراسي
> 🌍 جولة حول العالم ونحن نستكشف تعلم الآلة من خلال ثقافات العالم 🌍
> 🌍 سافر حول العالم بينما نستكشف تعلم الآلة من خلال ثقافات العالم 🌍
يسعد دعاة السحابة في مايكروسوفت أن يقدموا منهجًا مكونًا من 12 أسبوعًا و26 درسًا يتحدث بالكامل عن**تعلم الآلة**. في هذا المنهج، ستتعلم ما يسمى أحيانًا **تعلم الآلة الكلاسيكي**، باستخدام مكتبة Scikit-learn بشكل أساسي وتجنب التعلم العميق، الذي يُغطي في [منهج الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). يمكنك أيضًا دمج هذه الدروس مع منهج ['علوم البيانات للمبتدئين'](https://aka.ms/ds4beginners).
يسر فريق مدافعي السحابة في مايكروسوفت أن يقدم منهجًا مدته 12 أسبوعًا، و26 درسًا يدور حول**تعلم الآلة**. في هذا المنهج، ستتعلم ما يُسمى أحيانًا **تعلم الآلة الكلاسيكي**، باستخدام مكتبة Scikit-learn بشكل أساسي وتجنب التعلم العميق، الذي يُغطي في منهج [الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). اجمع هذا المنهج مع منهج ['علم البيانات للمبتدئين'](https://aka.ms/ds4beginners) أيضًا!
سافر معنا حول العالم أثناء تطبيق هذه التقنيات الكلاسيكية على بيانات من مناطق متعددة. يتضمن كل درس اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، حلاً، مهمة، وأكثر. تتيح لك طريقتنا التعليمية القائمة على المشاريع التعلم أثناء البناء، وهو أسلوب مثبت لترسيخ المهارات الجديدة.
سافر معنا حول العالم بينما نطبق هذه التقنيات الكلاسيكية على بيانات من مناطق عديدة في العالم. يحتوي كل درس على اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، حلاً، مهمة، وأكثر. تتيح منهجية مشاريعنا التعليمية لك التعلم أثناء البناء، وهي طريقة مثبتة لجعل المهارات الجديدة 'تثبت'.
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **نصيحة بداية سريعة:** هل تريد البدء في المتصفح بدون إعداد بايثون محليًا؟ استخدم [مساحات أكواد GitHub](https://github.com/features/codespaces) لإنشاء بيئة تطوير سحابية لفوركك. افتح قائمة **Code** الخضراء، اختر **Codespaces**، وأنشئ مساحة أكواد؛ قم بتثبيت تبعيات كل درس حسب الحاجة داخلها.
> 🔧 **هل تحتاج مساعدة؟** تحقق من [دليل استكشاف الأخطاء](TROUBLESHOOTING.md) لحلول للمشكلات الشائعة في التثبيت، الإعداد، وتشغيل الدروس.
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعتنا في Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **هل تحتاج مساعدة؟** تحقق من [دليل استكشاف الأخطاء وإصلاحها](TROUBLESHOOTING.md) للحلول المتعلقة بمشكلات التثبيت، الإعداد، وتشغيل الدروس.
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، افتح نسخة كاملة للمستودع إلى حساب GitHub الخاص بك وأكمل التمارين بمفردك أو ضمن مجموعة:
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، قم بفورك المستودع بالكامل إلى حساب GitHub الخاص بك وأكمل التمارين بنفسك أو مع مجموعة:
- ابدأ باختبار تمهيدي قبل المحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وتأمل عند كل اختبار معرفة.
- حاول إنشاء المشاريع بفهم الدروس بدلاً من تشغيل كود الحل؛ مع ذلك الكود متوفر في مجلدات `/solution` في كل درس موجه بالمشاريع.
- خذ اختبارًا بعد المحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وفكر عند كل اختبار معرفة.
- حاول إنشاء المشاريع بفهم الدروس بدلاً من تشغيل كود الحل مباشرةً؛ ولكن الكود متوفر في مجلدات `/solution` في كل درس موجه للمشروع.
- خذ اختبار ما بعد المحاضرة.
- أكمل التحدي.
- أكمل المهمة.
- بعد إكمال مجموعة دروس، قم بزيارة [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلم بصوت عال" عبر ملء معيار PAT المناسب. الـ 'PAT' هو أداة تقييم التقدم التي تعبئها لتعزيز تعلمك. يمكنك أيضًا التفاعل مع PATs الأخرى لنتعلم معًا.
- بعد إكمال مجموعة دروس، زر [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلّم جهرًا" من خلال ملء تقييم PAT المناسب. 'PAT' هو أداة تقييم تقدم تملأها لتطوير تعلمك. يمكنك أيضًا الرد على تقييمات PAT الأخرى لنتعلم معًا.
> للدراسة المتعمقة، نوصي بمتابعة هذه الوحدات والمسارات التعليمية على [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> للدراسة المتقدمة، نوصي باتباع هذه وحدات ومسارات التعلم في [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**المعلمون**، لقد قمنا بتضمين بعض الاقتراحات حول كيفية استخدام هذا المنهج في [for-teachers.md].
**المعلمون**، قمنا [بإدراج بعض الاقتراحات](for-teachers.md) حول كيفية استخدام هذا المنهج.
---
## جولات فيديو
## شروحات فيديو
بعض الدروس متاحة كمقاطع فيديو قصيرة. يمكنك العثور عليها ضمن الدروس نفسها، أو على [قائمة تشغيل ML for Beginners على قناة Microsoft Developer على YouTube](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
بعض الدروس متاحة كفيديوهات قصيرة. يمكنك العثور على كل هذه داخل الدروس، أو في [قائمة تشغيل ML للمبتدئين على قناة Microsoft Developer على YouTube](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
@ -107,73 +109,74 @@
## المنهجية التعليمية
اخترنا مبدأين تعليميين عند بناء هذا المنهج: ضمان أن يكون عمليًا **قائمًا على المشاريع** وأن يتضمن **اختبارات متكررة**. بالإضافة إلى ذلك، يحتوي هذا المنهج على **موضوع مشترك** ليمنحه تماسكًا.
اخترنا مبدأين تربويين أثناء بناء هذا المنهج: التأكد من أنه **مبني على المشاريع العملية** وأنه يتضمن **اختبارات متكررة**. بالإضافة إلى ذلك، يحتوي المنهج على **موضوع** مشترك ليمنحه ترابطًا.
بضمان توافق المحتوى مع المشاريع، تصبح العملية أكثر جذبًا للطلاب وسيزداد احتفاظهم بالمفاهيم. بالإضافة إلى ذلك، يحدد اختبار منخفض المخاطر قبل الصف نية الطالب نحو تعلم موضوع، في حين يضمن اختبار ثانٍ بعد الصف المزيد من الاحتفاظ. صُمم هذا المنهج ليكون مرنًا وممتعًا ويمكن اخذه كاملاً أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا مع نهاية دورة الـ 12 أسبوعًا. يتضمن هذا المنهج أيضًا ملحقًا حول تطبيقات تعلم الآلة في العالم الحقيقي، يمكن استخدامه كاعتماد إضافي أو كأساس للنقاش.
من خلال ضمان أن المحتوى يتوافق مع المشاريع، يصبح العملية أكثر جاذبية للطلاب ويتم تعزيز استيعاب المفاهيم. بالإضافة إلى ذلك، يضع اختبار بسيط قبل الدرس نية الطالب للتعلم، بينما يضمن الاختبار الثاني بعد الدرس حفظًا إضافيًا. تم تصميم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه ككل أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بنهاية دورة الـ 12 أسبوعًا. يتضمن المنهج أيضًا ملحقًا حول تطبيقات تعلم الآلة في العالم الحقيقي، والذي يمكن استخدامه كاعتمادات إضافية أو كأساس للنقاش.
- [اختبار تمهيدي قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
- الدرس المكتوب
- في الدروس القائمة على المشاريع، دليل خطوة بخطوة لبناء المشروع
- ملاحظات تخطيطية اختيارية
- فيديو إضافي اختياري
- شرح فيديو (لبعض الدروس فقط)
- [اختبار إحماء قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
- درس مكتوب
- للدروس المعتمدة على المشاريع، إرشادات خطوة بخطوة لبناء المشروع
- اختبارات معرفة
- تحدي
- قراءات تكملية
- قراءات إضافية
- مهمة
- [اختبار بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة حول اللغات**: تم كتابة هذه الدروس بشكل رئيسي بلغة بايثون، ولكن العديد منها متاح أيضًا بلغة R. لإكمال درس بلغة R، اذهب إلى مجلد `/solution` وابحث عن دروس R. تحتوي على امتداد .rmd الذي يمثل ملف **R Markdown** والذي يمكن تعريفه ببساطة على أنه تضمين لـ `كتل التعليمات البرمجية` (بلغة R أو لغات أخرى) و`رأس YAML` (يرشد كيفية تنسيق الإخراجات مثل PDF) في `وثيقة Markdown`. وبالتالي، فإنه يعمل كإطار مؤلف مثالي لعلوم البيانات لأنه يسمح لك بدمج رمزك، ومخرجاته، وأفكارك من خلال السماح لك بكتابتها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى صيغ إخراجية مثل PDF أو HTML أو Word.
> **ملاحظة حول الاختبارات القصيرة**: يحتوي مجلد [تطبيق الاختبارات القصيرة](../../quiz-app) على جميع الاختبارات القصيرة، وهو يحتوي على 52 اختبارًا كل منها 3 أسئلة. يتم الربط بينها داخل الدروس ولكن يمكن تشغيل تطبيق الاختبار محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافته محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | تصنيف الدرس | أهداف التعلم | الدرس المرتبط | المؤلف |
| 01 | مقدمة في تعلم الآلة | [المقدمة](1-Introduction/README.md) | تعرّف على المفاهيم الأساسية وراء تعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [المقدمة](1-Introduction/README.md) | تعلّم تاريخ هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جين و إيمي |
| 03 | العدالة وتعلم الآلة | [المقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية الهامة حول العدالة التي يجب أن يأخذها الطلاب في الاعتبار عند بناء وتطبيق نماذج التعلم الآلي؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [المقدمة](1-Introduction/README.md) | ما هي التقنيات التي يستخدمها باحثو تعلم الآلة لبناء النماذج؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس و جين |
| 05 | مقدمة في الانحدار | [الانحدار](2-Regression/README.md) | ابدأ مع بايثون و Scikit-learn لنماذج الانحدار | [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جين • إريك وانجاو |
| 06 | أسعار قرع شمال أمريكا 🎃 | [الانحدار](2-Regression/README.md) | تصور وتنظيف البيانات للتحضير لـ ML | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جين • إريك وانجاو |
| 07 | أسعار قرع شمال أمريكا 🎃 | [الانحدار](2-Regression/README.md) | بناء نماذج انحدار خطي ومتعدد الحدود | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جين و ديمتري • إريك وانجاو |
| 08 | أسعار قرع شمال أمريكا 🎃 | [الانحدار](2-Regression/README.md) | بناء نموذج انحدار لوجستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جين • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام نموذجك المدرب | [بايثون](3-Web-App/1-Web-App/README.md) | جين |
| 10 | مقدمة في التصنيف | [التصنيف](4-Classification/README.md) | تنظيف، تحضير، وتصوير بياناتك؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جين وكاسي • إريك وانجاو |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلم أساسيات معالجة اللغة الطبيعية من خلال بناء بوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | مهام شائعة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك في معالجة اللغة الطبيعية بفهم المهام الشائعة المطلوبة عند التعامل مع تراكيب اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 19 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع تقييمات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع تقييمات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استخدام الطاقة في العالم ⚡️ - التنبؤ بالسلاسل الزمنية مع ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استخدام الطاقة في العالم ⚡️ - التنبؤ بالسلاسل الزمنية مع SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام الدعم ناقل الانحدار | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم المعزز | [التعلم المعزز](8-Reinforcement/README.md) | مقدمة في التعلم المعزز مع Q-Learning | [بايثون](8-Reinforcement/1-QLearning/README.md) | ديمتري |
| خاتمة | سيناريوهات وتطبيقات تعلم الآلة في العالم الواقعي | [تعلم الآلة في العالم الواقعي](9-Real-World/README.md) | تطبيقات حقيقية مثيرة للكشف عن تعلم الآلة الكلاسيكي | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| خاتمة | تصحيح أخطاء النماذج في تعلم الآلة باستخدام لوحة RAI | [تعلم الآلة في العالم الواقعي](9-Real-World/README.md) | تصحيح أخطاء نموذج تعلم الآلة باستخدام مكونات لوحة مسؤول AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياقوبو |
> [جد جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [اختبار ما بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة عن اللغات**: هذه الدروس مكتوبة أساسًا بلغة بايثون، لكن العديد منها متاح أيضًا بلغة R. لإكمال درس R، انتقل إلى مجلد `/solution` وابحث عن دروس R. تحتوي على امتداد .rmd الذي يمثل ملف **R Markdown** والذي يمكن تعريفه ببساطة بأنه تضمين لـ`كتل كود` (من R أو لغات أخرى) و`رأس برنامج YAML` (الذي يوجه كيفية تنسيق المخرجات مثل PDF) في وثيقة `Markdown`. وبذلك، يعمل كإطار تأليف نموذجي لعلم البيانات لأنه يسمح لك بدمج الكود الخاص بك، مخرجاته، وأفكارك من خلال السماح لك بكتابتها في Markdown. علاوة على ذلك، يمكن تحويل وثائق R Markdown إلى صيغ إخراج مثل PDF، HTML، أو Word.
> **ملاحظة عن الاختبارات**: جميع الاختبارات موجودة في [مجلد تطبيق الاختبارات](../../quiz-app)، بإجمالي 52 اختبارًا يحتوي كل منها على ثلاثة أسئلة. ترتبط من داخل الدروس ولكن يمكن تشغيل تطبيق الاختبارات محلياً؛ اتبع التعليمات في مجلد `quiz-app` لاستضافته محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | تجميع الدرس | الأهداف التعليمية | الدرس المرتبط | المؤلف |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعرّف على المفاهيم الأساسية وراء تعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعرّف على التاريخ الكامن وراء هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جين وآمي |
| 03 | العدالة وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية الهامة المتعلقة بالعدالة التي يجب على الطلاب أخذها بعين الاعتبار عند بناء وتطبيق نماذج التعلم الآلي؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي التقنيات التي يستخدمها باحثو التعلم الآلي لبناء نماذج التعلم؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجين |
| 05 | مقدمة في الانحدار | [الانحدار](2-Regression/README.md) | ابدأ باستخدام بايثون وScikit-learn لنماذج الانحدار | [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جين • إريك وانجوا |
| 06 | أسعار القرع في أمريكا الشمالية 🎃 | [الانحدار](2-Regression/README.md) | تصوّر ونظّف البيانات تحضيرًا للتعلم الآلي | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جين • إريك وانجوا |
| 07 | أسعار القرع في أمريكا الشمالية 🎃 | [الانحدار](2-Regression/README.md) | بناء نماذج الانحدار الخطي والتربيعي | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جين ودمتري • إريك وانجوا |
| 08 | أسعار القرع في أمريكا الشمالية 🎃 | [الانحدار](2-Regression/README.md) | بناء نموذج الانحدار اللوجستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جين • إريك وانجوا |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام نموذجك المدرب | [بايثون](3-Web-App/1-Web-App/README.md) | جين |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | نظّف، جهّز، وتصوّر بياناتك؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جين وكاسي • إريك وانجوا |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم الأساسيات عن معالجة اللغة ببناء بوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | المهام الشائعة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعمّق في معرفتك بمعالجة اللغة الطبيعية وفهم المهام الشائعة المطلوبة عند التعامل مع تراكيب اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 19 | فنادق رومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | فنادق رومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر مع مراجعات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استهلاك الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استهلاك الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام الانحدار بدعم المتجهات | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم التعزيزي | [التعلم التعزيزي](8-Reinforcement/README.md) | مقدمة في التعلم التعزيزي باستخدام تعلم Q | [بايثون](8-Reinforcement/1-QLearning/README.md) | دمتري |
| خاتمة | سيناريوهات وتطبيقات التعلم الآلي في العالم الحقيقي | [ML في الحياة الحقيقية](9-Real-World/README.md) | تطبيقات حقيقية مثيرة ومكشوفة للتعلم الآلي الكلاسيكي | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| خاتمة | تصحيح النماذج في التعلم الآلي باستخدام لوحة RAI | [ML في الحياة الحقيقية](9-Real-World/README.md) | تصحيح النماذج في التعلم الآلي باستخدام مكونات لوحة AI المسؤولة | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياكوبو |
> [اعثر على جميع الموارد الإضافية لهذا الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## الوصول دون اتصال
يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). استنسخ هذا المستودع، [ثبّت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذر لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على المضيف المحلي لديك: `localhost:3000`.
يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). قم بعمل نسخة من هذا المستودع، [ثبت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذري لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على جهازك المحلي: `localhost:3000`.
## ملفات PDF
اعثر على نسخة pdf من المنهج مع روابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
تجد ملف pdf للمقرر الدراسي مع الروابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://github.com/microsoft/xr-development-for-beginners?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)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
إذا واجهت صعوبة أو كان لديك أسئلة أثناء تعلم تعلم الآلة أو بناء تطبيقات الذكاء الاصطناعي، لا تقلق — المساعدة متاحة.
إذا واجهت صعوبة أو كانت لديك أسئلة أثناء تعلم تعلم الآلة أو بناء تطبيقات الذكاء الاصطناعي، لا تقلق — المساعدة متاحة.
يمكنك الانضمام إلى المناقشات مع متعلمين ومطورين آخرين، طرح الأسئلة، ومشاركة أفكارك مع المجتمع.
يمكنك الانضمام إلى المناقشات مع متعلمين ومطورين آخرين، طرح أسئلة، ومشاركة أفكارك مع المجتمع.
- انضم إلى المجتمع لطرح الأسئلة والتعلم مع الآخرين
- ناقش مفاهيم تعلم الآلة وأفكار المشاريع
- ناقش مفاهيم وأفكار مشاريع تعلم الآلة
- احصل على إرشاد من مطورين ذوي خبرة
المجتمع الداعم هو طريقة رائعة لتطوير مهاراتك وحل المشكلات بشكل أسرع.
مجتمع داعم هو طريقة رائعة لتنمية مهاراتك وحل المشكلات بشكل أسرع.
[مجتمع Microsoft Foundry على Discord](https://discord.gg/nTYy5BXMWG)
[مجتمع Microsoft Foundry Discord](https://discord.gg/nTYy5BXMWG)
إذا صادفت أخطاء أو مشاكل، أو لديك اقتراحات للتحسين، يمكنك أيضًا فتح **مشكلة** في هذا المستودع للإبلاغ عن المشكلة.
إذا واجهت أخطاء، مشاكل، أو كانت لديك اقتراحات للتحسين، يمكنك أيضًا فتح **مشكلة** في هذا المستودع للإبلاغ عن المشكلة.
للتعليق على المنتج أو للبحث في منشورات المجتمع الحالية، زر منتدى المطورين:
للحصول على ملاحظات حول المنتج أو للبحث في منشورات المجتمع الحالية، تفضل بزيارة منتدى المطورين:
[](https://aka.ms/foundry/forum)
## نصائح تعلم إضافية
## نصائح إضافية للتعلم
- راجع دفاتر الملاحظات بعد كل درس لفهم أفضل.
- مارس تطبيق الخوارزميات بنفسك.
- استكشف مجموعات بيانات من العالم الواقعي باستخدام المفاهيم التي تعلمتها.
- استكشف مجموعات البيانات الحقيقية باستخدام المفاهيم المتعلمة.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**إخلاء المسؤولية**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يُرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للمعلومات الحساسة، يُنصح بالترجمة المهنية البشرية. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
هل ترغب في استخدام هذا المنهج في صفك الدراسي؟ لا تتردد!
هل ترغب في استخدام هذا المنهج في صفك الدراسي؟ لا تتردد في ذلك!
في الواقع، يمكنك استخدامه مباشرةً عبر GitHub باستخدام GitHub Classroom.
في الواقع، يمكنك استخدامه داخل GitHub نفسه باستخدام GitHub Classroom.
للقيام بذلك، قم بعمل fork لهذا المستودع. ستحتاج إلى إنشاء مستودع لكل درس، لذا ستحتاج إلى استخراج كل مجلد إلى مستودع منفصل. بهذه الطريقة، يمكن لـ [GitHub Classroom](https://classroom.github.com/classrooms) التعامل مع كل درس بشكل منفصل.
للقيام بذلك، قم بعمل فورك لهذا المستودع. ستحتاج إلى إنشاء مستودع لكل درس، لذا ستحتاج إلى استخراج كل مجلد إلى مستودع منفصل. بهذه الطريقة، يمكن لـ [GitHub Classroom](https://classroom.github.com/classrooms) التعرف على كل درس بشكل منفصل.
هذه [التعليمات الكاملة](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ستعطيك فكرة عن كيفية إعداد صفك الدراسي.
ستعطيك هذه [التعليمات الكاملة](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) فكرة حول كيفية إعداد صفك الدراسي.
## استخدام المستودع كما هو
إذا كنت ترغب في استخدام هذا المستودع كما هو حاليًا، دون استخدام GitHub Classroom، فهذا ممكن أيضًا. ستحتاج إلى التواصل مع طلابك لتحديد الدرس الذي ستعملون عليه معًا.
إذا كنت ترغب في استخدام هذا المستودع كما هو دون استخدام GitHub Classroom، يمكن القيام بذلك أيضًا. ستحتاج إلى إبلاغ طلابك بأية دروس يجب العمل عليها معًا.
في بيئة تعليمية عبر الإنترنت (مثل Zoom أو Teams أو غيرها)، يمكنك إنشاء غرف نقاش صغيرة للاختبارات، وتوجيه الطلاب لمساعدتهم على الاستعداد للتعلم. ثم قم بدعوة الطلاب لإجراء الاختبارات وتقديم إجاباتهم كـ "issues" في وقت محدد. يمكنك القيام بنفس الشيء مع الواجبات، إذا كنت تريد من الطلاب العمل بشكل تعاوني في العلن.
في صيغة عبر الإنترنت (Zoom، Teams، أو غيرها) قد تُشكل غرفًا فرعية للاختبارات، وتوجه الطلاب لمساعدتهم على الاستعداد للتعلم. ثم دع الطلاب يأخذون الاختبارات ويقدمون إجاباتهم كـ 'قضايا' في وقت معين. يمكنك فعل الشيء نفسه مع الواجبات، إذا أردت أن يعمل الطلاب بشكل تعاوني في العلن.
إذا كنت تفضل تنسيقًا أكثر خصوصية، اطلب من طلابك عمل fork للمنهج، درسًا بدرس، إلى مستودعاتهم الخاصة على GitHub كمستودعات خاصة، ومنحك حق الوصول. بعد ذلك، يمكنهم إكمال الاختبارات والواجبات بشكل خاص وتقديمها لك عبر "issues" على مستودع صفك الدراسي.
إذا كنت تفضل صيغة أكثر خصوصية، اطلب من طلابك عمل فورك للمنهج، درسًا درسًا، إلى مستودعات GitHub الخاصة بهم كمستودعات خاصة، ومنحك الوصول. ثم يمكنهم إكمال الاختبارات والواجبات بشكل خاص وتقديمها إليك عبر القضايا على مستودع الصف الخاص بك.
هناك العديد من الطرق لجعل هذا يعمل في بيئة صف دراسي عبر الإنترنت. يرجى إخبارنا بما يناسبك أكثر!
هناك العديد من الطرق لجعل هذا يعمل في صيغة صف دراسي عبر الإنترنت. الرجاء إعلامنا بما يناسبك أكثر!
## نرجو أن تشاركنا أفكارك!
## من فضلكم أرسلوا لنا آرائكم!
نحن نسعى لجعل هذا المنهج مفيدًا لك ولطلابك. يرجى تقديم [ملاحظاتك](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
نريد جعل هذا المنهج يعمل من أجلكم ولأجل طلابكم. يرجى تقديم [ملاحظات](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**إخلاء المسؤولية**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**تنويه**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.
# Aufbau von Machine Learning-Lösungen mit verantwortungsvoller KI
> Sketchnote von [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ml/)
## Einführung
In diesem Lehrplan werden Sie entdecken, wie Machine Learning unser tägliches Leben beeinflussen kann und bereits beeinflusst. Schon jetzt sind Systeme und Modelle in alltäglichen Entscheidungsaufgaben involviert, wie z. B. Gesundheitsdiagnosen, Kreditgenehmigungen oder Betrugserkennung. Daher ist es wichtig, dass diese Modelle gut funktionieren, um vertrauenswürdige Ergebnisse zu liefern. Genau wie jede Softwareanwendung werden KI-Systeme Erwartungen nicht erfüllen oder unerwünschte Ergebnisse liefern. Deshalb ist es essenziell, das Verhalten eines KI-Modells verstehen und erklären zu können.
In diesem Lehrplan werden Sie entdecken, wie Machine Learning unser tägliches Leben beeinflussen kann und bereits beeinflusst. Schon jetzt sind Systeme und Modelle an täglichen Entscheidungsprozessen beteiligt, wie etwa bei medizinischen Diagnosen, Kreditentscheidungen oder der Betrugserkennung. Daher ist es wichtig, dass diese Modelle zuverlässig funktionieren und vertrauenswürdige Ergebnisse liefern. Wie bei jeder Softwareanwendung kann es auch bei KI-Systemen vorkommen, dass sie Erwartungen nicht erfüllen oder unerwünschte Ergebnisse liefern. Deshalb ist es essenziell, das Verhalten eines KI-Modells verstehen und erklären zu können.
Stellen Sie sich vor, was passieren kann, wenn die Daten, die Sie zum Erstellen dieser Modelle verwenden, bestimmte demografische Merkmale wie Rasse, Geschlecht, politische Ansicht, Religion nicht enthalten oder diese demografischen Merkmale unverhältnismäßig repräsentieren. Was passiert, wenn die Ausgabe des Modells interpretiert wird, um eine demografische Gruppe zu bevorzugen? Was sind die Folgen für die Anwendung? Außerdem, was geschieht, wenn das Modell ein nachteiliges Ergebnis liefert und Menschen schadet? Wer ist verantwortlich für das Verhalten des KI-Systems? Diese und weitere Fragen werden wir in diesem Lehrplan erkunden.
Stellen Sie sich vor, was passieren kann, wenn die Daten, die Sie zum Erstellen dieser Modelle verwenden, bestimmte demografische Gruppen wie Rasse, Geschlecht, politische Ansicht, Religion nicht enthalten oder diese unverhältnismäßig vertreten. Was passiert, wenn die Ausgabe des Modells dahingehend interpretiert wird, eine bestimmte demografische Gruppe zu bevorzugen? Welche Konsequenzen hat das für die Anwendung? Außerdem, was passiert, wenn das Modell ein unerwünschtes Ergebnis zeigt und Menschen schadet? Wer ist verantwortlich für das Verhalten der KI-Systeme? Diese Fragen werden wir in diesem Lehrplan untersuchen.
In dieser Lektion werden Sie:
- Ihr Bewusstsein für die Bedeutung von Fairness im Machine Learning und mit Fairness zusammenhängende Schäden erhöhen.
- Sich mit der Praxis der Untersuchung von Ausreißern und ungewöhnlichen Szenarien zur Sicherstellung von Zuverlässigkeit und Sicherheit vertraut machen.
- Ein Verständnis dafür entwickeln, wie wichtig es ist, alle zu befähigen, indem inklusive Systeme entworfen werden.
- Erkunden, wie wichtig es ist, die Privatsphäre und Sicherheit von Daten und Personen zu schützen.
- Die Bedeutung eines transparenten Ansatzes zur Erklärung des Verhaltens von KI-Modellen erkennen.
- Sensibilisiert sein, wie wichtig Verantwortlichkeit ist, um Vertrauen in KI-Systeme aufzubauen.
- Ihr Bewusstsein für die Bedeutung von Fairness im Machine Learning und die damit verbundenen Schäden schärfen.
- Mit der Praxis vertraut werden, Ausreißer und ungewöhnliche Szenarien zu erkunden, um Zuverlässigkeit und Sicherheit zu gewährleisten.
- Ein Verständnis dafür erlangen, warum es wichtig ist, durch inklusives Design alle Menschen zu befähigen.
- Erkunden, wie wichtig es ist, den Datenschutz und die Sicherheit von Daten und Menschen zu schützen.
- Die Bedeutung eines Transparenzansatzes (Glasbox) zur Erklärung des Verhaltens von KI-Modellen erkennen.
- Sich bewusst sein, wie essenziell Verantwortlichkeit ist, um Vertrauen in KI-Systeme zu schaffen.
## Voraussetzung
## Voraussetzungen
Als Voraussetzung absolvieren Sie bitte den Lernpfad "Verantwortungsvolle KI Prinzipien" und schauen sich das untenstehende Video zum Thema an:
Als Voraussetzung absolvieren Sie bitte den Lernpfad „Responsible AI Principles“ und sehen Sie sich das untenstehende Video zum Thema an:
Erfahren Sie mehr über verantwortungsvolle KI, indem Sie diesem [Lernpfad](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) folgen.
Erfahren Sie mehr über Responsible AI durch das Folgen dieses [Lernpfads](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsofts Ansatz für verantwortungsvolle KI")
[](https://youtu.be/dnC8-uUZXSc "Microsofts Ansatz zu Responsible AI")
> 🎥 Klicken Sie auf das Bild oben für ein Video: Microsofts Ansatz für verantwortungsvolle KI
> 🎥 Klicken Sie auf das obere Bild für ein Video: Microsofts Ansatz zu Responsible AI
## Fairness
KI-Systeme sollten alle Menschen fair behandeln und vermeiden, ähnliche Personengruppen unterschiedlich zu beeinflussen. Beispielsweise sollten KI-Systeme bei der Beratung zu medizinischer Behandlung, Kreditanträgen oder Beschäftigung dieselben Empfehlungen für alle mit ähnlichen Symptomen, finanziellen Umständen oder beruflichen Qualifikationen aussprechen. Jeder von uns trägt als Mensch ererbte Vorurteile mit sich, die unsere Entscheidungen und Handlungen beeinflussen. Diese Vorurteile können in den Daten sichtbar sein, die wir zum Trainieren von KI-Systemen verwenden. Eine solche Verzerrung kann manchmal unbeabsichtigt geschehen. Es ist oft schwierig, bewusst zu erkennen, wann man Vorurteile in Daten einführt.
KI-Systeme sollten alle Menschen fair behandeln und vermeiden, ähnliche Menschengruppen unterschiedlich zu beeinflussen. Zum Beispiel sollten KI-Systeme, die Empfehlungen für medizinische Behandlungen, Kreditanträge oder Beschäftigung geben, allen mit ähnlichen Symptomen, finanziellen Verhältnissen oder beruflichen Qualifikationen dieselben Empfehlungen geben. Jeder von uns trägt vererbte Vorurteile in sich, die unsere Entscheidungen und Handlungen beeinflussen. Diese Vorurteile können in den Daten sichtbar sein, die zur Schulung von KI-Systemen verwendet werden. Solche Manipulationen können manchmal unbeabsichtigt geschehen. Es ist oft schwierig bewusst zu wissen, wann man Verzerrungen in Daten einführt.
**„Unfairness“** umfasst negative Auswirkungen oder „Schäden“ für eine Gruppe von Menschen, wie jene definiert durch Rasse, Geschlecht, Alter oder Behinderungsstatus. Die wichtigsten fairnessbezogenen Schäden können klassifiziert werden als:
**„Unfairness“** umfasst negative Auswirkungen oder „Schäden“ für eine Gruppe von Menschen, etwa definiert nach Rasse, Geschlecht, Alter oder Behinderungsstatus. Die wichtigsten fairnesbezogenen Schäden können wie folgt klassifiziert werden:
- **Zuteilung**, wenn beispielsweise ein Geschlecht oder eine Ethnie gegenüber einer anderen bevorzugt wird.
- **Dienstleistungsqualität**. Wenn Sie die Daten für ein spezifisches Szenario trainieren, die Realität aber viel komplexer ist, führt das zu einer schlecht funktionierenden Dienstleistung. Zum Beispiel konnte ein Handseifenspender scheinbar keine Menschen mit dunkler Haut erkennen. [Referenz](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Herabwürdigung**. Etwas oder jemanden unfair zu kritisieren und zu etikettieren. Zum Beispiel hat eine Bilderkennungstechnologie berüchtigterweise Bilder von dunkelhäutigen Menschen als Gorillas falsch etikettiert.
- **Über- oder Unterrepräsentation**. Die Vorstellung ist, dass eine bestimmte Gruppe in einem bestimmten Beruf nicht vertreten ist, und jeder Dienst oder Funktion, der dies weiterhin fördert, trägt zu Schäden bei.
- **Stereotypisierung**. Eine bestimmte Gruppe mit vorab zugewiesenen Eigenschaften verbinden. Zum Beispiel kann ein maschinelles Übersetzungssystem zwischen Englisch und Türkisch Ungenauigkeiten haben, die auf stereotype Assoziationen mit dem Geschlecht bei einzelnen Wörtern basieren.
- **Zuweisung**, wenn z.B. ein Geschlecht oder eine Ethnie gegenüber einer anderen bevorzugt wird.
- **Dienstleistungsqualität**. Wenn man die Daten nur für ein bestimmtes Szenario trainiert, die Realität aber viel komplexer ist, führt das zu einer schlecht funktionierenden Dienstleistung. Zum Beispiel ein Seifenspender, der scheinbar Menschen mit dunkler Hautfarbe nicht erkennen konnte. [Referenz](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Abwertung**. Ungerechtfertigte Kritik und Etikettierung von etwas oder jemandem. Beispielsweise wurde eine Bildkennungstechnologie berüchtigt dafür, Bilder dunkler Hautfarbe fälschlicherweise als Gorillas zu kennzeichnen.
- **Über- oder Unterrepräsentation**. Die Vorstellung, dass eine bestimmte Gruppe in einem Beruf nicht vertreten ist, und jeder Dienst oder jede Funktion, die das fördert, trägt zur Schädigung bei.
- **Stereotypisierung**. Eine bestimmte Gruppe mit vorgegebenen Attributen assoziieren. Zum Beispiel kann ein Sprachübersetzungssystem zwischen Englisch und Türkisch Ungenauigkeiten aufweisen aufgrund von Worten mit stereotypischer Geschlechtszuordnung.
> Übersetzung ins Türkische
@ -48,98 +48,97 @@ KI-Systeme sollten alle Menschen fair behandeln und vermeiden, ähnliche Persone
> Rückübersetzung ins Englische
Beim Entwerfen und Testen von KI-Systemen müssen wir sicherstellen, dass KI fair ist und nicht so programmiert ist, voreingenommene oder diskriminierende Entscheidungen zu treffen, was Menschen auch verboten ist. Sicherstellung von Fairness in KI und Machine Learning bleibt eine komplexe soziotechnische Herausforderung.
Beim Design und Test von KI-Systemen müssen wir sicherstellen, dass KI fair ist und nicht programmiert wird, voreingenommene oder diskriminierende Entscheidungen zu treffen, die Menschen ebenfalls nicht treffen dürfen. Fairness in KI und Machine Learning zu gewährleisten, bleibt eine komplexe soziotechnische Herausforderung.
### Zuverlässigkeit und Sicherheit
Um Vertrauen aufzubauen, müssen KI-Systeme zuverlässig, sicher und konsistent unter normalen und unerwarteten Bedingungen sein. Es ist wichtig zu wissen, wie sich KI-Systeme in verschiedenen Situationen verhalten, besonders wenn sie Ausreißer darstellen. Beim Erstellen von KI-Lösungen muss ein großer Fokus darauf liegen, wie eine breite Palette von Umständen behandelt wird, denen die KI-Lösung begegnen könnte. Zum Beispiel muss ein selbstfahrendes Auto die Sicherheit der Menschen höchste Priorität einräumen. Daher muss die KI, die das Auto antreibt, alle möglichen Szenarien berücksichtigen, wie Nacht, Gewitter oder Schneestürme, Kinder, die über die Straße rennen, Haustiere, Straßenbau usw. Wie gut ein KI-System eine breite Palette an Bedingungen zuverlässig und sicher bewältigen kann, spiegelt das Maß an Antizipation wider, das der Datenwissenschaftler oder KI-Entwickler bei Design oder Test des Systems berücksichtigt hat.
Um Vertrauen aufzubauen, müssen KI-Systeme zuverlässig, sicher und konsistent unter normalen und unerwarteten Bedingungen arbeiten. Es ist wichtig zu wissen, wie KI-Systeme sich in verschiedenen Situationen verhalten, besonders bei Ausreißern. Beim Aufbau von KI-Lösungen muss viel Augenmerk darauf liegen, wie mit einer Vielzahl von Situationen umgegangen wird, denen KI-Lösungen begegnen könnten. Zum Beispiel muss ein autonom fahrendes Auto die Sicherheit der Menschen oberste Priorität geben. Daher muss die KI, die das Auto steuert, alle möglichen Szenarien berücksichtigen, denen das Auto begegnen könnte, wie Nacht, Gewitter oder Schneestürme, Kinder, die auf die Straße laufen, Haustiere, Straßenarbeiten etc. Wie gut ein KI-System einen großen Bereich an Bedingungen zuverlässig und sicher bewältigen kann, spiegelt den Grad der Voraussicht wider, den der Datenwissenschaftler oder KI-Entwickler während der Entwurfs- oder Testphase des Systems berücksichtigt hat.
> [🎥 Klicken Sie hier für ein Video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Klicken Sie hier für ein Video: Zuverlässigkeit und Sicherheit in KI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inklusivität
KI-Systeme sollten so gestaltet sein, dass sie alle einbeziehen und befähigen. Beim Entwerfen und Implementieren von KI-Systemen identifizieren und adressieren Datenwissenschaftler und KI-Entwickler potenzielle Barrieren im System, die unbeabsichtigt Menschen ausschließen könnten. Beispielsweise gibt es rund 1 Milliarde Menschen mit Behinderungen weltweit. Mit der Weiterentwicklung von KI können sie im Alltag leichter auf eine breite Palette von Informationen und Möglichkeiten zugreifen. Durch das Beseitigen von Barrieren entstehen Chancen zur Innovation und Entwicklung von KI-Produkten mit besseren Erfahrungen, die allen zugutekommen.
KI-Systeme sollten so gestaltet sein, dass sie alle Menschen einbinden und befähigen. Beim Entwerfen und Implementieren von KI-Systemen identifizieren und beheben Datenwissenschaftler und KI-Entwickler potenzielle Barrieren im System, die Menschen unbeabsichtigt ausschließen könnten. Zum Beispiel gibt es weltweit 1 Milliarde Menschen mit Behinderungen. Mit dem Fortschritt der KI können sie in ihrem Alltag leichter auf eine Vielzahl von Informationen und Möglichkeiten zugreifen. Durch das Überwinden von Barrieren entstehen Chancen, KI-Produkte mit besseren Erfahrungen zu innovieren und zu entwickeln, die allen zugutekommen.
> [🎥 Klicken Sie hier für ein Video: Inklusivität in KI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Sicherheit und Datenschutz
KI-Systeme sollten sicher sein und die Privatsphäre der Menschen respektieren. Menschen vertrauen Systemen weniger, die ihre Privatsphäre, Informationen oder Leben gefährden. Beim Trainieren von Machine Learning-Modellen verlassen wir uns auf Daten, um die besten Ergebnisse zu erzielen. Dabei müssen Ursprung und Integrität der Daten berücksichtigt werden. Wurden die Daten beispielsweise vom Nutzer bereitgestellt oder sind öffentlich zugänglich? Weiterhin ist es entscheidend, KI-Systeme zu entwickeln, die vertrauliche Informationen schützen und Angriffen widerstehen können. Da KI immer verbreiteter wird, steigt die Bedeutung und Komplexität des Schutzes der Privatsphäre und wichtiger persönlicher sowie geschäftlicher Informationen. Datenschutz- und Datensicherheitsfragen erfordern besonders hohe Aufmerksamkeit bei KI, da der Zugriff auf Daten für KI-Systeme essentiell ist, um genaue und informierte Vorhersagen und Entscheidungen über Personen zu treffen.
KI-Systeme sollten sicher sein und die Privatsphäre der Menschen respektieren. Menschen haben weniger Vertrauen in Systeme, die ihre Privatsphäre, Informationen oder Leben gefährden. Beim Trainieren von Machine Learning-Modellen verlassen wir uns auf Daten, um die besten Ergebnisse zu erzielen. Dabei müssen Herkunft und Integrität der Daten berücksichtigt werden. Zum Beispiel: Wurden die Daten vom Nutzer bereitgestellt oder sind sie öffentlich zugänglich? Während der Arbeit mit Daten ist es entscheidend, KI-Systeme zu entwickeln, die vertrauliche Informationen schützen und Angriffen widerstehen können. Mit der zunehmenden Verbreitung von KI wird der Schutz der Privatsphäre und Sicherung wichtiger persönlicher und geschäftlicher Informationen immer kritischer und komplexer. Datenschutz- und Datensicherheitsfragen erfordern besondere Aufmerksamkeit bei KI, da der Zugriff auf Daten unerlässlich ist, damit KI-Systeme genaue und fundierte Vorhersagen und Entscheidungen über Menschen treffen können.
> [🎥 Klicken Sie hier für ein Video: Sicherheit in KI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Als Branche haben wir bedeutende Fortschritte im Bereich Datenschutz & Sicherheit gemacht, die maßgeblich durch Vorschriften wie die DSGVO (Datenschutz-Grundverordnung) unterstützt wurden.
- Mit KI-Systemen müssen wir dennoch die Spannung zwischen dem Bedarf an mehr persönlichen Daten zur Personalisierung und Effektivität der Systeme – und dem Datenschutz anerkennen.
- Ähnlich wie beim Aufkommen vernetzter Computer mit dem Internet erleben wir auch einen starken Anstieg der Sicherheitsprobleme im Zusammenhang mit KI.
- Gleichzeitig sehen wir, dass KI zur Verbesserung der Sicherheit eingesetzt wird. Zum Beispiel werden die meisten modernen Antiviren-Scanner heute von KI-Heuristiken angetrieben.
- Wir müssen sicherstellen, dass unsere Data Science-Prozesse harmonisch mit den neuesten Datenschutz- und Sicherheitspraktiken verschmelzen.
- Als Branche haben wir bedeutende Fortschritte im Bereich Datenschutz & Sicherheit gemacht, stark angetrieben durch Regelungen wie die DSGVO (Datenschutz-Grundverordnung).
- Dennoch müssen wir bei KI-Systemen die Spannung zwischen dem Bedarf an mehr persönlichen Daten, um Systeme persönlicher und wirksamer zu machen, und dem Datenschutz anerkennen.
- Wie beim Aufkommen vernetzter Computer mit dem Internet sehen wir auch einen starken Anstieg der Sicherheitsprobleme im Zusammenhang mit KI.
- Gleichzeitig wird KI auch genutzt, um die Sicherheit zu verbessern. Zum Beispiel werden heute die meisten modernen Antivirenscanner von KI-Heuristiken gesteuert.
- Wir müssen sicherstellen, dass unsere Data Science-Prozesse harmonisch mit den neuesten Datenschutz- und Sicherheitspraktiken verbunden sind.
### Transparenz
KI-Systeme sollten verständlich sein. Ein wesentlicher Teil von Transparenz ist, das Verhalten von KI-Systemen und deren Komponenten zu erklären. Um KI-Systeme besser zu verstehen, müssen Beteiligte verstehen, wie und warum sie funktionieren, damit sie potenzielle Leistungsprobleme, Sicherheits- und Datenschutzbedenken, Vorurteile, ausschließende Praktiken oder unbeabsichtigte Ergebnisse identifizieren können. Wir sind zudem der Ansicht, dass Nutzer von KI-Systemen ehrlich und offen darüber sein sollten, wann, warum und wie sie diese einsetzen. Ebenso über die Beschränkungen der Systeme, die sie nutzen. Beispielsweise ist es wichtig, bei der Verwendung eines KI-Systems durch eine Bank zur Unterstützung von Verbraucherkreditentscheidungen die Ergebnisse zu überprüfen und zu verstehen, welche Daten die Empfehlungen des Systems beeinflussen. Regierungen beginnen, KI branchenübergreifend zu regulieren, weshalb Datenwissenschaftler und Organisationen erklären müssen, ob ein KI-System regulatorische Anforderungen erfüllt, besonders bei einem unerwünschten Ergebnis.
KI-Systeme sollten verständlich sein. Ein wesentlicher Teil der Transparenz ist die Erklärung des Verhaltens von KI-Systemen und ihrer Komponenten. Das Verständnis von KI-Systemen zu verbessern, erfordert, dass alle Beteiligten nachvollziehen, wie und warum diese funktionieren, damit sie mögliche Leistungsprobleme, Sicherheits- und Datenschutzbedenken, Verzerrungen, Ausschlusspraktiken oder unbeabsichtigte Ergebnisse erkennen können. Wir sind auch der Ansicht, dass diejenigen, die KI-Systeme nutzen, ehrlich und offen darlegen sollten, wann, warum und wie sie diese einsetzen sowie die Einschränkungen der Systeme, die sie verwenden. Zum Beispiel ist es für eine Bank, die ein KI-System zur Unterstützung ihrer Kreditentscheidungen verwendet, wichtig, die Ergebnisse zu überprüfen und zu verstehen, welche Daten die Empfehlungen des Systems beeinflussen. Regierungen beginnen, KI in verschiedenen Branchen zu regulieren, daher müssen Datenwissenschaftler und Organisationen erklären, ob ein KI-System die regulatorischen Anforderungen erfüllt, besonders wenn es zu unerwünschten Ergebnissen kommt.
> [🎥 Klicken Sie hier für ein Video: Transparenz in KI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Da KI-Systeme so komplex sind, ist es schwer zu verstehen, wie sie funktionieren und die Ergebnisse zu interpretieren.
- Dieses fehlende Verständnis beeinflusst die Art, wie diese Systeme verwaltet, eingesetzt und dokumentiert werden.
- Dieses fehlende Verständnis wirkt sich vor allem auf die Entscheidungen aus, die auf Basis der Ergebnisse dieser Systeme getroffen werden.
- Da KI-Systeme so komplex sind, ist es schwierig zu verstehen, wie sie funktionieren und Ergebnisse zu interpretieren.
- Dieses mangelnde Verständnis wirkt sich auf die Art und Weise aus, wie diese Systeme verwaltet, operationalisiert und dokumentiert werden.
- Noch wichtiger beeinflusst dieses mangelnde Verständnis die Entscheidungen, die auf Grundlage der von diesen Systemen erzeugten Ergebnisse getroffen werden.
### Verantwortlichkeit
Die Personen, die KI-Systeme entwerfen und einsetzen, müssen für deren Betrieb verantwortlich sein. Die Notwendigkeit von Verantwortlichkeit ist besonders entscheidend bei sensiblen Technologien wie der Gesichtserkennung. Kürzlich ist die Nachfrage nach Gesichtserkennungstechnologie gestiegen, insbesondere seitens Strafverfolgungsbehörden, die Potential zum Beispiel bei der Suche nach vermissten Kindern sehen. Diese Technologien könnten jedoch von Regierungen genutzt werden, um die Grundfreiheiten ihrer Bürger zu gefährden, etwa durch ermöglichen einer kontinuierlichen Überwachung bestimmter Personen. Daher müssen Datenwissenschaftler und Organisationen verantwortungsbewusst sein, wie ihr KI-System Einzelpersonen oder die Gesellschaft beeinflusst.
Die Personen, die KI-Systeme entwerfen und einsetzen, müssen für deren Funktionsweise verantwortlich sein. Die Notwendigkeit für Verantwortlichkeit ist besonders wichtig bei sensiblen Technologien wie Gesichtserkennung. In letzter Zeit steigt die Nachfrage nach Gesichtserkennungstechnologie, insbesondere von Strafverfolgungsbehörden, die das Potenzial der Technologie bei der Suche nach vermissten Kindern sehen. Diese Technologien könnten jedoch potenziell von Regierungen genutzt werden, um die Grundfreiheiten ihrer Bürger zu gefährden, beispielsweise durch die Ermöglichung der ständigen Überwachung bestimmter Personen. Daher müssen Datenwissenschaftler und Organisationen verantwortlich dafür sein, wie ihr KI-System Einzelpersonen oder die Gesellschaft beeinflusst.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsofts Ansatz für verantwortungsvolle KI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsofts Ansatz zu Responsible AI")
> 🎥 Klicken Sie auf das Bild oben für ein Video: Warnungen vor Massenüberwachung durch Gesichtserkennung
Letztendlich ist eine der größten Fragen für unsere Generation, als erste Generation, die KI in die Gesellschaft bringt, wie sichergestellt wird, dass Computer gegenüber Menschen verantwortlich bleiben und wie sichergestellt wird, dass die Menschen, die Computer entwerfen, gegenüber allen anderen verantwortlich bleiben.
Letztendlich ist eine der größten Fragen für unsere Generation, als erste Generation, die KI in die Gesellschaft bringt, wie sichergestellt werden kann, dass Computer gegenüber Menschen rechenschaftspflichtig bleiben und dass die Menschen, die Computer entwerfen, gegenüber allen anderen rechenschaftspflichtig bleiben.
## Wirkungseinschätzung
## Auswirkungen abschätzen
Vor dem Trainieren eines Machine Learning-Modells ist es wichtig, eine Wirkungseinschätzung vorzunehmen, um den Zweck des KI-Systems zu verstehen; wie es verwendet werden soll; wo es eingesetzt wird; und wer mit dem System interagieren wird. Diese Informationen sind hilfreich für Gutachter oder Tester, die das System bewerten, um zu wissen, welche Faktoren bei der Identifikation potenzieller Risiken und erwarteter Konsequenzen beachtet werden müssen.
Bevor ein Machine Learning-Modell trainiert wird, ist es wichtig, eine Bewertung der Auswirkungen durchzuführen, um den Zweck des KI-Systems zu verstehen; wie es verwendet werden soll; wo es eingesetzt wird; und wer mit dem System interagieren wird. Dies hilft Prüfern oder Testern bei der Evaluierung, welche Faktoren bei der Identifizierung potenzieller Risiken und erwarteter Konsequenzen zu berücksichtigen sind.
Die folgenden Bereiche stehen im Fokus bei der Durchführung einer Wirkungseinschätzung:
Folgende Schwerpunkte sind bei der Durchführung einer Auswirkungenbewertung zu beachten:
* **Negative Auswirkungen auf Individuen**. Das Bewusstsein für jegliche Einschränkungen oder Anforderungen, ununterstützte Nutzung oder bekannte Einschränkungen, die die Leistung des Systems behindern, ist entscheidend, um sicherzustellen, dass das System nicht auf eine Weise verwendet wird, die Menschen schadet.
* **Datenanforderungen**. Das Verständnis, wie und wo das System Daten verwendet, ermöglicht den Gutachtern, eventuelle Datenanforderungen wie z. B. DSGVO- oder HIPAA-Datenschutzregelungen zu prüfen. Außerdem wird bewertet, ob die Datenquelle oder -menge ausreichend zum Training ist.
* **Zusammenfassung der Auswirkungen**. Eine Liste potenzieller Schäden, die aus der Nutzung des Systems entstehen könnten, sammeln. Während des gesamten ML-Lebenszyklus überprüfen, ob die identifizierten Probleme gemindert oder adressiert werden.
* **Anwendbare Ziele** für jedes der sechs Kernprinzipien. Prüfen, ob die Ziele der Prinzipien erfüllt sind und ob Lücken bestehen.
* **Nachteilige Auswirkungen auf Einzelpersonen**. Bewusstsein für jegliche Einschränkungen oder Anforderungen, unzulässige Verwendung oder bekannte Einschränkungen, die die Leistung des Systems beeinträchtigen, ist entscheidend, um zu gewährleisten, dass das System nicht auf eine Weise genutzt wird, die Einzelpersonen schadet.
* **Datenanforderungen**. Das Verständnis, wie und wo das System Daten verwendet, ermöglicht es Prüfern, potenzielle Datenanforderungen (z. B. DSGVO- oder HIPAA-Vorschriften) zu berücksichtigen. Außerdem sollte geprüft werden, ob die Datenquelle oder -menge für das Training ausreichend ist.
* **Zusammenfassung der Auswirkungen**. Erstellen Sie eine Liste potenzieller Schäden, die durch die Nutzung des Systems entstehen könnten. Im Verlauf des ML-Lebenszyklus sollte geprüft werden, ob die identifizierten Probleme abgeschwächt oder behoben werden.
* **Anwendbare Ziele** für jedes der sechs Kernprinzipien. Bewerten Sie, ob die Ziele jedes Prinzips erfüllt sind und ob es Lücken gibt.
## Debugging mit verantwortungsvoller KI
## Debugging mit verantwortungsvoller KI
Ähnlich wie beim Debuggen einer Softwareanwendung ist das Debuggen eines KI-Systems ein notwendiger Prozess, um Probleme im System zu identifizieren und zu beheben. Es gibt viele Faktoren, die beeinflussen können, dass ein Modell nicht erwartungsgemäß oder verantwortungsvoll arbeitet. Die meisten traditionellen Leistungsmetriken eines Modells sind quantitative Aggregationen der Modellleistung, welche nicht ausreichen, um zu analysieren, wie ein Modell die Prinzipien verantwortungsvoller KI verletzt. Außerdem ist ein Machine Learning-Modell eine Blackbox, was es schwierig macht zu verstehen, was seine Ergebnisse beeinflusst oder eine Erklärung zu liefern, wenn ein Fehler auftritt. Später in diesem Kurs lernen wir, wie man das Responsible AI Dashboard verwendet, um KI-Systeme zu debuggen. Das Dashboard bietet ein ganzheitliches Werkzeug für Datenwissenschaftler und KI-Entwickler, um:
Ähnlich wie beim Debuggen einer Softwareanwendung ist das Debuggen eines KI-Systems ein notwendiger Prozess, um Probleme im System zu identifizieren und zu lösen. Es gibt viele Faktoren, die dazu führen können, dass ein Modell nicht wie erwartet oder verantwortungsvoll arbeitet. Die meisten herkömmlichen Modell-Performance-Metriken sind quantitative Gesamtwerte der Modellleistung, die nicht ausreichen, um zu analysieren, wie ein Modell die Grundsätze verantwortungsvoller KI verletzt. Darüber hinaus ist ein Machine Learning-Modell eine Blackbox, was es erschwert zu verstehen, was sein Ergebnis antreibt oder eine Erklärung zu liefern, wenn ein Fehler gemacht wird. Später in diesem Kurs lernen wir, wie man das Responsible AI Dashboard verwendet, um KI-Systeme zu debuggen. Das Dashboard bietet ein ganzheitliches Tool für Datenwissenschaftler und KI-Entwickler, um:
* **Fehleranalyse**. Um die Fehlerverteilung des Modells zu identifizieren, die Fairness oder Zuverlässigkeit des Systems beeinflussen kann.
* **Modellübersicht**. Um zu entdecken, wo es Leistungsunterschiede des Modells über Datenkohorten hinweg gibt.
* **Datenanalyse**. Um die Datenverteilung zu verstehen und mögliche Vorurteile in den Daten zu erkennen, die zu Problemen bei Fairness, Inklusivität und Zuverlässigkeit führen können.
* **Modellinterpretierbarkeit**. Um zu verstehen, was die Vorhersagen des Modells beeinflusst. Dies hilft, das Verhalten des Modells zu erklären, was wichtig für Transparenz und Verantwortlichkeit ist.
* **Fehleranalyse**. Um die Fehlerverteilung des Modells zu identifizieren, die die Fairness oder Zuverlässigkeit des Systems beeinflussen kann.
* **Modellübersicht**. Um zu erkennen, wo es Unterschiede in der Modellleistung über verschiedene Datengruppen gibt.
* **Datenanalyse**. Um die Datenverteilung zu verstehen und potenzielle Verzerrungen in den Daten zu identifizieren, die zu Problemen in Fairness, Inklusivität und Zuverlässigkeit führen können.
* **Modellinterpretierbarkeit**. Um zu verstehen, was die Vorhersagen des Modells beeinflusst. Dies hilft beim Erklären des Modellverhaltens, was für Transparenz und Verantwortlichkeit wichtig ist.
## 🚀 Herausforderung
Um zu verhindern, dass Schäden überhaupt entstehen, sollten wir:
Um Schäden von Anfang an zu vermeiden, sollten wir:
- eine Vielfalt an Hintergründen und Perspektiven unter den Menschen, die an Systemen arbeiten, haben
- in Datensätze investieren, die die Vielfalt unserer Gesellschaft widerspiegeln
- bessere Methoden über den gesamten Machine Learning-Lebenszyklus entwickeln, um verantwortungsvolle KI-Verstöße zu erkennen und zu korrigieren, wenn sie auftreten
- bessere Methoden im gesamten Machine Learning-Lebenszyklus entwickeln, um unverantwortliche KI zu erkennen und zu korrigieren, wenn sie auftritt
Denken Sie an reale Szenarien, in denen die Unzuverlässigkeit eines Modells beim Erstellen und Verwenden des Modells offensichtlich wird. Was sollten wir sonst noch in Betracht ziehen?
Denken Sie über reale Szenarien nach, bei denen die Unzuverlässigkeit eines Modells beim Aufbau und Gebrauch des Modells offensichtlich wird. Was sollten wir sonst noch berücksichtigen?
## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ml/)
## Rückblick & Selbststudium
In dieser Lektion haben Sie einige Grundlagen der Konzepte von Fairness und Unfairness im maschinellen Lernen kennengelernt.
In dieser Lektion haben Sie einige Grundlagen zu den Konzepten von Fairness und Unfairness im Machine Learning gelernt.
Sehen Sie sich diesen Workshop an, um tiefer in die Themen einzutauchen:
Sehen Sie sich diesen Workshop an, um tiefer in die Themen einzutauchen:
- Auf der Suche nach verantwortungsvoller KI: Prinzipien in die Praxis umsetzen von Besmira Nushi, Mehrnoosh Sameki und Amit Sharma
- Auf der Suche nach verantwortungsvoller KI: Prinzipien in der Praxis umsetzen von Besmira Nushi, Mehrnoosh Sameki und Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Ein Open-Source-Framework für den Aufbau verantwortungsvoller KI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Ein Open-Source-Framework für verantwortungsbewusste KI")
> 🎥 Klicken Sie auf das obige Bild für ein Video: RAI Toolbox: Ein Open-Source-Framework für den Aufbau verantwortungsvoller KI von Besmira Nushi, Mehrnoosh Sameki und Amit Sharma
> 🎥 Klicken Sie auf das Bild oben für ein Video: RAI Toolbox: Ein Open-Source-Framework für verantwortungsbewusste KI von Besmira Nushi, Mehrnoosh Sameki und Amit Sharma
Lesen Sie auch:
@ -149,9 +148,9 @@ Lesen Sie auch:
RAI Toolbox:
- [Responsible AI Toolbox GitHubRepository](https://github.com/microsoft/responsible-ai-toolbox)
- [Responsible AI Toolbox GitHub-Repository](https://github.com/microsoft/responsible-ai-toolbox)
Lesen Sie über die Tools von Azure Machine Learning zur Gewährleistung von Fairness:
Lesen Sie über die Tools von Azure Machine Learning, um Fairness sicherzustellen:
# Einstieg in Python und Scikit-learn für Regressionsmodelle
> Sketchnote von [Tomomi Imura](https://www.twitter.com/girlie_mac)
@ -10,63 +10,63 @@
## Einführung
In diesen vier Lektionen wirst du erfahren, wie man Regressionsmodelle erstellt. Wir werden gleich besprechen, wofür sie dienen. Aber bevor du irgendetwas machst, stelle sicher, dass du die richtigen Werkzeuge bereit hast, um den Prozess zu starten!
In diesen vier Lektionen werden Sie entdecken, wie man Regressionsmodelle erstellt. Wir werden gleich besprechen, wozu diese dienen. Aber bevor Sie irgendetwas tun, stellen Sie sicher, dass Sie die richtigen Werkzeuge haben, um zu starten!
In dieser Lektion lernst du,
In dieser Lektion lernen Sie:
- Deinen Computer für lokale Machine-Learning-Aufgaben zu konfigurieren.
- Mit Jupyter Notebooks zu arbeiten.
- Scikit-learn zu verwenden, einschließlich Installation.
- Lineare Regression anhand einer praktischen Übung zu erkunden.
- Wie Sie Ihren Computer für lokale Machine Learning Aufgaben konfigurieren.
- Wie Sie mit Jupyter Notebooks arbeiten.
- Wie Sie Scikit-learn verwenden, einschließlich Installation.
- Wie Sie lineare Regression mit einer praktischen Übung erkunden.
## Installationen und Konfigurationen
[](https://youtu.be/-DfeD2k2Kj0 "ML für Anfänger - Richte deine Werkzeuge ein, um Machine-Learning-Modelle zu erstellen")
[](https://youtu.be/-DfeD2k2Kj0 "ML für Anfänger - Richten Sie Ihre Tools für den Aufbau von Machine Learning Modellen ein")
> 🎥 Klicke auf das Bild oben für ein kurzes Video zur Konfiguration deines Computers für ML.
> 🎥 Klicken Sie auf das obige Bild für ein kurzes Video, das die Konfiguration Ihres Computers für ML erklärt.
1. **Installiere Python**. Sorge dafür, dass [Python](https://www.python.org/downloads/) auf deinem Computer installiert ist. Du wirst Python für viele Data-Science- und Machine-Learning-Aufgaben verwenden. Auf den meisten Computersystemen ist Python bereits installiert. Es gibt auch nützliche [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), die einigen Anwendern die Einrichtung erleichtern.
1. **Installieren Sie Python**. Stellen Sie sicher, dass [Python](https://www.python.org/downloads/) auf Ihrem Computer installiert ist. Sie werden Python für viele Data Science und Machine Learning Aufgaben nutzen. Die meisten Computersysteme haben bereits eine Python-Installation. Es gibt auch nützliche [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), die einigen Nutzern die Einrichtung erleichtern.
Einige Anwendungsbereiche von Python erfordern jedoch eine Version der Software, während andere eine andere Version benötigen. Deshalb ist es sinnvoll, innerhalb einer [virtuellen Umgebung](https://docs.python.org/3/library/venv.html) zu arbeiten.
Einige Anwendungen von Python erfordern jedoch unterschiedliche Softwareversionen. Daher ist es sinnvoll, innerhalb einer [virtuellen Umgebung](https://docs.python.org/3/library/venv.html) zu arbeiten.
2. **Installiere Visual Studio Code**. Stelle sicher, dass Visual Studio Code auf deinem Computer installiert ist. Folge diesen Anweisungen, um [Visual Studio Code zu installieren](https://code.visualstudio.com/) für die Basiseinrichtung. Du wirst Python in Visual Studio Code in diesem Kurs verwenden, daher solltest du dich damit vertraut machen, wie man [Visual Studio Code für die Python-Entwicklung konfiguriert](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott).
2. **Installieren Sie Visual Studio Code**. Stellen Sie sicher, dass Visual Studio Code auf Ihrem Computer installiert ist. Folgen Sie diesen Anweisungen, um [Visual Studio Code zu installieren](https://code.visualstudio.com/) für die grundlegende Installation. Sie werden in diesem Kurs Python in Visual Studio Code verwenden, daher könnte es hilfreich sein, sich anzuschauen, wie man [Visual Studio Code für die Python-Entwicklung konfiguriert](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott).
> Mach dich mit Python vertraut, indem du diese Sammlung von [Lernmodulen](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) durchgehst.
> Machen Sie sich mit Python vertraut, indem Sie diese Sammlung von [Lernmodulen](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) durcharbeiten.
>
> [](https://youtu.be/yyQM70vi7V8 "Setup Python mit Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Python mit Visual Studio Code einrichten")
>
> 🎥 Klicke auf das Bild oben für ein Video: Python innerhalb von VS Code verwenden.
> 🎥 Klicken Sie auf das obige Bild für ein Video: Python innerhalb von VS Code verwenden.
3. **Installiere Scikit-learn**, indem du [diesen Anleitungen](https://scikit-learn.org/stable/install.html) folgst. Da du sicherstellen musst, dass Python 3 verwendet wird, wird empfohlen, eine virtuelle Umgebung zu nutzen. Beachte, dass es für die Installation auf einem M1 Mac auf der verlinkten Seite spezielle Hinweise gibt.
3. **Installieren Sie Scikit-learn**, indem Sie [diesen Anweisungen](https://scikit-learn.org/stable/install.html) folgen. Da Sie sicherstellen müssen, dass Sie Python 3 verwenden, wird empfohlen, eine virtuelle Umgebung zu nutzen. Beachten Sie, dass es spezielle Anweisungen für die Installation auf einem M1 Mac gibt, auf die oben verlinkte Seite verweist.
1. **Installiere Jupyter Notebook**. Du musst das [Jupyter-Paket installieren](https://pypi.org/project/jupyter/).
1. **Installieren Sie Jupyter Notebook**. Sie müssen das [Jupyter-Paket installieren](https://pypi.org/project/jupyter/).
## Deine ML-Entwicklungsumgebung
## Ihre ML-Entwicklungsumgebung
Du wirst **Notebooks** verwenden, um deinen Python-Code zu entwickeln und Machine-Learning-Modelle zu erstellen. Diese Dateitypen sind ein gängiges Werkzeug für Data Scientists und sind an der Dateiendung `.ipynb` zu erkennen.
Sie werden **Notebooks** verwenden, um Ihren Python-Code zu entwickeln und Machine Learning Modelle zu erstellen. Diese Dateitypen sind ein übliches Werkzeug für Data Scientists und sind an ihrer Endung `.ipynb` zu erkennen.
Notebooks bieten eine interaktive Umgebung, die es ermöglicht, sowohl Code zu schreiben als auch Notizen und Dokumentationen um den Code herum hinzuzufügen, was für experimentelle oder forschungsorientierte Projekte sehr hilfreich ist.
Notebooks sind eine interaktive Umgebung, die es dem Entwickler erlauben, sowohl Code zu schreiben als auch Notizen und Dokumentationen rund um den Code hinzuzufügen, was besonders hilfreich für experimentelle oder forschungsorientierte Projekte ist.
[](https://youtu.be/7E-jC8FLA2E "ML für Anfänger - Richte Jupyter Notebooks ein, um Regressionsmodelle zu erstellen")
[](https://youtu.be/7E-jC8FLA2E "ML für Anfänger - Richten Sie Jupyter Notebooks ein, um mit Regressionsmodellen zu starten")
> 🎥 Klicke auf das Bild oben für ein kurzes Video zu dieser Übung.
> 🎥 Klicken Sie auf das obige Bild für ein kurzes Video, das Sie durch diese Übung führt.
### Übung - Arbeite mit einem Notebook
### Übung - Arbeiten mit einem Notebook
In diesem Ordner findest du die Datei _notebook.ipynb_.
In diesem Ordner finden Sie die Datei _notebook.ipynb_.
1. Öffne _notebook.ipynb_ in Visual Studio Code.
1. Öffnen Sie_notebook.ipynb_ in Visual Studio Code.
Ein Jupyter-Server mit Python 3+ wird gestartet. Du findest Abschnitte im Notebook, die `run`bar sind, also Codeblöcke. Du kannst einen Codeblock ausführen, indem du das Symbol auswählst, das wie ein Abspielknopf aussieht.
Ein Jupyter-Server startet mit Python 3+. In dem Notebook finden Sie Bereiche, die Sie `ausführen` können, Codeabschnitte. Um einen Codeblock auszuführen, wählen Sie das Symbol, das wie ein Play-Button aussieht.
1. Wähle das `md`-Symbol und füge etwas Markdown ein, mit folgendem Text **# Willkommen in deinem Notebook**.
1. Wählen Sie das `md`-Icon und fügen Sie etwas Markdown hinzu, und folgenden Text **# Willkommen in Ihrem Notebook**.
Füge danach etwas Python-Code hinzu.
Fügen Sie anschließend etwas Python-Code ein.
1. Tippe **print('hello notebook')** in den Codeblock.
1. Wähle den Pfeil aus, um den Code auszuführen.
1. Tippen Sie**print('hello notebook')** in den Codeblock.
1. Wählen Sie den Pfeil, um den Code auszuführen.
Du solltest die folgende Ausgabe sehen:
Sie sollten die gedruckte Anweisung sehen:
```output
hello notebook
@ -74,48 +74,48 @@ Du solltest die folgende Ausgabe sehen:
Du kannst deinen Code mit Kommentaren durchmischen, um das Notebook selbst zu dokumentieren.
Sie können Ihren Code mit Kommentaren durchziehen, um das Notebook selbst zu dokumentieren.
✅ Denke einen Moment darüber nach, wie unterschiedlich die Arbeitsumgebung eines Webentwicklers im Vergleich zu der eines Data Scientists ist.
✅ Denken Sie einen Moment darüber nach, wie unterschiedlich die Arbeitsumgebung eines Webentwicklers im Vergleich zu der eines Data Scientists ist.
## Aufsetzen von Scikit-learn
## Startklar mit Scikit-learn
Nun, da Python in deiner lokalen Umgebung eingerichtet ist und du dich mit Jupyter Notebooks wohl fühlst, lass uns jetzt auch Scikit-learn gut kennenlernen (ausgesprochen `sci` wie in `science`). Scikit-learn bietet eine [umfangreiche API](https://scikit-learn.org/stable/modules/classes.html#api-ref), die dir bei ML-Aufgaben hilft.
Jetzt, da Python in Ihrer lokalen Umgebung eingerichtet ist und Sie mit Jupyter Notebooks vertraut sind, lassen Sie uns die gleiche Sicherheit mit Scikit-learn gewinnen (ausgesprochen `sci` wie in `science`). Scikit-learn bietet eine [umfangreiche API](https://scikit-learn.org/stable/modules/classes.html#api-ref), um Ihnen bei ML-Aufgaben zu helfen.
Laut ihrer [Webseite](https://scikit-learn.org/stable/getting_started.html) ist „Scikit-learn eine Open-Source-Machine-Learning-Bibliothek, die überwachtes und unüberwachtes Lernen unterstützt. Außerdem bietet sie verschiedene Werkzeuge für Modellanpassung, Datenvorverarbeitung, Modellauswahl und -bewertung sowie viele andere Hilfsmittel.“
Laut ihrer [Webseite](https://scikit-learn.org/stable/getting_started.html) ist "Scikit-learn eine Open-Source-Machine-Learning-Bibliothek, die überwachte und unüberwachte Lernmethoden unterstützt. Sie bietet auch verschiedene Werkzeuge zur Modellanpassung, Datenvorverarbeitung, Modellauswahl und -bewertung sowie viele weitere Hilfsmittel."
In diesem Kurs wirst du Scikit-learn und andere Werkzeuge verwenden, um Machine-Learning-Modelle für das zu bauen, was wir „traditionelles Machine Learning“ nennen. Wir haben bewusst neuronale Netze und Deep Learning ausgelassen, da diese besser in unserem kommenden Curriculum „KI für Anfänger“ abgedeckt werden.
In diesem Kurs verwenden Sie Scikit-learn und andere Werkzeuge, um Machine Learning Modelle zu erstellen, die sogenannte „traditionelle Machine Learning“-Aufgaben durchführen. Wir vermeiden bewusst neuronale Netze und Deep Learning, da diese besser in unserem bald erscheinenden „KI für Anfänger“-Lehrplan behandelt werden.
Scikit-learn macht es einfach, Modelle zu erstellen und für die Nutzung zu bewerten. Es konzentriert sich primär auf numerische Daten und enthält mehrere vorgefertigte Datensätze, die als Lernwerkzeuge genutzt werden können. Außerdem sind vorgefertigte Modelle enthalten, die Studenten ausprobieren können. Lass uns zuerst den Prozess erkunden, vorgefertigte Daten zu laden und mit einem integrierten Schätzer das erste ML-Modell mit Scikit-learn anhand einiger einfacher Daten aufzubauen.
Scikit-learn macht es einfach, Modelle zu bauen und zu evaluieren. Es konzentriert sich hauptsächlich auf die Nutzung numerischer Daten und enthält mehrere fertige Datensätze als Lernwerkzeuge. Außerdem beinhaltet es vorgefertigte Modelle, die die Studierenden ausprobieren können. Lassen Sie uns den Prozess erkunden, vorverpackte Daten zu laden und einen eingebauten Schätzer zu verwenden, um mit einigen Basisdaten Ihr erstes ML-Modell in Scikit-learn zu erstellen.
## Übung - dein erstes Scikit-learn-Notebook
## Übung - Ihr erstes Scikit-learn Notebook
> Dieses Tutorial wurde vom [Beispiel für lineare Regression](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) auf der Webseite von Scikit-learn inspiriert.
> Dieses Tutorial wurde inspiriert von dem [Lineare Regression Beispiel](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) auf der Scikit-learn-Webseite.
[](https://youtu.be/2xkXL5EUpS0 "ML für Anfänger - Dein erstes lineares Regressionsprojekt in Python")
[](https://youtu.be/2xkXL5EUpS0 "ML für Anfänger - Ihr erstes lineares Regressionsprojekt in Python")
> 🎥 Klicke auf das Bild oben für ein kurzes Video zu dieser Übung.
> 🎥 Klicken Sie auf das obige Bild für ein kurzes Video, das Sie durch diese Übung führt.
Im zu dieser Lektion gehörenden _notebook.ipynb_-Datei lösche alle Zellen, indem du auf das „Mülleimer“-Symbol klickst.
Im _notebook.ipynb_-Datei, die zu dieser Lektion gehört, löschen Sie alle Zellen, indem Sie das 'Mülleimer'-Symbol drücken.
In diesem Abschnitt wirst du mit einem kleinen Datensatz über Diabetes arbeiten, der zu Lernzwecken in Scikit-learn eingebaut ist. Stell dir vor, du möchtest eine Behandlung für Diabetiker testen. Machine-Learning-Modelle könnten dir helfen zu bestimmen, welche Patienten besser auf die Behandlung reagieren würden, basierend auf Kombinationen von Variablen. Schon ein sehr einfaches Regressionsmodell kann, wenn es visualisiert wird, Informationen über Variablen zeigen, die bei der Organisation potenzieller klinischer Studien helfen.
In diesem Abschnitt arbeiten Sie mit einem kleinen Datensatz über Diabetes, der zu Lernzwecken in Scikit-learn eingebaut ist. Stellen Sie sich vor, Sie wollten eine Behandlung für Diabetiker testen. Machine Learning Modelle könnten Ihnen helfen zu bestimmen, welche Patienten besser auf die Behandlung reagieren würden, basierend auf Kombinationen von Variablen. Selbst ein sehr einfaches Regressionsmodell kann, wenn es visualisiert wird, Informationen über Variablen zeigen, die Ihnen helfen könnten, Ihre theoretischen klinischen Studien zu organisieren.
✅ Es gibt viele Arten von Regressionsmethoden, und welche du auswählst, hängt von der Frage ab, die du beantworten möchtest. Möchtest du die wahrscheinliche Körpergröße einer Person eines bestimmten Alters vorhersagen, würdest du lineare Regression verwenden, da du einen **numerischen Wert** suchst. Wenn du herausfinden möchtest, ob eine Art von Küche als vegan eingestuft werden sollte oder nicht, suchst du eine **Kategorie-Zuordnung** und würdest logistische Regression verwenden. Logistische Regression lernst du später kennen. Überlege dir ein paar Fragen, die du an Daten stellen kannst, und welche dieser Methoden dafür passender wäre.
✅ Es gibt viele Arten von Regressionsmethoden, und welche Sie wählen, hängt von der Antwort ab, die Sie suchen. Wenn Sie die wahrscheinliche Körpergröße einer Person eines gegebenen Alters vorhersagen wollen, verwenden Sie lineare Regression, da Sie einen **numerischen Wert** suchen. Wenn Sie herausfinden wollen, ob eine Art von Küche als vegan angesehen werden sollte oder nicht, suchen Sie eine **Kategoriezuteilung**, dann würden Sie logistische Regression verwenden. Später lernen Sie mehr über logistische Regression. Denken Sie ein bisschen über Fragen nach, die Sie an Daten stellen können, und welche dieser Methoden dafür besser geeignet wären.
Lass uns mit dieser Aufgabe beginnen.
Lassen Sie uns mit dieser Aufgabe beginnen.
### Bibliotheken importieren
Für diese Aufgabe importieren wir einige Bibliotheken:
- **matplotlib**. Es ist ein nützliches [Graphing-Tool](https://matplotlib.org/) und wird verwendet, um ein Liniendiagramm zu erstellen.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) ist eine nützliche Bibliothek zur Verarbeitung numerischer Daten in Python.
- **sklearn**. Das ist die [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)-Bibliothek.
- **matplotlib**. Es ist ein nützliches [Graphing-Tool](https://matplotlib.org/) und wir werden es verwenden, um ein Liniendiagramm zu erstellen.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) ist eine nützliche Bibliothek für die Verarbeitung numerischer Daten in Python.
- **sklearn**. Das ist die [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)Bibliothek.
Importiere einige Bibliotheken, die dir bei deinen Aufgaben helfen.
Importieren Sie einige Bibliotheken, die Ihnen bei Ihren Aufgaben helfen.
1. Füge die Importe ein, indem du den folgenden Code eingibst:
1. Fügen Sie Importe hinzu, indem Sie den folgenden Code eintippen:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Importiere einige Bibliotheken, die dir bei deinen Aufgaben helfen.
from sklearn import datasets, linear_model, model_selection
```
Oben importierst du `matplotlib`, `numpy` und du importierst `datasets`, `linear_model` und `model_selection` von `sklearn`. `model_selection` wird zum Aufteilen der Daten in Trainings- und Testsets verwendet.
Oben importieren Sie `matplotlib`, `numpy` und aus `sklearn` importieren Sie `datasets`, `linear_model` und `model_selection`. `model_selection` wird verwendet, um Daten in Trainings- und Testsets aufzuteilen.
### Der Diabetes-Datensatz
Der eingebaute [Diabetes-Datensatz](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) enthält 442 Datensätze rund um Diabetes mit 10 Merkmalvariablen, von denen einige sind:
Der eingebaute [Diabetes-Datensatz](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) enthält 442 Stichproben zu Diabetes, mit 10 Merkmalvariablen, darunter:
- age: Alter in Jahren
- Alter: Alter in Jahren
- bmi: Body-Mass-Index
- bp: durchschnittlicher Blutdruck
- s1 tc: T-Zellen (eine Art weiße Blutzellen)
- s1 tc: T-Zellen (eine Art von weißen Blutkörperchen)
✅ Dieser Datensatz enthält das Merkmal „sex“ (Geschlecht), das in der Diabetesforschung eine wichtige Rolle spielt. Viele medizinische Datensätze enthalten diese Art der binären Klassifikation. Überlege kurz, wie solche Kategorisierungen bestimmte Bevölkerungsgruppen von Behandlungen ausschließen könnten.
✅ Dieser Datensatz enthält das Konzept „Geschlecht“ als wichtige Merkmalsvariable für die Diabetesforschung. Viele medizinische Datensätze beinhalten diese Art binärer Klassifikation. Denken Sie darüber nach, wie solche Kategorisierungen bestimmte Teile der Bevölkerung möglicherweise von Behandlungen ausschließen.
Lade jetzt die X- und y-Daten.
Laden Sie nun die Daten X und y.
> 🎓 Denke daran, dass dies überwachtes Lernen ist und wir ein benanntes Ziel „y“ brauchen.
> 🎓 Denken Sie daran, dies ist überwachtes Lernen, und wir benötigen eine benannte Zielvariable „y“.
Lade den Diabetes-Datensatz in eine neue Codezelle, indem du `load_diabetes()` aufrufst. Der Parameter `return_X_y=True` gibt an, dass `X` eine Datenmatrix und `y` das Regressionsziel ist.
Laden Sie in einer neuen Code-Zelle den Diabetes-Datensatz durch den Aufruf von `load_diabetes()`. Der Parameter `return_X_y=True` signalisiert, dass `X` eine Datenmatrix ist und `y` das Regressionsziel.
1. Füge ein paar print-Befehle ein, um die Form der Datenmatrix und ihr erstes Element anzuzeigen:
1. Fügen Sie einige print-Befehle hinzu, um die Form der Datenmatrix und ihr erstes Element anzuzeigen:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Lade den Diabetes-Datensatz in eine neue Codezelle, indem du `load_diabetes()` a
print(X[0])
```
Was du zurückbekommst, ist ein Tupel. Du weist die beiden ersten Werte des Tupels `X` und `y` zu. Erfahre mehr über [Tupel](https://wikipedia.org/wiki/Tuple).
Was Sie als Antwort zurückbekommen, ist ein Tupel. Sie weisen die beiden ersten Werte des Tupels `X` und `y` zu. Lernen Sie mehr [über Tupel](https://wikipedia.org/wiki/Tuple).
Du kannst sehen, dass die Daten 442 Einträge enthalten, die in Arrays mit jeweils 10 Elementen geformt sind:
Sie sehen, dass diese Daten 442 Elemente enthalten, die in Arrays mit 10 Elementen geformt sind:
```text
(442, 10)
@ -160,39 +160,39 @@ Du kannst sehen, dass die Daten 442 Einträge enthalten, die in Arrays mit jewei
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Überlege dir, welche Beziehung zwischen den Daten und dem Regressionsziel besteht. Lineare Regression sagt Beziehungen zwischen Merkmalsvariablen X und Zielvariablen y voraus. Kannst du das [Ziel](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) für den Diabetes-Datensatz in der Dokumentation finden? Was zeigt dieser Datensatz mit dem Ziel?
✅ Denken Sie ein wenig über die Beziehung zwischen den Daten und dem Regressionsziel nach. Lineare Regression sagt Beziehungen zwischen dem Merkmal X und der Zielvariable y voraus. Können Sie das [Ziel](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) für den Diabetes-Datensatz in der Dokumentation finden? Was zeigt dieser Datensatz, basierend auf diesem Ziel?
2. Wähle als nächstes einen Teil dieses Datensatzes aus, indem du die 3. Spalte auswählst. Du kannst dies mit dem Operator `:` machen, um alle Zeilen zu nehmen und dann mit dem Index (2) die 3. Spalte auszuwählen. Du kannst die Daten auch in ein 2D-Array umformen – wie es für eine Darstellung erforderlich ist – mit `reshape(n_rows, n_columns)`. Ist einer der Parameter -1, wird die entsprechende Dimension automatisch berechnet.
2. Wählen Sie nun einen Teil dieses Datensatzes für das Plotten aus, indem Sie die 3. Spalte des Datensatzes auswählen. Sie können dies tun, indem Sie `:` verwenden, um alle Zeilen zu wählen, und dann die 3. Spalte mit dem Index (2) auswählen. Sie können die Daten auch in ein 2D-Array umformen – wie für das Plotten erforderlich – mit `reshape(n_rows, n_columns)`. Wenn einer der Parameter -1 ist, wird die entsprechende Dimension automatisch berechnet.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Drucke jederzeit die Daten aus, um ihre Form zu überprüfen.
✅ Geben Sie jederzeit die Daten aus, um deren Form zu überprüfen.
3. Nun, da du Daten zum Plotten hast, kannst du prüfen, ob eine Maschine helfen kann, eine sinnvolle Trennung zwischen den Werten in diesem Datensatz zu finden. Dazu musst du sowohl die Daten (X) als auch das Ziel (y) in Test- und Trainingssets aufteilen. Scikit-learn hat dafür eine einfache Methode; du kannst deine Testdaten an einem bestimmten Punkt aufteilen.
3. Jetzt, da Sie Daten zum Plotten bereit haben, sehen Sie, ob eine Maschine helfen kann, eine logische Aufteilung zwischen den Zahlen in diesem Datensatz zu bestimmen. Dafür müssen Sie die Daten (X) und das Ziel (y) in Test- und Trainingssets aufteilen. Scikit-learn bietet einen einfachen Weg dazu; Sie können Ihre Testdaten an einem gegebenen Punkt aufteilen.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Jetzt bist du bereit, dein Modell zu trainieren! Lade das lineare Regressionsmodell und trainiere es mit deinen X- und y-Trainingsdaten mit `model.fit()`:
4. Jetzt sind Sie bereit, Ihr Modell zu trainieren! Laden Sie das lineare Regressionsmodell und trainieren Sie es mit Ihren X- und y-Trainingssets mit `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` ist eine Funktion, die du in vielen ML-Bibliotheken wie TensorFlow sehen wirst.
✅ `model.fit()` ist eine Funktion, die Sie in vielen ML-Bibliotheken wie TensorFlow sehen werden.
5. Erstelle als nächstes eine Vorhersage mit den Testdaten, indem du die Funktion `predict()` verwendest. Diese wird genutzt, um die Linie zwischen den Datengruppen zu zeichnen.
5. Erstellen Sie dann eine Vorhersage mit Testdaten mittels der Funktion `predict()`. Diese wird verwendet, um die Linie zwischen den Datengruppen zu zeichnen.
```python
y_pred = model.predict(X_test)
```
6. Jetzt ist es Zeit, die Daten in einem Plot zu zeigen. Matplotlib ist dafür ein sehr nützliches Werkzeug. Erstelle ein Streudiagramm aller X- und y-Testdaten und verwende die Vorhersage, um eine Linie an der passendsten Stelle zwischen den Datenclustern des Modells zu zeichnen.
6. Nun ist es Zeit, die Daten in einem Diagramm anzuzeigen. Matplotlib ist hierfür ein sehr nützliches Werkzeug. Erstellen Sie ein Streudiagramm aller X- und y-Testdaten und verwenden Sie die Vorhersage, um eine Linie an der passendsten Stelle zwischen den Datencluster des Modells zu zeichnen.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ Du kannst sehen, dass die Daten 442 Einträge enthalten, die in Arrays mit jewei
plt.show()
```
✅ Denken Sie ein wenig darüber nach, was hier passiert. Eine gerade Linie läuft durch viele kleine Datenpunkte, aber was tut sie genau? Können Sie erkennen, wie Sie diese Linie verwenden können, um vorherzusagen, wo ein neuer, ungesehener Datenpunkt in Bezug auf die y-Achse des Plots passen sollte? Versuchen Sie, den praktischen Nutzen dieses Modells in Worte zu fassen.
✅ Denken Sie ein wenig darüber nach, was hier vor sich geht. Eine gerade Linie verläuft durch viele kleine Datenpunkte, aber was macht sie genau? Können Sie sehen, wie Sie diese Linie verwenden sollten, um zu prognostizieren, wo ein neuer, unbekannter Datenpunkt in Bezug auf die y-Achse des Diagramms passen sollte? Versuchen Sie, den praktischen Nutzen dieses Modells in Worte zu fassen.
Herzlichen Glückwunsch, Sie haben Ihr erstes lineares Regressionsmodell erstellt, eine Vorhersage damit gemacht und diese in einem Diagramm dargestellt!
Herzlichen Glückwunsch, Sie haben Ihr erstes lineares Regressionsmodell gebaut, eine Vorhersage erstellt und diese in einem Diagramm dargestellt!
---
## 🚀Herausforderung
## 🚀Herausforderung
Stellen Sie eine andere Variable aus diesem Datensatz dar. Hinweis: Bearbeiten Sie diese Zeile: `X = X[:,2]`. Angesichts des Ziels dieses Datensatzes, was können Sie über den Verlauf von Diabetes als Krankheit herausfinden?
Plotten Sie eine andere Variable aus diesem Datensatz. Tipp: Bearbeiten Sie diese Zeile: `X = X[:,2]`. Was können Sie über den Verlauf von Diabetes als Krankheit herausfinden, basierend auf dem Ziel dieses Datensatzes?
## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ml/)
## Wiederholung& Selbststudium
## Rückblick& Selbststudium
In diesem Tutorial haben Sie mit einfacher linearer Regression gearbeitet, statt mit univariater oder multipler linearer Regression. Lesen Sie etwas über die Unterschiede zwischen diesen Methoden oder schauen Sie sich [dieses Video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) an.
In diesem Tutorial haben Sie mit einfacher linearer Regression gearbeitet, nicht mit univariater oder multipler linearer Regression. Lesen Sie ein wenig über die Unterschiede zwischen diesen Methoden oder sehen Sie sich [dieses Video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) an.
Lesen Sie mehr über das Konzept der Regression und denken Sie darüber nach, welche Arten von Fragen mit dieser Technik beantwortet werden können. Machen Sie dieses [Tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), um Ihr Verständnis zu vertiefen.
Lesen Sie mehr über das Konzept der Regression und überlegen Sie, welche Arten von Fragen mit dieser Technik beantwortet werden können. Nehmen Sie an diesem [Tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) teil, um Ihr Verständnis zu vertiefen.
> Dieses Repository enthält über 50 Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Für das Klonen ohne Übersetzungen verwenden Sie Sparse Checkout:
> Dieses Repository enthält über 50 Sprachübersetzungen, was die Downloadgröße erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,147 +33,150 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Damit erhalten Sie alles, was Sie brauchen, um den Kurs zu absolvieren, mit einem viel schnelleren Download.
> Damit erhalten Sie alles, was Sie benötigen, um den Kurs abzuschließen, mit einem viel schnelleren Download.
Wir haben eine Discord-Lernreihe mit KI am Laufen, erfahren Sie mehr und machen Sie mit bei [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Verwendung von GitHub Copilot für Data Science.
Wir haben eine Discord-Lernserie mit KI, erfahren Sie mehr und machen Sie mit bei der [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
# Maschinelles Lernen für Anfänger – Ein Lehrplan
> 🌍 Reisen Sie um die Welt, während wir Maschinelles Lernen durch Weltkulturen erkunden 🌍
> 🌍 Reisen Sie um die Welt, während wir maschinelles Lernen anhand von Weltkulturen erforschen 🌍
Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um **Maschinelles Lernen** anzubieten. In diesem Lehrplan lernen Sie, was manchmal als **klassisches maschinelles Lernen** bezeichnet wird, wobei hauptsächlich Scikit-learn als Bibliothek verwendet wird und tiefes Lernen vermieden wird, das in unserem [AI for Beginners-Lehrplan](https://aka.ms/ai4beginners) behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem ['Data Science for Beginners'-Lehrplan](https://aka.ms/ds4beginners).
Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um **Maschinelles Lernen** anzubieten. In diesem Lehrplan lernen Sie das, was manchmal als **klassisches maschinelles Lernen** bezeichnet wird, wobei hauptsächlich Scikit-learn als Bibliothek verwendet wird, während Deep Learning in unserem [AI for Beginners'-Lehrplan](https://aka.ms/ai4beginners) behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem ['Data Science for Beginners'-Lehrplan](https://aka.ms/ds4beginners)!
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus verschiedenen Regionen der Welt anwenden. Jede Lektion enthält Vor- und Nach-Lektion Quizze, schriftliche Anleitungen zum Abschließen der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, durch praktische Anwendung zu lernen – eine bewährte Methode, um neue Fähigkeiten nachhaltig zu verankern.
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen anwenden. Jede Lektion enthält Vor- und Nachtests, schriftliche Anweisungen zur Durchführung, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht es Ihnen, beim Bauen zu lernen, eine bewährte Methode, um neue Fähigkeiten nachhaltig zu erwerben.
**✍️ Herzlicher Dank an unsere Autoren** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd
**✍️ Herzlichen Dank an unsere Autoren** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd
**🎨 Ebenso Dank an unsere Illustratoren** Tomomi Imura, Dasani Madipalli und Jen Looper
**🎨 Ebenfalls Dank an unsere Illustratoren** Tomomi Imura, Dasani Madipalli und Jen Looper
**🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Gutachter und Inhaltsbeiträger**, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal
**🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Reviewer und Inhaltsbeiträger**, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal
**🤩 Extra Dank an die Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!**
**🤩 Extra Dank an Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!**
# Erste Schritte
Befolgen Sie diese Schritte:
1. **Forken Sie das Repository**: Klicken Sie auf die Schaltfläche „Fork“ oben rechts auf dieser Seite.
Folgen Sie diesen Schritten:
1. **Forken Sie das Repository**: Klicken Sie auf den "Fork"-Button oben rechts auf dieser Seite.
2. **Klonen Sie das Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Schnellstart-Tipp:** Möchten Sie direkt im Browser starten, ohne Python lokal einzurichten? Nutzen Sie [GitHub Codespaces](https://github.com/features/codespaces), um eine Cloud-Entwicklungsumgebung für Ihren Fork zu erstellen. Öffnen Sie das grüne **Code**-Menü, wählen Sie **Codespaces** und erstellen Sie einen Codespace; installieren Sie bei Bedarf die erforderlichen Abhängigkeiten jeder Lektion darin.
> 🔧 **Brauchen Sie Hilfe?** Schauen Sie in unseren [Fehlerbehebungsleitfaden](TROUBLESHOOTING.md) für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen.
> [Alle zusätzlichen Ressourcen für diesen Kurs finden Sie in unserer Microsoft Learn-Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Brauchen Sie Hilfe?** Schauen Sie in unserem [Fehlerbehebungsleitfaden](TROUBLESHOOTING.md) nach Lösungen für häufige Probleme bei Installation, Einrichtung und Durchführung der Lektionen.
**[Schüler](https://aka.ms/student-page)**, um diesen Lehrplan zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen eigenständig oder in einer Gruppe:
- Beginnen Sie mit einem Quiz vor der Vorlesung.
- Lesen Sie die Vorlesung und bearbeiten Sie die Aktivitäten, pausieren Sie und reflektieren Sie bei jedem Wissenscheck.
- Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt nur den Lösungscode auszuführen; der Code ist jedoch in den `/solution`-Ordnern jeder projektorientierten Lektion verfügbar.
- Machen Sie das Quiz nach der Vorlesung.
- Lösen Sie die Herausforderung.
- Bearbeiten Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) und „lernen Sie laut“, indem Sie das passende PAT-Rubrikformular ausfüllen. Ein 'PAT' ist ein Fortschrittsbewertungstool, bei dem Sie eine Rubrik ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, um gemeinsam zu lernen.
**[Schüler](https://aka.ms/student-page)**, um diesen Lehrplan zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen alleine oder in der Gruppe:
> Für weiterführendes Studium empfehlen wir das Durcharbeiten dieser [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade.
- Beginnen Sie mit einem Vorlesungstest.
- Lesen Sie die Vorlesung und erledigen Sie die Aktivitäten, pausieren und reflektieren Sie bei jeder Wissensüberprüfung.
- Versuchen Sie, die Projekte durch Verständnis der Lektionen zu erstellen, anstatt den Lösungscode nur auszuführen; der Code ist jedoch in den `/solution`-Ordnern jeder projektorientierten Lektion verfügbar.
- Machen Sie den Nachvorlesungstest.
- Schließen Sie die Herausforderung ab.
- Erledigen Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) und "lernen laut", indem Sie die entsprechende PAT-Rubrik ausfüllen. Ein 'PAT' ist ein Fortschrittsbewertungswerkzeug, eine Rubrik, die Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, damit wir gemeinsam lernen.
**Lehrkräfte**, wir haben einige [Vorschläge](for-teachers.md) zur Nutzung dieses Lehrplans zusammengestellt.
> Für weiterführendes Studium empfehlen wir diese [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade.
**Lehrkräfte**, wir haben [einige Vorschläge](for-teachers.md) zur Nutzung dieses Lehrplans mit aufgenommen.
---
## Videoanleitungen
Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden alle diese direkt in den Lektionen oder in der [ML for Beginners Playlist auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos) über Klick auf das Bild unten.
Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden diese direkt in den Lektionen oder in der [ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos), indem Sie auf das Bild unten klicken.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klicken Sie auf das Bild oben für ein Video über das Projekt und die Personen, die es erstellt haben!
> 🎥 Klicken Sie auf das Bild oben für ein Video über das Projekt und die Menschen, die es geschaffen haben!
---
## Pädagogik
Wir haben beim Aufbau dieses Lehrplans zwei pädagogische Grundsätze gewählt: sicherzustellen, dass er praktisch **projektbasiert** ist und dass er **häufige Quizze** enthält. Zudem hat dieser Lehrplan ein gemeinsames **Thema**, das ihm Kohärenz verleiht.
Wir haben zwei pädagogische Grundsätze bei der Erstellung dieses Lehrplans gewählt: sicherzustellen, dass er hands-on **projektbasiert** ist und **häufige Quiz** beinhaltet. Zudem hat dieser Lehrplan ein gemeinsames **Thema**, um ihn kohärent zu gestalten.
Indem die Inhalte auf Projekte abgestimmt sind, wird der Prozess für die Lernenden ansprechender und das Behalten von Konzepten wird verbessert. Zudem setzt ein Quiz vor der Unterrichtseinheit die Lernabsicht, während ein zweites Quiz danach das Behalten weiter fördert. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und ganz oder teilweise absolviert werden kann. Die Projekte starten klein und werden bis zum Ende des 12-Wochen-Zyklus immer komplexer. Der Lehrplan enthält auch einen Nachtrag zu realen Anwendungen von ML, der als Zusatzleistung oder Diskussionsgrundlage genutzt werden kann.
Indem der Inhalt auf Projekte abgestimmt ist, wird der Prozess für Schüler ansprechender und das Behalten von Konzepten wird verbessert. Ein niedrig-stufiges Quiz vor einer Stunde setzt die Absicht des Lernenden, ein Thema zu lernen, während ein zweites Quiz nach der Stunde eine weitere Festigung sicherstellt. Dieser Lehrplan wurde flexibel und unterhaltsam gestaltet und kann ganz oder teilweise absolviert werden. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Der Lehrplan enthält zudem ein Nachwort zu realen Anwendungen von ML, das als Bonus oder Diskussionsgrundlage genutzt werden kann.
> Finden Sie unsere Richtlinien zu [Verhaltenskodex](CODE_OF_CONDUCT.md), [Mitwirkung](CONTRIBUTING.md), [Übersetzungen](..) und [Fehlerbehebung](TROUBLESHOOTING.md). Wir freuen uns auf Ihr konstruktives Feedback!
> Finden Sie unsere [Verhaltensregeln](CODE_OF_CONDUCT.md), [Beitragsrichtlinien](CONTRIBUTING.md), [Übersetzungen](..) und [Fehlerbehebung](TROUBLESHOOTING.md). Wir freuen uns über Ihr konstruktives Feedback!
> **Eine Anmerkung zu den Sprachen**: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie zum Ordner `/solution` und suchen Sie dort nach R-Lektionen. Diese enthalten eine .rmd-Erweiterung, die eine **R Markdown**-Datei darstellt, welche einfach als Einbettung von `Codeabschnitten` (von R oder anderen Sprachen) und einem `YAML-Header` (der steuert, wie Ausgaben wie PDF formatiert werden) in einem `Markdown-Dokument` definiert werden kann. Als solche dient sie als beispielhaftes Autorensystem für Data Science, da sie es ermöglicht, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie diese in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabedateiformate wie PDF, HTML oder Word gerendert werden.
> **Eine Anmerkung zu Quizzen**: Alle Quizze sind im Ordner [Quiz App folder](../../quiz-app) enthalten, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind innerhalb der Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie der Anleitung im Ordner `quiz-app`, um sie lokal zu hosten oder auf Azure zu deployen.
| Lektion Nummer | Thema | Lektion Gruppierung | Lernziele | Verknüpfte Lektion | Autor |
| 01 | Einführung in maschinelles Lernen | [Introduction](1-Introduction/README.md) | Lernen Sie die grundlegenden Konzepte hinter dem maschinellen Lernen | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | [Introduction](1-Introduction/README.md) | Lernen Sie die Geschichte dieses Fachgebiets | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | [Introduction](1-Introduction/README.md) | Welche wichtigen philosophischen Fragen zur Fairness sollten Lernende bei der Erstellung und Anwendung von ML-Modellen beachten? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniken für maschinelles Lernen | [Introduction](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher zum Aufbau von ML-Modellen? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
| 05 | Einführung in Regression | [Regression](2-Regression/README.md) | Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbispreise 🎃 | [Regression](2-Regression/README.md) | Daten visualisieren und bereinigen zur Vorbereitung für ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanische Kürbispreise 🎃 | [Regression](2-Regression/README.md) | Erstellen Sie lineare und polynomiale Regressionsmodelle | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau |
| 08 | Nordamerikanische Kürbispreise 🎃 | [Regression](2-Regression/README.md) | Erstellen Sie ein logistisches Regressionsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Eine Web-App 🔌 | [Web App](3-Web-App/README.md) | Erstellen Sie eine Webanwendung, um Ihr trainiertes Modell zu verwenden | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Einführung in Klassifikation | [Classification](4-Classification/README.md) | Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in die Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen und Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Einführung in Klassifikatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen und Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Weitere Klassifikatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen und Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Erstellen Sie eine Empfehlungs-Webanwendung unter Verwendung Ihres Modells | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Einführung in Clustering | [Clustering](5-Clustering/README.md) | Bereinigen, vorbereiten und visualisieren Sie Ihre Daten; Einführung in Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Erkunden der nigerianischen Musikkultur 🎧 | [Clustering](5-Clustering/README.md) | Erkunden Sie die K-Means-Clustering-Methode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Einführung in natürliche Sprachverarbeitung ☕️ | [Natural language processing](6-NLP/README.md) | Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | [Natural language processing](6-NLP/README.md) | Vertiefen Sie Ihr NLP-Wissen, indem Sie häufige Aufgaben verstehen, die bei der Arbeit mit Sprachstrukturen erforderlich sind | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Übersetzung und Sentiment-Analyse ♥️ | [Natural language processing](6-NLP/README.md) | Übersetzung und Sentiment-Analyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Einführung in Zeitreihen-Vorhersagen | [Time series](7-TimeSeries/README.md) | Einführung in Zeitreihen-Vorhersagen | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihenvorhersage mit SVR | [Time series](7-TimeSeries/README.md) | Zeitreihenvorhersage mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Einführung in Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Einführung in Reinforcement Learning mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hilf Peter, den Wolf zu vermeiden! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement Learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Nachwort | Echte ML-Szenarien und Anwendungen | [ML in the Wild](9-Real-World/README.md) | Interessante und aufschlussreiche Anwendungen klassischer ML in der Praxis | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Nachwort | Modell-Debugging in ML mit RAI-Dashboard | [ML in the Wild](9-Real-World/README.md) | Modell-Debugging in Machine Learning mit Komponenten des Responsible AI-Dashboards | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [finden Sie alle zusätzlichen Ressourcen zu diesem Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ml/)
> **Ein Hinweis zu den Sprachen**: Diese Lektionen sind hauptsächlich in Python verfasst, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den `/solution`-Ordner und suchen Sie nach R-Lektionen. Diese haben die Endung .rmd, was eine **R Markdown**-Datei darstellt, die einfach definiert eine Einbettung von `Code-Chunks` (von R oder anderen Sprachen) und einen `YAML-Header` (der Anweisungen zur Formatierung von Ausgaben wie PDF gibt) in einem `Markdown-Dokument` ist. Somit dient es als vorbildliches Authoring-Framework für Data Science, da es Ihnen erlaubt, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie sie in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.
> **Ein Hinweis zu den Quizzen**: Alle Quizze sind im [Quiz App Ordner](../../quiz-app) enthalten, insgesamt 52 Quizze mit je drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann auch lokal ausgeführt werden; folgen Sie den Anweisungen im `quiz-app`-Ordner, um lokal zu hosten oder auf Azure bereitzustellen.
| Lektion Nummer | Thema | Lektion Gruppierung | Lernziele | Verlinkte Lektion | Autor |
| 01 | Einführung in das maschinelle Lernen | [Introduction](1-Introduction/README.md) | Erlernen Sie die grundlegenden Konzepte des maschinellen Lernens | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | [Introduction](1-Introduction/README.md) | Lernen Sie die Geschichte hinter diesem Gebiet | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | [Introduction](1-Introduction/README.md) | Was sind die wichtigen philosophischen Fragen zur Fairness, die Lernende beim Erstellen und Anwenden von ML-Modellen berücksichtigen sollten? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniken für das maschinelle Lernen | [Introduction](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
| 05 | Einführung in die Regression | [Regression](2-Regression/README.md) | Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Visualisieren und bereinigen Sie Daten zur Vorbereitung auf ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Erstellen Sie lineare und polynomiale Regressionsmodelle | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau |
| 08 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Erstellen Sie ein logistisches Regressionsmodell | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Eine Web-App 🔌 | [Web App](3-Web-App/README.md) | Erstellen Sie eine Web-App, um Ihr trainiertes Modell zu verwenden | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Einführung in die Klassifikation | [Classification](4-Classification/README.md) | Bereinigen, bereiten vor und visualisieren Sie Ihre Daten; Einführung in die Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen und Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Einführung in Klassifikatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen und Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Weitere Klassifikatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen und Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Erstellen Sie eine Empfehlungs-Web-App mit Ihrem Modell | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Einführung in das Clustering | [Clustering](5-Clustering/README.md) | Bereinigen, bereiten vor und visualisieren Sie Ihre Daten; Einführung in das Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Erkundung der nigerianischen Musikgeschmäcker 🎧 | [Clustering](5-Clustering/README.md) | Erkunden Sie die K-Means Clustering-Methode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | [Natural language processing](6-NLP/README.md) | Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | [Natural language processing](6-NLP/README.md) | Vertiefen Sie Ihr NLP-Wissen, indem Sie gängige Aufgaben verstehen, die beim Umgang mit Sprachstrukturen erforderlich sind | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Übersetzung und Stimmungsanalyse ♥️ | [Natural language processing](6-NLP/README.md) | Übersetzung und Stimmungsanalyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Stimmungsanalyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Stimmungsanalyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Einführung in die Zeitreihenprognose | [Time series](7-TimeSeries/README.md) | Einführung in die Zeitreihenprognose | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Prognose mit SVR | [Time series](7-TimeSeries/README.md) | Zeitreihen-Prognose mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Einführung in das Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Einführung in das Reinforcement Learning mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hilf Peter, dem Wolf zu entkommen! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement Learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Nachwort | Reale ML-Szenarien und Anwendungen | [ML in the Wild](9-Real-World/README.md) | Interessante und aufschlussreiche reale Anwendungen klassischer ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Nachwort | Modell-Debugging im ML mit dem RAI-Dashboard | [ML in the Wild](9-Real-World/README.md) | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-Zugriff
Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner und geben Sie dann im Stammverzeichnis dieses Repositories `docsify serve` ein. Die Website wird auf Port 3000 auf Ihrem lokalen Rechner unter `localhost:3000` bereitgestellt.
Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner und geben Sie dann im Hauptordner dieses Repos `docsify serve` ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host ausgespielt: `localhost:3000`.
## PDFs
Finden Sie eine pdf des Curriculums mit Links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Finden Sie hier ein PDF des Lehrplans mit Links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Andere Kurse
Unser Team bietet weitere Kurse an! Schauen Sie sich an:
Unser Team produziert weitere Kurse! Schauen Sie rein:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -182,15 +185,15 @@ Unser Team bietet weitere Kurse an! Schauen Sie sich an:
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
### Azure / Edge / MCP / Agenten
[](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/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)
---
### Generative KI-Serie
### Generative KI-Reihe
[](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)
@ -198,7 +201,7 @@ Unser Team bietet weitere Kurse an! Schauen Sie sich an:
---
### Grundlegendes Lernen
### Kernlernen
[](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)
@ -209,41 +212,41 @@ Unser Team bietet weitere Kurse an! Schauen Sie sich an:
---
### Copilot-Serie
### Copilot-Reihe
[](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)
Wenn Sie beim Lernen von Machine Learning oder beim Erstellen von KI-Anwendungen nicht weiterkommen oder Fragen haben, keine Sorge – Hilfe ist verfügbar.
Wenn Sie beim Lernen von maschinellem Lernen oder beim Erstellen von KI-Anwendungen stecken bleiben oder Fragen haben, keine Sorge — Hilfe ist verfügbar.
Sie können an Diskussionen mit anderen Lernenden und Entwicklern teilnehmen, Fragen stellen und Ihre Ideen mit der Community teilen.
- Treten Sie der Community bei, um Fragen zu stellen und gemeinsam zu lernen
- Diskutieren Sie Machine Learning-Konzepte und Projektideen
- Erhalten Sie Anleitung von erfahrenen Entwicklern
- Treten Sie der Community bei, um Fragen zu stellen und mit anderen zu lernen
- Diskutieren Sie Konzepte und Projektideen des maschinellen Lernens
- Erhalten Sie Rat von erfahrenen Entwicklern
Eine unterstützende Gemeinschaft ist eine großartige Möglichkeit, Ihre Fähigkeiten zu erweitern und Probleme schneller zu lösen.
Eine unterstützende Community ist ein großartiger Weg, Ihre Fähigkeiten zu verbessern und Probleme schneller zu lösen.
- Überprüfen Sie nach jeder Lektion die Notebooks für ein besseres Verständnis.
- Üben Sie, Algorithmen selbständig zu implementieren.
- Erkunden Sie reale Datensätze mit den gelernten Konzepten.
- Überprüfen Sie die Notizbücher nach jeder Lektion für ein besseres Verständnis.
- Üben Sie, Algorithmen eigenständig zu implementieren.
- Erkunden Sie reale Datensätze mithilfe der erlernten Konzepte.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Haftungsausschluss**:
Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir um Genauigkeit bemüht sind, bitte beachten Sie, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das ursprüngliche Dokument in seiner Originalsprache ist als maßgebliche Quelle zu betrachten. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Verwendung dieser Übersetzung ergeben.
**Haftungsausschluss**:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Bei kritischen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.
Möchten Sie dieses Curriculum in Ihrem Unterricht verwenden? Fühlen Sie sich frei, es zu nutzen!
Möchten Sie diesen Lehrplan in Ihrem Unterricht verwenden? Bitte gern!
Tatsächlich können Sie es direkt auf GitHub verwenden, indem Sie GitHub Classroom nutzen.
Tatsächlich können Sie ihn direkt in GitHub mit GitHub Classroom verwenden.
Dazu müssen Sie dieses Repository forken. Sie müssen für jede Lektion ein eigenes Repository erstellen, indem Sie jeden Ordner in ein separates Repository extrahieren. Auf diese Weise kann [GitHub Classroom](https://classroom.github.com/classrooms) jede Lektion einzeln erfassen.
Dafür forken Sie dieses Repository. Sie müssen für jede Lektion ein eigenes Repository erstellen und dazu jeden Ordner in ein separates Repo extrahieren. So kann [GitHub Classroom](https://classroom.github.com/classrooms) jede Lektion einzeln erfassen.
Diese [vollständigen Anweisungen](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) geben Ihnen eine Vorstellung davon, wie Sie Ihr Klassenzimmer einrichten können.
Diese [vollständigen Anweisungen](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) geben Ihnen eine Vorstellung davon, wie Sie Ihr Klassenzimmer einrichten.
## Nutzung des Repositories im aktuellen Zustand
## Verwendung des Repos so wie es ist
Wenn Sie dieses Repository so verwenden möchten, wie es derzeit ist, ohne GitHub Classroom zu nutzen, ist das ebenfalls möglich. Sie müssten Ihren Schülern mitteilen, welche Lektion sie gemeinsam durcharbeiten sollen.
Wenn Sie dieses Repo so verwenden möchten, wie es derzeit ist, ohne GitHub Classroom zu nutzen, ist das ebenfalls möglich. Sie müssten Ihren Schülern mitteilen, welche Lektion sie gemeinsam durchgehen sollen.
In einem Online-Format (Zoom, Teams oder andere) könnten Sie Breakout-Räume für die Quizfragen einrichten und die Schüler unterstützen, damit sie bereit sind zu lernen. Anschließend können Sie die Schüler einladen, die Quizfragen zu bearbeiten und ihre Antworten zu einem bestimmten Zeitpunkt als "Issues" einzureichen. Dasselbe könnten Sie mit Aufgaben machen, wenn Sie möchten, dass die Schüler offen und kollaborativ arbeiten.
In einem Online-Format (Zoom, Teams oder andere) könnten Sie Breakout-Räume für die Quiz bilden und die Schüler als Mentoren anleiten, damit sie bereit zum Lernen sind. Dann laden Sie die Schüler ein, die Quiz zu bearbeiten und ihre Antworten zu einem bestimmten Zeitpunkt als „Issues“ einzureichen. Dasselbe können Sie mit Aufgaben machen, wenn die Schüler kollaborativ und offen arbeiten sollen.
Wenn Sie ein privateres Format bevorzugen, bitten Sie Ihre Schüler, das Curriculum Lektion für Lektion in ihre eigenen privaten GitHub-Repositories zu forken und Ihnen Zugriff zu gewähren. Dann können sie Quizfragen und Aufgaben privat bearbeiten und diese über Issues in Ihrem Klassen-Repository einreichen.
Wenn Sie ein privateres Format bevorzugen, sollen Ihre Schüler den Lehrplan Lektion für Lektion forkern und als private Repos auf ihrem eigenen GitHub anlegen und Ihnen Zugriff gewähren. Dann können sie die Quiz und Aufgaben privat abschließen und Ihnen über Issues in Ihrem Klassenzimmer-Repo schicken.
Es gibt viele Möglichkeiten, dies in einem Online-Klassenzimmer-Format umzusetzen. Lassen Sie uns wissen, was für Sie am besten funktioniert!
Es gibt viele Möglichkeiten, dies im Online-Klassenraum umzusetzen. Bitte lassen Sie uns wissen, was für Sie am besten funktioniert!
## Bitte teilen Sie uns Ihre Meinung mit!
## Bitte teilen Sie uns Ihre Gedanken mit!
Wir möchten dieses Curriculum für Sie und Ihre Schüler optimal gestalten. Bitte geben Sie uns [Feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Wir möchten diesen Lehrplan für Sie und Ihre Schüler optimieren. Bitte geben Sie uns [Feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Haftungsausschluss**:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Haftungsausschluss**:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Bei kritischen Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.
> Скетчноут от [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "ML для начинающих - История машинного обучения")
> 🎥 Нажмите на изображение выше, чтобы посмотреть короткое видео, связанное с этим уроком.
> 🎥 Нажмите на изображение выше для короткого видео с разбором этого урока.
В этом уроке мы рассмотрим ключевые этапы в истории машинного обучения и искусственного интеллекта.
В этом уроке мы пройдемся по основным этапам истории машинного обучения и искусственного интеллекта.
История искусственного интеллекта (ИИ) как области тесно связана с историей машинного обучения, поскольку алгоритмы и вычислительные достижения, лежащие в основе ML, способствовали развитию ИИ. Важно помнить, что, хотя эти области начали формироваться как отдельные направления исследований в 1950-х годах, важные [алгоритмические, статистические, математические, вычислительные и технические открытия](https://wikipedia.org/wiki/Timeline_of_machine_learning) предшествовали этому периоду и пересекались с ним. На самом деле, люди размышляли над этими вопросами [сотни лет](https://wikipedia.org/wiki/History_of_artificial_intelligence): эта статья обсуждает исторические интеллектуальные основы идеи «мыслящей машины».
История искусственного интеллекта (ИИ) как области тесно переплетена с историей машинного обучения, так как алгоритмы и вычислительные достижения, лежащие в основе МЛ, способствовали развитию ИИ. Полезно помнить, что хотя эти области как отдельные направления исследования начали формироваться в 1950-х годах, важные [алгоритмические, статистические, математические, вычислительные и технические открытия](https://wikipedia.org/wiki/Timeline_of_machine_learning) предшествовали и пересекались с этой эпохой. На самом деле, люди задумывались над этими вопросами [сотни лет](https://wikipedia.org/wiki/History_of_artificial_intelligence): эта статья обсуждает исторические интеллектуальные основы идеи 'мыслящей машины.'
---
## Значимые открытия
- 1763, 1812 [Теорема Байеса](https://wikipedia.org/wiki/Bayes%27_theorem) и её предшественники. Эта теорема и её приложения лежат в основе вывода, описывая вероятность события на основе предварительных знаний.
- 1805 [Метод наименьших квадратов](https://wikipedia.org/wiki/Least_squares), предложенный французским математиком Адриеном-Мари Лежандром. Этот метод, о котором вы узнаете в нашем разделе о регрессии, помогает в подгонке данных.
- 1913 [Цепи Маркова](https://wikipedia.org/wiki/Markov_chain), названные в честь русского математика Андрея Маркова, используются для описания последовательности возможных событий на основе предыдущего состояния.
- 1957 [Перцептрон](https://wikipedia.org/wiki/Perceptron) — это тип линейного классификатора, изобретённый американским психологом Фрэнком Розенблаттом, который стал основой для достижений в области глубокого обучения.
- 1763, 1812 [Теорема Байеса](https://wikipedia.org/wiki/Bayes%27_theorem) и ее предшественники. Эта теорема и ее применения лежат в основе вывода, описывая вероятность события на основе предварительных знаний.
- 1805 [Теория наименьших квадратов](https://wikipedia.org/wiki/Least_squares), разработанная французским математиком Адриеном-Мари Лежандром. Эта теория, о которой вы узнаете в разделе регрессии, помогает подгонять данные.
- 1913 [Цепи Маркова](https://wikipedia.org/wiki/Markov_chain), названные в честь российского математика Андрея Маркова, используются для описания последовательности возможных событий на основе предыдущего состояния.
- 1957 [Персептрон](https://wikipedia.org/wiki/Perceptron) — тип линейного классификатора, изобретённый американским психологом Фрэнком Розенблаттом, лежащий в основе достижений глубокого обучения.
---
- 1967 [Метод ближайших соседей](https://wikipedia.org/wiki/Nearest_neighbor) — алгоритм, изначально разработанный для построения маршрутов. В контексте ML он используется для выявления закономерностей.
- 1970 [Обратное распространение ошибки](https://wikipedia.org/wiki/Backpropagation) используется для обучения [прямых нейронных сетей](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Рекуррентные нейронные сети](https://wikipedia.org/wiki/Recurrent_neural_network) — это искусственные нейронные сети, созданные на основе прямых нейронных сетей, которые формируют временные графы.
- 1967 [Ближайший сосед](https://wikipedia.org/wiki/Nearest_neighbor) — алгоритм, изначально разработанный для картографирования маршрутов. В контексте МЛ он используется для обнаружения шаблонов.
- 1970 [Обратное распространение](https://wikipedia.org/wiki/Backpropagation) используется для обучения [прямых нейронных сетей](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Рекуррентные нейронные сети](https://wikipedia.org/wiki/Recurrent_neural_network) — искусственные нейронные сети, производные от прямых, которые создают временные графы.
✅ Проведите небольшое исследование. Какие ещё даты кажутся вам ключевыми в истории ML и ИИ?
✅ Проведите небольшое исследование. Какие еще даты вы считаете ключевыми в истории МЛ и ИИ?
---
## 1950: Машины, которые думают
## 1950: Машины, которые мыслят
Алан Тьюринг, поистине выдающийся человек, который был признан [общественностью в 2019 году](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) величайшим учёным XX века, считается одним из основателей концепции «машины, которая может думать». Он боролся с критиками и своей собственной потребностью в эмпирических доказательствах этой концепции, частично создав [Тест Тьюринга](https://www.bbc.com/news/technology-18475646), который вы изучите в наших уроках по обработке естественного языка.
Алан Тьюринг, поистине выдающийся человек, который был признан [общественностью в 2019 году](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) величайшим ученым XX века, считается одним из основателей концепции 'машины, способной мыслить.' Он боролся с критиками и своей собственной необходимостью эмпирических доказательств этой концепции, в том числе создав [Тест Тьюринга](https://www.bbc.com/news/technology-18475646), который вы изучите в наших уроках по обработке естественного языка.
---
## 1956: Летний исследовательский проект в Дартмуте
«Летний исследовательский проект в Дартмуте по искусственному интеллекту стал знаковым событием для этой области», и именно здесь был введён термин «искусственный интеллект» ([источник](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Летний исследовательский проект по искусственному интеллекту в Дартмуте был ключевым событием для искусственного интеллекта как области," и именно там был введен термин 'искусственный интеллект' ([источник](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Каждый аспект обучения или любой другой черты интеллекта может быть описан настолько точно, что можно создать машину, которая будет его имитировать.
> Каждый аспект обучения или любой другой признак интеллекта может в принципе быть описан настолько точно, что можно создать машину, которая будет его имитировать.
---
Главный исследователь, профессор математики Джон Маккарти, надеялся «продолжить работу, исходя из предположения, что каждый аспект обучения или любой другой черты интеллекта может быть описан настолько точно, что можно создать машину, которая будет его имитировать». Среди участников был ещё один выдающийся учёный в этой области — Марвин Мински.
Главным исследователем был профессор математики Джон Маккарти, который надеялся "двигаться исходя из предположения, что каждый аспект обучения или любой другой признак интеллекта может в принципе быть описан настолько точно, что можно создать машину, которая будет его имитировать." Среди участников был еще один светило в этой области — Марвин Мински.
Семинар считается началом и стимулом для обсуждений, включая «рост символических методов, систем, ориентированных на ограниченные области (ранние экспертные системы), и дедуктивные системы против индуктивных систем». ([источник](https://wikipedia.org/wiki/Dartmouth_workshop)).
Эта конференция считается инициатором и вдохновителем нескольких обсуждений, включая «возвышение символических методов, систем, ориентированных на ограниченные области (ранние экспертные системы), и дедуктивных систем vs индуктивных» ([источник](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: «Золотые годы»
## 1956 - 1974: "Золотые годы"
С 1950-хгодов до середины 70-х годов царил оптимизм в отношении того, что ИИ сможет решить множество проблем. В 1967 году Марвин Мински уверенно заявил: «В течение одного поколения... проблема создания "искусственного интеллекта" будет в значительной степени решена». (Мински, Марвин (1967), Вычисления: конечные и бесконечные машины, Энглвуд-Клиффс, Нью-Джерси: Прентис-Холл)
С 1950-хи до середины 70-х оптимизм был высоким с надеждой, что ИИ сможет решить множество проблем. В 1967 году Марвин Мински выразил уверенность, что "в течение одного поколения ... проблема создания 'искусственного интеллекта' будет существенно решена." (Мински, Марвин (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Исследования в области обработки естественного языка процветали, поиск был усовершенствован и стал более мощным, а концепция «микромиров» была создана, где простые задачи выполнялись с использованием инструкций на естественном языке.
Исследования по обработке естественного языка процветали, поиск совершенствовался и становился мощнее, а также была создана концепция 'микромиров', в рамках которых простые задачи выполнялись с помощью обычных языковых инструкций.
---
Исследования хорошо финансировались государственными агентствами, были достигнуты успехи в вычислениях и алгоритмах, и были созданы прототипы интеллектуальных машин. Некоторые из этих машин включают:
Исследования были хорошо финансируемы государственными учреждениями, достигались успехи в вычислениях и алгоритмах, и строились прототипы интеллектуальных машин. Некоторые из этих машин включают:
* [Шейки, робот](https://wikipedia.org/wiki/Shakey_the_robot), который мог маневрировать и решать, как выполнять задачи «интеллектуально».
* [Робот Шейки](https://wikipedia.org/wiki/Shakey_the_robot), который мог маневрировать и принимать решения о том, как выпонять задачи 'интеллигентно'.
* Элиза, ранний «чат-бот», могла общаться с людьми и выступать в роли примитивного «терапевта». Вы узнаете больше об Элизе в уроках по обработке естественного языка.
* Элайза, один из первых 'чатботов', могла общаться с людьми и выступать в роли примитивного 'терапевта'. Вы узнаете больше об Элайзе в уроках по НЛП.
* «Мир блоков» был примером микромира, где блоки можно было складывать и сортировать, а эксперименты по обучению машин принимать решения могли быть протестированы. Достижения, построенные с использованием библиотек, таких как [SHRDLU](https://wikipedia.org/wiki/SHRDLU), помогли продвинуть обработку языка.
* "Мир блоков" был примером микромира, где блоки можно было складывать и сортировать, а эксперименты по обучению машин принимать решения могли проводиться. Достижения на основе библиотек таких как [SHRDLU](https://wikipedia.org/wiki/SHRDLU) способствовали развитию обработки языка.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "Мир блоков с SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "мир блоков с SHRDLU")
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео: Мир блоков с SHRDLU
> 🎥 Нажмите на изображение выше для видео: Мир блоков с SHRDLU
---
## 1974 - 1980: «Зима ИИ»
## 1974 - 1980: "Зима ИИ"
К середине 1970-хгодов стало очевидно, что сложность создания «интеллектуальных машин» была недооценена, а их обещания, учитывая доступную вычислительную мощность, были преувеличены. Финансирование сократилось, и уверенность в этой области ослабла. Некоторые проблемы, повлиявшие на уверенность, включают:
К середине 1970-х стало очевидно, что сложность создания 'интеллектуальных машин' была недооценена, аего обещания, учитывая доступные вычислительные мощности, были преувеличены. Финансирование иссякло, и доверие к области снизилось. Некоторые проблемы, повлиявшие на уровень доверия, включали:
---
- **Ограничения**. Вычислительная мощность была слишком ограниченной.
- **Комбинаторный взрыв**. Количество параметров, которые нужно было обучить, росло экспоненциально, по мере того как компьютерам задавали всё больше задач, без параллельной эволюции вычислительной мощности и возможностей.
- **Недостаток данных**. Недостаток данных мешал процессу тестирования, разработки и совершенствования алгоритмов.
- **Мы задаём правильные вопросы?**. Сами вопросы, которые задавались, начали подвергаться сомнению. Исследователи столкнулисьс критикой своих подходов:
- Тесты Тьюринга подверглись сомнению, среди прочего, из-за теории «китайской комнаты», которая утверждала, что «программирование цифрового компьютера может создать видимость понимания языка, но не может привести к настоящему пониманию». ([источник](https://plato.stanford.edu/entries/chinese-room/))
- Этика внедрения искусственного интеллекта, такого как «терапевт» Элиза, в общество была поставлена под вопрос.
- **Ограничения**. Вычислительные мощности были слишком ограничены.
- **Комбинаторный взрыв**. Количество параметров, требующих обучения, росло экспоненциально с увеличением требований к компьютерам, без параллельного роста вычислительных мощностей и возможностей.
- **Недостаток данных**. Нехватка данных препятствовала процессу тестирования, разработки и совершенствования алгоритмов.
- **Задаем ли мы правильные вопросы?**. Поставленные вопросы сами начали вызывать сомнения. Исследователи стали сталкиватьсяс критикой своих подходов:
- Тесты Тьюринга подверглись сомнениюс помощью, среди прочего, теории «китайской комнаты», которая утверждала, что "программирование цифрового компьютера может создавать видимость понимания языка, но не может привести к настоящему пониманию." ([источник](https://plato.stanford.edu/entries/chinese-room/))
- Этические вопросы внедрения искусственных интеллектов, таких как «терапевт» Элайза, в общество были поставлены под сомнение.
---
В то же время начали формироваться различные школы мысли в области ИИ. Установилось разделение между практиками ["небрежного" и "аккуратного ИИ"](https://wikipedia.org/wiki/Neats_and_scruffies). _Небрежные_ лаборатории часами настраивали программы, пока не получали желаемый результат. _Аккуратные_ лаборатории «сосредотачивались на логике и формальном решении задач». Элиза и SHRDLU были известными _небрежными_ системами. В 1980-х годах, когда возник спрос на воспроизводимость систем ML, _аккуратный_ подход постепенно вышел на первый план, поскольку его результаты более объяснимы.
В то же время начали формироваться разные школы мысли в ИИ. Установилась дихотомия между практиками ["грязного" и "чистого ИИ"](https://wikipedia.org/wiki/Neats_and_scruffies). _Грязные_ лаборатории подгоняли программы часами до нужного результата. _Чистые_ лаборатории "сосредотачивались на логике и формальном решении задач". Элайза и SHRDLU были известными _грязными_ системами. В 80-х, с понижением спроса на воспроизводимость систем МЛ, _чистый_ подход постепенно вышел на первый план, поскольку его результаты легче объяснять.
---
## 1980-е: Экспертные системы
## Экспертные системы 1980-х
По мере роста области её польза для бизнеса становилась всё более очевидной, и в 1980-х годах началось распространение «экспертных систем». «Экспертные системы были одними из первых действительно успешных форм программного обеспечения искусственного интеллекта (ИИ)». ([источник](https://wikipedia.org/wiki/Expert_system)).
По мере роста области становилось яснее ее значение для бизнеса, и в 1980-х распространились 'экспертные системы'. "Экспертные системы были одними из первых по-настоящему успешных форм искусственного интеллекта (ИИ) программного обеспечения." ([источник](https://wikipedia.org/wiki/Expert_system)).
Этот тип системы является _гибридным_, частично состоящим из движка правил, определяющего бизнес-требования, и движка вывода, который использует систему правил для выведения новых фактов.
Этот тип системы является на самом деле _гибридным_, состоящим частично из движка правил, определяющего бизнес-требования, и движка вывода, который использовал систему правил для выведения новых фактов.
В этот период также увеличилось внимание к нейронным сетям.
В этой эпохе также возрастало внимание к нейронным сетям.
---
## 1987 - 1993: «Охлаждение ИИ»
## 1987 - 1993: "Охлаждение" ИИ
Распространение специализированного оборудования для экспертных систем имело неприятный эффект чрезмерной специализации. Рост персональных компьютеров также конкурировал с этими крупными, специализированными, централизованными системами. Началась демократизация вычислений, которая в конечном итоге проложила путь к современному взрыву больших данных.
Распространение специализированного аппаратного обеспечения для экспертных систем имело неблагоприятный эффект чрезмерной специализации. Рост персональных компьютеров также конкурировал с этими большими специализированными централизованными системами. Началась демократизация вычислительной техники, что в конечном итоге проложило путь к современному взрыву больших данных.
---
## 1993 - 2011
Этот период ознаменовал новую эпоху для ML и ИИ, которые смогли решить некоторые проблемы, вызванные ранее недостатком данных и вычислительной мощности. Объём данных начал быстро увеличиваться и становиться более доступным, как в положительном, так и в отрицательном смысле, особенно с появлением смартфонов около 2007 года. Вычислительная мощность росла экспоненциально, а алгоритмы развивались вместе с ней. Область начала приобретать зрелость, поскольку свободные дни прошлого начали кристаллизоваться в настоящую дисциплину.
Эта эпоха ознаменовала новую эру для МЛ и ИИ, когда стало возможным решить некоторые проблемы, вызванные ранее нехваткой данных и вычислительной мощности. Количество данных начало быстро расти и становиться более доступным, как к лучшему, так и к худшему, особенно с появлением смартфонов около 2007 года. Вычислительная мощность росла экспоненциально, а алгоритмы развивались рядом с этим. Область стала приобретать зрелость, когда прежние свободные времена начали превращаться в настоящую дисциплину.
---
## Сегодня
## Сейчас
Сегодня машинное обучение и ИИ затрагивают практически все аспекты нашей жизни. Этот период требует внимательного понимания рисков и потенциальных последствий этих алгоритмов для человеческой жизни. Как заявил Брэд Смит из Microsoft: «Информационные технологии поднимают вопросы, которые затрагивают основы защиты прав человека, такие как конфиденциальность и свобода выражения. Эти вопросы усиливают ответственность технологических компаний, создающих эти продукты. На наш взгляд, они также требуют вдумчивого государственного регулирования и разработки норм, касающихся приемлемого использования» ([источник](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Сегодня машинное обучение и ИИ затрагивают почти все сферы нашей жизни. Эта эпоха требует внимательного понимания рисков и потенциальных эффектов этих алгоритмов на человеческие жизни. Как заявил Брэд Смит из Microsoft, "Информационные технологии поднимают вопросы, которые касаются фундаментальных прав человека, таких как конфиденциальность и свобода выражения. Эти вопросы увеличивают ответственность технологических компаний, создающих эти продукты. По нашему мнению, они также требуют продуманного государственного регулирования и разработки норм по приемлемому использованию" ([источник](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Остаётся только гадать, что ждёт нас в будущем, но важно понимать эти компьютерные системы, а также программное обеспечение и алгоритмы, которые они используют. Мы надеемся, что эта учебная программа поможет вам лучше понять эту область, чтобы вы могли сделать собственные выводы.
Пока еще не ясно, что принесет будущее, но важно понимать эти компьютерные системы и программное обеспечение и алгоритмы, которые они используют. Мы надеемся, что этот учебный план поможет вам лучше понять эту область, чтобы вы могли принять собственное решение.
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео: Янн Лекун рассказывает об истории глубокого обучения в этой лекции
> 🎥 Нажмите на изображение выше для видео: Янн Лекун рассказывает об истории глубокого обучения в этой лекции
---
## 🚀Задание
## 🚀Вызов
Углубитесь в один из этих исторических моментов и узнайте больше о людях, стоящих за ними. Это увлекательные личности, и ни одно научное открытие никогда не создавалось в культурном вакууме. Что вы обнаружите?
Изучите один из этих исторических моментов и узнайте больше о людях, стоящих за ними. Там есть увлекательные персонажи, и ни одно научное открытие не создавалось в культурном вакууме. Что вы узнаете?
## [Тест после лекции](https://ff-quizzes.netlify.app/en/ml/)
## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ml/)
---
## Обзор и самостоятельное изучение
Вот материалы для просмотра и прослушивания:
Вот несколько материалов для просмотра и прослушивания:
[Этот подкаст, где Эми Бойд обсуждает эволюцию ИИ](http://runasradio.com/Shows/Show/739)
[Этот подкаст, в котором Amy Boyd обсуждает эволюцию ИИ](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "История ИИ от Эми Бойд")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "История ИИ от Amy Boyd")
---
@ -151,5 +151,7 @@
---
**Отказ от ответственности**:
Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникающие в результате использования данного перевода.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен с использованием сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.
# Создание решений машинного обучения с ответственным ИИ
# Создание решений на основе машинного обучения с ответственным ИИ
> Скетчнот от [Tomomi Imura](https://www.twitter.com/girlie_mac)
> Скетчноут от [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
## Введение
В этой учебной программе вы начнете изучать, как машинное обучение может и уже влияет на нашу повседневную жизнь. Даже сейчас системы и модели участвуют в ежедневных задачах принятия решений, таких как диагностирование заболеваний, одобрение кредитов или обнаружение мошенничества. Поэтому важно, чтобы эти модели хорошо работали и предоставляли надежные результаты. Как и любое программное обеспечение, системы ИИ могут не оправдать ожиданий или иметь нежелательные последствия. Вот почему важно уметь понимать и объяснять поведение модели ИИ.
В этой учебной программе вы начнете узнавать, как машинное обучение может влиять и уже влияет на нашу повседневную жизнь. Даже сейчас системы и модели участвуют в ежедневных задачах принятия решений, таких как диагностика в здравоохранении, одобрение кредитов или выявление мошенничества. Поэтому важно, чтобы эти модели работали хорошо и обеспечивали результаты, которым можно доверять. Как и любое программное обеспечение, системы ИИ могут не оправдать ожиданий или привести к нежелательным результатам. Именно поэтому важно уметь понимать и объяснять поведение модели ИИ.
Представьте, что может произойти, если данные, которые вы используете для создания этих моделей, не включают определённые демографические группы, такие как раса, пол, политические взгляды, религия, или непропорционально представлены такие группы. Что если вывод модели интерпретируется так, что он благоприятствует какой-то демографической группе? Каковы последствия для приложения? Кроме того, что происходит, если результат модели оказывается негативным и вредным для людей? Кто несет ответственность за поведение системы ИИ? Это некоторые из вопросов, которые мы рассмотрим в этой учебной программе.
Представьте, что может произойти, если данные, которые вы используете для построения этих моделей, не включают определённые демографические группы, такие как раса, пол, политические взгляды, религия, или непропорционально представлены. Что если результат модели интерпретируется так, что он благоприятствует какой-либо демографической группе? Каковы последствия для приложения? Кроме того, что происходит, если модель приводит к неблагоприятным последствиям и наносит вред людям? Кто несет ответственность за поведение системы ИИ? Эти вопросы мы рассмотрим в рамках этой учебной программы.
В этом уроке вы:
- Повысите осведомленность о важности справедливости в машинном обучении и связанных с ней вредах.
- Ознакомитесь с практикой изучения выбросов и необычных сценариев для обеспечения надежности и безопасности
- Поймете необходимость расширения возможностей всех путём проектирования инклюзивных систем
- Изучите, насколько важно защищать конфиденциальность и безопасность данных и людей
- Увидите важность прозрачного (стеклянного) подхода к объяснению поведения моделей ИИ
- Осознаете, что ответственность необходима для создания доверия к системам ИИ
- Ознакомитесь с практикой исследования выбросов и необычных ситуаций для обеспечения надежности и безопасности.
- Поймете необходимость создания инклюзивных систем для расширения возможностей всех.
- Узнаете, как важно защищать конфиденциальность и безопасность данных и людей.
- Увидите важность подхода с «прозрачной коробкой» для объяснения поведения моделей ИИ.
- Осознаете, как ответственность необходима для построения доверия к системам ИИ.
## Предварительные требования
В качестве предварительного требования, пожалуйста, пройдите учебный путь "Принципы ответственного ИИ" и посмотрите видео ниже на эту тему:
В качестве предварительного шага пройдите учебный путь «Принципы ответственного ИИ» и посмотрите видео ниже по этой теме:
Узнайте больше об ответственном ИИ, следуя этому [Учебному пути](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Узнайте больше об ответственном ИИ, пройдя этот [Учебный путь](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Подход Microsoft к ответственному ИИ")
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео: Подход Microsoft к ответственному ИИ
> 🎥 Нажмите на изображение выше для видео: Подход Microsoft к ответственному ИИ
## Справедливость
Системы ИИ должны справедливо относиться ко всем и избегать влияния на похожие группы людей по-разному. Например, когда системы ИИ дают рекомендации по медицинскому лечению, заявкам на кредиты или трудоустройству, они должны делать одинаковые рекомендации для всехс похожими симптомами, финансовыми обстоятельствами или профессиональной квалификацией. Каждый из нас как человек носит в себе унаследованные предубеждения, которые влияют на наши решения и действия. Эти предубеждения могут проявляться в данных, которые мы используем для обучения систем ИИ. Такая манипуляция иногда происходит непреднамеренно. Часто трудно сознательно понять, когда вы вносите предвзятость в данные.
Системы ИИ должны относиться к каждому справедливо и избегать разного воздействия на похожие группы людей. Например, когда системы ИИ дают рекомендации по лечению, подаче заявок на кредит или трудоустройству, они должны делать одинаковые рекомендации всемс похожими симптомами, финансовыми обстоятельствами или профессиональной квалификацией. Каждый из нас как человек несет в себе унаследованные предубеждения, которые влияют на наши решения и действия. Эти предубеждения могут проявляться в данных, которые мы используем для обучения систем ИИ. Такая манипуляция может происходить даже непреднамеренно. Часто трудно сознательно определить, когда вы вводите смещение в данные.
**«Несправедливость»** включает негативные воздействия или «вред» для группы людей, определяемой по расе, полу, возрасту или инвалидности. Основные виды вреда, связанные со справедливостью, можно классифицировать как:
**«Несправедливость»** включает негативные последствия или «ущербы» для группы людей, таких как определённые по расе, полу, возрасту или статусу инвалидности. Основные типы ущерба, связанные с несправедливостью можно классифицировать как:
- **Распределение**, если, например, одному полу или этнической группе отдается предпочтение перед другой.
- **Качество обслуживания**. Если вы обучаете данные для одного конкретного сценария, но реальность гораздо сложнее, это приводит к плохому качеству сервиса. Например, диспенсер для мыла, который не распознает людей с темной кожей. [Ссылка](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Дениграция**. Несправедливо критиковать и маркировать что-то или кого-то. Например, технология распознавания изображений печально известна тем, что ошибочно маркировала изображения темнокожих людей как горилл.
- **Пере- или недопредставленность**. Идея состоит в том, что определённая группа не представлена в определённой профессии, и любая служба или функция, которая продолжает продвигать это, способствует нанесению вреда.
- **Стереотипизация**. Ассоциация определённой группы спредопределёнными атрибутами. Например, система перевода с английского на турецкий может иметь неточности из-за слов с гендерными стереотипическими ассоциациями.
- **Распределение**, если, например, предпочтение отдается одному полу или этнической группе.
- **Качество обслуживания**. Если вы тренируете модель для одного конкретного сценария, а реальность гораздо сложнее, это ведет к плохому качеству сервиса. Например, диспенсер для мыла, который не мог распознавать людей с темной кожей. [Ссылка](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Унижение**. Несправедливое осуждение и навешивание ярлыков. Например, технология распознавания изображений печально известна ошибочной маркировкой изображений темнокожих людей как горилл.
- **Избыточное или недостаточное представительство**. Идея в том, что определенная группа не представлена в определенной профессии, и любое сервисное решение, способствующее этому, наносит вред.
- **Стереотипизация**. Ассоциация определённой группы сзаранее приписанными атрибутами. Например, система перевода между английским и турецким языками может содержать неточности из-за слов с гендерными стереотипами.
> перевод на турецкий
> перевод на турецкий язык
> обратно на английский
> перевод обратно на английский
При проектировании и тестировании систем ИИ необходимо гарантировать справедливость ИИ и отсутствие программирования на предвзятые или дискриминационные решения, совершать которые также запрещено людям. Обеспечение справедливости в ИИ и машинном обучении остаётся сложной социотехнической задачей.
При проектировании и тестировании систем ИИ нам нужно обеспечить справедливость и запретить программирование на предвзятые или дискриминационные решения, которые также запрещены для людей. Гарантировать справедливость в ИИ и машинном обучении — сложная социотехническая задача.
### Надежность и безопасность
Для создания доверия системы ИИ должны быть надежными, безопасными и последовательными в обычных и неожиданных условиях. Важно знать, как системы ИИ будут вести себя в различных ситуациях, особенно когда они выходят за рамки обычного. При создании решений ИИ необходимо уделять значительное внимание тому, как обрабатывать разнообразные ситуации, с которыми могут столкнуться решения ИИ. Например, автопилот должен ставить безопасность людей на первое место. В результате ИИ, управляющий автомобилем, должен учитывать все возможные сценарии, такие как ночь, грозы или метели, дети, выбегающие на дорогу, животные, дорожные работы и т.п. Насколько хорошо система ИИ справляется с широким спектром условий надежно и безопасно, отражает уровень прогнозирования, который учёный по данным или разработчик ИИ учитывали при проектировании или тестировании системы.
Чтобы завоевать доверие, системы ИИ должны быть надежными, безопасными и согласованными в нормальных и неожиданных условиях. Важно знать, как системы ИИ будут вести себя в различных ситуациях, особенно при наличии выбросов. При создании решений на основе ИИ нужно уделять значительное внимание тому, как справляться с широким спектром условий, с которыми решения могут столкнуться. Например, самоуправляемый автомобиль должен ставить безопасность людей на первое место. Поэтому ИИ, управляющий автомобилем, должен учитывать все возможные ситуации: ночь, грозы, метели, дети, перебегающие улицу, животные, дорожные работы и т.д. Насколько хорошо система ИИ способна надежно и безопасно справляться с широким диапазоном условий, отражает уровень предусмотрительности специалистов по данным или разработчиков ИИ при проектировании или тестировании системы.
> [🎥 Нажмите здесь для видео: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Нажмите здесь для видео: Надежность и безопасность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Инклюзивность
Системы ИИ должны быть разработаны так, чтобы вовлекать и расширять возможности всех. При проектировании и внедрении систем ИИ специалисты по данным и разработчики ИИ выявляют и устраняют потенциальные барьеры в системе, которые могут непреднамеренно исключать людей. Например, в мире насчитывается 1 миллиард человек с инвалидностью. С развитием ИИ они могут легче получать доступ к широкому спектру информации и возможностей в повседневной жизни. Устранение барьеров создает возможности для инноваций и разработки продуктов ИИ с лучшим опытом, которые приносят пользу всем.
Системы ИИ следует создавать так, чтобы они вовлекали и давали возможности всем. При проектировании и реализации систем ИИ специалисты по данным и разработчики выявляют и устраняют потенциальные барьеры в системе, которые могут непреднамеренно исключать людей. Например, в мире насчитывается около 1 миллиарда человек с инвалидностью. С развитием ИИ они получают более легкий доступ к разнообразной информации и возможностям в своей повседневной жизни. Устраняя эти барьеры, создаются возможности для инноваций и разработки продуктов ИИ с лучшим пользовательским опытом, выгодным для всех.
> [🎥 Нажмите здесь для видео: инклюзивность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Нажмите здесь для видео: Инклюзивность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Безопасность и конфиденциальность
Системы ИИ должны быть безопасными и уважать конфиденциальность людей. Люди меньше доверяют системам, которые ставят под угрозу их конфиденциальность, информацию или жизни. При обучении моделей машинного обучения мы полагаемся на данные для получения лучших результатов. При этом необходимо учитывать происхождение данных и их целостность. Например, были ли данные предоставлены пользователями или доступны общественно? Далее, при работе с данными важно разрабатывать системы ИИ, которые могут защищать конфиденциальную информацию и противостоять атакам. По мере роста распространения ИИ защита конфиденциальности и обеспечение безопасности важной личной и деловой информации становятся всё более критичными и сложными. Вопросы конфиденциальности и безопасности данных требуют особого внимания в области ИИ, потому что доступ к данным необходим системам ИИ для точных и информированных прогнозов и решений о людях.
Системы ИИ должны быть безопасными и уважать конфиденциальность людей. Люди меньше доверяют системам, которые ставят под угрозу их конфиденциальность, информацию или жизни. При обучении моделей машинного обучения мы опираемся на данные для получения лучших результатов. В этом процессе важно учитывать происхождение данных и их целостность. Например, были ли данные предоставлены пользователем или доступны публично? Далее, работая с данными, крайне важно разрабатывать системы ИИ, которые могут защищать конфиденциальную информацию и противостоять атакам. По мере расширения использования ИИ защита конфиденциальности и обеспечение безопасности важной личной и корпоративной информации становятся все более актуальными и сложными. Вопросы конфиденциальности и безопасности данных требуют особого внимания в ИИ, поскольку доступ к данным необходим системам ИИ для точного и информированного прогнозирования и принятия решений о людях.
> [🎥 Нажмите здесь для видео: безопасность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Нажмите здесь для видео: Безопасность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Отрасль достигла значительного прогресса в области конфиденциальности и безопасности, во многом благодаря регламентам, таким как GDPR (Общий регламент по защите данных).
- Однако с системами ИИ мы должны признать противоречие между необходимостью большего объема персональных данных для повышения персонализации и эффективности систем — и конфиденциальностью.
- Аналогично появлению подключенных компьютеров с интернетом, мы также наблюдаем резкий рост числа проблем с безопасностью, связанных с ИИ.
- В то же время ИИ используется для улучшения безопасности. Например, большинство современных антивирусных сканеров сегодня работают на основе эвристик ИИ.
- Мы должны обеспечить, чтобы наши процессы Data Science гармонично сочеталисьс последними практиками конфиденциальности и безопасности.
- Как индустрия, мы достигли значительных успехов в области конфиденциальности и безопасности, в значительной степени благодаря таким регламентам, как GDPR (Общий регламент по защите данных).
- В то же время с системами ИИ мы должны признавать напряженность между необходимостью большего объема личных данных для создания более персонализированных и эффективных систем и защитой конфиденциальности.
- Как и с появлением подключенных компьютеров и интернета, мы также наблюдаем резкий рост числа проблем безопасности, связанных с ИИ.
- Вместе с тем ИИ используют для улучшения безопасности. Например, большинство современных антивирусных сканеров сегодня работают на основе эвристик ИИ.
- Нам нужно гарантировать, что наши процессы работы с данными гармонично сочетаютсяс последними практиками конфиденциальности и безопасности.
### Прозрачность
Системы ИИ должны быть понятными. Важной частью прозрачности является объяснение поведения систем ИИ и их компонентов. Повышение понимания систем ИИ требует от заинтересованных сторон понимания того, как и почему они функционируют, чтобы можно было выявлять потенциальные проблемы с производительностью, вопросы безопасности и конфиденциальности, предвзятость, исключающие практики или непредвиденные результаты. Мы также считаем, что те, кто используют системы ИИ, должны быть честными и откровенными о том, когда, почему и как они выбирают их применять, а также о ограничениях используемых систем. Например, если банк использует систему ИИ для поддержки решений по кредитованию потребителей, важно изучить результаты и понять, какие данные влияют на рекомендации системы. Правительства начинают регулировать ИИ в различных отраслях, поэтому специалисты по данным и организации должны объяснять, соответствует ли система ИИ требованиям регулирования, особенно если возникает нежелательный результат.
Системы ИИ должны быть понятными. Ключевой частью прозрачности является объяснение поведения систем ИИ и их компонентов. Повышение понимания систем ИИ требует, чтобы заинтересованные лица понимали, как и почему они функционируют, чтобы идентифицировать потенциальные проблемы с производительностью, вопросы безопасности и конфиденциальности, предвзятость, исключающие практики или непредвиденные последствия. Мы также считаем, что те, кто использует системы ИИ, должны честно и открыто сообщать, когда, почему и как они их применяют, а также об ограничениях используемых систем. Например, если банк использует систему ИИ для поддержки решений по кредитам клиентам, важно анализировать результаты и понимать, какие данные влияют на рекомендации системы. Правительства начинают регулировать ИИ в различных отраслях, поэтому специалисты по данным и организации должны объяснять, соблюдает ли система ИИ нормативные требования, особенно при наличии нежелательных исходов.
> [🎥 Нажмите здесь для видео: прозрачность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Нажмите здесь для видео: Прозрачность в ИИ](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Поскольку системы ИИ очень сложны, трудно понять, как они работают, и интерпретировать результаты.
- Это непонимание влияет на то, как эти системы управляются, вводятся в эксплуатацию и документируются.
- И, что важнее, это непонимание влияет на решения, принимаемые на основе результатов, которые генерируют эти системы.
- Поскольку системы ИИ настолько сложны, трудно понять, как они работают, и интерпретировать результаты.
- Этот недостаток понимания влияет на управление, эксплуатацию и документацию таких систем.
- Более важно, этот недостаток понимания влияет на решения, принимаемые на основе результатов, которые эти системы выдают.
### Ответственность
Люди, которые разрабатывают и внедряют системы ИИ, должны нести ответственность за работу своих систем. Необходимость ответственности имеет особое значение для технологий с чувствительным использованием, таких как распознавание лиц. В последнее время усилился спрос на технологии распознавания лиц, особенно со стороны правоохранительных органов, которые видят потенциал этой технологии в таких применениях, как поиск пропавших детей. Однако эти технологии потенциально могут быть использованы правительством для подрыва фундаментальных свобод граждан, например, путем обеспечения постоянного наблюдения за конкретными лицами. Поэтому специалисты по данным и организации должны нести ответственность за влияние их системы ИИ на отдельных людей или общество.
Люди, которые разрабатывают и разворачивают системы ИИ, должны нести ответственность за их работу. Потребность в ответственности особенно критична при использовании чувствительных технологий, таких как распознавание лиц. В последнее время спрос на технологии распознавания лиц растет, особенно со стороны правоохранительных органов, которые видят потенциал технологии, например, для поиска пропавших детей. Однако эти технологии могут быть использованы правительством для ограничения основных свобод граждан, например, путем постоянного наблюдения за отдельными лицами. Поэтому специалисты по данным и организации должны быть ответственными за влияние своих систем ИИ на отдельных людей и общество.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Подход Microsoft к ответственному ИИ")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Подход Microsoft к ответственному ИИ")
> 🎥 Нажмите на изображение выше для видео: предупреждения о массовом наблюдении через распознавание лиц
> 🎥 Нажмите на изображение выше для видео: Предупреждения о массовом наблюдении с помощью распознавания лиц
В конечном итоге один из главных вопросов для нашего поколения, как первого поколения, которое приносит ИИ в общество, — как обеспечить, чтобы компьютеры оставались ответственными перед людьми, и как гарантировать, чтобы люди, создающие компьютеры, оставались ответственными перед всеми остальными.
В конечном итоге один из главных вопросов для нашего поколения, как первого, кто приносит ИИ в общество, заключается в том, как обеспечить, чтобы компьютеры оставались подотчетными людям, и чтобы люди, разрабатывающие компьютеры, оставались ответственными перед всеми остальными.
## Оценка воздействия
Перед обучением модели машинного обучения важно провести оценку воздействия, чтобы понять цель системы ИИ; предполагаемое применение; где она будет внедряться; и кто будет взаимодействовать с системой. Эти сведения полезны для обзорщиков или тестировщиков системы, чтобы знать, какие факторы учитывать при выявлении потенциальных рисков и ожидаемых последствий.
Перед обучением модели машинного обучения важно провести оценку воздействия, чтобы понять цель системы ИИ; каким будет ее предполагаемое использование; где она будет развернута; и кто будет взаимодействовать с системой. Это полезно для рецензентов или тестировщиков, оценивающих систему, чтобы знать, какие факторы следует учитывать при выявлении потенциальных рисков и ожидаемых последствий.
Следующие области имеют ключевое значение при проведении оценки воздействия:
Внимание следует уделить следующим аспектам при проведении оценки воздействия:
* **Негативное воздействие на отдельных лиц**. Важно учитывать любые ограничения или требования, неподдерживаемое использование или известные ограничения, препятствующие работе системы, чтобы предотвратить использование системы таким образом, который может причинить вред людям.
* **Требования к данным**. Понимание того, как и где система будет использовать данные, позволяет обзорщикам изучать требования к данным, которые необходимо учитывать (например, регламенты GDPR или HIPAA). Кроме того, следует проверить, являются ли источник и количество данных достаточными для обучения.
* **Обзор воздействия**. Составьте список потенциальных вредов, которые могут возникнуть при использовании системы. Втечение жизненного цикла машинного обучения проверяйте, устранены ли выявленные проблемы.
* **Применимые цели** для каждого из шести основных принципов. Оцените, достигнуты ли цели каждого принципа и есть ли пробелы.
* **Неблагоприятное воздействие на людей**. Важно осознавать любые ограничения или требования, неподдерживаемое использование или известные ограничения, препятствующие работе системы, чтобы гарантировать, что систему не используют таким образом, который может причинить вред людям.
* **Требования к данным**. Понимание того, как и где система будет использовать данные, позволяет рецензентам учитывать любые требования к данным (например, регламенты GDPR или HIPAA). Также следует проверить, достаточно ли источников и объема данных для обучения.
* **Резюме воздействия**. Составить список потенциальных ущербов, которые могут возникнуть при использовании системы. Входе жизненного цикла машинного обучения проверять, решены ли выявленные проблемы.
* **Применимые цели** для каждого из шести основных принципов. Оценить, достигаются ли цели каждого принципа и есть ли пробелы.
## Отладка с ответственным ИИ
Подобно отладке программного приложения, отладка системы ИИ — необходимый процесс выявления и устранения проблем в системе. Существует множество факторов, которые могут привести к тому, что модель не будет работать так, как ожидается, или ответственно. Большинство традиционных метрик производительности модели — это количественные агрегаты производительности модели, которых недостаточно для анализа того, как модель нарушает принципы ответственного ИИ. Более того, модель машинного обучения — это «черный ящик», что затрудняет понимание того, что влияет на её результат или объяснение ошибок. Позже на этом курсе мы научимся использовать панель управления Responsible AI для помощи в отладке систем ИИ. Эта панель предоставляет комплексный инструмент для специалистов по данным и разработчиков ИИ для выполнения:
Аналогично отладке программного приложения, отладка системы ИИ — необходимый процесс выявления и устранения проблем в системе. Существует множество факторов, которые могут влиять на то, что модель работает не так, как ожидалось или ответственно. Большинство традиционных метрик производительности модели являются количественными агрегатами работы модели, что недостаточно для анализа того, как модель нарушает принципы ответственного ИИ. Кроме того, модель машинного обучения — чёрный ящик, что затрудняет понимание факторов, влияющих на результат, и объяснение ошибок. Позже в курсе мы научимся использовать панель управления Responsible AI для отладки систем ИИ. Эта панель представляет собой целостный инструмент для специалистов по данным и разработчиков ИИ, позволяющий выполнять:
* **Анализа ошибок**. Для выявления распределения ошибок модели, которые могут повлиять на справедливость или надежность системы.
* **Обзора модели**. Чтобы обнаружить, где существуют различия в производительности модели среди различных групп данных.
* **Анализа данных**. Для понимания распределения данных и выявления потенциальной предвзятости в данных, которая может вызвать проблемы со справедливостью, инклюзивностью и надежностью.
* **Интерпретируемости модели**. Чтобы понять, что влияет или оказывает воздействие на предсказания модели. Это помогает объяснять поведение модели, что важно для прозрачности и ответственности.
* **Анализ ошибок**. Для выявления распределения ошибок модели, которые могут повлиять на справедливость или надежность системы.
* **Обзор модели**. Чтобы обнаружить различия в производительности модели по разным когорте данных.
* **Анализ данных**. Для понимания распределения данных и обнаружения потенциальных предубеждений, влияющих на проблемы справедливости, инклюзивности и надежности.
* **Интерпретируемость модели**. Чтобы понять, что влияет на предсказания модели. Это помогает объяснить поведение модели, что важно для прозрачности и ответственности.
## 🚀 Вызов
## 🚀 Задача
Чтобы предотвратить появление вреда с самого начала, мы должны:
- иметь разнообразные фоновые и перспективные знания среди людей, работающих над системами
- инвестировать в датасеты, отражающие разнообразие нашего общества
- развивать лучшие методы на протяжении всего жизненного цикла машинного обучения для обнаружения и исправления нарушений принципов ответственного ИИ при их возникновении
- иметь разнообразие опыта и точек зрения среди людей, работающих над системами
- инвестировать в наборы данных, отражающие разнообразие нашего общества
- разрабатывать лучшие методы на протяжении всего жизненного цикла машинного обучения для обнаружения и исправления безответственного ИИ, когда он возникает
Подумайте о реальных сценариях, в которых недоверие к модели проявляется в построении и использовании модели. Что еще следует учитывать?
Подумайте о реальных ситуациях, когда недостоверность модели очевидна при построении и использовании модели. Что еще нам следует учитывать?
## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ml/)
## Обзор и самостоятельное изучение
В этом уроке вы узнали основы понятий справедливости и несправедливости в машинном обучении.
Просмотрите этот семинар, чтобы глубже погрузиться в темы:
Посмотрите этот семинар, чтобы углубиться в темы:
- В стремлении к ответственной ИИ: Применение принципов на практике от Бесмиры Нуши, Мехрнуш Самеки и Амита Шармы
- В стремлении к ответственному ИИ: Применение принципов на практике, авторы Бесмира Нуши, Мехрнуш Самеки и Амит Шарма
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "Набор инструментов RAI: открытая платформа для создания ответственного ИИ")
> 🎥 Нажмите на изображение выше для просмотра видео: RAI Toolbox: Фреймворк с открытым исходным кодом для построения ответственной ИИ от Бесмиры Нуши, Мехрнуш Самеки и Амита Шармы
> 🎥 Нажмите на изображение выше для просмотра видео: Набор инструментов RAI: открытая платформа для создания ответственного ИИ от Бесмиры Нуши, Мехрнуш Самеки и Амита Шармы
Также прочитайте:
- Центр ресурсов Microsoft по ответственной ИИ: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Ресурсный центр Microsoft по ответственному ИИ: [Ответственные ресурсы ИИ– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Исследовательская группа Microsoft FATE: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Исследовательская группа Microsoft FATE: [FATE: Справедливость, ответственность, прозрачность и этика в ИИ - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
Набор инструментов RAI:
- [Репозиторий Responsible AI Toolbox на GitHub](https://github.com/microsoft/responsible-ai-toolbox)
# Начинаем работус Python и Scikit-learn для регрессионных моделей
# Начало работыс Python и Scikit-learn для регрессионных моделей
> Скетчноут от [Tomomi Imura](https://www.twitter.com/girlie_mac)
> Скетчнот от [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Викторина перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
@ -10,63 +10,63 @@
## Введение
В этих четырёх уроках вы узнаете, как строить регрессионные модели. Скоро мы обсудим, для чего они нужны. Но прежде чем что-либо делать, убедитесь, что у вас есть необходимые инструменты для начала работы!
В этих четырёх уроках вы узнаете, как строить регрессионные модели. Мы скоро обсудим, для чего они нужны. Но прежде чем начать, убедитесь, что у вас есть все необходимые инструменты для запуска процесса!
В этом уроке вы научитесь:
- Настраивать компьютер для локальных задач машинного обучения.
- Работать с Jupyter Notebooks.
- Использовать Scikit-learn, включая установку.
- Исследовать линейную регрессию на практике.
- Исследовать линейную регрессию в практическом упражнении.
## Установки и настройки
## Установка и настройка
[](https://youtu.be/-DfeD2k2Kj0 "ML для начинающих - Настройка инструментов для создания моделей машинного обучения")
[](https://youtu.be/-DfeD2k2Kj0 "ML для начинающих - Настройте свои инструменты для создания моделей машинного обучения")
> 🎥 Нажмите на изображение выше для короткого видео о настройке компьютера для ML.
> 🎥 Нажмите на изображение выше для короткого видео о настройке компьютера для машинного обучения.
1. **Установите Python**. Убедитесь, что [Python](https://www.python.org/downloads/) установлен на вашем компьютере. Вы будете использовать Python для многих задач науки о данных и машинного обучения. В большинстве систем Python уже установлен. Также существуют полезные [пакеты для программирования на Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), облегчающие установку для некоторых пользователей.
1. **Установите Python**. Убедитесь, что [Python](https://www.python.org/downloads/) установлен на вашем компьютере. Вы будете использовать Python для многих задач в области науки о данных и машинного обучения. Большинство систем уже имеют установленный Python. Также доступны полезные [наборы для программирования на Python](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), чтобы упростить настройку для некоторых пользователей.
Однако для некоторых задач Python требует одной версии ПО, а для других — другой. Поэтому полезно работать в [виртуальном окружении](https://docs.python.org/3/library/venv.html).
Некоторые случаи использования Python требуют одной версии ПО, а другие — другой. Поэтому полезно работать в [виртуальной среде](https://docs.python.org/3/library/venv.html).
2. **Установите Visual Studio Code**. Убедитесь, что Visual Studio Code установлен на вашем компьютере. Следуйте этим инструкциям, чтобы [установить Visual Studio Code](https://code.visualstudio.com/) для базовой установки. В этом курсе вы будете использовать Python во Visual Studio Code, поэтому возможно стоит ознакомиться с тем, как [настроить Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) для разработки на Python.
2. **Установите Visual Studio Code**. Убедитесь, что у вас установлен Visual Studio Code. Следуйте инструкциям по [установке Visual Studio Code](https://code.visualstudio.com/) для базовой установки. Вы будете использовать Python в Visual Studio Code на этом курсе, поэтому стоит ознакомиться с тем, как [настроить Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) для разработки на Python.
> Освойтесь с Python, проработав эту коллекцию [учебных модулей](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Освойте Python, выполнив этот набор [учебных модулей](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Настройка Python с Visual Studio Code")
>
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео: использование Python в VS Code.
> 🎥 Нажмите на изображение выше для видео: использование Python в VS Code.
3. **Установите Scikit-learn**, следуя [этим инструкциям](https://scikit-learn.org/stable/install.html). Поскольку необходимо использовать Python 3, рекомендуется использовать виртуальное окружение. Обратите внимание, если вы устанавливаете библиотеку на M1 Mac, на указанной странице есть специальные инструкции.
3. **Установите Scikit-learn**, следуя [инструкциям](https://scikit-learn.org/stable/install.html). Поскольку нужно использовать Python 3, рекомендуется виртуальная среда. Если вы устанавливаете библиотеку на M1 Mac, есть специальные инструкции по ссылке выше.
1. **Установите Jupyter Notebook**. Вам нужно [установить пакет Jupyter](https://pypi.org/project/jupyter/).
## Ваша среда разработки ML
## Ваша среда для машинного обучения
Вы будете использовать **notebooks** для разработки вашего Python-кода и создания моделей машинного обучения. Этот тип файлов является распространённым инструментом для специалистов по данным и определяется по расширению`.ipynb`.
Вы будете использовать **notebooks** для разработки кода на Python и создания моделей машинного обучения. Такие файлы часто применяются учёными данных и имеют расширение`.ipynb`.
Notebooks — это интерактивная среда, которая позволяет разработчику не только писать код, но и добавлять заметки и документацию вокруг кода, что очень полезно для экспериментальных или исследовательских проектов.
Notebooks – это интерактивная среда, позволяющая как писать код, так и добавлять заметки и документацию, что очень удобно для экспериментальных или исследовательских проектов.
[](https://youtu.be/7E-jC8FLA2E "ML для начинающих - Настройка Jupyter Notebooks для начала создания регрессионных моделей")
[](https://youtu.be/7E-jC8FLA2E "ML для начинающих - Настройка Jupyter Notebooks для создания регрессионных моделей")
> 🎥 Нажмите на изображение выше для короткого видео о выполнении этого упражнения.
> 🎥 Нажмите на изображение выше для короткого видео с разбором упражнения.
### Упражнение — работа с notebook
### Упражнение - работа с notebook
В этой папке вы найдете файл _notebook.ipynb_.
1. Откройте _notebook.ipynb_ в Visual Studio Code.
1. Откройте файл _notebook.ipynb_ в Visual Studio Code.
Запустится Jupyter сервер с запущенным Python 3+. Вы увидите участки в notebook, которые можно `run` — блоки кода. Чтобы запустить блок кода, выберите иконку, похожую на кнопку «play».
Запустится сервер Jupyter с Python 3+. Вы увидите области notebook, которые можно `запустить` — это блоки кода. Запустить блок кода можно, нажав значок кнопки воспроизведения.
1. Выберите иконку`md` и добавьте немного markdown с текстом **# Добро пожаловать в ваш notebook**.
1. Выберите значок`md` и добавьте немного markdown с текстом **# Добро пожаловать в ваш notebook**.
Затем добавьте немного кода на Python.
Затем добавьте фрагмент кода на Python.
1. Введите **print('hello notebook')** в блоке кода.
1. Выберите стрелку, чтобы запустить код.
1. Нажмите стрелку, чтобы запустить код.
Вы должны увидеть распечатанное сообщение:
Вы должны увидеть напечатанную строчку:
```output
hello notebook
@ -74,48 +74,48 @@ Notebooks — это интерактивная среда, которая по
Вы можете чередовать код с комментариями, чтобы самодокументировать notebook.
Вы можете чередовать код с комментариями для самодокументирования notebook.
✅ Подумайте минуту, насколько рабочая среда веб-разработчика отличается от среды специалиста по данным.
✅ Подумайте минуту, насколько отличается рабочая среда веб-разработчика от среды учёного данных.
## Работа со Scikit-learn
## Работа с Scikit-learn
Теперь, когда Python настроен в вашей локальной среде и вы комфортно чувствуете себя с Jupyter Notebooks, давайте привыкнем к Scikit-learn (произносится `сай` как в слове `science`). Scikit-learn предоставляет [обширный API](https://scikit-learn.org/stable/modules/classes.html#api-ref), который поможет вам выполнять задачи ML.
Теперь, когда Python настроен в вашей локальной среде и вы уверенно работаете с Jupyter Notebooks, познакомимся с Scikit-learn (произносится «сай» как «сайанс»). Scikit-learn предоставляет [обширный API](https://scikit-learn.org/stable/modules/classes.html#api-ref) для выполнения задач машинного обучения.
Согласно их [веб-сайту](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn — это библиотека машинного обучения с открытым исходным кодом, поддерживающая контролируемое и неконтролируемое обучение. Она также предоставляет различные инструменты для подгонки моделей, предварительной обработки данных, выбора моделей и оценки, а также множество других утилит."
Согласно их [сайту](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn — библиотека машинного обучения с открытым исходным кодом, поддерживающая контролируемое и неконтролируемое обучение. Также она предоставляет различные инструменты для подгонки моделей, предобработки данных, выбора моделей и оценки, а также множество других утилит."
В этом курсе вы будете использовать Scikit-learn и другие инструменты для создания моделей машинного обучения, выполняющих так называемые «традиционные задачи машинного обучения». Мы сознательно избегали нейронных сетей и глубокого обучения, так как они лучше рассматриваются в нашем предстоящем курсе «ИИ для начинающих».
В этом курсе вы будете использовать Scikit-learn и другие инструменты для построения моделей машинного обучения, выполняющих так называемые «традиционные задачи машинного обучения». Мы сознательно избегаем нейронных сетей и глубокого обучения, поскольку они лучше раскрыты в нашем будущем курсе «ИИ для начинающих».
Scikit-learn упрощает создание моделей и их оценку для использования. Он в первую очередь ориентирован на работу с числовыми данными и содержит несколько готовых датасетов, которые можно использовать в учебных целях. Также включены преднастроенные модели для практики студентов. Давайте исследуем процесс загрузки встроенных данных и использования встроенного оценщика — первой ML-модели с Scikit-learn на простых данных.
Scikit-learn упрощает построение и оценку моделей. Основной акцент сделан на работе с числовыми данными, в библиотеке есть несколько готовых наборов данных для обучения, а также предустановленные модели для экспериментов. Давайте изучим процесс загрузки подготовленных данных и использования встроенного оценщика для создания вашей первой модели машинного обучения в Scikit-learn на простых данных.
## Упражнение — ваш первый notebook с Scikit-learn
## Упражнение - ваш первый notebook с Scikit-learn
> Этот учебник вдохновлён [примером линейной регрессии](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) с сайта Scikit-learn.
> Этот учебник вдохновлен [примером линейной регрессии](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) на сайте Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML для начинающих - Ваш первый проект линейной регрессии на Python")
> 🎥 Нажмите на изображение выше для короткого видео о выполнении этого упражнения.
> 🎥 Нажмите на изображение выше для короткого видео с разбором упражнения.
В файле _notebook.ipynb_, связанном с этим уроком, очистите все ячейки, нажав на значок «корзина».
В файле _notebook.ipynb_, связанном с этим уроком, очистите все ячейки, нажав на значок корзины.
В этой части вы будете работать с небольшим датасетомо диабете, встроенным в Scikit-learn для учебных целей. Представьте, что вы хотите протестировать лечение для пациентов с диабетом. Модели машинного обучения могут помочь определить, какие пациенты лучше отреагируют на лечение, основываясь на комбинациях переменных. Даже очень простая регрессионная модель, визуализированная, может показать информацию о переменных, которая поможет организовать теоретические клинические испытания.
В этом разделе вы поработаете с небольшим набором данныхо диабете, встроенным в Scikit-learn для учебных целей. Представьте, что вы хотите протестировать лечение пациентов с диабетом. Модели машинного обучения могут помочь определить, какие пациенты лучше отреагируют на лечение, основываясь на комбинациях переменных. Даже базовая регрессионная модель при визуализации может показать информацию о переменных, полезную для организации теоретических клинических исследований.
✅ Существует много типов регрессионных методов, и выбор зависит от ответа, который вы ищете. Если вы хотите предсказать вероятный рост человека определённого возраста, вы используете линейную регрессию, так как ищете **числовое значение**. Если вы хотите определить, считать ли тип кухни веганской или нет, вы ищете **присвоение категории**, поэтому используете логистическую регрессию. Вы узнаете больше о логистической регрессии позже. Подумайте немного о вопросах, которые можно задать данным, и какой из методов будет более подходящим.
✅ Существует множество методов регрессии, и выбор зависит от задачи. Если нужно предсказать вероятный рост человека определённого возраста, используется линейная регрессия, поскольку требуется **числовое значение**. Если нужно определить, относится ли тип кухни к веганской или нет, это **категориальное распределение**, и применяют логистическую регрессию. Вы познакомитесь с ней позже. Подумайте о вопросах, которые можно задать данным, и о том, какой метод будет уместнее.
Давайте приступим к этой задаче.
Давайте приступим.
### Импорт библиотек
Для этой задачи мы импортируем некоторые библиотеки:
Для задачи импортируем несколько библиотек:
- **matplotlib**. Это полезный [инструмент для построения графиков](https://matplotlib.org/), мы будем использовать его для создания линейного графика.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) — это полезная библиотека для работы с числовыми данными в Python.
- **matplotlib**. Это полезный [инструмент для графиков](https://matplotlib.org/), который мы используем для построения линейного графика.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) — полезная библиотека для работы с числовыми данными в Python.
- **sklearn**. Это библиотека [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Импортируйте библиотеки для помощи в ваших задачах.
Импортируйте необходимые библиотеки для своих задач.
1. Добавьте импорт, введя следующий код:
1. Добавьте импорт, набрав следующий код:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Scikit-learn упрощает создание моделей и их оценк
from sklearn import datasets, linear_model, model_selection
```
В коде выше вы импортируете `matplotlib`, `numpy` и импортируете `datasets`, `linear_model` и `model_selection` из `sklearn`. `model_selection` используется для разделения данных на обучающий и тестовый наборы.
Здесь вы импортируете `matplotlib`, `numpy` и импортируете `datasets`, `linear_model` и `model_selection` из `sklearn`. `model_selection` используется для разделения данных на обучающие и тестовые наборы.
### Датасет диабета
### Набор данных диабета
Встроенный [датасет диабета](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) содержит 442 образца данных по диабету с 10 признаками, некоторые из которых включают:
Встроенный [набор данных о диабете](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) содержит 442 образца с 10 признаками, такими как:
- возраст: возраст в годах
- age: возраст в годах
- bmi: индекс массы тела
- bp: среднее артериальное давление
- s1 tc: Т-лимфоциты (тип белых кровяных клеток)
- s1 tc: Т-клетки (тип лейкоцитов)
✅ Этот датасет включает понятие «пол» как признак, важный для исследований диабета. Многие медицинские датасеты используют такого рода бинарную классификацию. Подумайте немного о том, как такие категоризации могут исключать части населения из лечения.
✅ Этот набор данных включает признак «пол», важный для исследований диабета. Многие медицинские наборы содержат такие бинарные классификации. Подумайте, как такие категории могут исключать части населения из лечения.
Теперь загрузите данные X и y.
> 🎓 Помните, что это контролируемое обучение, и нам нужен целевой параметрс именем 'y'.
> 🎓 Помните, это контролируемое обучение, нам нужен целевой показательс именем 'y'.
В новой ячейке кода загрузите датасет диабета, вызвав `load_diabetes()`. Параметр `return_X_y=True` означает, что `X` будет матрицей данных, а`y` — целевой переменной регрессии.
В новой ячейке кода загрузите данные диабета вызовом `load_diabetes()`. Параметр `return_X_y=True` указывает, что `X` будет матрицей данных, а`y` - целевой переменной регрессии.
1. Добавьте команды print, чтобы показать форму матрицы данных и первый элемент:
1. Добавьте команды print, чтобы вывести форму матрицы данных и первый элемент:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Scikit-learn упрощает создание моделей и их оценк
print(X[0])
```
Что вы получаете в ответ — это кортеж. Вы присваиваете первые два значения кортежа переменным`X` и `y` соответственно. Подробнее о [кортежах](https://wikipedia.org/wiki/Tuple).
Результатом является кортеж, где первые два значения присваиваются`X` и `y` соответственно. Подробнее о [кортежах](https://wikipedia.org/wiki/Tuple).
Вы можете увидеть, что данных 442 элемента, которые представляют собой массивы из 10 значений:
Вы увидите, что данные содержат 442 записи с 10 элементами в массиве:
```text
(442, 10)
@ -160,39 +160,39 @@ Scikit-learn упрощает создание моделей и их оценк
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Подумайте немного о связи между данными и целевой переменной регрессии. Линейная регрессия предсказывает связи между признаками X и целевой переменной y. Можете ли вы найти [целевую переменную](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) для датасета диабета в документации? Что демонстрирует этот набор данных с учётом этой цели?
✅ Подумайте о связи между данными и целевой переменной регрессии. Линейная регрессия предсказывает связь между функцией X и целевой переменной y. Найдите [целевую переменную](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) набора данных диабета в документации. Что демонстрирует этот набор?
2. Далее выберите часть этого датасета для построения графика, выбрав 3-й столбец. Используйте оператор `:`, чтобы выбрать все строки, а затем 3-й столбец с индексом (2). Можно также преобразовать данные в 2D-массив — как требуется для построения графиков —с помощью `reshape(n_rows, n_columns)`. Если один из параметров равен -1, соответствующее измерение вычисляется автоматически.
2. Затем выберите часть данных для построения графика, взяв 3-й столбец (индекс 2). Используйте оператор `:` для выбора всех строк, а затем индекс для колонки. При необходимости преобразуйте данные в 2D-массивс помощью `reshape(n_rows, n_columns)`. Если один из параметров -1, размер рассчитывается автоматически.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ В любой момент выводите данные, чтобы проверить их форму.
✅ В любой момент выводите данные для проверки их формы.
3. Теперь, когда данные готовы для отображения, проверьте, может ли машина помочь определить логическое разделение чисел в этом наборе данных. Для этого нужно разделить данные (X) и целевые значения (y) на тестовый и обучающий наборы. В Scikit-learn есть простой способ сделать это: можно разделить данные по заданному индексу.
3. Теперь, когда данные готовы к построению графика, можно проверить, поможет ли машина определить логическую границу между группами данных. Для этого нужно разделить данные (X) и целевую переменную (y) на тренировочные и тестовые наборы. Scikit-learn предоставляет простой способ сделать это, разделив данные относительно указанной точки.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Теперь вы готовы обучить вашу модель! Загрузите модель линейной регрессии и обучите её на обучающих данных X и y с помощью `model.fit()`:
4. Теперь готовьтесь обучить модель! Загрузите модель линейной регрессии и обучите её на тренировочных наборах X и y с помощью `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` — функция, которую вы встретите во многих библиотеках машинного обучения, таких как TensorFlow
✅ `model.fit()` — функция, часто встречающаяся во многих ML-библиотеках, таких как TensorFlow.
5. Затем создайте предсказание, используя тестовые данные, с помощью функции `predict()`. Это будет использоваться для построения линии между группами данных.
5. Затем создайте прогноз на тестовых данных с помощью функции `predict()`. Это позволит построить линию между группами данных.
```python
y_pred = model.predict(X_test)
```
6. Пришло время показать данные на графике. Matplotlib — очень полезный инструмент для этой задачи. Создайте диаграмму рассеяния всех тестовых данных X и y, и используйте предсказание, чтобы нарисовать линию в наиболее подходящем месте, между группами данных модели.
6. Теперь покажем данные на графике. Matplotlib — очень полезный инструмент для этого. Постройте диаграмму рассеяния для всех тестовых данных X и y и используйте предсказание, чтобы провести линию в наиболее подходящем месте между группами данных модели.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ Scikit-learn упрощает создание моделей и их оценк
plt.show()
```
✅ Подумайте, что происходит на этом графике. Прямая линия проходит через множество маленьких точек данных, но что она делает именно? Видите ли вы, как по линии можно предсказать, где должна находиться новая, невидимая точка данных относительно оси y графика? Попробуйте сформулировать практическое применение этой модели.
✅ Подумайте немного о том, что здесь происходит. Прямая линия проходит через множество маленьких точек данных, но что именно она делает? Видите ли вы, как с помощью этой линии можно предсказать, где должна располагаться новая, ранее не виденная точка данных относительно оси y на графике? Попробуйте сформулировать практическое применение этой модели.
Поздравляем, вы построили свою первую модель линейной регрессии, создали на её основе предсказание и отобразили его на графике!
Поздравляем, вы создали свою первую модель линейной регрессии, сделали прогноз и отобразили его на графике!
---
## 🚀Вызов
Постройте график другой переменной из этого набора данных. Подсказка: отредактируйте эту строку: `X = X[:,2]`. Учитывая целевую переменную этого набора данных, что вы можете узнать о прогрессировании диабета как заболевания?
## [Тест после лекции](https://ff-quizzes.netlify.app/en/ml/)
Постройте график для другой переменной из набора данных. Подсказка: отредактируйте строку `X = X[:,2]`. Что можно узнать о развитии диабета, учитывая целевую переменную этого набора данных?
## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ml/)
## Повторение и самостоятельное изучение
## Обзор и самостоятельное изучение
В этом уроке вы работали с простой линейной регрессией, а не содно- или многомерной линейной регрессией. Прочитайте немного о различиях между этими методами или посмотрите [это видео](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef).
В этом уроке вы работали с простой линейной регрессией, а не сунитарной или множественной линейной регрессией. Прочитайте немного о различиях между этими методами или посмотрите [это видео](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Прочитайте больше о концепции регрессии и подумайте, какие вопросы можно решить с помощью этой техники. Пройдите этот [урок](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), чтобы углубить свои знания.
Подробнее о концепции регрессии и подумайте, на какие вопросы можно ответить с помощью этой техники. Пройдите этот [учебник](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), чтобы углубить свои знания.
Кластеризация — это задача машинного обучения, которая направлена на поиск объектов, похожих друг на друга, и их объединение в группы, называемые кластерами. Что отличает кластеризацию от других подходов в машинном обучении, так это то, что процесс происходит автоматически. Можно сказать, что это противоположность обучению с учителем.
Кластеризация — это задача машинного обучения, в которой ищутся объекты, похожие друг на друга, и группируются в группы, называемые кластерами. В отличие от других подходов в машинном обучении, кластеризация происходит автоматически, на самом деле, можно сказать, что это противоположность обучения с учителем.
## Региональная тема: модели кластеризации для музыкальных предпочтений аудитории Нигерии 🎧
## Региональная тема: модели кластеризации для музыкальных предпочтений нигерийской аудитории 🎧
Разнообразная аудитория Нигерии имеет разнообразные музыкальные вкусы. Используя данные, собранные со Spotify (вдохновлено [этой статьей](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), давайте рассмотрим популярную музыку в Нигерии. Этот набор данных включает информацию отаких характеристиках песен, как уровень "танцевальности", "акустичности", громкость, "речевость", популярность и энергия. Будет интересно обнаружить закономерности в этих данных!
Нигерия — страна с разнообразной аудиторией и разными музыкальными вкусами. Используя данные, собранные со Spotify (вдохновляясь [этой статьёй](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), давайте посмотрим на популярную музыку в Нигерии. Этот набор данных включает информацию оразличных песнях, таких как показатель "танцевальности", "акустичности", громкости, "речевости", популярности и энергии. Будет интересно обнаружить закономерности в этих данных!
> Фото предоставлено<ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Марселой Ласкоски</a> на <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Фото от <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> на <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
В этой серии уроков вы откроете для себя новые способы анализа данных сиспользованием методов кластеризации. Кластеризация особенно полезна, если ваш набор данных не имеет меток. Если метки есть, то методы классификации, такие как те, которые вы изучали в предыдущих уроках, могут быть более полезными. Но в случаях, когда вы хотите сгруппировать данные без меток, кластеризация — отличный способ обнаружить закономерности.
В этой серии уроков вы откроете для себя новые способы анализа данных спомощью методов кластеризации. Кластеризация особенно полезна, когда в вашем наборе данных отсутствуют метки. Если метки есть, то методы классификации, такие как те, что вы изучали в предыдущих уроках, могут быть более полезны. Но в тех случаях, когда вы хотите сгруппировать немаркированные данные, кластеризация — отличный способ найти закономерности.
> Существуют полезные инструменты с низким уровнем кода, которые помогут вам освоить работу с моделями кластеризации. Попробуйте [Azure ML для этой задачи](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Существуют полезные инструменты с низким кодированием, которые помогут вам изучить работу с моделями кластеризации. Попробуйте [Azure ML для этой задачи](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Уроки
1. [Введение в кластеризацию](1-Visualize/README.md)
2. [Кластеризация методом K-Means](2-K-Means/README.md)
2. [Кластеризация методом K-средних](2-K-Means/README.md)
## Благодарности
## Авторы
Эти уроки были написаны с 🎶 [Джен Лупер](https://www.twitter.com/jenlooper) при полезных отзывах от [Ришита Дагли](https://rishit_dagli) и [Мухаммада Сакиба Хана Инана](https://twitter.com/Sakibinan).
Эти уроки были написаны с 🎶 Jen Looper (https://www.twitter.com/jenlooper) при помощи полезных отзывов от Rishit Dagli (https://rishit_dagli/) и Muhammad Sakib Khan Inan (https://twitter.com/Sakibinan).
Набор данных [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) был взят с Kaggle и собран со Spotify.
Набор данных [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) взят с Kaggle и собран со Spotify.
Полезные примеры использования K-Means, которые помогли в создании этого урока, включают [исследование ирисов](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [вводный ноутбук](https://www.kaggle.com/prashant111/k-means-clustering-with-python) и [гипотетический пример для НПО](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Полезные примеры K-средних, которые помогли в создании этого урока, включают это исследование [ирисов](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), эту [вводную тетрадь](https://www.kaggle.com/prashant111/k-means-clustering-with-python) и этот [гипотетический пример НКО](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Отказ от ответственности**:
Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен с использованием сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.
В этих двух уроках вы познакомитесь с прогнозированием временных рядов — областью машинного обучения, которая хоть и менее известна, но чрезвычайно ценна для применения в промышленности, бизнесе и других сферах. Хотя нейронные сети могут быть использованы для повышения эффективности этих моделей, мы будем изучать их в контексте классического машинного обучения, где модели помогают предсказывать будущую производительность на основе данных прошлого.
В этих двух уроках вы познакомитесь с прогнозированием временных рядов — сравнительно малоизвестной областью машинного обучения, которая, тем не менее, чрезвычайно ценна для промышленности и бизнеса, а также других сфер. Хотя нейронные сети могут использоваться для повышения полезности этих моделей, мы будем изучать их в контексте классического машинного обучения, поскольку модели помогают прогнозировать будущее поведение на основе прошлого.
Наш региональный фокус — потребление электроэнергии в мире. Это интересный набор данных, который позволяет изучить прогнозирование будущего энергопотребления на основе прошлых нагрузок. Вы увидите, как такой вид прогнозирования может быть крайне полезным в бизнес-среде.
Наш региональный фокус — потребление электроэнергии в мире, интересный набор данных для изучения прогнозирования будущего потребления электроэнергии на основе паттернов прошлой нагрузки. Вы увидите, насколько такой вид прогнозирования может быть полезен в бизнес-среде.
Фото [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) электрических вышек на дороге в Раджастане на [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Фото от [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) электростанций на дороге в Раджастане на [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Уроки
1. [Введение в прогнозирование временных рядов](1-Introduction/README.md)
2. [Создание моделей временных рядов ARIMA](2-ARIMA/README.md)
3. [Создание модели Support Vector Regressor для прогнозирования временных рядов](3-SVR/README.md)
2. [Построение моделей временных рядов ARIMA](2-ARIMA/README.md)
3. [Построение регрессора опорных векторов для прогнозирования временных рядов](3-SVR/README.md)
## Благодарности
## Авторы
"Введение в прогнозирование временных рядов" было написано с ⚡️ [Франческой Лаццери](https://twitter.com/frlazzeri) и [Джен Лупер](https://twitter.com/jenlooper). Ноутбуки впервые появились онлайн в [репозитории Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), изначально написанном Франческой Лаццери. Урок про SVR был написан [Анирбаном Мукерджи](https://github.com/AnirbanMukherjeeXD).
"Введение в прогнозирование временных рядов" было написано с ⚡️ [Франческой Лаццери](https://twitter.com/frlazzeri) и [Джен Лупер](https://twitter.com/jenlooper). Ноутбуки впервые появились в сети в репозитории [Azure "Глубокое обучение для временных рядов"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), изначально написанном Франческой Лаццери. Урок по SVR написан [Анирбаном Мукерджи](https://github.com/AnirbanMukherjeeXD)
---
**Отказ от ответственности**:
Этот документ был переведен с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, учитывайте, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен с использованием сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> Этот репозиторий включает более 50 переводов на разные языки, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте разреженную загрузку (sparse checkout):
> В этом репозитории есть более 50 переводов, что существенно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,160 +33,163 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Это даст вам всё необходимое для прохождения курса сгораздо более быстрой загрузкой.
> Это даст вам всё необходимое для прохождения курса снамного более быстрой загрузкой.
У нас сейчас идёт серия в Discord "Учись с ИИ", узнавайте больше и присоединяйтесь к [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы узнаете советы и приёмы использования GitHub Copilot для Data Science.
У нас идет серия «Учись с ИИ» на Discord, узнавайте больше и присоединяйтесь к нам на [серии Learn with AI](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и трюки по использованию GitHub Copilot для Data Science.
# Машинное обучение для начинающих - Учебная программа
# Машинное обучение для начинающих — учебная программа
> 🌍 Путешествуйте по миру, изучая машинное обучение через призму мировых культур 🌍
> 🌍 Путешествуйте по миру, пока мы исследуем машинное обучение через культуры разных стран 🌍
Cloud Advocates в Microsoft рады представить 12-недельную программу из 26 уроков, полностью посвящённую **Машинному обучению**. В этой программе вы узнаете о том, что иногда называют **классическим машинным обучением**, в основном используя библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе [AI for Beginners](https://aka.ms/ai4beginners). Совместите эти уроки с нашим курсом ['Data Science for Beginners'](https://aka.ms/ds4beginners) для большего эффекта!
Команда Cloud Advocates в Microsoft рада представить 12-недельную программу из 26 уроков, целиком посвящённую **машинному обучению**. В этой программе вы изучите то, что иногда называют **классическим машинным обучением**, используя преимущественно библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей [программе AI для начинающих](https://aka.ms/ai4beginners). Совмещайте эти уроки с нашей программой ['Data Science для начинающих'](https://aka.ms/ds4beginners)!
Путешествуйте с нами по миру, применяя эти классические методы к данным из различных регионов. Каждый урок включает тесты до и после, письменные инструкции для выполнения, решение, домашнее задание и многое другое. Наша проектно-ориентированная методика позволяет учиться в процессе создания, что доказано как эффективный способ усвоения новых навыков.
Путешествуйте вместе с нами по всему миру, применяя классические методы на данных из разных регионов. Каждый урок включает тесты до и после занятия, письменные инструкции по выполнению, решения, задания и многое другое. Наша проектная педагогика позволяет учиться, создавая проекты, что является проверенным способом усвоения новых навыков.
**✍️ Сердечная благодарность нашим авторам** Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукхерджи, Орнелла Алтунян, Рут Якубу и Эми Бойд
**✍️ Сердечная благодарность нашим авторам** Джен Лупер, Стивен Хауэлл, Франческа Лаццери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтуньян, Рут Якубу и Эми Бойд
**🎨 Спасибо также нашим иллюстраторам** Томоми Имура, Дасани Мадипалли и Джен Лупер
**🎨 Благодарности также нашим иллюстраторам** Томоми Имура, Дасани Мадипалли и Джен Лупер
**🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft, авторам, рецензентам и контент-конкурентам**, особенно Ришиту Дагли, Мухаммад Сакибу Хан Ина, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдха Агарвал
**🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft — авторам, рецензентам и контент-участникам**, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снидхе Агарвал
**🤩 Особое спасибо студентам-амбассадорам Microsoft Эрику Ванджау, Джаслин Сонди и Видуши Гупте за наши уроки по R!**
**🤩 Особая благодарность студентам-амбассадорам Microsoft Эрику Ванджау, Джаслин Сондхи и Видуши Гупте за наши уроки R!**
# Начало работы
Выполните следующие шаги:
1. **Форкните репозиторий**: Нажмите кнопку «Fork» в правом верхнем углу этой страницы.
> 💡 **Совет для быстрого старта:** Хотите начать в браузере, не устанавливая Python локально? Используйте [GitHub Codespaces](https://github.com/features/codespaces) для создания облачной среды разработки для вашего форка. Откройте зелёное меню **Code**, выберите **Codespaces** и создайте codespace; при необходимости установите в нём зависимости каждого урока.
> [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [Руководством по устранению неполадок](TROUBLESHOOTING.md) для решения типичных проблем с установкой, настройкой и запуском уроков.
> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решения типичных проблем с установкой, настройкой и запуском уроков.
**[Студенты](https://aka.ms/student-page)**, чтобы использовать эту программу, создайте форк всего репозитория в своём аккаунте GitHub и выполняйте упражнения самостоятельно или в группе:
**[Студенты](https://aka.ms/student-page)**, чтобы использовать эту программу, сделайте fork всего репозитория на свой GitHub и выполняйте упражнения самостоятельно или в группе:
- Начните стеста до лекции.
- Прочтите лекцию и выполните задания, останавливаясь и размышляя при каждом знании проверки.
- Пытайтесь создавать проекты, понимая уроки, а не просто запускайте решение; однако код решения доступен в папках `/solution` в каждом уроке с направленностью на проект.
- Пройдите тест после лекции.
- Начните сопроса перед лекцией.
- Изучите лекцию и выполните задания, делая паузы и обдумывая каждый проверочный вопрос.
- Пытайтесь создавать проекты, понимая уроки, а не просто запуская готовый код; однако решения есть в папках `/solution` каждого проектного урока.
- Пройдите опрос после лекции.
- Выполните вызов.
- Выполните домашнее задание.
- После завершения группы уроков посетите [Форум обсуждений](https://github.com/microsoft/ML-For-Beginners/discussions) и «учитесь вслух», заполнив соответствующую рубрику PAT. PAT — это инструмент оценки прогресса, рубрика, которую вы заполняете, чтобы углубить обучение. Вы также можете реагировать на другие PAT, чтобы учиться вместе.
- Выполните задание.
- После завершения группы уроков посетите [Дискуссионную доску](https://github.com/microsoft/ML-For-Beginners/discussions) и «обсуждайте вслух», заполняя соответствующую оценочную форму PAT. PAT — это инструмент оценки прогресса, форму которого вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.
> Для дальнейшего изучения рекомендуем пройти эти [модули и пути обучения Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Для дальнейшего изучения мы рекомендуем следовать этим модулям и учебным путям [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Учителя**, мы включили [несколько рекомендаций](for-teachers.md) по использованию этой учебной программы.
**Учителя**, мы [включили некоторые рекомендации](for-teachers.md) по использованию этой программы.
---
## Видео-руководства
## Видео-инструкции
Некоторые уроки доступны в виде коротких видео. Их можно найти встроенными в уроки или на [плейлисте ML for Beginners на YouTube-канале Microsoft Developer](https://aka.ms/ml-beginners-videos), кликнув по изображению ниже.
Некоторые уроки доступны в виде коротких видео. Вы можете найти их встроенными в уроки или на [плейлисте ML for Beginners на канале Microsoft Developer в YouTube](https://aka.ms/ml-beginners-videos), нажав на изображение ниже.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Нажмите на изображение выше для просмотра видео о проекте и людях, которые его создали!
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
---
## Педагогика
При создании этой учебной программы мы выбрали два педагогических принципа: обеспечить практическую **проектно-ориентированную** структуру и включить **частые проверочные тесты**. Кроме того, программа имеет единую **тему** для связности.
При создании этой программы мы выбрали два педагогических принципа: обеспечение её практической **проектной** направленности и включение **частых тестов**. Кроме того, у программы есть общая **тема**, придающая ей целостность.
Обеспечение совпадения содержания с проектами делает процесс более увлекательным для студентов и увеличивает усвоение концепций. Кроме того, тест до занятия задаёт установку на обучение теме, а второй тест после занятия укрепляет знания. Эта программа была разработана, чтобы быть гибкой и увлекательной, её можно проходить полностью или часть. Проекты начинаются с простого и становятся всё более сложными к концу 12-недельного цикла. Программа также содержит постскриптум о реальном применении машинного обучения, который можно использовать для дополнительного зачёта или в качестве основы для обсуждения.
Совмещение содержания с проектами делает процесс для студентов более увлекательным и способствует лучшему усвоению концепций. Низконагрузочный тест перед занятием настраивает студента на изучение темы, а второй тест после занятия помогает закрепить материал. Эта программа разработана быть гибкой и интересной, её можно пройти полностью или частично. Проекты начинаются с простых и усложняются к концу 12-недельного цикла. В программе также есть послесловие о реальных применениях машинного обучения, которое можно использовать как дополнительный бонус или для обсуждения.
> Ознакомьтесь с нашим [Кодексом поведения](CODE_OF_CONDUCT.md), [Правилами внесения вкладов](CONTRIBUTING.md), [переводами](..) и [Руководством по устранению неполадок](TROUBLESHOOTING.md). Мы приветствуем ваши конструктивные отзывы!
> Ознакомьтесь с нашими правилами [Кодекса поведения](CODE_OF_CONDUCT.md), [внесения вклада](CONTRIBUTING.md), [переводов](..) и [устранения проблем](TROUBLESHOOTING.md). Мы приветствуем ваши конструктивные отзывы!
## Каждый урок включает
- факультативные заметки-скетчи
- факультативное дополнительное видео
- видео-прохождение (только некоторые уроки)
- [разминку перед лекцией (тест)](https://ff-quizzes.netlify.app/en/ml/)
- необязательные заметки-эскизы
- необязательное дополнительное видео
- видео-инструкцию (некоторые уроки)
- [подготовительный опрос перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
- письменный урок
- для проектно-ориентированных уроков — пошаговые инструкции по созданию проекта
- проверки знаний
- челлендж
- для проектных уроков — пошаговые инструкции по созданию проекта
- проверочные вопросы
- вызов
- дополнительное чтение
- домашнее задание
- [тест после лекции](https://ff-quizzes.netlify.app/en/ml/)
> **Заметка о языках**: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что представляет собой **R Markdown** файл, который можно просто определить как встроение `фрагментов кода` (на R или других языках) и `YAML-заголовка` (который управляет форматированием вывода, например, PDF) в `Markdown-документ`. Таким образом, он служит примером авторской среды для науки о данных, поскольку позволяет комбинировать ваш код, его вывод и ваши мысли, позволяя записывать их в Markdown. Более того, документы R Markdown могут быть сгенерированы в форматы вывода, такие как PDF, HTML или Word.
> **Заметка о викторинах**: Все викторины содержатся в папке [Quiz App folder](../../quiz-app), всего 52 викторины по три вопроса в каждой. Они связаны с уроками, но приложение для викторин можно запустить локально; следуйте инструкциям в папке `quiz-app` для локального хостинга или деплоя в Azure.
| Номер урока | Тема | Группа уроков | Учебные цели | Связанный урок | Автор |
| 01 | Введение в машинное обучение | [Introduction](1-Introduction/README.md) | Изучить базовые концепции машинного обучения | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | История машинного обучения | [Introduction](1-Introduction/README.md) | Изучить историю, лежащую в основе этой области | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen и Amy |
| 03 | Справедливость и машинное обучение | [Introduction](1-Introduction/README.md) | Какие важные философские вопросы справедливости должны учитывать студенты при построении и применении моделей МЛ? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Методы машинного обучения | [Introduction](1-Introduction/README.md) | Какие методы используют исследователи МЛ для построения моделей? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris и Jen |
| 05 | Введение в регрессию | [Regression](2-Regression/README.md) | Начать работать с Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Визуализировать и очистить данные для подготовки к МЛ | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Построить линейные и полиномиальные регрессионные модели | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen и Dmitry • Eric Wanjau |
| 08 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Построить модель логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб-приложение 🔌 | [Web App](3-Web-App/README.md) | Построить веб-приложение для использования вашей обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Введение в классификацию | [Classification](4-Classification/README.md) | Очистить, подготовить и визуализировать данные; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen и Cassie • Eric Wanjau |
| 11 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen и Cassie • Eric Wanjau |
| 12 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen и Cassie • Eric Wanjau |
| 13 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Построить рекомендательное веб-приложение с использованием вашей модели | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Введение в кластеризацию | [Clustering](5-Clustering/README.md) | Очистить, подготовить и визуализировать данные; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Изучение музыкальных вкусов Нигерии 🎧 | [Clustering](5-Clustering/README.md) | Изучить метод кластеризации K-средних | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Введение в обработку естественного языка ☕️ | [Natural language processing](6-NLP/README.md) | Изучить основы обработки естественного языка, построив простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Распространенные задачи NLP ☕️ | [Natural language processing](6-NLP/README.md) | Углубить знания по NLP, изучив распространенные задачи при работе с языковыми структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Перевод и анализ тональности ♥️ | [Natural language processing](6-NLP/README.md) | Перевод и анализ тональности на примере Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ тональности на основе отзывов об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ тональности на основе отзывов об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с ARIMA | [Time series](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR | [Time series](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью регрессии опорных векторов | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Введение в обучение с подкреплением | [Reinforcement learning](8-Reinforcement/README.md) | Введение в обучение с подкреплением с использованием Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Помогите Питеру избежать волка! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Использование Gym для обучения с подкреплением | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Постскрипт | Сценарии и приложения МЛ в реальном мире | [ML in the Wild](9-Real-World/README.md) | Интересные и наглядные примеры применения классического машинного обучения | [Lesson](9-Real-World/1-Applications/README.md) | Команда |
| Постскрипт | Отладка моделей машинного обучения с помощью RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Отладка моделей машинного обучения с использованием компонентов панели Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [найдите все дополнительные материалы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- задание
- [опрос после лекции](https://ff-quizzes.netlify.app/en/ml/)
> **Замечание о языках**: Эти уроки преимущественно написаны на Python, но многие из них также доступны на R. Чтобы пройти урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что означает **R Markdown** — формат, который представляет собой встраивание `кодовых блоков` (R или других языков) и `YAML-заголовка` (который указывает, как форматировать вывод, например, в PDF) в `Markdown-документ`. Таким образом, это отличный инструмент для научных вычислений, позволяющий объединять ваш код, его вывод и заметки, записывая их в Markdown. Кроме того, документы R Markdown могут быть преобразованы в форматы вывода, такие как PDF, HTML или Word.
> **Замечание о тестах**: Все тесты находятся в папке [Quiz App](../../quiz-app), всего 52 теста по три вопроса каждый. Они связаны с уроками, но приложение для тестов можно запускать локально; следуйте инструкциям в папке `quiz-app` для локального хостинга или развертывания в Azure.
| Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок | Автор |
| 01 | Введение в машинное обучение | [Introduction](1-Introduction/README.md) | Изучите основные концепции машинного обучения | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Мухаммад |
| 02 | История машинного обучения | [Introduction](1-Introduction/README.md) | Узнайте историю, лежащую в основе этой области | [Lesson](1-Introduction/2-history-of-ML/README.md) | Джен и Эми |
| 03 | Справедливость и машинное обучение | [Introduction](1-Introduction/README.md) | Какие важные философские вопросы справедливости следует учитывать студентам при создании и применении моделей МО? | [Lesson](1-Introduction/3-fairness/README.md) | Томоми |
| 04 | Техники машинного обучения | [Introduction](1-Introduction/README.md) | Какие техники используют исследователи МО для построения моделей МО? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Крис и Джен |
| 05 | Введение в регрессию | [Regression](2-Regression/README.md) | Начните с Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Джен • Эрик Ванджау |
| 06 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Визуализируйте и очистите данные для подготовки к МО | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Джен • Эрик Ванджау |
| 07 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Постройте линейные и полиномиальные регрессионные модели | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Джен и Дмитрий • Эрик Ванджау |
| 08 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Постройте модель логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Джен • Эрик Ванджау |
| 09 | Веб-приложение 🔌 | [Web App](3-Web-App/README.md) | Создайте веб-приложение для использования вашей обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Джен |
| 10 | Введение в классификацию | [Classification](4-Classification/README.md) | Очистите, подготовьте и визуализируйте данные; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Джен и Кэсси • Эрик Ванджау |
| 11 | Вкусная азиатская и индийская кухня 🍜 | [Classification](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Джен и Кэсси • Эрик Ванджау |
| 12 | Вкусная азиатская и индийская кухня 🍜 | [Classification](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Джен и Кэсси • Эрик Ванджау |
| 13 | Вкусная азиатская и индийская кухня 🍜 | [Classification](4-Classification/README.md) | Создайте рекомендательное веб-приложение, используя вашу модель | [Python](4-Classification/4-Applied/README.md) | Джен |
| 14 | Введение в кластеризацию | [Clustering](5-Clustering/README.md) | Очистите, подготовьте и визуализируйте данные; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Джен • Эрик Ванджау |
| 15 | Изучение музыкальных предпочтений Нигерии 🎧 | [Clustering](5-Clustering/README.md) | Изучите метод кластеризации K-средних | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Джен • Эрик Ванджау |
| 16 | Введение в обработку естественного языка ☕️ | [Natural language processing](6-NLP/README.md) | Изучите основы обработки естественного языка, создавая простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивен |
| 17 | Общие задачи NLP ☕️ | [Natural language processing](6-NLP/README.md) | Углубите свои знания NLP, понимая общие задачи, необходимые при работе со структурами языка | [Python](6-NLP/2-Tasks/README.md) | Стивен |
| 18 | Перевод и анализ настроений ♥️ | [Natural language processing](6-NLP/README.md) | Перевод и анализ настроений на примере Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивен |
| 19 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ настроений на основе отзывов об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивен |
| 20 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ настроений на основе отзывов об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивен |
| 24 | Введение в обучение с подкреплением | [Reinforcement learning](8-Reinforcement/README.md) | Введение в обучение с подкреплением с использованием Q-обучения | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитрий |
| 25 | Помоги Питеру избежать волка! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Обучение с подкреплением в среде Gym | [Python](8-Reinforcement/2-Gym/README.md) | Дмитрий |
| Постскриптум | Реальные сценарии и применения МО | [ML in the Wild](9-Real-World/README.md) | Интересные и познавательные реальные применения классического МО | [Lesson](9-Real-World/1-Applications/README.md) | Команда |
| Постскриптум | Отладка моделей МОс использованием RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Отладка моделей машинного обучения с помощью компонентов рабочего стола Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Якубу |
> [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Оффлайн-доступ
Вы можете запускать эту документацию офлайн, используя [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на вашем локальном компьютере, а затем в корневой папке репозитория введите `docsify serve`. Сайт будет доступен по адресу `localhost:3000` на вашем локальном хосте.
Вы можете использовать эту документацию оффлайн с помощью [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на вашу локальную машину, а затем в корневой папке репозитория введите `docsify serve`. Веб-сайт будет запущен на порту 3000 вашего локального хоста: `localhost:3000`.
## PDF
## PDF-файлы
Найдите pdf версии учебной программы с ссылками [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Найдите PDF версию учебной программы с ссылками [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Другие курсы
Наша команда выпускает и другие курсы! Ознакомьтесь:
Наша команда выпускает и другие курсы! Посмотрите:
<!-- 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)
### Azure / Edge / MCP / Агенты
[](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)
---
@ -198,46 +201,46 @@ Cloud Advocates в Microsoft рады представить 12-недельну
---
### Основные знания
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
### Основное обучение
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серия Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Если вы столкнулись с трудностями или у вас возникли вопросы во время изучения машинного обучения или создания приложений ИИ, не волнуйтесь — помощь доступна.
Если вы застряли или у вас возникли вопросы при изучении машинного обучения или создании AI-приложений, не волнуйтесь — помощь доступна.
Вы можете присоединиться к обсуждениям с другими учениками и разработчиками, задавать вопросы и делиться своими идеями с сообществом.
Вы можете присоединиться к обсуждениям с другими учащимися и разработчиками, задавать вопросы и делиться своими идеями с сообществом.
- Присоединяйтесь к сообществу, чтобы задавать вопросы и учиться вместес другими
- Присоединяйтесь к сообществу, чтобы задавать вопросы и учиться вместе
- Обсуждайте концепции машинного обучения и идеи проектов
- Получайте советы от опытных разработчиков
Поддерживающее сообщество — отличный способ развивать свои навыки и быстрее решать проблемы.
Поддерживающее сообщество — отличный способ развивать навыки и быстрее решать проблемы.
[Сообщество Microsoft Foundry в Discord](https://discord.gg/nTYy5BXMWG)
Если вы обнаружите ошибки, сбои или у вас есть предложения по улучшению, вы также можете открыть **Issue** в этом репозитории, чтобы сообщить о проблеме.
Для отзывов о продукте или поиска уже существующих публикаций сообщества посетите форум разработчиков:
Для отзывов о продукте или поиска по существующим публикациям сообщества посетите Форум разработчиков:
[](https://aka.ms/foundry/forum)
[](https://aka.ms/foundry/forum)
## Дополнительные советы для обучения
## Дополнительные советы по обучению
- Просматривайте ноутбуки после каждого урока для лучшего понимания.
- Просматривайте записные книжки после каждого урока для лучшего понимания.
- Практикуйтесь в самостоятельной реализации алгоритмов.
- Исследуйте реальные наборы данных, используя изученные концепции.
@ -245,5 +248,5 @@ Cloud Advocates в Microsoft рады представить 12-недельну
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен спомощью службы автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на егородном языке следует считать авторитетным источником. Для критически важной информации рекомендуется профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникающие при использовании данного перевода.
Этот документ был переведен сиспользованием сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на егоисходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.
Хотите использовать эту учебную программу в своем классе? Пожалуйста, не стесняйтесь!
Хотите использовать эту учебную программу в своем классе? Пожалуйста, используйте на здоровье!
На самом деле, вы можете использовать ее прямо в GitHub, воспользовавшись GitHub Classroom.
На самом деле, вы можете использовать её прямо в GitHub с помощью GitHub Classroom.
Для этого сделайте форк этого репозитория. Вам нужно будет создать отдельный репозиторий для каждого урока, поэтому необходимо извлечь каждую папку в отдельный репозиторий. Таким образом, [GitHub Classroom](https://classroom.github.com/classrooms) сможет обрабатывать каждый урок отдельно.
Для этого сделайте форк этого репозитория. Вам нужно будет создать репозиторий для каждого урока, поэтому нужно извлечь каждую папку в отдельный репозиторий. Таким образом, [GitHub Classroom](https://classroom.github.com/classrooms) сможет обрабатывать каждый урок отдельно.
Эти [полные инструкции](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) помогут вам понять, как настроить ваш класс.
Эти [полные инструкции](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) помогут вам понять, как настроить ваше учебное пространство.
## Использование репозитория как есть
Если вы хотите использовать этот репозиторий в его текущем виде, без использования GitHub Classroom, это тоже возможно. Вам нужно будет сообщить своим студентам, над каким уроком работать вместе.
Если вы хотите использовать этот репозиторий в его текущем виде, без использования GitHub Classroom, это также возможно. Вам нужно будет сообщить студентам, какой урок проходить совместно.
В онлайн-формате (Zoom, Teams или другой) вы можете организовать комнаты для обсуждений, чтобы студенты могли проходить викторины, а также наставлять их, чтобы подготовить к обучению. Затем пригласите студентов пройти викторины и отправить свои ответы в виде 'issues' в определенное время. То же самое можно сделать с заданиями, если вы хотите, чтобы студенты работали совместно и открыто.
В онлайн-формате (Zoom, Teams или другом) вы можете создавать комнаты для викторин и наставлять студентов, помогая им подготовиться к обучению. Затем пригласите студентов проходить викторины и отправлять свои ответы в виде «issues» в определённое время. Аналогично можно поступать с заданиями, если хотите, чтобы студенты работали совместно и открыто.
Если вы предпочитаете более приватный формат, попросите студентов сделать форк учебной программы, урок за уроком, в свои собственные приватные репозитории на GitHub и предоставить вам доступ. Затем они смогут проходить викторины и выполнять задания приватно, отправляя их вам через issues в вашем репозитории для класса.
Если вы предпочитаете более приватный формат, попросите студентов форкать учебную программу, урок за уроком, в их собственные приватные репозитории на GitHub и предоставить вам доступ. Тогда они смогут выполнять викторины и задания приватно и отправлять их вам через issues в вашем учебном репозитории.
Существует множество способов организовать работу в онлайн-классе. Пожалуйста, сообщите нам, какой формат лучше всего подходит для вас!
Существует много способов организовать это в формате онлайн-занятий. Пожалуйста, сообщите нам, что работает для вас лучше всего!
## Пожалуйста, поделитесь своими мыслями!
## Пожалуйста, поделитесь вашим мнением!
Мы хотим, чтобы эта учебная программа была полезной для вас и ваших студентов. Пожалуйста, оставьте нам [обратную связь](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Мы хотим сделать эту учебную программу удобной для вас и ваших студентов. Пожалуйста, оставьте нам [обратную связь](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Отказ от ответственности**:
Этот документ был переведен с использованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникшие в результате использования данного перевода.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен с использованием сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.
localizeflow[bot]
3 weeks ago