@ -107,7 +107,7 @@ Scikit-learn liigitab klassifitseerimise juhendatud õppimise alla, ja selles ka
Millist klassifikaatorit valida? Sageli on hea katsetada mitmeid ja otsida parimat tulemust. Scikit-learn pakub [kõrvutavat võrdlust](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) loodud andmestikul, võrreldes KNeighbors, SVC kahte viisi, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ja QuadraticDiscriminationAnalysis, näidates tulemusi visualiseeritult:
> Graafikud on genereeritud Scikit-learn'i dokumentatsioonis
> AutoML lahendab selle probleemi elegantselt, tehes need võrdlused pilves ja võimaldades valida parima algoritmi sinu andmete jaoks. Proovi seda [siin](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott)
@ -116,7 +116,7 @@ Millist klassifikaatorit valida? Sageli on hea katsetada mitmeid ja otsida parim
Parem viis kui lihtsalt juhuslikult arvata, on järgida ideid selle allalaaditava [ML Cheat Sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) abil. Siin avastame, et meie mitmeklassi probleemi jaoks on mõned valikud:
> Microsofti algoritmi spikri osa, mis kirjeldab mitmeklassi klassifikatsiooni valikuid
✅ Laadi see spikker alla, prindi see välja ja riputa seinale!
@ -147,7 +147,7 @@ Dokumentatsiooni järgi mitmeklassi puhul treeningalgoritm:
Scikit-learn pakub seda tabelit, et selgitada, kuidas solverid käsitlevad erinevaid väljakutseid, mida esitavad erinevat tüüpi andmestruktuurid:
"Parem viis kui lihtsalt juhuslikult arvata, on järgida ideid sellelt allalaaditavalt [ML spikri lehelt](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott). Siin avastame, et meie mitmeklassilise probleemi jaoks on mõned valikud:\n",
@ -25,7 +25,7 @@ Oleme sinu _notebook.ipynb_ faili laadinud puhastatud andmestikuga ja jaganud se
Eelnevalt õppisid erinevaid võimalusi andmete klassifitseerimiseks, kasutades Microsofti spikrit. Scikit-learn pakub sarnast, kuid detailsemat spikrit, mis aitab veelgi täpsemalt valida sobivaid hindajaid (teine termin klassifikaatorite kohta):
> Näpunäide: [vaata seda kaarti veebis](https://scikit-learn.org/stable/tutorial/machine_learning_map/) ja klõpsa teekonnal, et lugeda dokumentatsiooni.
"Varem õppisime erinevate võimaluste kohta, mis on olemas andmete klassifitseerimiseks, kasutades Microsofti spikrit. Pythoni masinõppe raamistik Scikit-learn pakub sarnast, kuid detailsemat spikrit, mis aitab veelgi täpsemalt valida sobivaid hindajaid (teine termin klassifikaatorite kohta):\n",
"Klassifitseerimise kontekstis on `Toetavate vektorite masinad` masinõppe meetod, mis püüab leida *hüpertasandi*, mis \"kõige paremini\" eraldab klassid. Vaatame lihtsat näidet:\n",
@ -152,7 +152,7 @@ Kui käivitad kogu märkmiku, ehitatakse Onnx mudel ja salvestatakse see kausta.
Onnx mudelid ei ole Visual Studio koodis väga nähtavad, kuid on olemas väga hea tasuta tarkvara, mida paljud teadlased kasutavad mudeli visualiseerimiseks, et veenduda selle õiges ehitamises. Laadi alla [Netron](https://github.com/lutzroeder/Netron) ja ava oma model.onnx fail. Näed oma lihtsat mudelit visualiseerituna, koos selle 380 sisendi ja klassifikaatoriga:
@ -301,7 +301,7 @@ Selles koodis toimub mitu asja:
Ava terminal Visual Studio Code'is kaustas, kus asub sinu index.html fail. Veendu, et sul on [http-server](https://www.npmjs.com/package/http-server) globaalselt installitud, ja kirjuta käsureale `http-server`. Avaneb localhost, kus saad oma veebirakendust vaadata. Kontrolli, millist kööki soovitatakse erinevate koostisosade põhjal:
Aasias ja Indias on toidutraditsioonid äärmiselt mitmekesised ja väga maitsvad! Vaatame piirkondlike köökide andmeid, et paremini mõista nende koostisosi.
@ -70,7 +70,7 @@ Süvene klasterdamistehnikate mõistmisse selles [õppemoodulis](https://docs.mi
>
>'Lame' selles kontekstis viitab eukleidilisele geomeetriale (mida osaliselt õpetatakse "tasapinna" geomeetria nime all) ja mitte-lame viitab mitte-eukleidilisele geomeetriale. Mis on geomeetria seos masinõppega? Noh, kuna mõlemad valdkonnad põhinevad matemaatikal, peab olema ühine viis punktidevaheliste kauguste mõõtmiseks klastrites, ja seda saab teha "lame" või "mitte-lame" viisil, sõltuvalt andmete olemusest. [Eukleidilised kaugused](https://wikipedia.org/wiki/Euclidean_distance) mõõdetakse sirgjoone pikkusena kahe punkti vahel. [Mitte-eukleidilised kaugused](https://wikipedia.org/wiki/Non-Euclidean_geometry) mõõdetakse mööda kõverat. Kui su andmed, visualiseerituna, ei tundu eksisteerivat tasapinnal, võib vaja minna spetsiaalset algoritmi nende käsitlemiseks.
>
@ -93,12 +93,12 @@ Klasterdamise algoritme on üle 100, ja nende kasutamine sõltub käsitletavate
- **Hierarhiline klasterdamine**. Kui objekt klassifitseeritakse selle läheduse järgi lähedalasuvale objektile, mitte kaugemal olevale, moodustuvad klastrid nende liikmete kauguse järgi teistest objektidest. Scikit-learn'i aglomereeriv klasterdamine on hierarhiline.
- **Tsentroidi klasterdamine**. See populaarne algoritm nõuab "k" ehk moodustatavate klastrite arvu valimist, mille järel algoritm määrab klastri keskpunkti ja kogub andmeid selle punkti ümber. [K-means klasterdamine](https://wikipedia.org/wiki/K-means_clustering) on populaarne tsentroidi klasterdamise versioon. Keskpunkt määratakse lähima keskmise järgi, seega nimi. Klastri ruutkaugus minimeeritakse.
- **Jaotuspõhine klasterdamine**. Statistilisel modelleerimisel põhinev jaotuspõhine klasterdamine keskendub tõenäosuse määramisele, et andmepunkt kuulub klastri juurde, ja määrab selle vastavalt. Gaussi segameetodid kuuluvad sellesse tüüpi.
@ -234,7 +234,7 @@ Vaadake andmete üldisi väärtusi. Pange tähele, et populaarsus võib olla '0'
1. Kolm populaarseimat žanrit domineerivad selgelt selles andmestikus. Keskendume `afro dancehall`, `afropop` ja `nigerian pop` žanritele ning lisaks filtreerime andmestiku, et eemaldada kõik, mille populaarsusväärtus on 0 (mis tähendab, et neid ei klassifitseeritud populaarsuse järgi ja neid võib meie eesmärkidel pidada müra).
@ -275,7 +275,7 @@ Pange tähele, et kui populaarseim žanr on kirjeldatud kui 'Puudub', tähendab
Ainus tugev korrelatsioon on `energy` ja `loudness` vahel, mis pole üllatav, arvestades, et valju muusika on tavaliselt üsna energiline. Muud korrelatsioonid on suhteliselt nõrgad. Huvitav on näha, mida klasterdamise algoritm nende andmetega teha suudab.
@ -307,7 +307,7 @@ Kas need kolm žanrit erinevad oluliselt tantsitavuse tajumises, lähtudes nende
Üldiselt on kolm žanrit populaarsuse ja tantsitavuse osas lahtiselt joondatud. Klasterdamise määramine selles lahtiselt joondatud andmetes on väljakutse:
Üldiselt saate klasterdamiseks kasutada hajuvusdiagramme, et näidata andmeklastrite jaotust, seega on selle visualiseerimise tüübi valdamine väga kasulik. Järgmises õppetunnis võtame need filtreeritud andmed ja kasutame k-means klasterdamist, et avastada selles andmestikus rühmi, mis kattuvad huvitavatel viisidel.
"> \"Tasapinnaline\" viitab siin Eukleidese geomeetriale (mida osaliselt õpetatakse \"tasapinnageomeetria\" nime all) ja mitte-tasapinnaline viitab mitte-Eukleidese geomeetriale. Mis on geomeetrial pistmist masinõppega? Noh, kuna mõlemad valdkonnad põhinevad matemaatikal, peab olema ühine viis punktidevaheliste vahemaade mõõtmiseks klastrites, ja seda saab teha \"tasapinnaliselt\" või \"mitte-tasapinnaliselt\", sõltuvalt andmete olemusest. [Eukleidese vahemaad](https://wikipedia.org/wiki/Euclidean_distance) mõõdetakse kui sirgjoone pikkust kahe punkti vahel. [Mitte-Eukleidese vahemaad](https://wikipedia.org/wiki/Non-Euclidean_geometry) mõõdetakse mööda kõverat. Kui su andmed, visualiseerituna, ei eksisteeri tasapinnal, võib vaja minna spetsiaalset algoritmi nende käsitlemiseks.\n",
"- **Hierarhiline klasterdamine**. Kui objekti klassifitseeritakse selle läheduse järgi lähedalasuvale objektile, mitte kaugemal olevale, moodustatakse klastrid nende liikmete vahemaade põhjal teiste objektidega. Hierarhilist klasterdamist iseloomustab kahe klastri korduv ühendamine.\n",
"- **Tsentroidi klasterdamine**. See populaarne algoritm nõuab \"k\" ehk moodustatavate klastrite arvu valimist, mille järel algoritm määrab klastri keskpunkti ja kogub andmeid selle punkti ümber. [K-means klasterdamine](https://wikipedia.org/wiki/K-means_clustering) on populaarne tsentroidi klasterdamise versioon, mis jagab andmekogumi eelnevalt määratletud K gruppi. Keskpunkt määratakse lähima keskmise järgi, seega nimi. Klastri ruutkaugus minimeeritakse.\n",
Klastreid saab visualiseerida kui [Voronoi diagramme](https://wikipedia.org/wiki/Voronoi_diagram), mis sisaldavad punkti (või 'seemet') ja selle vastavat piirkonda.
Sa võiksid andmestiku läbi käia ja need kõrvalekalded eemaldada, kuid see muudaks andmed üsna minimaalseks.
@ -187,7 +187,7 @@ Varem arvasid, et kuna sihtisid 3 laulude žanrit, peaksid valima 3 klastrit. Ag
Kasuta `wcss` muutujat, mille ehitasid eelmises etapis, et luua diagramm, mis näitab, kus on 'küünarnuki' painutus, mis näitab optimaalset klastrite arvu. Võib-olla on see tõesti **3**!
Need andmed on liiga tasakaalust väljas, liiga vähe korrelatsioonis ja veergude väärtuste vahel on liiga palju variatsiooni, et hästi klasterdada. Tegelikult on klastrid, mis moodustuvad, tõenäoliselt tugevalt mõjutatud või kallutatud kolme žanrikategooria poolt, mille me ülal määratlesime. See oli õppeprotsess!
Scikit-learn'i dokumentatsioonis näed, et mudel nagu see, kus klastrid ei ole väga hästi eraldatud, on 'variantsi' probleemiga:
"Klastreid saab visualiseerida [Voronoi diagrammidena](https://wikipedia.org/wiki/Voronoi_diagram), mis sisaldavad punkti (või 'seemet') ja selle vastavat piirkonda.\n",
@ -15,7 +15,7 @@ Klasterdamine on masinõppe ülesanne, mille eesmärk on leida objekte, mis sarn
Nigeeria mitmekesine publik eelistab mitmekesist muusikat. Kasutades Spotifyst kogutud andmeid (inspireerituna [sellest artiklist](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), vaatame mõningaid Nigeerias populaarseid lugusid. See andmestik sisaldab teavet erinevate laulude kohta, nagu nende 'tantsitavuse' skoor, 'akustilisus', valjus, 'kõnelemise' määr, populaarsus ja energia. On huvitav avastada mustreid nendes andmetes!
@ -32,7 +32,7 @@ Arvutilingvistika on aastakümnete pikkune uurimis- ja arendusvaldkond, mis uuri
Kui oled kunagi dikteerinud oma telefonile teksti asemel või küsinud virtuaalselt assistendilt küsimuse, siis sinu kõne on muudetud tekstivormiks ja seejärel töödeldud või *parsitud* keeles, mida sa rääkisid. Tuvastatud märksõnad töödeldi seejärel formaadiks, mida telefon või assistent suudaks mõista ja millele reageerida.
@ -23,14 +23,14 @@ Teksti analüüsimiseks on erinevaid viise. On mitmeid ülesandeid, mida saab t
Esimene asi, mida enamik NLP algoritme teeb, on teksti jagamine tokeniteks ehk sõnadeks. Kuigi see kõlab lihtsana, võib kirjavahemärkide ja erinevate keelte sõna- ja lausepiiride arvestamine olla keeruline. Võib olla vaja kasutada erinevaid meetodeid, et määrata piire.
> Lause tokeniseerimine **Uhkus ja eelarvamus** raamatust. Infograafika: [Jen Looper](https://twitter.com/jenlooper)
### Embeddings
[Sõna embeddings](https://wikipedia.org/wiki/Word_embedding) on viis, kuidas tekstandmeid numbriliselt esitada. Embeddings tehakse nii, et sarnase tähendusega või koos kasutatavad sõnad grupeeritakse.
> "Mul on teie närvide vastu suurim austus, nad on minu vanad sõbrad." - Sõna embeddings lausele **Uhkus ja eelarvamus** raamatust. Infograafika: [Jen Looper](https://twitter.com/jenlooper)
✅ Proovi [seda huvitavat tööriista](https://projector.tensorflow.org/), et katsetada sõna embeddings. Klõpsates ühel sõnal, näed sarnaste sõnade klastreid: 'mänguasi' grupeerub 'disney', 'lego', 'playstation' ja 'konsooliga'.
@ -39,7 +39,7 @@ Esimene asi, mida enamik NLP algoritme teeb, on teksti jagamine tokeniteks ehk s
Iga tokeniseeritud sõna saab määrata sõnaliigi järgi - nimisõna, tegusõna või omadussõna. Näiteks lause `kiire punane rebane hüppas üle laisa pruuni koera` võib olla POS märgistatud järgmiselt: rebane = nimisõna, hüppas = tegusõna.
@ -56,7 +56,7 @@ Näiteks võtame *Uhkus ja eelarvamus*, tuntud ingliskeelse romaani, mille kirju
Näiteks kui ingliskeelne fraas `I have no money` tõlgitakse sõnasõnaliselt prantsuse keelde, võib see muutuda `Je n'ai pas de monnaie`. "Monnaie" on keeruline prantsuse 'vale sõna', kuna 'money' ja 'monnaie' ei ole sünonüümid. Parem tõlge, mille inimene võiks teha, oleks `Je n'ai pas d'argent`, kuna see edastab paremini tähendust, et teil pole raha (mitte 'peenraha', mis on 'monnaie' tähendus).
@ -17,7 +17,7 @@ Selles õppekava osas tutvustatakse teile üht masinõppe kõige laialdasemalt k
Nendes tundides õpime NLP põhialuseid, luues väikeseid vestlusroboteid, et mõista, kuidas masinõpe aitab neid vestlusi üha "nutikamaks" muuta. Rändate ajas tagasi, vesteldes Elizabeth Bennetti ja Mr. Darcyga Jane Austeni klassikalisest romaanist **Uhkus ja eelarvamus**, mis avaldati 1813. aastal. Seejärel süvendate oma teadmisi, õppides sentimentanalüüsi Euroopa hotellide arvustuste kaudu.
> Foto autor <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> lehel <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Visand Tomomi Imura poolt [Tomomi Imura](https://www.twitter.com/girlie_mac)
@ -112,7 +112,7 @@ Andmed võivad näidata järsku muutust, mis vajab täiendavat analüüsi. Näit
✅ Siin on [näidis aegridade graafik](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python), mis näitab igapäevast mängusisese valuuta kulutamist mitme aasta jooksul. Kas suudad tuvastada mõnda ülaltoodud omadust nendes andmetes?
> [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) kasutatakse ennustustäpsuse näitamiseks suhtarvuna, mis on määratletud ülaltoodud valemi järgi. Erinevus tegeliku<sub>t</sub> ja prognoositud<sub>t</sub> vahel jagatakse tegeliku<sub>t</sub> väärtusega. "Selle arvutuse absoluutväärtus summeeritakse iga prognoositud ajahetke kohta ja jagatakse sobitatud punktide arvuga n." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error)
@ -381,7 +381,7 @@ Kontrollige oma mudeli täpsust, testides selle keskmist absoluutset protsentvig
@ -17,7 +17,7 @@ Nendes kahes õppetükis tutvustatakse teile aegridade prognoosimist, mis on kü
Meie regionaalne fookus on elektritarbimine maailmas – huvitav andmestik, mille abil õppida prognoosima tulevast energiatarbimist mineviku koormusmustrite põhjal. Näete, kuidas selline prognoosimine võib olla äärmiselt kasulik ärikeskkonnas.
Foto autorilt [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektritornidest teel Rajasthanis [Unsplashis](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Tugevdusõpe hõlmab kolme olulist mõistet: agent, teatud seisundid ja tegevuste kogum iga seisundi kohta. Kui agent sooritab kindlas seisundis tegevuse, saab ta tasu. Kujutle näiteks arvutimängu Super Mario. Sina oled Mario, oled mängutasemel ja seisad kaljuserval. Sinu kohal on münt. Sina, olles Mario, mängutasemel kindlas asukohas ... see on sinu seisund. Kui liigud ühe sammu paremale (tegevus), kukud kaljult alla ja saad madala punktisumma. Kui aga vajutad hüppenuppu, saad punkti ja jääd ellu. See on positiivne tulemus ja selle eest peaksid saama positiivse punktisumma.
@ -40,7 +40,7 @@ Selles õppetükis uurime **[Peeter ja hunt](https://en.wikipedia.org/wiki/Peter
Lihtsuse huvides kujutame ette, et Peetri maailm on ruudukujuline laud mõõtmetega `laius` x `kõrgus`, mis näeb välja selline:
Pange tähele, et algväärtustame kõik Q-tabeli väärtused võrdse väärtusega, meie puhul - 0.25. See vastab "juhusliku kõndimise" poliitikale, kuna kõik liigutused igas seisundis on võrdselt head. Saame Q-tabeli edastada `plot` funktsioonile, et visualiseerida tabelit laual: `m.plot(Q)`.
Siin γ on nn **diskonteerimistegur**, mis määrab, mil määral peaks eelistama praegust tasu tulevase tasu ees ja vastupidi.
@ -267,7 +267,7 @@ Käivita õppealgoritm läbi 5000 eksperimendi, mida nimetatakse ka **epohhideks
Pärast selle algoritmi täitmist peaks Q-tabel olema uuendatud väärtustega, mis määratlevad erinevate tegevuste atraktiivsuse igas etapis. Saame proovida Q-tabelit visualiseerida, joonistades igasse ruutu vektori, mis osutab soovitud liikumissuunda. Lihtsuse huvides joonistame noolepea asemel väikese ringi.
@ -311,7 +311,7 @@ Pärast selle koodi käivitamist peaksite saama palju väiksema keskmise teekonn
Nagu mainitud, on õppimisprotsess tasakaal uurimise ja olemasoleva teadmise rakendamise vahel probleemiruumi struktuuri kohta. Oleme näinud, et õppimise tulemused (võime aidata agenti leida lühike tee eesmärgini) on paranenud, kuid huvitav on ka jälgida, kuidas keskmine teekonna pikkus käitub õppimisprotsessi ajal:
@ -19,13 +19,13 @@ Selles tunnis rakendame Q-õppe põhimõtteid probleemile, millel on **jätkuv o
> **Probleem**: Kui Peeter tahab hundi eest põgeneda, peab ta liikuma kiiremini. Me näeme, kuidas Peeter saab õppida uisutama, täpsemalt tasakaalu hoidma, kasutades Q-õpet.
> Peeter ja tema sõbrad muutuvad loovaks, et hundi eest põgeneda! Pilt: [Jen Looper](https://twitter.com/jenlooper)
Kasutame tasakaalu lihtsustatud versiooni, mida tuntakse kui **CartPole** probleem. CartPole maailmas on meil horisontaalne liugur, mis saab liikuda vasakule või paremale, ja eesmärk on hoida vertikaalset posti liuguri peal tasakaalus.
Sellest graafikust ei ole võimalik midagi järeldada, sest stohhastilise treeningprotsessi olemuse tõttu varieerub treeningseansside pikkus suuresti. Selle graafiku mõistlikumaks muutmiseks saame arvutada **jooksva keskmise** mitme katse jooksul, näiteks 100. Seda saab mugavalt teha `np.convolve` abil: (koodiplokk 12)
@ -13,7 +13,7 @@ Tugevdusõpe, RL, on üks põhilisi masinõppe paradigmasid, kõrvuti juhendatud
Kujutlege, et teil on simuleeritud keskkond, näiteks aktsiaturg. Mis juhtub, kui kehtestate teatud regulatsiooni? Kas sellel on positiivne või negatiivne mõju? Kui juhtub midagi negatiivset, peate võtma selle _negatiivse tugevduse_, sellest õppima ja suunda muutma. Kui tulemus on positiivne, peate sellele _positiivsele tugevdusele_ tuginedes edasi liikuma.
> Peeter ja tema sõbrad peavad põgenema näljase hundi eest! Pildi autor [Jen Looper](https://twitter.com/jenlooper)
Selles õppekavas õppisite mitmeid viise, kuidas andmeid treenimiseks ette valmistada ja masinõppe mudeleid luua. Te ehitasite klassikalisi regressiooni-, klasterdamis-, klassifitseerimis-, loomuliku keele töötlemise ja ajareamudeleid. Palju õnne! Nüüd võite mõelda, milleks see kõik vajalik on... millised on nende mudelite pärismaailma rakendused?
@ -34,17 +34,17 @@ Eeldusena vaadake üle [Vastutustundliku AI tööriistad arendajatele](https://w
Traditsioonilised mudeli jõudlusmõõdikud, mida kasutatakse täpsuse mõõtmiseks, põhinevad peamiselt õigete ja valede ennustuste arvutustel. Näiteks võib mudelit, mis on täpne 89% ajast ja mille veakadu on 0,001, pidada heaks. Vead ei ole sageli jaotatud ühtlaselt teie aluseks olevas andmestikus. Võite saada 89% mudeli täpsuse skoori, kuid avastada, et on olemas andmejaotuse piirkonnad, kus mudel ebaõnnestub 42% ajast. Nende ebaõnnestumismustrite tagajärjed teatud andmegruppidega võivad viia õiglus- või usaldusväärsusprobleemideni. On oluline mõista, kus mudel toimib hästi ja kus mitte. Andmejaotuse piirkonnad, kus mudelil on palju ebatäpsusi, võivad osutuda oluliseks demograafiliseks andmegrupiks.
RAI armatuurlaua vigade analüüsi komponent illustreerib, kuidas mudeli ebaõnnestumised jaotuvad erinevate kohtade vahel puu visualiseerimise abil. See on kasulik tunnuste või piirkondade tuvastamiseks, kus teie andmestikus on kõrge veamäär. Nägemine, kust enamik mudeli ebatäpsusi pärineb, võimaldab teil alustada juurpõhjuse uurimist. Samuti saate luua andmekohti analüüsi tegemiseks. Need andmekohad aitavad silumisprotsessis kindlaks teha, miks mudeli jõudlus on ühes kohas hea, kuid teises vigane.
Puu kaardil olevad visuaalsed indikaatorid aitavad probleemipiirkondi kiiremini leida. Näiteks mida tumedam punane värv puu sõlmel on, seda kõrgem on veamäär.
Kuumuskaart on veel üks visualiseerimisfunktsioon, mida kasutajad saavad kasutada veamäära uurimiseks ühe või kahe tunnuse abil, et leida mudeli vigade panustaja kogu andmestikus või kohtades.
Kasutage vigade analüüsi, kui peate:
@ -57,11 +57,11 @@ Masinõppe mudeli jõudluse hindamine nõuab terviklikku arusaamist selle käitu
RAI armatuurlaua mudeli ülevaate komponent aitab mitte ainult analüüsida andmekohtade esindatuse jõudlusmõõdikuid, vaid annab kasutajatele võimaluse võrrelda mudeli käitumist erinevate kohtade vahel.
Komponendi tunnusepõhine analüüsifunktsioon võimaldab kasutajatel kitsendada andmealamgruppe konkreetse tunnuse piires, et tuvastada anomaaliaid detailsemal tasemel. Näiteks on armatuurlaual sisseehitatud intelligentsus, mis automaatselt genereerib kohtade jaoks kasutaja valitud tunnuse (nt *"time_in_hospital < 3"* või *"time_in_hospital >= 7"*) põhjal. See võimaldab kasutajal eraldada konkreetse tunnuse suuremast andmegrupist, et näha, kas see on mudeli vigaste tulemuste võtmetegur.
Mudeli ülevaate komponent toetab kahte klassi erinevusmõõdikuid:
@ -85,7 +85,7 @@ Andmed on traditsiooniliste mudeli jõudlusmõõdikute jaoks suur pimeala. Teil
RAI armatuurlaua andmeanalüüsi komponent aitab tuvastada piirkondi, kus andmestikus on üle- ja alarepresentatsioon. See aitab kasutajatel diagnoosida vigade ja õigluse probleemide juurpõhjuseid, mis on põhjustatud andmete tasakaalustamatusest või konkreetse andmegrupi esindatuse puudumisest. See annab kasutajatele võimaluse visualiseerida andmestikke ennustatud ja tegelike tulemuste, veagruppide ja konkreetsete tunnuste põhjal. Mõnikord võib alarepresentatsiooni avastamine paljastada, et mudel ei õpi hästi, mistõttu on kõrged ebatäpsused. Mudel, millel on andmebias, ei ole mitte ainult õigluse probleem, vaid näitab, et mudel ei ole kaasav ega usaldusväärne.
Kasutage andmeanalüüsi, kui peate:
@ -104,14 +104,14 @@ Masinõppe mudelid kipuvad olema mustad kastid. Mõistmine, millised olulised an
RAI armatuurlaua tunnuste olulisuse komponent aitab teil siluda ja saada põhjalikku arusaama, kuidas mudel teeb ennustusi. See on kasulik tööriist masinõppe spetsialistidele ja otsustajatele, et selgitada ja näidata tõendeid tunnuste mõjust mudeli käitumisele regulatiivse vastavuse jaoks. Järgmisena saavad kasutajad uurida nii globaalseid kui ka kohalikke selgitusi, et valideerida, millised tunnused juhivad mudeli ennustust. Globaalsed selgitused loetlevad peamised tunnused, mis mõjutasid mudeli üldist ennustust. Kohalikud selgitused näitavad, millised tunnused viisid mudeli ennustuseni individuaalse juhtumi puhul. Kohalike selgituste hindamise võime on kasulik ka konkreetse juhtumi silumisel või auditeerimisel, et paremini mõista ja tõlgendada, miks mudel tegi täpse või ebatäpse ennustuse.
* Globaalsed selgitused: Näiteks millised tunnused mõjutavad diabeedi haigla tagasivõtmise mudeli üldist käitumist?
* Kohalikud selgitused: Näiteks miks ennustati, et diabeediga patsient, kes on üle 60-aastane ja kellel on olnud varasemad hospitaliseerimised, võetakse tagasi haiglasse või ei võeta tagasi 30 päeva jooksul?
Mudeli jõudluse uurimise protsessis erinevate kohtade vahel näitab tunnuste olulisus, millisel tasemel tunnus mõjutab kohtade vahel mudeli ennustusi. See aitab paljastada anomaaliaid, kui võrrelda tunnuse mõju taset mudeli vigaste ennustuste juhtimisel. Tunnuste olulisuse komponent võib näidata, millised tunnuse väärtused mõjutasid mudeli tulemust positiivselt või negatiivselt. Näiteks kui mudel tegi ebatäpse ennustuse, annab komponent võimaluse süveneda ja tuvastada, millised tunnused või tunnuse väärtused viisid ennustuseni. See detailide tase aitab mitte ainult silumisel, vaid pakub läbipaistvust ja vastutust auditeerimissituatsioonides. Lõpuks võib komponent aidata tuvastada õigluse probleeme. Näiteks kui tundlik tunnus, nagu etniline kuuluvus või sugu, mõjutab tugevalt mudeli ennustust, võib see viidata rassilise või soolise eelarvamuse olemasolule mudelis.
Selles õppekava osas tutvustatakse teile klassikalise masinõppe rakendusi päriselus. Oleme internetist otsinud valgeid raamatuid ja artikleid, mis käsitlevad nende strateegiate kasutamist, vältides võimalusel närvivõrke, süvaõpet ja tehisintellekti. Uurige, kuidas masinõpet kasutatakse ärisüsteemides, ökoloogilistes rakendustes, rahanduses, kunstis ja kultuuris ning mujal.
Meil on Discordis käimas "Õpi koos AI-ga" sari — saa rohkem teada ja liitu meiega aadressil [Õpi koos AI-ga sari](https://aka.ms/learnwithai/discord) ajavahemikus 18 - 30 september, 2025. Saad näpunäiteid ja trikke GitHub Copiloti kasutamiseks andmeteaduses.
Meil on käimas Discordi sarja "Õpi tehisintellektiga"; saa rohkem teada ja liitu meiega aadressil [Õpi tehisintellektiga sari](https://aka.ms/learnwithai/discord) ajavahemikul 18 - 30 September, 2025. Saad näpunäiteid ja trikke GitHub Copiloti kasutamiseks andmeteaduses.
> 🌍 Reisime üle maailma, uurides masinõpet erinevate maailma kultuuride kaudu 🌍
> 🌍 Rändame ümber maailma, kui uurime masinõpet läbi maailma kultuuride 🌍
Microsofti Cloud Advocates meeskond pakub rõõmuga 12-nädalast, 26-õppetunnilist õppekava, mis käsitleb üksnes **Masinõpet**. Selles õppekavas õpid nii-öelda **klassikalist masinõpet**, kasutades peamiselt Scikit-learn'i teegina ja vältides süvaõpet, mida käsitletakse meie [AI for Beginners' curriculum](https://aka.ms/ai4beginners) õppekavas. Paarita neid tunde ka meie ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) õppekavaga!
Microsofti Cloud Advocates meeskond on rõõmus pakkuda 12-nädalast, 26-õppetunnilist õppekava, mis käsitleb **masinõpet**. Selles õppekavas õpid nii-öelda **klassikalist masinõpet**, kasutades peamiselt Scikit-learn raamatukogu ja vältides süvaõpet, mida käsitletakse meie [AI for Beginners' curriculum](https://aka.ms/ai4beginners) kursusel. Kaasa nendele õppetundidele meie ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Reisi meiega ümber maailma, rakendades neid klassikalisi võtteid andmetele paljudest maailma piirkondadest. Iga õppetund sisaldab eel- ja järeleviktoriine, kirjalikke juhiseid õppetunni läbimiseks, lahendust, ülesannet ja muud. Meie projektipõhine pedagoogika võimaldab õppida, ehitades — see on tõestatud viis, kuidas uued oskused püsima jäävad.
Rända meiega üle maailma, kui rakendame neid klassikalisi tehnikaid eri piirkondade andmetele. Iga õppetund sisaldab eelloengu ja järel-õppe teste, kirjalikke juhiseid õppetunni läbimiseks, lahendust, ülesannet ja palju muud. Meie projektipõhine õpetamismeetod võimaldab sul õppida ehitades — tõestatud viis uute oskuste kinnistamiseks.
**✍️ Südamlik tänu meie autoritele** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**✍️ Suur tänu meie autoritele** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**🎨 Tänu ka meie illustraatoritele** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🎨 Tänud ka meie illustraatoritele** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Eriline tänu 🙏 meie Microsofti tudengisaadikutele, kes on autorid, ülevaatajad ja sisukontributorid**, eriti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Eriline tänu 🙏 meie Microsoft Student Ambassador autoritele, läbivaatajaile ja sisuloojad**, eelkõige Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Lisatänud Microsofti tudengisaadikutele Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta meie R-õpetuste eest!**
**🤩 Täiendav tänu Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta meie R-õppetundide eest!**
# Alustamine
Järgige neid samme:
1. **Forki repositoorium**: Klõpsake selle lehe paremas ülanurgas nuppu "Fork".
> [leiate kõik selle kursuse lisamaterjalid meie Microsoft Learn kogumikust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
Järgnevaid samme:
1. **Forki hoidla**: Klõpsa selle lehe paremas ülanurgas nuppu "Fork".
> 🔧 **Vaja abi?** Vaadake meie [Tõrkeotsingu juhendit](TROUBLESHOOTING.md) levinud installatsiooni-, seadistuse- ja õppetundide käivitamise probleemide lahenduste jaoks.
> [leiate kõik täiendavad ressursid selle kursuse jaoks meie Microsoft Learn kogust](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Vajad abi?** Vaata meie [Tõrkeotsingu juhendit](TROUBLESHOOTING.md), et leida lahendusi levinud probleemidele installi, seadistuse ja õppetundide käivitamisega.
**[Õpilased](https://aka.ms/student-page)**: selle õppekava kasutamiseks forkige kogu repo omaenda GitHubi kontole ja lahendage ülesandeid iseseisvalt või grupis:
**[Õpilased](https://aka.ms/student-page)**, selle õppekava kasutamiseks, forkige kogu repositoorium omaenda GitHubi kontole ja täitke harjutusi iseseisvalt või rühmas:
- Alustage eel-loengu viktoriiniga.
- Lugege loengut ja täitke tegevused, peatudes ja mõtiskledes iga teadmistekontrolli juures.
- Püüdke projektid luua, mõistes loenguid, mitte ainult lahenduskoodi käivitades; siiski on see kood saadaval iga projektipõhise õppetunni `/solution` kaustas.
- Tehke järelloengu viktoriin.
- Alustage eelloengu soojendus-küsimustikuga.
- Lugege loengut ja täitke tegevused, peatuge ja mõtisklege igal teadmiste kontrollpunktil.
- Proovige luua projektid, mõistes õppetunde, mitte ainult käivitades lahenduse koodi; see kood on siiski saadaval iga projekti-lähenemisele orienteeritud õppetunni `/solution` kaustades.
- Tehke järel-õppe viktoriin.
- Täitke väljakutse.
- Täitke ülesanne.
- Pärast õppetundide rühma lõpetamist külastage [Arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja "õppige valjult", täites vastava PAT hindamisrubriika. PAT on edenemise hindamise tööriist (Progress Assessment Tool), mille abil edasi õppida. Saate ka reageerida teiste PAT-idele, et koos õppida.
- Pärast õpperühma lõpetamist külastage [Arutelufoorumit](https://github.com/microsoft/ML-For-Beginners/discussions) ja "õppige valjult", täites vastava PAT hindamisrubriigi. 'PAT' on Progress Assessment Tool (edusamme hindav tööriist), mille kaudu täidetakse rubriik, et edendada oma õppimist. Võite ka reageerida teiste PAT-idele, et üheskoos õppida.
> Süvendavaks õppeks soovitame järgida neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õpiteid.
> Lisauurimiseks soovitame järgida neid [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) mooduleid ja õppeplaane.
**Õpetajatele**, oleme lisanud [mõningaid soovitusi](for-teachers.md) selle kohta, kuidas seda õppekava kasutada.
**Õpetajad**, oleme lisanud [mõningaid soovitusi](for-teachers.md), kuidas seda õppekava kasutada.
---
## Video juhendid
## Video läbivaated
Mõned õppetunnid on saadaval lühivideotena. Leiate need kõik õppetundide seest või [ML for Beginners esitusloendist Microsoft Developer YouTube kanalil](https://aka.ms/ml-beginners-videos) pildile klõpsates.
Mõned õppetunnid on saadaval lühivormis videote kujul. Leiate need integreeritult õppetundidest või [ML for Beginners esitusloendist Microsoft Developer YouTube kanalil](https://aka.ms/ml-beginners-videos) pildi klõpsamisel allpool.
> 🎥 Klõpsake ülaloleval pildil, et vaadata videot projektist ja inimestest, kes selle lõid!
> 🎥 Klõpsa ülalolevat pilti, et vaadata videot projektist ja inimestest, kes selle lõid!
---
## Pedagoogika
Selles õppekava loomisel valisime kaks pedagoogilist põhimõtet: tagada, et see oleks praktiline ja **projektipõhine**, ning et see sisaldaks **sagedasi viktoriine**. Lisaks annab õppekaval ühine **teema** õppele sidususe.
Selle õppekava koostamisel valisime kaks pedagoogilist printsiipi: tagada, et see on praktiline ja **projektipõhine**, ning et see sisaldab **sagedasi teste**. Lisaks on õppekaval ühine **teema**, mis annab sellele sidususe.
Tagades, et sisu seostub projektidega, muutub õppimine õpilaste jaoks kaasahaaravamaks ja mõistete kinnistumine paraneb. Madala panusega eeltest enne loengut seab õppija intonatsiooni teema omandamiseks, samas kui teine test pärast loengut tagab täiendava kinnistumise. See õppekava on paindlik ja lõbus ning seda saab läbida tervikuna või osadena. Projektid algavad väikselt ja muutuvad 12-nädalase tsükli lõpuks järjest keerukamaks. Õppekava sisaldab ka järelsõna masinõppe reaalse maailma rakenduste kohta, mida saab kasutada lisapunktide teenimiseks või arutelupõhjana.
Sisu ühendades projektidega muutub protsess õpilaste jaoks haaravamaks ning kontseptsioonide meeldejätmine paraneb. Veelgi enam, madala panusega eelloengu viktoriin seab õpilase õppefookuse, samas kui teine viktoriin pärast loengut tagab teadmiste pikaajalisema kinnistumise. Seda õppekava on kavandatud olema paindlik ja lõbus ning seda saab läbida tervikuna või osade kaupa. Projektid algavad väikestena ja muutuvad 12-nädalase tsükli lõpuks järjest keerukamaks. Õppekavas on ka järelsõna masinõppe reaalses maailmas rakendustest, mida saab kasutada täiendava krediidi või arutelu alusena.
> Tutvuge meie [Käitumiskoodeksiga](CODE_OF_CONDUCT.md), [Panosusega](CONTRIBUTING.md), [Tõlkimise juhendiga](TRANSLATIONS.md) ja [Tõrkeotsinguga](TROUBLESHOOTING.md). Ootame teie konstruktiivset tagasisidet!
> Leiate meie [käitumisreeglid](CODE_OF_CONDUCT.md), [panustamise juhised](CONTRIBUTING.md), [tõlkejuhised](TRANSLATIONS.md) ja [tõrkeotsingu juhendid](TROUBLESHOOTING.md). Ootame teie konstruktiivset tagasisidet!
> **Märkus keeltest**: Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R-is. R-õpetuse läbimiseks minge `/solution` kausta ja otsige R-õpetusi. Need sisaldavad .rmd laiendit, mis tähistab **R Markdown** faili, mida saab lihtsustatult määratleda kui `code chunks` (R-i või teiste keeltekoodiblokkide) ja `YAML header` (mis juhib väljundite vormindamist, nagu PDF) manustamist `Markdown document`-i. Seetõttu on see eeskujulik autorivahend andmeteaduse jaoks, kuna see võimaldab kombineerida teie koodi, selle väljundit ja mõtteid, lubades kirjutada neid Markdownis. R Markdown dokumendid saab renderdada väljundiformaatidesse nagu PDF, HTML või Word.
> **Märkus keeltest**: Need õppetunnid on peamiselt kirjutatud Pythonis, kuid paljud on saadaval ka R-is. R-õppetunni läbimiseks minge `/solution` kausta ja otsige R-õppetunde. Need sisaldavad .rmd laiendit, mis tähistab **R Markdown** faili, mida võib lihtsalt määratleda kui `koodiblokkide` (R-i või teiste keelte) ja `YAML päise` (mis juhib väljundite, näiteks PDF, vormindamist) manustamist `Markdown` dokumendis. See toimib suurepärase autorlusraamistikuna andmeteadusele, sest lubab kombineerida koodi, selle väljundeid ja oma mõtteid, võimaldades neid Markdownis kirja panna. Lisaks saab R Markdown dokumente renderdada väljundiformaatidesse nagu PDF, HTML või Word.
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad [Quiz App kaustas](../../quiz-app), kokku 52 viktoriini, igaühes kolm küsimust. Neile viidatakse õppetundide sees, kuid viktoriini rakendust saab käivitada ka lokaalselt; järgige `quiz-app` kausta juhiseid lokaalseks hostimiseks või Azure'i juurutamiseks.
> **Märkus viktoriinide kohta**: Kõik viktoriinid asuvad [Quiz App kaustas](../../quiz-app), kokku 52 viktoriini, igaühes kolm küsimust. Need on lingitud õppetundide sisse, kuid viktoriini rakendust saab käivitada ka lokaalselt; järgige juhiseid `quiz-app` kaustas, et hostida lokaalselt või juurutada Azure'i.
| Loengu number | Teema | Loengu rühmitus | Õpieesmärgid | Seotud õppetund | Autor |
| 02 | Masinõppe ajalugu | [Sissejuhatus](1-Introduction/README.md) | Õpi selle valdkonna ajaloo kohta | [Õppetund](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Õiglus ja masinõpe | [Sissejuhatus](1-Introduction/README.md) | Millised on olulised filosoofilised küsimused seoses õigusega, mida tudengid peaksid kaaluma ML-mudeleid ehitades ja rakendades? | [Õppetund](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Sissejuhatus](1-Introduction/README.md) | Milliseid tehnikaid kasutavad ML-uuringute tegijad ML-mudelite loomiseks? | [Õppetund](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Sissejuhatus regressiooni | [Regression](2-Regression/README.md) | Alustage Pythoni ja Scikit-learniga regressioonimudelite jaoks | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Andmete visualiseerimine ja puhastamine ML-iks ettevalmistamiseks | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Lineaarsete ja polünoomsete regressioonimudelite ehitamine | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 08 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regression](2-Regression/README.md) | Logistilise regressioonimudeli ehitamine | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Veebirakendus 🔌 | [Web App](3-Web-App/README.md) | Ehita veebirakendus oma treenitud mudeli kasutamiseks | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sissejuhatus klassifitseerimisse | [Classification](4-Classification/README.md) | Puhasta, ettevalmista ja visualiseeri oma andmeid; sissejuhatus klassifitseerimisse | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ja Cassie • Eric Wanjau |
| 11 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Sissejuhatus klassifitseerijatesse | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ja Cassie • Eric Wanjau |
| 12 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Rohkem klassifitseerijaid | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ja Cassie • Eric Wanjau |
| 13 | Maitsvad Aasia ja India köögid 🍜 | [Classification](4-Classification/README.md) | Ehita soovitusveebirakendus, kasutades oma mudelit | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Sissejuhatus klasterdamisse | [Clustering](5-Clustering/README.md) | Puhasta, ettevalmista ja visualiseeri oma andmeid; sissejuhatus klasterdamisse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigeeria muusikamaitsete uurimine 🎧 | [Clustering](5-Clustering/README.md) | Uuri K-Means klasterdamismeetodit | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Sissejuhatus loomuliku keele töötlemisse (NLP) ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Õpi NLP aluseid, ehitades lihtsat boti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Levinud NLP ülesanded ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Süvendage oma NLP teadmisi, mõistes levinud ülesandeid, mis on vajalikud keelestruktuuridega tegelemisel | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 02 | Masinõppe ajalugu | [Sissejuhatus](1-Introduction/README.md) | Õpi selle valdkonna ajalugu | [Õppetund](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Õiglus ja masinõpe | [Sissejuhatus](1-Introduction/README.md) | Millised on olulised filosoofilised küsimused seoses õiglusega, mida õpilased peaksid kaaluma masinõppemudelite loomisel ja rakendamisel? | [Õppetund](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Masinõppe tehnikad | [Sissejuhatus](1-Introduction/README.md) | Milliseid tehnikaid kasutavad masinõppe uurijad mudelite ülesehitamiseks? | [Õppetund](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Sissejuhatus regressiooni | [Regressioon](2-Regression/README.md) | Alusta Pythoniga ja Scikit-learniga regressioonimudelite jaoks | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Visualiseeri ja puhasta andmeid ettevalmistuseks masinõppeks | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Ehita lineaarseid ja polünoomseid regressioonimudeleid | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 08 | Põhja-Ameerika kõrvitsa hinnad 🎃 | [Regressioon](2-Regression/README.md) | Ehita logistiline regressioonimudel | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Veebirakendus 🔌 | [Veebirakendus](3-Web-App/README.md) | Ehita veebirakendus treenitud mudeli kasutamiseks | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sissejuhatus klassifitseerimisse | [Klassifikatsioon](4-Classification/README.md) | Puhasta, ettevalmista ja visualiseeri oma andmeid; sissejuhatus klassifikatsiooni | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ja Cassie • Eric Wanjau |
| 11 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Sissejuhatus klassifikaatoritesse | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ja Cassie • Eric Wanjau |
| 12 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Rohkem klassifikaatoreid | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ja Cassie • Eric Wanjau |
| 13 | Maitsvad Aasia ja India köögid 🍜 | [Klassifikatsioon](4-Classification/README.md) | Ehita soovituste veebirakendus, kasutades oma mudelit | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Sissejuhatus klasterdamisse | [Klasterdamine](5-Clustering/README.md) | Puhasta, ettevalmista ja visualiseeri oma andmeid; sissejuhatus klasterdamisse | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigeeria muusikamaitse uurimine 🎧 | [Klasterdamine](5-Clustering/README.md) | Uuri K-Meansi klasterdamismeetodit | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Sissejuhatus loomuliku keele töötlemisse (NLP) ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Õpi NLP põhialuseid, ehitades lihtsa boti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tavalised NLP ülesanded ☕️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Sügavda oma NLP teadmisi, mõistes keelestruktuuridega töötamisel vajalikke tavapäraseid ülesandeid | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tõlkimine ja sentimendianalüüs ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Tõlkimine ja sentimendianalüüs Jane Austeni tekstidega | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopa romantilised hotellid ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Sentimendianalüüs hotellide arvustustega 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopa romantilised hotellid ♥️ | [Loomuliku keele töötlemine](6-NLP/README.md) | Sentimendianalüüs hotellide arvustustega 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Järelsõna | Reaalmaailma ML stsenaariumid ja rakendused | [ML in the Wild](9-Real-World/README.md) | Huvitavad ja ilmekad reaalmaailma rakendused klassikalisest masinõppest | [Õppetund](9-Real-World/1-Applications/README.md) | Team |
| Järelsõna | Mudeli silumine masinõppes RAI armatuuri abil | [ML in the Wild](9-Real-World/README.md) | Masinõppe mudelite silumine, kasutades Responsible AI armatuuri komponente | [Õppetund](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Leia kõik selle kursuse täiendavad ressursid meie Microsoft Learn kollektsioonis](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Leia kõik selle kursuse täiendavad ressursid meie Microsoft Learni kollektsioonist](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Võrguühenduseta juurdepääs
Saate seda dokumentatsiooni võrguühenduseta käivitada, kasutades [Docsify](https://docsify.js.org/#/). Forkige see hoidla, [installige Docsify](https://docsify.js.org/#/quickstart) oma kohalikku arvutisse, ja siis hoidla juurkataloogis tippige `docsify serve`. Veebisait teenindatakse pordi 3000 peal teie localhostis: `localhost:3000`.
Sa võid seda dokumentatsiooni käivitada võrguühenduseta, kasutades [Docsify](https://docsify.js.org/#/). Tee selle hoidla fork, [paigalda Docsify](https://docsify.js.org/#/quickstart) oma kohalikule masinale ning seejärel selle hoidla juurkataloogis sisesta `docsify serve`. Veebileht on kättesaadav pordil 3000 sinu localhostis: `localhost:3000`.
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
@ -192,32 +193,32 @@ Meie meeskond toodab ka teisi kursusi! Vaadake:
[](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)
Kui jääd kinni või sul on küsimusi AI-rakenduste loomise kohta, liitu teiste õppijate ja kogenud arendajatega MCP aruteludes. See on toetav kogukond, kus küsimusi oodatakse ja teadmisi jagatakse vabalt.
Kui jääd kinni või sul on küsimusi AI-rakenduste loomise kohta, liitu teiste õppijate ja kogenud arendajatega MCP aruteludes. See on toetav kogukond, kus küsimusi on oodatud ja teadmisi jagatakse vabalt.
See dokument on tõlgitud tehisintellektil põhineva tõlketeenuse Co-op Translator (https://github.com/Azure/co-op-translator) abil. Kuigi püüame tagada täpsust, palun arvestage, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algset dokumenti selle emakeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse pöörduda professionaalse inimtõlke poole. Me ei vastuta ühegi arusaamatuse ega väärtõlgenduse eest, mis tuleneb selle tõlke kasutamisest.
See dokument on tõlgitud tehisintellektil põhineva tõlketeenuse [Co-op Translator](https://github.com/Azure/co-op-translator) abil. Kuigi me püüame tagada täpsust, arvestage palun, et automatiseeritud tõlked võivad sisaldada vigu või ebatäpsusi. Originaaldokumenti selle algkeeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitatakse kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste ega vääritõlgenduste eest.
در این بخش از برنامه آموزشی، با مفاهیم پایهای که زیربنای حوزه یادگیری ماشین هستند آشنا خواهید شد، یاد خواهید گرفت که یادگیری ماشین چیست، تاریخچه آن را بررسی خواهید کرد و با تکنیکهایی که محققان برای کار با آن استفاده میکنند آشنا خواهید شد. بیایید با هم این دنیای جدید یادگیری ماشین را کشف کنیم!
> عکس از <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Bill Oxford</a> در <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
" <figcaption>اثر هنری از @allison_horst</figcaption>\n",
"\n",
"<!--<br>اثر هنری از @allison_horst-->\n"
"<!--<br>اثر هنری از @allison_horst-->\n"
" <figcaption>اثر هنری از @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--<br/>اثر هنری از \\@allison_horst-->\n"
"<!--<br/>اثر هنری از \\@allison_horst-->\n"
],
"metadata": {
"id": "o4jLY5-VZO2C"
@ -531,7 +531,7 @@
" <figcaption>اینفوگرافیک از داسانی مدیپالی</figcaption>\n",
"\n",
"\n",
"<!--{width=\"600\"}-->\n",
"<!--{width=\"600\"}-->\n",
" <figcaption>اثر هنری از @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--{width=\"700\"}-->\n"
"<!--{width=\"700\"}-->\n"
"\n",
"\n",
"\n",
"#### **[آزمون پیش از درس](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n",
"\n",
@ -78,7 +78,7 @@
"\n",
"رگرسیون لجستیک ویژگیهای مشابه رگرسیون خطی را ارائه نمیدهد. رگرسیون لجستیک پیشبینی درباره یک `دستهبندی دودویی` (\"نارنجی یا غیر نارنجی\") ارائه میدهد، در حالی که رگرسیون خطی قادر به پیشبینی `مقادیر پیوسته` است، مثلاً با توجه به منشأ کدو و زمان برداشت، *چقدر قیمت آن افزایش خواهد یافت*.\n",
"\n",
"\n",
"\n",
"\n",
"### دستهبندیهای دیگر\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **ترتیبی**، که شامل دستههای مرتب شده است، مفید اگر بخواهیم نتایج خود را به صورت منطقی مرتب کنیم، مانند کدوهایی که بر اساس تعداد محدودی از اندازهها مرتب شدهاند (کوچک، متوسط، بزرگ، خیلی بزرگ، و غیره).\n",
"\n",
"\n",
"\n",
"\n",
"#### **متغیرها لازم نیست همبستگی داشته باشند**\n",
> عکس از <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Beth Teutschmann</a> در <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
در این بخش از دوره آموزشی، با یک موضوع کاربردی در یادگیری ماشین آشنا خواهید شد: چگونگی ذخیره مدل Scikit-learn بهصورت یک فایل که بتوان از آن برای پیشبینیها در یک اپلیکیشن وب استفاده کرد. پس از ذخیره مدل، یاد میگیرید که چگونه از آن در یک اپلیکیشن وب ساختهشده با Flask استفاده کنید. ابتدا مدلی را با استفاده از دادههایی که درباره مشاهده بشقابپرندهها هستند ایجاد میکنید! سپس، یک اپلیکیشن وب میسازید که به شما امکان میدهد با وارد کردن تعداد ثانیهها به همراه مقادیر عرض و طول جغرافیایی، پیشبینی کنید که کدام کشور مشاهده بشقابپرنده را گزارش داده است.
عکس از <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">مایکل هرن</a> در <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
در آسیا و هند، سنتهای غذایی بسیار متنوع و فوقالعاده خوشمزه هستند! بیایید دادههایی درباره غذاهای منطقهای بررسی کنیم تا مواد تشکیلدهنده آنها را بهتر درک کنیم.
> عکس از <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Lisheng Chang</a> در <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
مخاطبان متنوع نیجریه دارای سلیقههای موسیقی متنوعی هستند. با استفاده از دادههایی که از اسپاتیفای جمعآوری شدهاند (با الهام از [این مقاله](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421))، بیایید نگاهی به برخی از موسیقیهای محبوب در نیجریه بیندازیم. این مجموعه داده شامل اطلاعاتی درباره امتیاز 'رقصپذیری'، 'آکوستیک بودن'، بلندی صدا، 'گفتاری بودن'، محبوبیت و انرژی آهنگهای مختلف است. کشف الگوها در این دادهها میتواند بسیار جالب باشد!
> عکس از <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">مارسلا لاسکوسکی</a> در <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
در این درسها، ما اصول اولیه NLP را با ساخت رباتهای مکالمهای کوچک یاد خواهیم گرفت تا ببینیم چگونه یادگیری ماشین به هوشمندتر شدن این مکالمات کمک میکند. شما به گذشته سفر خواهید کرد و با الیزابت بنت و آقای دارسی از رمان کلاسیک جین آستن، **غرور و تعصب**، که در سال ۱۸۱۳ منتشر شده است، گفتگو خواهید کرد. سپس دانش خود را با یادگیری تحلیل احساسات از طریق بررسی نظرات هتلهای اروپا گسترش خواهید داد.
> عکس از <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> در <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
تمرکز منطقهای ما بر مصرف برق جهانی است، یک مجموعه داده جالب برای یادگیری پیشبینی مصرف برق آینده بر اساس الگوهای بار گذشته. میتوانید ببینید که این نوع پیشبینی چگونه میتواند در محیطهای تجاری بسیار مفید باشد.
عکس از [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) از برجهای برق در جادهای در راجستان در [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
تصور کنید یک محیط شبیهسازیشده مثل بازار سهام دارید. اگر یک قانون خاص اعمال کنید، چه اتفاقی میافتد؟ آیا اثر مثبت دارد یا منفی؟ اگر اتفاقی منفی رخ دهد، باید از این _تقویت منفی_ درس بگیرید و مسیر خود را تغییر دهید. اگر نتیجه مثبت باشد، باید بر اساس آن _تقویت مثبت_ پیش بروید.
> پیتر و دوستانش باید از گرگ گرسنه فرار کنند! تصویر از [Jen Looper](https://twitter.com/jenlooper)
در این بخش از برنامه آموزشی، با برخی از کاربردهای واقعی یادگیری ماشین کلاسیک آشنا خواهید شد. ما اینترنت را جستجو کردهایم تا مقالات و گزارشهایی درباره کاربردهایی که از این استراتژیها استفاده کردهاند پیدا کنیم، و تا حد امکان از شبکههای عصبی، یادگیری عمیق و هوش مصنوعی اجتناب کردهایم. درباره نحوه استفاده از یادگیری ماشین در سیستمهای تجاری، کاربردهای زیستمحیطی، امور مالی، هنر و فرهنگ و موارد دیگر بیاموزید.
> عکس از <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">الکسیس فووه</a> در <ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
[](https://discord.gg/nTYy5BXMWG)
[](https://discord.gg/nTYy5BXMWG)
ما یک سری «یادگیری با هوش مصنوعی» در دیسکورد داریم، برای اطلاعات بیشتر و پیوستن به ما به [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) از 18 تا 30 سپتامبر 2025 مراجعه کنید. شما نکات و ترفندهایی برای استفاده از GitHub Copilot برای علم داده دریافت خواهید کرد.
ما یک مجموعه فعال در دیسکورد با عنوان «یادگیری با هوش مصنوعی» داریم؛ برای کسب اطلاعات بیشتر و پیوستن به ما از 18 تا 30 سپتامبر 2025 به [سری یادگیری با هوش مصنوعی](https://aka.ms/learnwithai/discord) مراجعه کنید. در این رویداد نکات و ترفندهایی برای استفاده از GitHub Copilot در علم داده دریافت خواهید کرد.
# یادگیری ماشین برای مبتدیان - یک برنامه درسی
# یادگیری ماشین برای مبتدیان - برنامه درسی
> 🌍 با ما در سفری به دور دنیا همراه شوید و یادگیری ماشین را از منظر فرهنگهای جهانی کاوش کنیم 🌍
> 🌍 با ما به اطراف جهان سفر کنید تا یادگیری ماشین را از منظر فرهنگهای مختلف بررسی کنیم 🌍
مدافعان ابری در مایکروسافت خوشحالاند تا یک برنامه درسی 12 هفتهای با 26 درس که همه دربارهٔ یادگیری ماشین است را ارائه دهند. در این برنامه، شما با چیزی که گاهی اوقات «یادگیری ماشین کلاسیک» نامیده میشود آشنا خواهید شد، که عمدتاً از کتابخانه Scikit-learn استفاده میکند و از یادگیری عمیق که در [برنامه درسی AI برای مبتدیان](https://aka.ms/ai4beginners) ما پوشش داده شده، اجتناب میکند. این دروس را با [برنامه درسی «علم داده برای مبتدیان»](https://aka.ms/ds4beginners) نیز جفت کنید!
Cloud Advocates در مایکروسافت مفتخر است یک برنامه درسی 12 هفتهای و شامل 26 درس در زمینهٔ **یادگیری ماشین** ارائه دهد. در این برنامه، شما با آنچه گاهی «**یادگیری ماشین کلاسیک**» نامیده میشود آشنا میشوید، که عمدتاً با استفاده از کتابخانهٔ Scikit-learn انجام میشود و از یادگیری عمیق که در [برنامه درسی AI برای مبتدیان](https://aka.ms/ai4beginners) ما پوشش داده شده است اجتناب میکند. این دروس را با [برنامه درسی «علم داده برای مبتدیان»](https://aka.ms/ds4beginners) نیز همراه کنید!
با ما در سراسر جهان سفر کنید در حالی که این تکنیکهای کلاسیک را روی دادههای از مناطق مختلف دنیا اعمال میکنیم. هر درس شامل آزمونهای قبل و بعد از درس، دستورالعملهای مکتوب برای تکمیل درس، یک راهحل، یک تکلیف و موارد دیگر است. روش آموزش مبتنی بر پروژهٔ ما به شما اجازه میدهد در حین ساختن یاد بگیرید، که روشی اثباتشده برای ماندگاری مهارتهای جدید است.
با ما در سفر به دور دنیا همراه شوید تا این تکنیکهای کلاسیک را روی دادههایی از مناطق مختلف جهان اعمال کنیم. هر درس شامل آزمونهای قبل و بعد از درس، دستورالعملهای مکتوب برای تکمیل درس، یک راهحل، یک تکلیف و موارد دیگر است. روش آموزشی پروژهمحور ما به شما اجازه میدهد در حین ساختن یاد بگیرید، که راهی اثباتشده برای تثبیت مهارتهای جدید است.
**✍️ سپاس صمیمانه از نویسندگان ما** جن لوپر، استیفن هاول، فرانچسکا لازری، تومومی ایمورا، کَسی بریویو، دمیتری سوشنیکوف، کریس نورینگ، انیربان موخرجی، اورنلا آلتونیان، راث یاکوبو و ایمی بویید
**✍️ از نویسندگان عزیزمان صمیمانه سپاسگزاریم** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 همچنین سپاس از تصویرگران ما** تومومی ایمورا، داسانی مادِیپالی، و جن لوپر
**🎨 همچنین از تصویرگرانمان سپاسگزاریم** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 تشکر ویژه 🙏 از سفیران دانشجویی مایکروسافت که نویسنده، بازبین و مشارکتکنندهٔ محتوا بودهاند**، به خصوص ریشیت داگلی، محمد ساکیب خان اینان، روهان راج، الکساندرو پتروسکو، آبیشِک جایسوال، نووْرین تاباسوم، یوآن سامیلا، و اسنیگدها آگاروال
**🙏 سپاس ویژه 🙏 از نویسندگان، بازبینها و مشارکتکنندگان محتوای Microsoft Student Ambassador ما**، بهویژه Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🤩 قدردانی اضافی از سفیران دانشجویی مایکروسافت اریک وانژو، جاسلین سوندی، و ویدوشی گوپتا برای درسهای R ما!**
**🤩 سپاس اضافی از Microsoft Student Ambassadors اریک ونجاو، جاسلین سوندی، و ویدوشی گپتا برای دروس R ما!**
# شروع
این مراحل را دنبال کنید:
1. **فُرک کردن مخزن**: روی دکمهٔ "Fork" در گوشهٔ بالا-راست این صفحه کلیک کنید.
1. **فورک کردن مخزن**: روی دکمهٔ "Fork" در گوشهٔ بالا-راست این صفحه کلیک کنید.
2. **کلون کردن مخزن**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [تمام منابع اضافی این دوره را در مجموعهٔ Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [تمام منابع اضافی این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **نیاز به کمک دارید؟** راهنمای [رفع اشکال](TROUBLESHOOTING.md) ما را برای راهحلهای مسائل رایج نصب، راهاندازی و اجرای دروس بررسی کنید.
> 🔧 **نیاز به کمک دارید؟** راهنمای [عیبیابی](TROUBLESHOOTING.md) ما را برای راهحلهای مشکلات رایج در نصب، پیکربندی و اجرای دروس بررسی کنید.
**[دانشجویان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرینها را بهصورت فردی یا گروهی کامل کنید:
**[دانشجویان](https://aka.ms/student-page)**، برای استفاده از این برنامه درسی، کل مخزن را به حساب GitHub خود فورک کنید و تمرینها را بهصورت فردی یا گروهی تکمیل کنید:
- با یک آزمون پیشدرس شروع کنید.
- درس را بخوانید و فعالیتها را کامل کنید، در هر بررسی دانش مکث کرده و تأمل کنید.
- سعی کنید پروژهها را با درک دروس ایجاد کنید تا اینکه فقط کد راهحل را اجرا کنید؛ با این حال، آن کد در پوشههای `/solution` در هر درس مبتنی بر پروژه در دسترس است.
- آزمون پس از درس را بدهید.
- چالش را انجام دهید.
- تکلیف را کامل کنید.
- بعد از اتمام یک گروه درسی، به [تالار بحث](https://github.com/microsoft/ML-For-Beginners/discussions) سر بزنید و با پر کردن روبریک PAT مربوطه «بلند یاد بگیرید». یک «PAT» ابزار ارزیابی پیشرفت است که روبریکی است که شما برای پیشبرد یادگیری خود پر میکنید. شما همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
- با یک آزمون گرم قبل از کلاس شروع کنید.
- مبحث را بخوانید و فعالیتها را کامل کنید، در هر بررسی دانش مکث و تأمل کنید.
- سعی کنید پروژهها را با درک دروس ایجاد کنید نه فقط با اجرای کد راهحل؛ با این حال آن کد در پوشههای `/solution` در هر درس پروژهمحور در دسترس است.
- آزمون پس از کلاس را بدهید.
- چالش را کامل کنید.
- تکلیف را انجام دهید.
- پس از تکمیل یک گروه درسی، به [تابلو گفتگو](https://github.com/microsoft/ML-For-Beginners/discussions) سر بزنید و با پر کردن قالب PAT مناسب «بلند بیاموزید». PAT یک ابزار ارزیابی پیشرفت است که قالبی است که شما برای پیشبرد یادگیری خود آن را پر میکنید. شما همچنین میتوانید به PATهای دیگر واکنش نشان دهید تا با هم یاد بگیریم.
> برای مطالعهٔ بیشتر، پیشنهاد میکنیم این ماژولها و مسیرهای یادگیری [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
> برای مطالعهٔ بیشتر، توصیه میکنیم این ماژولها و مسیرهای یادگیری [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) را دنبال کنید.
**معلمان**، ما [برخی پیشنهادها](for-teachers.md) در مورد نحوهٔ استفاده از این برنامه درسی ضمیمه کردهایم.
**معلمان**، ما [چند پیشنهاد](for-teachers.md) دربارهٔ نحوهٔ استفاده از این برنامه درسی گنجاندهایم.
---
## راهنماهای ویدیویی
## ویدئوهای راهنما
برخی از دروس بهصورت ویدیوی کوتاه در دسترس هستند. میتوانید همهٔ اینها را درون متن دروس بیابید، یا در [فهرست پخش ML for Beginners در کانال توسعهدهندهٔ مایکروسافت در YouTube](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر.
بعضی از دروس بهصورت ویدئوی کوتاه در دسترس هستند. میتوانید همهٔ این ویدئوها را در داخل دروس پیدا کنید، یا در [فهرست پخش ML for Beginners در کانال Microsoft Developer در یوتیوب](https://aka.ms/ml-beginners-videos) با کلیک روی تصویر زیر ببینید.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 برای مشاهدهٔ ویدئویی دربارهٔ پروژه و افرادی که آن را ایجاد کردهاند، روی تصویر بالا کلیک کنید!
> 🎥 برای دیدن ویدئویی دربارهٔ پروژه و افرادی که آن را ساختهاند، روی تصویر بالا کلیک کنید!
---
## روش آموزشی
ما در هنگام ساخت این برنامه درسی دو اصل آموزشی را انتخاب کردهایم: اطمینان از اینکه برنامه عملی و مبتنی بر پروژه است و اینکه شامل آزمونهای مکرر است. علاوه بر این، این برنامه دارای یک «تم» مشترک است تا به آن انسجام بخشد.
در ساخت این برنامهٔ درسی دو اصل آموزشی را انتخاب کردهایم: اطمینان از اینکه برنامه دستورزی و «پروژهمحور» است و اینکه شامل آزمونهای «مکرر» باشد. علاوه بر این، این برنامهٔ درسی یک «تم» مشترک دارد تا انسجام ایجاد کند.
با اطمینان از همراستایی محتوا با پروژهها، فرایند برای دانشآموزان جذابتر میشود و ماندگاری مفاهیم افزایش مییابد. علاوه بر این، یک آزمون کمفشار قبل از کلاس نیت یادگیری موضوع را در دانشآموز تنظیم میکند، در حالی که آزمونی دوم پس از کلاس موجب تثبیت بیشتر میشود. این برنامه طوری طراحی شده است که انعطافپذیر و لذتبخش باشد و میتوان آن را کامل یا بخشی دنبال کرد. پروژهها از کوچک شروع میشوند و تا پایان چرخهٔ 12 هفتهای بهتدریج پیچیدهتر میگردند. این برنامه همچنین یک پستاسکریپت در مورد کاربردهای دنیای واقعی یادگیری ماشین دارد که میتواند بهعنوان امتیاز اضافی یا پایهای برای بحث استفاده شود.
با همسو کردن محتوا با پروژهها، فرآیند برای دانشجویان جذابتر میشود و حفظ مفاهیم افزایش مییابد. علاوه بر این، یک آزمون کمفشار قبل از کلاس، نیت یادگیری دانشجو را معطوف موضوع میکند و یک آزمون دیگر پس از کلاس باعث حفظ بیشتر مطلب میشود. این برنامهٔ درسی طوری طراحی شده است که انعطافپذیر و سرگرمکننده باشد و میتوان آن را بهصورت کامل یا بخشی گذراند. پروژهها کوچک شروع میشوند و تا پایان دورهٔ 12 هفتهای بهتدریج پیچیدهتر میشوند. این برنامهٔ درسی همچنین خاتمهای دربارهٔ کاربردهای دنیای واقعی یادگیری ماشین دارد که میتواند بهعنوان امتیاز اضافی یا مبنایی برای بحث استفاده شود.
> راهنمای [قانون رفتار](CODE_OF_CONDUCT.md)، [نحوهٔ مشارکت](CONTRIBUTING.md)، [ترجمه](TRANSLATIONS.md)، و [رفع اشکال](TROUBLESHOOTING.md) ما را بیابید. ما از بازخورد سازندهٔ شما استقبال میکنیم!
> راهنمای [ضوابط رفتار](CODE_OF_CONDUCT.md)، [مشارکت](CONTRIBUTING.md)، [ترجمه](TRANSLATIONS.md)، و [عیبیابی](TROUBLESHOOTING.md) ما را پیدا کنید. ما از بازخورد سازندهٔ شما استقبال میکنیم!
- [آزمون گرمکننده پیش از درس](https://ff-quizzes.netlify.app/en/ml/)
- درس مکتوب
- برای درسهای مبتنی بر پروژه، راهنمای گامبهگام در مورد نحوهٔ ساخت پروژه
- بررسیهای دانش
- برای دروس پروژهمحور، راهنماهای گامبهگام برای ساخت پروژه
- سنجش دانش
- یک چالش
- مطالعهٔ تکمیلی
- تکلیف
- [آزمون پس از درس](https://ff-quizzes.netlify.app/en/ml/)
> **توضیحی دربارهٔ زبانها**: این دروس عمدتاً به زبان Python نوشته شدهاند، اما بسیاری نیز در R موجود هستند. برای تکمیل یک درس R، به پوشهٔ `/solution` بروید و دنبال درسهای R بگردید. آنها دارای پسوند .rmd هستند که نمایانگر یک فایل **R Markdown** است که میتوان آن را بهسادگی بهعنوان جاسازی `code chunks` (از R یا زبانهای دیگر) و یک `YAML header` (که راهنمایی میکند چگونه خروجیها مانند PDF قالببندی شوند) در یک `Markdown document` تعریف کرد. از این رو، این قالب بهعنوان یک چارچوب نمونهوار برای تولید محتوای علم داده عمل میکند زیرا به شما اجازه میدهد کد، خروجی آن و افکارتان را ترکیب کنید و آنها را در Markdown بنویسید. علاوه بر این، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML یا Word رندر شوند.
> **تذکری دربارهٔ زبانها**: این دروس عمدتاً به زبان Python نوشته شدهاند، اما بسیاری از آنها نیز به زبان R در دسترساند. برای تکمیل یک درس R، به پوشهٔ `/solution` بروید و به دنبال دروس R بگردید. آنها دارای پسوند .rmd هستند که نمایانگر یک فایل **R Markdown** است که میتوان آن را بهسادگی چنین تعریف کرد: جاسازی `code chunks` (از R یا زبانهای دیگر) و یک `YAML header` (که هدایت میکند خروجیها چگونه قالببندی شوند مثل PDF) در یک `Markdown document`. از این رو، این ساختار بهعنوان یک چهارچوب نمونه برای نویسندگی در علم داده عمل میکند زیرا به شما اجازه میدهد کد، خروجی آن و افکار خود را با نوشتن در Markdown ترکیب کنید. علاوه بر این، اسناد R Markdown میتوانند به فرمتهای خروجی مانند PDF، HTML یا Word رندر شوند.
> **توضیحی دربارهٔ آزمونها**: همهٔ آزمونها در [پوشهٔ Quiz App](../../quiz-app) قرار دارند، در مجموع 52 آزمون که هر کدام شامل سه سؤال است. آنها از درون دروس لینک شدهاند اما برنامهٔ آزمون را میتوان محلی اجرا کرد؛ دستورالعملها را در پوشهٔ `quiz-app`برای میزبانی محلی یا استقرار در Azure دنبال کنید.
> **تذکری دربارهٔ آزمونها**: همهٔ آزمونها در [پوشهٔ برنامه آزمون](../../quiz-app) قرار دارند، در مجموع 52 آزمون که هر کدام سه سؤال دارند. آنها از داخل دروس لینک شدهاند اما برنامهٔ آزمون را میتوان بهصورت محلی اجرا کرد؛ دستورالعملها را در پوشهٔ `quiz-app`دنبال کنید تا بهصورت محلی میزبانی یا در Azure مستقر کنید.
| شماره درس | موضوع | گروهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| شمارهٔ درس | موضوع | گروهبندی درس | اهداف یادگیری | درس مرتبط | نویسنده |
| 01 | مقدمهای بر یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مفاهیم پایهای پشت یادگیری ماشین را بیاموزید | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاریخچهٔ یادگیری ماشین | [مقدمه](1-Introduction/README.md) | تاریخچهٔ این حوزه را بیاموزید | [درس](1-Introduction/2-history-of-ML/README.md) | جن و امی |
| 03 | عدالت و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مسائل فلسفی مهم دربارهٔ عدالت که دانشجویان باید هنگام ساخت و اعمال مدلهای یادگیری ماشین در نظر بگیرند چیست؟ | [درس](1-Introduction/3-fairness/README.md) | تومومی |
| 04 | تکنیکهای یادگیری ماشین | [مقدمه](1-Introduction/README.md) | پژوهشگران یادگیری ماشین از چه تکنیکهایی برای ساخت مدلهای یادگیری ماشین استفاده میکنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | کریس و جن |
| 05 | مقدمهای بر رگرسیون | [رگرسیون](2-Regression/README.md) | با Python و Scikit-learn برای مدلهای رگرسیون شروع کنید | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • اریک وانجاو |
| 06 | قیمت کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | دادهها را بهمنظور آمادهسازی برای یادگیری ماشین مصورسازی و پاکسازی کنید | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • اریک وانجاو |
| 07 | قیمت کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت مدلهای رگرسیون خطی و چندجملهای | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن و دمیتری • اریک وانجاو |
| 08 | قیمت کدو تنبل آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | ساخت یک مدل رگرسیون لجستیک | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • اریک وانجاو |
| 09 | یک برنامهٔ وب 🔌 | [وباپ](3-Web-App/README.md) | ساخت یک برنامهٔ وب برای استفاده از مدل آموزشدیدهٔ خود | [Python](3-Web-App/1-Web-App/README.md) | جن |
| 10 | مقدمهای بر طبقهبندی | [Classification](4-Classification/README.md) | دادههای خود را پاکسازی، آماده، و مصورسازی کنید؛ مقدمهای بر طبقهبندی | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن و کیسی • اریک وانجاو |
| 11 | غذاهای خوشمزهٔ آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | مقدمهای بر طبقهبندها | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن و کیسی • اریک وانجاو |
| 12 | غذاهای خوشمزهٔ آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | طبقهبندهای بیشتر | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن و کیسی • اریک وانجاو |
| 13 | غذاهای خوشمزهٔ آسیایی و هندی 🍜 | [Classification](4-Classification/README.md) | ساخت یک وباپ توصیهگر با استفاده از مدل خود | [Python](4-Classification/4-Applied/README.md) | جن |
| 14 | مقدمهای بر خوشهبندی | [خوشهبندی](5-Clustering/README.md) | دادههای خود را پاکسازی، آماده، و مصورسازی کنید؛ مقدمهای بر خوشهبندی | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • اریک وانجاو |
| 15 | کاوش سلیقههای موسیقایی نیجریهای 🎧 | [خوشهبندی](5-Clustering/README.md) | روش خوشهبندی K-Means را بررسی کنید | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | جن • اریک وانجاو |
| 16 | مقدمهای بر پردازش زبان طبیعی ☕️ | [Natural language processing](6-NLP/README.md) | با ساخت یک ربات ساده اصول پایهٔ پردازش زبان طبیعی را بیاموزید | [Python](6-NLP/1-Introduction-to-NLP/README.md) | استفن |
| 17 | وظایف رایج پردازش زبان طبیعی ☕️ | [Natural language processing](6-NLP/README.md) | با درک وظایف رایج مورد نیاز هنگام مواجهه با ساختارهای زبانی، دانش خود در پردازش زبان طبیعی را عمیقتر کنید | [Python](6-NLP/2-Tasks/README.md) | استفن |
| 18 | ترجمه و تحلیل احساسات ♥️ | [Natural language processing](6-NLP/README.md) | ترجمه و تحلیل احساسات با جِین آستن | [Python](6-NLP/3-Translation-Sentiment/README.md) | استفن |
| 19 | هتلهای رمانتیک اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با نقدهای هتل 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | استفن |
| 20 | هتلهای رمانتیک اروپا ♥️ | [Natural language processing](6-NLP/README.md) | تحلیل احساسات با نقدهای هتل 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | استفن |
| 21 | مقدمهای بر پیشبینی سریهای زمانی | [سریهای زمانی](7-TimeSeries/README.md) | مقدمهای بر پیشبینی سریهای زمانی | [Python](7-TimeSeries/1-Introduction/README.md) | فرانچسکا |
| 22 | ⚡️ World Power Usage ⚡️ - پیشبینی سریهای زمانی با ARIMA | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سریهای زمانی با ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | فرانچسکا |
| 23 | ⚡️ World Power Usage ⚡️ - پیشبینی سریهای زمانی با SVR | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سریهای زمانی با Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | انیربان |
| 24 | مقدمهای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمهای بر یادگیری تقویتی با Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | دمیتری |
| 25 | به پیتر کمک کنید از گرگ اجتناب کند! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی با Gym | [Python](8-Reinforcement/2-Gym/README.md) | دمیتری |
| پیوست | سناریوها و کاربردهای واقعی یادگیری ماشین | [ML در دنیای واقعی](9-Real-World/README.md) | کاربردهای جالب و روشنگر دنیای واقعی از یادگیری ماشین کلاسیک | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پیوست | اشکالزدایی مدل در یادگیری ماشین با داشبورد RAI | [ML در دنیای واقعی](9-Real-World/README.md) | اشکالزدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث یاکوبو |
> [تمام منابع اضافی مربوط به این دوره را در مجموعهٔ Microsoft Learn ما بیابید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 01 | مقدمهای بر یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مفاهیم پایهای پشت یادگیری ماشین را بیاموزید | [درس](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | تاریخچهٔ یادگیری ماشین | [مقدمه](1-Introduction/README.md) | تاریخچهٔ زمینهٔ این حوزه را بیاموزید | [درس](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | عدالت و یادگیری ماشین | [مقدمه](1-Introduction/README.md) | مسائل فلسفی مهم پیرامون عدالت که دانشجویان باید هنگام ساخت و بهکارگیری مدلهای یادگیری ماشین در نظر بگیرند کداماند؟ | [درس](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | تکنیکهای یادگیری ماشین | [مقدمه](1-Introduction/README.md) | پژوهشگران یادگیری ماشین برای ساخت مدلها از چه تکنیکهایی استفاده میکنند؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | مقدمهای بر رگرسیون | [رگرسیون](2-Regression/README.md) | با Python و Scikit-learn برای مدلهای رگرسیون شروع کنید | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | قیمت کدو حلوایی در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | دادهها را برای یادگیری ماشین مصورسازی و پاکسازی کنید | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | قیمت کدو حلوایی در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | مدلهای رگرسیون خطی و چندجملهای بسازید | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | قیمت کدو حلوایی در آمریکای شمالی 🎃 | [رگرسیون](2-Regression/README.md) | یک مدل رگرسیون لجستیک بسازید | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | یک برنامه وب 🔌 | [وباپ](3-Web-App/README.md) | یک برنامه وب بسازید تا از مدل آموزشدیدهٔ خود استفاده کنید | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | مقدمهای بر طبقهبندی | [طبقهبندی](4-Classification/README.md) | دادههای خود را پاک، آماده و مصورسازی کنید؛ مقدمهای بر طبقهبندی | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | غذاهای لذیذ آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | مقدمهای بر طبقهبندها | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | غذاهای لذیذ آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | طبقهبندهای بیشتر | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | غذاهای لذیذ آسیایی و هندی 🍜 | [طبقهبندی](4-Classification/README.md) | با استفاده از مدل خود یک برنامه وب پیشنهاددهنده بسازید | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | مقدمهای بر خوشهبندی | [خوشهبندی](5-Clustering/README.md) | دادههای خود را پاک، آماده و مصورسازی کنید؛ مقدمهای بر خوشهبندی | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | کاوش سلیقههای موسیقی نیجریهای 🎧 | [خوشهبندی](5-Clustering/README.md) | روش خوشهبندی K-Means را کاوش کنید | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | مقدمهای بر پردازش زبان طبیعی ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | مبانی NLP را با ساخت یک ربات ساده بیاموزید | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | وظایف معمول NLP ☕️ | [پردازش زبان طبیعی](6-NLP/README.md) | دانش خود در NLP را با درک وظایف رایجی که هنگام کار با ساختارهای زبانی لازم است، عمیقتر کنید | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | ترجمه و تحلیل احساسات ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | ترجمه و تحلیل احساسات با آثار جین آستین | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نظرات هتل 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | هتلهای رمانتیک اروپا ♥️ | [پردازش زبان طبیعی](6-NLP/README.md) | تحلیل احساسات با نظرات هتل 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | مقدمهای بر پیشبینی سریهای زمانی | [سریهای زمانی](7-TimeSeries/README.md) | مقدمهای بر پیشبینی سریهای زمانی | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سریهای زمانی با ARIMA | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سریهای زمانی با ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ مصرف برق جهان ⚡️ - پیشبینی سریهای زمانی با SVR | [سریهای زمانی](7-TimeSeries/README.md) | پیشبینی سریهای زمانی با Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | مقدمهای بر یادگیری تقویتی | [یادگیری تقویتی](8-Reinforcement/README.md) | مقدمهای بر یادگیری تقویتی با Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | به پیتر کمک کنید از گرگ اجتناب کند! 🐺 | [یادگیری تقویتی](8-Reinforcement/README.md) | یادگیری تقویتی با Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| پیوست | سناریوها و کاربردهای یادگیری ماشین در دنیای واقعی | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | کاربردهای جالب و روشنگرانهٔ دنیای واقعی از یادگیری ماشین کلاسیک | [درس](9-Real-World/1-Applications/README.md) | تیم |
| پیوست | اشکالزدایی مدل در ML با استفاده از داشبورد RAI | [یادگیری ماشین در دنیای واقعی](9-Real-World/README.md) | اشکالزدایی مدل در یادگیری ماشین با استفاده از اجزای داشبورد Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [تمام منابع اضافی برای این دوره را در مجموعه Microsoft Learn ما پیدا کنید](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## دسترسی آفلاین
میتوانید این مستندات را بهصورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی ماشین محلی خود، و سپس در پوشهٔ ریشهٔ این مخزن، تایپ کنید `docsify serve`. وبسایت روی پورت 3000 در localhost شما سرو خواهد شد: `localhost:3000`.
میتوانید این مستندات را بهصورت آفلاین با استفاده از [Docsify](https://docsify.js.org/#/) اجرا کنید. این مخزن را فورک کنید، [Docsify را نصب کنید](https://docsify.js.org/#/quickstart) روی ماشین محلی خود، و سپس در پوشه ریشهٔ این مخزن، تایپ کنید `docsify serve`. وبسایت در پورت 3000 روی localhost شما سرو میشود: `localhost:3000`.
## فایلهای PDF
نسخهٔ pdfِ برنامهٔ درسی همراه با لینکها را از [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) بیابید.
نسخهٔ PDF برنامه درسی همراه با لینکها را [اینجا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) پیدا کنید.
## 🎒 دورههای دیگر
تیم ما دورههای دیگری نیز تولید میکند! نگاهی بیندازید:
تیم ما دورههای دیگری تولید میکند! آنها را ببینید:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -181,8 +181,9 @@ CO_OP_TRANSLATOR_METADATA:
---
### سری هوش مولد
[](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)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
اگر گیر کردید یا هر سؤالی دربارهٔ ساخت اپلیکیشنهای هوش مصنوعی داشتید. به جمع دیگر یادگیرندگان و توسعهدهندگان باتجربه دربحثهای مربوط به MCP بپیوندید. این یک جامعهٔ پشتیبان است که در آن پرسشها خوشآمد گفته میشوند و دانش آزادانه به اشتراک گذاشته میشود.
اگر گیر کردید یا دربارهٔ ساخت اپلیکیشنهای هوش مصنوعی سؤالی داشتید، به گفتگوها با دیگر یادگیرندگان و توسعهدهندگان باتجربه دربارهٔ MCP بپیوندید. این یک جامعهٔ پشتیبان است که در آن سؤالها پذیرفته میشوند و دانش بهصورت آزاد به اشتراک گذاشته میشود.
[](https://discord.gg/nTYy5BXMWG)
اگر هنگام ساخت بازخوردی دربارهٔ محصول دارید یا با خطا مواجه شدید، به موارد زیر مراجعه کنید:
اگر بازخورد دربارهٔ محصول دارید یا هنگام ساخت با خطا مواجه شدید، به:
[](https://aka.ms/foundry/forum)
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**سلب مسئولیت**:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator (https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطاها یا نادرستیهایی باشند. سند اصلی به زبان بومی/اصلی خود باید بهعنوان مرجع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، استفاده از ترجمه حرفهای انسانی توصیه میشود. ما در قبال هرگونه سوتفاهم یا تفسیر نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
سلب مسئولیت:
این سند با استفاده از سرویس ترجمهٔ هوش مصنوعی Co-op Translator (https://github.com/Azure/co-op-translator) ترجمه شده است. اگرچه ما در پی دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطاها یا نادرستیهایی باشند. سند اصلی به زبان بومی خود باید بهعنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس یا حیاتی، توصیه میشود از ترجمهٔ حرفهای انسانی استفاده نمایید. ما در برابر هرگونه سوءتفاهم، برداشت نادرست یا تفسیر ناصحیح ناشی از استفاده از این ترجمه مسئولیتی نداریم.
Meillä on Discordissa käynnissä Learn with AI -sarja; opi lisää ja liity mukaan osoitteessa [Learn with AI Series](https://aka.ms/learnwithai/discord) ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käytöstä data-analytiikassa.
#### Tuettu GitHub Actionilla (automaattinen ja aina ajan tasalla)
Meillä on käynnissä Discord-sarja "Learn with AI", lue lisää ja liity mukaan osoitteessa [Learn with AI Series](https://aka.ms/learnwithai/discord) ajalla 18.–30. syyskuuta 2025. Saat vinkkejä ja niksejä GitHub Copilotin käyttämiseen datatieteessä.
> 🌍 Matkusta ympäri maailmaa, kun tutkimme koneoppimista maailman kulttuurien kautta 🌍
> 🌍 Matkusta ympäri maailmaa, kun tutkimme koneoppimista eri maailman kulttuurien näkökulmasta 🌍
Microsoftin Cloud Advocates -tiimi tarjoaa mielellään 12 viikon, 26 oppitunnin opetussuunnitelman, joka käsittelee **koneoppimista**. Tässä opetussuunnitelmassa opit siitä, mitä joskus kutsutaan **klassiseksi koneoppimiseksi**, käyttäen pääasiassa Scikit-learn-kirjastoa ja välttäen syväoppimista, jota käsitellään meidän [AI for Beginners' curriculum](https://aka.ms/ai4beginners). Yhdistä nämä oppitunnit myös meidän ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) -materiaalin kanssa!
Microsoftin Cloud Advocates -tiimi iloitsee tarjotessaan 12 viikon, 26 oppitunnin opetussuunnitelmaa, joka käsittelee **koneoppimista**. Tässä opetussuunnitelmassa opit niin kutsuttua **klassista koneoppimista**, käyttäen ensisijaisesti Scikit-learn-kirjastoa ja välttäen syväoppimista, josta kerrotaan meidän [AI for Beginners' curriculum](https://aka.ms/ai4beginners) -materiaalissa. Yhdistä nämä oppitunnit myös meidän ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) -materiaalin kanssa!
Matkusta kanssamme ympäri maailmaa, kun sovellamme näitä klassisia tekniikoita datasta monilta eri alueilta. Jokainen oppitunti sisältää alku- ja loppukokeet, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja muuta. Projektipohjainen pedagogiamme antaa sinun oppia samalla kun rakennat, mikä on todettu tehokkaaksi tavaksi uusien taitojen omaksumiseen.
Matkusta kanssamme ympäri maailmaa, kun sovellamme näitä klassisia menetelmiä eri alueiden dataan. Jokainen oppitunti sisältää ennakko- ja jälkitestejä, kirjalliset ohjeet oppitunnin suorittamiseen, ratkaisun, tehtävän ja muuta. Projektipohjainen opetustapamme antaa sinun oppia samalla kun rakennat—tämä on todettu tehokkaaksi tavaksi omaksua uusia taitoja.
**✍️ Suuret kiitokset kirjoittajillemme** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ja Amy Boyd
**🎨 Kiitokset myös kuvittajillemme** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🎨 Kiitos myös kuvittajillemme** Tomomi Imura, Dasani Madipalli ja Jen Looper
**🙏 Erityiskiitokset 🙏 Microsoft Student Ambassador -kirjoittajillemme, arvostelijoille ja sisältöavustajille**, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🙏 Erityiskiitos 🙏 Microsoft Student Ambassador -kirjoittajillemme, tarkastajillemme ja sisällön avustajille**, erityisesti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ja Snigdha Agarwal
**🤩 Lisäkiitokset Microsoft Student Ambassadoreille Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-opetuksestamme!**
**🤩 Lisäkiitos Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ja Vidushi Gupta R-oppitunneistamme!**
# Aloittaminen
Noudata näitä vaiheita:
1. **Forkkaa repositorio**: Klikkaa "Fork" -painiketta tämän sivun oikeassa yläkulmassa.
Seuraa näitä vaiheita:
1. **Forkkaa repositorio**: Klikkaa tämän sivun oikeassa yläkulmassa olevaa "Fork"-painiketta.
> [löydät kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Tarvitsetko apua?** Katso [Vianmääritysohjeemme](TROUBLESHOOTING.md) yleisiin asennukseen, käyttöönottoon ja oppituntien suorittamiseen liittyviin ongelmiin.
> 🔧 **Tarvitsetko apua?** Tarkista [Vianetsintäoppaamme](TROUBLESHOOTING.md) yleisiin asennus-, käyttö- ja oppituntiongelmiin liittyvät ratkaisut.
**[Opiskelijat](https://aka.ms/student-page)**, käyttääksesi tätä opetussuunnitelmaa, tee fork koko reposta omaan GitHub-tiliisi ja suorita harjoitukset itse tai ryhmän kanssa:
**[Opiskelijat](https://aka.ms/student-page)**, käyttääksenne tätä opetussuunnitelmaa, forkkaa koko repo omaan GitHub-tiliisi ja tee harjoitukset itseksesi tai ryhmässä:
- Aloita esiluentotestillä.
- Lue luento ja suorita aktiviteetit, pysähdy ja pohdi jokaisen tietotarkistuksen kohdalla.
- Yritä luoda projektit ymmärtämällä oppitunnit sen sijaan, että vain suoritat ratkaisukoodin; kuitenkin tämä koodi on saatavilla kunkin projektilähtöisen oppitunnin /solution-kansioissa.
- Tee luennon jälkeinen testi.
- Aloita esiluennon kyselyllä.
- Lue luento ja suorita aktiviteetit; pysähdy ja pohdi jokaista tietotarkistusta.
- Yritä luoda projektit ymmärtämällä oppitunnin sisältö sen sijaan, että vain suoritat ratkaisukoodin; koodit ovat kuitenkin saatavilla kunkin projektilähtöisen oppitunnin /solution-kansiossa.
- Tee jälkiluennon kysely.
- Suorita haaste.
- Tee tehtävä.
- Kun olet suorittanut oppitunnin ryhmän, käy [Keskustelupalstalla](https://github.com/microsoft/ML-For-Beginners/discussions) ja "opiskele ääneen" täyttämällä asianmukainen PAT-arviointirubriikki. PAT on Progress Assessment Tool, jonka avulla täydennät oppimistasi. Voit myös reagoida muiden PATeihin, jotta voimme oppia yhdessä.
- Kun olet suorittanut oppituntiryhmän, vieraile [Keskustelualueella](https://github.com/microsoft/ML-For-Beginners/discussions) ja "opiskele ääneen" täyttämällä asianmukainen PAT-arviointirubriikki. PAT on Progress Assessment Tool, jonka avulla arvioit edistymistäsi. Voit myös reagoida muiden PAT:eihin, jotta voimme oppia yhdessä.
> Jatko-opiskelua varten suosittelemme seuraavia [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduuleja ja oppimispolkuja.
> Jatko-opiskeluun suosittelemme seuraavia [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) -moduuleja ja -oppimispolkuja.
**Opettajat**, olemme lisänneet joitakin [ehdotuksia](for-teachers.md) tämän opetussuunnitelman käyttämiseen.
**Opettajille**, olemme sisällyttäneet [joitakin ehdotuksia](for-teachers.md) tämän opetussuunnitelman käyttöön.
---
## Video-opastukset
## Videoesittelyt
Osa oppitunneista on saatavilla lyhyinä videoina. Löydät ne suoraan oppituntien sisällä tai [ML for Beginners -soittolistalta Microsoft Developer -YouTube-kanavalta](https://aka.ms/ml-beginners-videos) klikkaamalla alla olevaa kuvaa.
Joistakin oppitunneista on saatavilla lyhyitä videoita. Löydät kaikki nämä suoraan oppitunneista tai [ML for Beginners -soittolistalta Microsoft Developer YouTube -kanavalla](https://aka.ms/ml-beginners-videos) klikkaamalla alla olevaa kuvaa.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klikkaa yllä olevaa kuvaa nähdäksesi videon projektista ja sen tekijöistä!
> 🎥 Napsauta yllä olevaa kuvaa nähdäksesi videon projektista ja ihmisistä, jotka loivat sen!
---
## Pedagogiikka
Olemme valinneet tämän opetussuunnitelman rakentamisen aikana kaksi pedagogista periaatetta: varmistaa, että se on käytännönläheinen ja **projektipohjainen**, sekä että siinä on **usein toistuvia testejä**. Lisäksi tällä opetussuunnitelmalla on läpi kulkeva yhteinen **teema**, joka antaa sille yhtenäisyyttä.
Olemme valinneet kaksi pedagogista periaatetta rakentaessamme tätä opetussuunnitelmaa: varmistaa, että se on käytännönläheinen ja **projektipohjainen**, sekä että se sisältää **usein toistuvat tiedon tarkistukset**. Lisäksi opetussuunnitelmalla on yhteinen **teema**, joka sitoo kokonaisuuden yhteen.
Kun sisältö linkitetään projekteihin, oppiminen on opiskelijoille kiinnostavampaa ja käsitteiden muistaminen paranee. Lisäksi matalan panoksen testi ennen luentoa suuntaa opiskelijan intentiota oppia aihe, ja toinen testi luennon jälkeen takaa syvemmän muistamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja sen voi suorittaa kokonaan tai osittain. Projektit alkavat pienestä ja kasvavat monimutkaisuudeltaan 12 viikon jakson loppuun mennessä. Opetussuunnitelma sisältää myös jälkisanat koneoppimisen reaalimaailman sovelluksista, joita voi käyttää lisäpisteinä tai keskustelun pohjana.
Kun sisältö linkitetään projekteihin, prosessi on opiskelijoille kiinnostavampi ja käsitteiden omaksuminen paranee. Lisäksi matalan panoksen esikoe ennen luentoa suuntaa opiskelijan huomion oppimiseen, ja toinen koe luennon jälkeen varmistaa paremman muistamisen. Tämä opetussuunnitelma on suunniteltu joustavaksi ja hauskaksi, ja se voidaan suorittaa kokonaisuutena tai osissa. Projektit alkavat pienestä ja muuttuvat yhä monimutkaisemmiksi 12 viikon jakson loppua kohti. Opetussuunnitelmaan sisältyy myös loppusanat koneoppimisen käytännön sovelluksista, joita voi käyttää lisäpisteinä tai keskustelun pohjana.
> Löydät [käyttäytymissääntömme](CODE_OF_CONDUCT.md), [Ohjeet osallistumiseen](CONTRIBUTING.md), [Käännösohjeet](TRANSLATIONS.md) ja [Vianmääritysohjeet](TROUBLESHOOTING.md). Otamme mielellämme vastaan rakentavaa palautettasi!
> Löydät [käyttäytymissääntömme](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) ja [Vianetsintäohjeet](TROUBLESHOOTING.md). Otamme mielellämme vastaan rakentavaa palautettasi!
- projektipohjaisissa oppitunneissa vaiheittaiset ohjeet projektin rakentamiseen
- tietotarkistukset
- haaste
- lisälukemisto
- tehtävä
- [luennon jälkeinen testi](https://ff-quizzes.netlify.app/en/ml/)
- [luennon jälkeinen kysely](https://ff-quizzes.netlify.app/en/ml/)
> **Huomautus kielistä**: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat myös saatavilla R:llä. R-oppitunnin suorittamiseksi mene /solution-kansioon ja etsi R-oppitunnit. Ne sisältävät .rmd-päätteen, joka edustaa **R Markdown** -tiedostoa, joka voidaan yksinkertaisesti määritellä upotuksena `code chunks` (R:n tai muiden kielten koodilohkoja) ja `YAML header` (joka ohjaa tulosteen, kuten PDF:n, muotoilua) yhdistämiseksi `Markdown-asiakirjaan`. Tämän ansiosta se toimii erinomaisena kirjoituskehikkona datatieteelle, koska voit yhdistää koodisi, sen tulokset ja ajatuksesi kirjoittamalla ne Markdowniin. Lisäksi R Markdown -asiakirjat voidaan renderöidä erilaisiin tulostemuotoihin, kuten PDF, HTML tai Word.
> **Huomautus kielistä**: Nämä oppitunnit on pääasiassa kirjoitettu Pythonilla, mutta monet ovat myös saatavilla R:llä. R-oppitunnin suorittamiseksi siirry /solution-kansioon ja etsi R-oppitunteja. Niissä on .rmd-pääte, joka edustaa **R Markdown** -tiedostoa, joka voidaan yksinkertaisimmillaan määritellä upotukseksi `code chunks` (R:ää tai muita kieliä) ja `YAML header` (joka ohjaa tulosteiden, esimerkiksi PDF:n, muotoilua) sisälle `Markdown document` -tiedostoon. Tämän ansiosta se toimii erinomaisena kirjoitusalustana data-analytiikalle, koska voit yhdistää koodisi, sen tulosteen ja ajatuksesi kirjoittamalla ne Markdownissa. Lisäksi R Markdown -dokumentit voidaan renderöidä ulostulomuotoihin, kuten PDF, HTML tai Word.
> **Huomautus testeistä**: Kaikki testit sijaitsevat [Quiz App folder](../../quiz-app) -kansiossa, yhteensä 52 testiä, joissa kukin sisältää kolme kysymystä. Ne on linkitetty oppitunneista, mutta quiz-sovelluksen voi myös ajaa paikallisesti; seuraa `quiz-app`-kansion ohjeita isännöidäksesi sen paikallisesti tai julkaistaksesi Azureen.
> **Huomautus kyselyistä**: Kaikki kyselyt löytyvät [Quiz App -kansiosta](../../quiz-app), yhteensä 52 kyselyä, joissa kussakin on kolme kysymystä. Ne linkitetään oppitunneista, mutta kyselysovelluksen voi ajaa myös paikallisesti; seuraa ohjeita `quiz-app`-kansiossa isännöidäksesi tai julkaistaksesi sovelluksen Azureen.
| 02 | Koneoppimisen historia | [Introduction](1-Introduction/README.md) | Tutustu tämän alan historiaan | [Oppitunti](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Oikeudenmukaisuus ja koneoppiminen | [Introduction](1-Introduction/README.md) | Mitkä ovat tärkeimmät filosofiset kysymykset oikeudenmukaisuudesta, jotka opiskelijoiden tulisi ottaa huomioon rakentaessaan ja soveltaessaan ML-malleja? | [Oppitunti](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Koneoppimisen tekniikat | [Introduction](1-Introduction/README.md) | Mitä tekniikoita koneoppimustutkijat käyttävät rakentaessaan ML-malleja? | [Oppitunti](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Johdatus regressioon | [Regression](2-Regression/README.md) | Aloita Pythonilla ja Scikit-learnilla regressiomallien kanssa | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pohjoisamerikkalaiset kurpitsahinnat 🎃 | [Regression](2-Regression/README.md) | Visualisoi ja siivoa dataa valmistellaksesi sitä koneoppimista varten | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pohjoisamerikkalaiset kurpitsahinnat 🎃 | [Regression](2-Regression/README.md) | Rakenna lineaarisia ja polynomisia regressiomalleja | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 02 | Koneoppimisen historia | [Johdanto](1-Introduction/README.md) | Tutustu tämän alan historiaan | [Oppitunti](1-Introduction/2-history-of-ML/README.md) | Jen ja Amy |
| 03 | Oikeudenmukaisuus ja koneoppiminen | [Johdanto](1-Introduction/README.md) | Mitkä ovat oikeudenmukaisuuteen liittyvät tärkeät filosofiset kysymykset, jotka opiskelijoiden tulisi huomioida rakentaessaan ja soveltaessaan koneoppimismalleja? | [Oppitunti](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Koneoppimisen menetelmät | [Johdanto](1-Introduction/README.md) | Mitä menetelmiä koneoppimustutkijat käyttävät mallien rakentamiseen? | [Oppitunti](1-Introduction/4-techniques-of-ML/README.md) | Chris ja Jen |
| 05 | Johdatus regressioon | [Regressio](2-Regression/README.md) | Aloita Pythonin ja Scikit-learnin käytöllä regressiomalleihin | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Pohjoisamerikkalaiset kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Visualisoi ja siivoa dataa koneoppimista varten | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Pohjoisamerikkalaiset kurpitsahinnat 🎃 | [Regressio](2-Regression/README.md) | Rakenna lineaarisia ja polynomisia regressiomalleja | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ja Dmitry • Eric Wanjau |
| 10 | Johdatus luokitteluun | [Luokittelu](4-Classification/README.md) | Siivoa, valmistele ja visualisoi datasi; johdanto luokitteluun | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ja Cassie • Eric Wanjau |
| 11 | Herkulliset aasialaiset ja intialaiset keittiöt 🍜 | [Luokittelu](4-Classification/README.md) | Johdatus luokittelijoihin | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ja Cassie • Eric Wanjau |
| 12 | Herkulliset aasialaiset ja intialaiset keittiöt 🍜 | [Luokittelu](4-Classification/README.md) | Lisää luokittelijoita | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ja Cassie • Eric Wanjau |
| 13 | Herkulliset aasialaiset ja intialaiset keittiöt 🍜 | [Luokittelu](4-Classification/README.md) | Rakenna suosituksia antava verkkosovellus malliasi käyttäen | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Johdatus klusterointiin | [Clustering](5-Clustering/README.md) | Siivoa, valmistele ja visualisoi datasi; johdanto klusterointiin | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigerialaisten musiikkimakujen tutkiminen 🎧 | [Clustering](5-Clustering/README.md) | Tutki K-Means-klusterointimenetelmää | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Johdatus luonnollisen kielen käsittelyyn ☕️ | [Natural language processing](6-NLP/README.md) | Opi NLP:n perusteet rakentamalla yksinkertainen botti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yleiset NLP-tehtävät ☕️ | [Natural language processing](6-NLP/README.md) | Syvennä NLP-tuntemustasi ymmärtämällä yleisiä tehtäviä, joita vaaditaan kielirakenteiden käsittelyssä | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Käännös ja tunteiden analyysi ♥️ | [Natural language processing](6-NLP/README.md) | Käännös ja tunteiden analyysi Jane Austenin teksteillä | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopan romanttiset hotellit ♥️ | [Natural language processing](6-NLP/README.md) | Tunteiden analyysi hotelliarvosteluilla 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopan romanttiset hotellit ♥️ | [Natural language processing](6-NLP/README.md) | Tunteiden analyysi hotelliarvosteluilla 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Postscript | Käytännön koneoppimisen skenaariot ja sovellukset | [ML in the Wild](9-Real-World/README.md) | Mielenkiintoisia ja valaisevia käytännön sovelluksia klassisesta koneoppimisesta | [Oppitunti](9-Real-World/1-Applications/README.md) | Tiimi |
| Postscript | Mallin vianetsintä koneoppimisessa RAI-hallintapaneelilla | [ML in the Wild](9-Real-World/README.md) | Mallin vianetsintä koneoppimisessa Responsible AI -hallintapaneelin komponenttien avulla | [Oppitunti](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [löydä kaikki lisäresurssit tälle kurssille Microsoft Learn -kokoelmassamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 16 | Johdatus luonnollisen kielen käsittelyyn ☕️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Opi NLP:n perusteet rakentamalla yksinkertainen botti | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yleiset NLP-tehtävät ☕️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Syvennä NLP-osaamistasi ymmärtämällä kielirakenteiden käsittelyssä tarvittavat yleiset tehtävät | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Kääntäminen ja sentimenttianalyysi ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Kääntämistä ja sentimenttianalyysiä Jane Austenin tekstien avulla | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Sentimenttianalyysi hotelliarvosteluilla 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Euroopan romanttiset hotellit ♥️ | [Luonnollisen kielen käsittely](6-NLP/README.md) | Sentimenttianalyysi hotelliarvosteluilla 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| Jälkikirjoitus | Todellisen maailman koneoppimisskenaariot ja -sovellukset | [ML käytännössä](9-Real-World/README.md) | Mielenkiintoisia ja valaisevia todellisen maailman sovelluksia klassiselle koneoppimiselle | [Oppitunti](9-Real-World/1-Applications/README.md) | Tiimi |
> [Löydät kaikki tämän kurssin lisäresurssit Microsoft Learn -kokoelmastamme](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-käyttö
Voit käyttää tätä dokumentaatiota offline-tilassa käyttämällä [Docsify](https://docsify.js.org/#/). Tee fork tästä reposta, [asenna Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi, ja sitten tämän repositorion juurihakemistossa kirjoita `docsify serve`. Sivusto palvellaan portissa 3000 paikallisessa isännässäsi: `localhost:3000`.
Voit suorittaa tämän dokumentaation offline-tilassa käyttämällä [Docsify](https://docsify.js.org/#/). Tee haarukka tästä reposta, asenna [Docsify](https://docsify.js.org/#/quickstart) paikalliselle koneellesi, ja sitten tämän repohakemiston juuressa kirjoita `docsify serve`. Sivusto tarjotaan portissa 3000 paikallisessa isäntäkoneessasi: `localhost:3000`.
## PDF-tiedostot
@ -179,9 +168,9 @@ Tiimimme tuottaa myös muita kursseja! Tutustu:
[](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)
Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:stä. Se on kannustava yhteisö, jossa kysymyksiä saa esittää ja tietoa jaetaan vapaasti.
Jos jumitut tai sinulla on kysyttävää tekoälysovellusten rakentamisesta, liity muiden oppijoiden ja kokeneiden kehittäjien keskusteluihin MCP:ssä. Se on kannustava yhteisö, jossa kysymyksiä saa esittää ja tietoa jaetaan vapaasti.
Tämä asiakirja on käännetty käyttämällä tekoälykäännöspalvelua Co‑op Translator (https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä on pidettävä määräävänä lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa mahdollisista väärinymmärryksistä tai virheellisistä tulkinnoista, jotka johtuvat tämän käännöksen käytöstä.
Tämä asiakirja on käännetty tekoälypohjaisella käännöspalvelulla Co-op Translator (https://github.com/Azure/co-op-translator). Vaikka pyrimme täsmällisyyteen, automatisoiduissa käännöksissä voi esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulee pitää määräävänä lähteenä. Tärkeiden tietojen osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai virheellisistä tulkinnoista.
Dans cette section du programme, vous serez initié aux concepts de base qui sous-tendent le domaine du machine learning, ce qu'il est, et vous découvrirez son histoire ainsi que les techniques utilisées par les chercheurs pour travailler avec lui. Explorons ensemble ce nouvel univers du ML !
> Photo par <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Bill Oxford</a> sur <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
" <figcaption>Illustration par @allison_horst</figcaption>\n",
"\n",
"<!--<br>Illustration par @allison_horst-->\n"
"<!--<br>Illustration par @allison_horst-->\n"
" <figcaption>Illustration par @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--<br>Illustration par \\@allison_horst-->\n"
"<!--<br>Illustration par \\@allison_horst-->\n"
],
"metadata": {
"id": "Pg5aexcOPqAZ"
@ -230,7 +230,7 @@
" <figcaption>Illustration par @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--<br/>Illustration par \\@allison_horst-->\n"
"<!--<br/>Illustration par \\@allison_horst-->\n"
],
"metadata": {
"id": "o4jLY5-VZO2C"
@ -533,7 +533,7 @@
" <figcaption>Infographie par Dasani Madipalli</figcaption>\n",
"\n",
"\n",
"<!--{width=\"600\"}-->\n",
"<!--{width=\"600\"}-->\n",
" <figcaption>Illustration par @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--{width=\"700\"}-->\n"
"<!--{width=\"700\"}-->\n"
],
"metadata": {
"id": "WdUKXk7Bs8-V"
@ -567,7 +567,7 @@
" <figcaption>Infographie par Dasani Madipalli</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
],
"metadata": {
"id": "YqXjLuWavNxW"
@ -808,7 +808,7 @@
" <figcaption>Infographie par Dasani Madipalli</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
"## Construire un modèle de régression logistique - Leçon 4\n",
"\n",
"\n",
"\n",
"\n",
"#### **[Quiz avant la leçon](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n",
"\n",
@ -78,7 +78,7 @@
"\n",
"La régression logistique n'offre pas les mêmes fonctionnalités que la régression linéaire. La première permet de prédire une `catégorie binaire` (\"orange ou non orange\"), tandis que la seconde est capable de prédire des `valeurs continues`, par exemple, étant donné l'origine d'une citrouille et le moment de la récolte, *de combien son prix augmentera*.\n",
"\n",
"\n",
"\n",
"\n",
"### Autres classifications\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **Ordinale**, qui implique des catégories ordonnées, utile si nous voulons ordonner nos résultats de manière logique, comme nos citrouilles classées par un nombre fini de tailles (mini,petite,moyenne,grande,très grande,énorme).\n",
"\n",
"\n",
"\n",
"\n",
"#### **Les variables N'ONT PAS besoin d'être corrélées**\n",
> Photo par <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Beth Teutschmann</a> sur <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Dans cette section du programme, vous serez initié à un sujet appliqué en apprentissage automatique : comment sauvegarder votre modèle Scikit-learn sous forme de fichier pouvant être utilisé pour faire des prédictions dans une application web. Une fois le modèle sauvegardé, vous apprendrez à l'utiliser dans une application web construite avec Flask. Vous commencerez par créer un modèle à partir de données sur les observations d'OVNI ! Ensuite, vous construirez une application web qui vous permettra de saisir un nombre de secondes avec une valeur de latitude et de longitude pour prédire quel pays a signalé avoir vu un OVNI.
Photo par <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Michael Herren</a> sur <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
En Asie et en Inde, les traditions culinaires sont extrêmement variées et très savoureuses ! Examinons des données sur les cuisines régionales pour essayer de comprendre leurs ingrédients.
> Photo par <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Lisheng Chang</a> sur <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
@ -15,7 +15,7 @@ Le clustering est une tâche d'apprentissage automatique qui cherche à identifi
Le public diversifié du Nigeria a des goûts musicaux variés. En utilisant des données extraites de Spotify (inspiré par [cet article](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), examinons certaines musiques populaires au Nigeria. Ce jeu de données inclut des informations sur le score de 'danseabilité', l'acoustique, le volume sonore, le caractère 'parlé', la popularité et l'énergie de diverses chansons. Il sera intéressant de découvrir des motifs dans ces données !
> Photo par <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> sur <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
@ -17,7 +17,7 @@ Dans cette section du programme, vous serez initié à l'une des utilisations le
Dans ces leçons, nous apprendrons les bases du NLP en construisant de petits bots conversationnels pour comprendre comment l'apprentissage automatique contribue à rendre ces conversations de plus en plus "intelligentes". Vous voyagerez dans le temps en discutant avec Elizabeth Bennett et Mr. Darcy du roman classique de Jane Austen, **Orgueil et Préjugés**, publié en 1813. Ensuite, vous approfondirez vos connaissances en apprenant l'analyse des sentiments à travers les avis sur les hôtels en Europe.
> Photo par <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> sur <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
@ -17,7 +17,7 @@ Dans ces deux leçons, vous serez initié à la prévision des séries temporell
Notre sujet régional est la consommation électrique dans le monde, un ensemble de données intéressant pour apprendre à prévoir la consommation future d'énergie en fonction des schémas de charge passés. Vous pouvez constater à quel point ce type de prévision peut être extrêmement utile dans un environnement commercial.
Photo de [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) de pylônes électriques sur une route au Rajasthan sur [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
@ -13,7 +13,7 @@ L'apprentissage par renforcement, ou RL, est considéré comme l'un des paradigm
Imaginez que vous avez un environnement simulé, comme le marché boursier. Que se passe-t-il si vous imposez une réglementation donnée ? A-t-elle un effet positif ou négatif ? Si quelque chose de négatif se produit, vous devez tirer parti de ce _renforcement négatif_, en apprendre et changer de cap. Si le résultat est positif, vous devez vous appuyer sur ce _renforcement positif_.
> Peter et ses amis doivent échapper au loup affamé ! Image par [Jen Looper](https://twitter.com/jenlooper)
Dans cette section du programme, vous serez introduit à quelques applications réelles de l'apprentissage automatique classique. Nous avons parcouru l'internet pour trouver des articles et des publications sur des applications ayant utilisé ces stratégies, en évitant autant que possible les réseaux neuronaux, l'apprentissage profond et l'intelligence artificielle. Découvrez comment l'apprentissage automatique est utilisé dans les systèmes d'entreprise, les applications écologiques, la finance, les arts et la culture, et bien plus encore.
> Photo par <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexis Fauvet</a> sur <ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
Nous organisons une série « Apprendre avec l'IA » sur Discord — en savoir plus et rejoignez-nous à [Série Apprendre avec l'IA](https://aka.ms/learnwithai/discord) du 18 au 30 septembre 2025. Vous recevrez des astuces et des conseils sur l'utilisation de GitHub Copilot pour la Data Science.
Nous organisons une série "Learn with AI" sur Discord ; en savoir plus et rejoignez-nous à [Série Learn with AI](https://aka.ms/learnwithai/discord) du 18 au 30 septembre 2025. Vous obtiendrez des conseils et astuces pour utiliser GitHub Copilot pour la Data Science.
# Apprentissage automatique pour débutants - Un programme
> 🌍 Voyagez autour du monde pendant que nous explorons l'apprentissage automatique à travers les cultures du monde 🌍
> 🌍 Parcourez le monde avec nous en explorant l'apprentissage automatique à travers les cultures du monde 🌍
Les Cloud Advocates de Microsoft sont heureux de proposer un programme de 12 semaines composé de 26 leçons entièrement consacré à **Machine Learning**. Dans ce programme, vous apprendrez ce que l'on appelle parfois **l'apprentissage automatique classique**, en utilisant principalement Scikit-learn comme bibliothèque et en évitant le deep learning, qui est couvert dans notre [programme 'AI for Beginners'](https://aka.ms/ai4beginners). Associez ces leçons à notre [programme 'Data Science for Beginners'](https://aka.ms/ds4beginners), également !
Les Cloud Advocates de Microsoft sont heureux de proposer un programme de 12 semaines, 26 leçons, entièrement consacré à l'**apprentissage automatique**. Dans ce cursus, vous apprendrez ce que l'on appelle parfois l'**apprentissage automatique classique**, en utilisant principalement Scikit-learn comme bibliothèque et en évitant le deep learning, qui est couvert dans notre [programme AI for Beginners](https://aka.ms/ai4beginners). Associez ces leçons à notre [programme « Data Science for Beginners »](https://aka.ms/ds4beginners) également !
Voyagez avec nous autour du monde pendant que nous appliquons ces techniques classiques à des données provenant de nombreuses régions du monde. Chaque leçon comprend des quiz avant et après la leçon, des instructions écrites pour compléter la leçon, une solution, un devoir, et plus encore. Notre pédagogie basée sur des projets vous permet d'apprendre en construisant, une méthode éprouvée pour que les nouvelles compétences « collent ».
Voyagez avec nous autour du monde en appliquant ces techniques classiques à des données provenant de nombreuses régions. Chaque leçon comprend des quiz avant et après la leçon, des instructions écrites pour compléter la leçon, une solution, un devoir, et plus encore. Notre pédagogie basée sur des projets vous permet d'apprendre en construisant, une méthode éprouvée pour que les nouvelles compétences « se fixent ».
**✍️ Remerciements chaleureux à nos auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ Un grand merci à nos auteurs** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu et Amy Boyd
**🎨 Remerciements également à nos illustrateurs** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🎨 Merci également à nos illustrateurs** Tomomi Imura, Dasani Madipalli, et Jen Looper
**🙏 Remerciements spéciaux 🙏 à nos auteurs, réviseurs et contributeurs de contenu Microsoft Student Ambassador**, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, et Snigdha Agarwal
**🙏 Remerciements spéciaux 🙏 à nos auteurs, relecteurs et contributeurs de contenu Microsoft Student Ambassador**, notamment Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, et Snigdha Agarwal
**🤩 Une gratitude supplémentaire envers les Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons en R !**
**🤩 Une gratitude particulière aux Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, et Vidushi Gupta pour nos leçons R !**
# Commencer
# Pour commencer
Suivez ces étapes :
1. **Faites un fork du dépôt** : Cliquez sur le bouton "Fork" en haut à droite de cette page.
1. **Forkez le dépôt** : Cliquez sur le bouton "Fork" en haut à droite de cette page.
2. **Clonez le dépôt** : `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [trouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
@ -60,27 +60,27 @@ Suivez ces étapes :
> 🔧 **Besoin d'aide ?** Consultez notre [Guide de dépannage](TROUBLESHOOTING.md) pour des solutions aux problèmes courants d'installation, de configuration et d'exécution des leçons.
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme, faites un fork de l'ensemble du dépôt vers votre propre compte GitHub et complétez les exercices individuellement ou en groupe :
**[Étudiants](https://aka.ms/student-page)**, pour utiliser ce programme, forkerez l'ensemble du dépôt sur votre propre compte GitHub et complétez les exercices seul·e ou en groupe :
- Commencez par un quiz d'échauffement avant la leçon.
- Lisez la leçon et complétez les activités, en vous arrêtant et en réfléchissant à chaque vérification des connaissances.
- Essayez de créer les projets en comprenant les leçons plutôt qu'en exécutant simplement le code solution ; cependant ce code est disponible dans les dossiers `/solution` de chaque leçon orientée projet.
- Passez le quiz après la leçon.
- Complétez le challenge.
- Commencez par un quiz pré-cours.
- Lisez la leçon et complétez les activités, en faisant des pauses et en réfléchissant à chaque vérification des connaissances.
- Essayez de créer les projets en comprenant les leçons plutôt qu'en exécutant le code solution ; ce code est toutefois disponible dans les dossiers `/solution` de chaque leçon orientée projet.
- Faites le quiz post-cours.
- Réalisez le défi.
- Réalisez le devoir.
- Après avoir terminé un groupe de leçons, visitez le [forum de discussion](https://github.com/microsoft/ML-For-Beginners/discussions) et « apprenez à voix haute » en remplissant la grille PAT appropriée. Un « PAT » est un outil d'évaluation des progrès (Progress Assessment Tool) qui est une grille que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT pour que nous apprenions ensemble.
- Après avoir terminé un groupe de leçons, visitez le [Forum de discussion](https://github.com/microsoft/ML-For-Beginners/discussions) et « apprenez à voix haute » en remplissant la rubrique PAT appropriée. Un « PAT » est un Progress Assessment Tool (outil d'évaluation des progrès) qui est une grille d'évaluation que vous remplissez pour approfondir votre apprentissage. Vous pouvez également réagir aux autres PAT afin que nous puissions apprendre ensemble.
> Pour approfondir vos études, nous recommandons de suivre ces modules et parcours d'apprentissage [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Pour aller plus loin, nous recommandons de suivre ces modules et parcours d'apprentissage [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Enseignants**, nous avons [inclus quelques suggestions](for-teachers.md) sur la façon d'utiliser ce programme.
**Enseignants**, nous avons [inclus quelques suggestions](for-teachers.md) sur la manière d'utiliser ce programme.
---
## Présentations vidéo
## Vidéos explicatives
Certaines leçons sont disponibles au format vidéo court. Vous pouvez toutes les trouver intégrées dans les leçons, ou sur la [playlist ML for Beginners sur la chaîne YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) en cliquant sur l'image ci-dessous.
Certaines leçons sont disponibles sous forme de courtes vidéos. Vous pouvez toutes les trouver intégrées dans les leçons, ou sur la [playlist ML for Beginners sur la chaîne YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) en cliquant sur l'image ci-dessous.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -90,134 +90,134 @@ Certaines leçons sont disponibles au format vidéo court. Vous pouvez toutes le
> 🎥 Cliquez sur l'image ci-dessus pour une vidéo à propos du projet et des personnes qui l'ont créé !
> 🎥 Cliquez sur l'image ci-dessus pour une vidéo sur le projet et les personnes qui l'ont créé !
---
## Pédagogie
Nous avons choisi deux principes pédagogiques lors de la construction de ce programme : garantir qu'il soit pratique et **basé sur des projets**, et qu'il inclue des **quiz fréquents**. De plus, ce programme possède un **thème** commun pour lui donner de la cohésion.
Nous avons choisi deux principes pédagogiques lors de l'élaboration de ce programme : garantir qu'il soit pratique et **axé sur des projets** et qu'il inclue des **quiz fréquents**. De plus, ce cursus a un **thème** commun pour lui donner de la cohésion.
En veillant à ce que le contenu soit lié à des projets, le processus devient plus engageant pour les étudiants et la rétention des concepts est augmentée. De plus, un quiz à faible enjeu avant un cours oriente l'intention de l'étudiant vers l'apprentissage d'un sujet, tandis qu'un second quiz après le cours assure une rétention supplémentaire. Ce programme a été conçu pour être flexible et amusant et peut être suivi en totalité ou en partie. Les projets commencent petits et deviennent de plus en plus complexes à la fin du cycle de 12 semaines. Ce programme comprend également un post-scriptum sur les applications réelles du ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.
En veillant à ce que le contenu soit aligné sur des projets, le processus devient plus engageant pour les étudiant·e·s et la rétention des concepts est augmentée. De plus, un quiz à faible enjeu avant un cours fixe l'intention de l'étudiant·e envers l'apprentissage d'un sujet, tandis qu'un second quiz après le cours assure une rétention supplémentaire. Ce programme a été conçu pour être flexible et amusant et peut être suivi en entier ou partiellement. Les projets commencent petits et deviennent de plus en plus complexes d'ici la fin du cycle de 12 semaines. Ce programme inclut également un post-scriptum sur les applications réelles du ML, qui peut être utilisé comme crédit supplémentaire ou comme base de discussion.
> Retrouvez notre [Code de conduite](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), et les directives de [Troubleshooting](TROUBLESHOOTING.md). Nous accueillons vos retours constructifs !
> Retrouvez notre [Code de conduite](CODE_OF_CONDUCT.md), [Contribuer](CONTRIBUTING.md), [Traduction](TRANSLATIONS.md), et les consignes de [Dépannage](TROUBLESHOOTING.md). Nous apprécions vos retours constructifs !
> **Une note concernant les langages** : ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour compléter une leçon en R, allez dans le dossier `/solution` et cherchez les leçons en R. Elles incluent une extension .rmd qui représente un fichier **R Markdown** qui peut être simplement défini comme une inclusion de `code chunks` (de R ou d'autres langages) et un `YAML header` (qui guide la façon de formater les sorties comme le PDF) dans un `Markdown document`. En tant que tel, il sert de cadre d'édition exemplaire pour la data science puisqu'il permet de combiner votre code, sa sortie et vos réflexions en vous permettant de les écrire en Markdown. De plus, les documents R Markdown peuvent être rendus dans des formats de sortie tels que PDF, HTML ou Word.
> **Une note à propos des langages** : Ces leçons sont principalement écrites en Python, mais beaucoup sont aussi disponibles en R. Pour compléter une leçon R, allez dans le dossier `/solution` et cherchez les leçons R. Elles incluent une extension .rmd qui représente un fichier **R Markdown** qui peut être simplement défini comme un embranchement de `blocs de code` (de R ou d'autres langages) et d'un `en-tête YAML` (qui guide la façon de formater les sorties telles que PDF) dans un `document Markdown`. En tant que tel, il sert de cadre d'écriture exemplaire pour la data science puisqu'il vous permet de combiner votre code, sa sortie et vos réflexions en les écrivant en Markdown. De plus, les documents R Markdown peuvent être rendus vers des formats de sortie tels que PDF, HTML ou Word.
> **Une note concernant les quiz** : Tous les quiz sont contenus dans le [dossier Quiz App](../../quiz-app), soit 52 quiz au total de trois questions chacun. Ils sont liés depuis les leçons mais l'application de quiz peut être exécutée localement ; suivez les instructions dans le dossier `quiz-app` pour héberger localement ou déployer sur Azure.
> **Une note à propos des quiz** : Tous les quiz sont contenus dans le [dossier Quiz App](../../quiz-app), pour un total de 52 quiz de trois questions chacun. Ils sont liés depuis les leçons mais l'application de quiz peut être exécutée localement ; suivez les instructions dans le dossier `quiz-app` pour l'héberger localement ou la déployer sur Azure.
| Numéro de leçon | Sujet | Regroupement de leçons | Objectifs d'apprentissage | Leçon liée | Auteur |
| 01 | Introduction à l'apprentissage automatique | [Introduction](1-Introduction/README.md) | Découvrez les concepts de base de l'apprentissage automatique | [Leçon](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | L'histoire de l'apprentissage automatique | [Introduction](1-Introduction/README.md) | Découvrez l'histoire de ce domaine | [Leçon](1-Introduction/2-history-of-ML/README.md) | Jen et Amy |
| 03 | Équité et apprentissage automatique | [Introduction](1-Introduction/README.md) | Quels sont les enjeux philosophiques importants liés à l'équité que les étudiants devraient prendre en compte lors de la création et de l'application de modèles d'apprentissage automatique ? | [Leçon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques pour l'apprentissage automatique | [Introduction](1-Introduction/README.md) | Quelles techniques les chercheurs en apprentissage automatique utilisent-ils pour construire des modèles ? | [Leçon](1-Introduction/4-techniques-of-ML/README.md) | Chris et Jen |
| 02 | L'histoire de l'apprentissage automatique | [Introduction](1-Introduction/README.md) | Découvrez l'histoire à l'origine de ce domaine | [Leçon](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Équité et apprentissage automatique | [Introduction](1-Introduction/README.md) | Quelles sont les questions philosophiques importantes autour de l'équité que les étudiants devraient considérer lorsqu'ils construisent et appliquent des modèles d'apprentissage automatique ? | [Leçon](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniques pour l'apprentissage automatique | [Introduction](1-Introduction/README.md) | Quelles techniques les chercheurs en apprentissage automatique utilisent-ils pour construire des modèles ? | [Leçon](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduction à la régression | [Régression](2-Regression/README.md) | Commencez avec Python et Scikit-learn pour les modèles de régression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Visualiser et nettoyer les données en préparation de l'apprentissage automatique | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construire des modèles de régression linéaire et polynomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen et Dmitry • Eric Wanjau |
| 08 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construire un modèle de régression logistique | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Une application Web 🔌 | [Application Web](3-Web-App/README.md) | Construire une application Web pour utiliser votre modèle | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 06 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Visualisez et nettoyez les données en préparation de l'apprentissage automatique | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construisez des modèles de régression linéaire et polynomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen et Dmitry • Eric Wanjau |
| 08 | Prix des citrouilles en Amérique du Nord 🎃 | [Régression](2-Regression/README.md) | Construisez un modèle de régression logistique | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Une application Web 🔌 | [Application Web](3-Web-App/README.md) | Créez une application Web pour utiliser votre modèle entraîné | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduction à la classification | [Classification](4-Classification/README.md) | Nettoyez, préparez et visualisez vos données ; introduction à la classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen et Cassie • Eric Wanjau |
| 11 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Introduction aux classificateurs | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen et Cassie • Eric Wanjau |
| 12 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | D'autres classificateurs | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen et Cassie • Eric Wanjau |
| 13 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Créer une application Web de recommandation en utilisant votre modèle | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction au clustering | [Clustering](5-Clustering/README.md) | Nettoyez, préparez et visualisez vos données ; introduction au clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Explorer les goûts musicaux nigérians 🎧 | [Clustering](5-Clustering/README.md) | Explorer la méthode de clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduction au traitement du langage naturel ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Apprenez les bases du traitement du langage naturel en construisant un bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tâches courantes en traitement du langage naturel ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Approfondissez vos connaissances en traitement du langage naturel en comprenant les tâches courantes nécessaires pour traiter les structures linguistiques | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 11 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Introduction aux classifieurs | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen et Cassie • Eric Wanjau |
| 12 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Autres classifieurs | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen et Cassie • Eric Wanjau |
| 13 | Délicieuses cuisines asiatiques et indiennes 🍜 | [Classification](4-Classification/README.md) | Créez une application Web de recommandation en utilisant votre modèle | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduction au clustering | [Regroupement](5-Clustering/README.md) | Nettoyez, préparez et visualisez vos données ; introduction au clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Explorer les goûts musicaux nigérians 🎧 | [Regroupement](5-Clustering/README.md) | Explorez la méthode de regroupement K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduction au traitement du langage naturel ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Apprenez les bases du traitement du langage naturel en construisant un bot simple | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tâches courantes du traitement du langage naturel ☕️ | [Traitement du langage naturel](6-NLP/README.md) | Approfondissez vos connaissances en traitement du langage naturel en comprenant les tâches courantes nécessaires pour traiter les structures linguistiques | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduction et analyse de sentiment ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Traduction et analyse de sentiment avec Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hôtels romantiques en Europe ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Analyse de sentiment avec des avis d'hôtels 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hôtels romantiques en Europe ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Analyse de sentiment avec des avis d'hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction aux prévisions de séries temporelles | [Séries temporelles](7-TimeSeries/README.md) | Introduction aux prévisions de séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consommation électrique mondiale ⚡️ - prévisions de séries temporelles avec ARIMA | [Séries temporelles](7-TimeSeries/README.md) | Prévisions de séries temporelles avec ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consommation électrique mondiale ⚡️ - prévisions de séries temporelles avec SVR | [Séries temporelles](7-TimeSeries/README.md) | Prévisions de séries temporelles avec Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 19 | Hôtels romantiques d'Europe ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Analyse de sentiments avec des avis d'hôtels 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hôtels romantiques d'Europe ♥️ | [Traitement du langage naturel](6-NLP/README.md) | Analyse de sentiments avec des avis d'hôtels 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduction à la prévision des séries temporelles | [Séries temporelles](7-TimeSeries/README.md) | Introduction à la prévision des séries temporelles | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consommation d'électricité mondiale ⚡️ - prévision de séries temporelles avec ARIMA | [Séries temporelles](7-TimeSeries/README.md) | Prévision de séries temporelles avec ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consommation d'électricité mondiale ⚡️ - prévision de séries temporelles avec SVR | [Séries temporelles](7-TimeSeries/README.md) | Prévision de séries temporelles avec Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduction à l'apprentissage par renforcement | [Apprentissage par renforcement](8-Reinforcement/README.md) | Introduction à l'apprentissage par renforcement avec Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aidez Peter à éviter le loup! 🐺 | [Apprentissage par renforcement](8-Reinforcement/README.md) | Apprentissage par renforcement avec Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scénarios et applications réelles de l'apprentissage automatique | [ML in the Wild](9-Real-World/README.md) | Applications réelles intéressantes et révélatrices de l'apprentissage automatique classique | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
| Postscript | Model Debugging in ML using RAI dashboard | [ML in the Wild](9-Real-World/README.md) | Débogage de modèles en apprentissage automatique à l'aide des composants du tableau de bord Responsible AI | [Leçon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 25 | Aidez Peter à éviter le loup! 🐺 | [Apprentissage par renforcement](8-Reinforcement/README.md) | Gym d'apprentissage par renforcement | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postface | Scénarios et applications de ML dans le monde réel | [ML in the Wild](9-Real-World/README.md) | Applications réelles intéressantes et révélatrices de l'apprentissage automatique classique | [Leçon](9-Real-World/1-Applications/README.md) | Équipe |
| Postface | Débogage de modèles ML à l'aide du tableau de bord RAI | [ML in the Wild](9-Real-World/README.md) | Débogage de modèles en apprentissage automatique en utilisant les composants du tableau de bord Responsible AI | [Leçon](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [trouvez toutes les ressources supplémentaires pour ce cours dans notre Microsoft Learn collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [trouvez toutes les ressources supplémentaires pour ce cours dans notre collection Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Accès hors ligne
Vous pouvez exécuter cette documentation hors ligne en utilisant [Docsify](https://docsify.js.org/#/). Forkez ce dépôt, [installez Docsify](https://docsify.js.org/#/quickstart) sur votre machine locale, et ensuite dans le dossier racine de ce dépôt, tapez `docsify serve`. Le site web sera servi sur le port 3000 de votre localhost : `localhost:3000`.
Vous pouvez exécuter cette documentation hors ligne en utilisant [Docsify](https://docsify.js.org/#/). Forkez ce dépôt, [installez Docsify](https://docsify.js.org/#/quickstart) sur votre machine locale, et puis dans le dossier racine de ce dépôt, tapez `docsify serve`. Le site sera servi sur le port 3000 de votre localhost : `localhost:3000`.
## PDFs
Trouvez un pdf du programme avec des liens [ici](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Trouvez un PDF du programme avec des liens [ici](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Autres cours
Notre équipe propose d'autres cours ! Découvrez :
Notre équipe produit d'autres cours ! Découvrez :
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/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)
---
### Série IA générative
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
### Apprentissage principal
[](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://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Série 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)
Si vous êtes bloqué ou avez des questions sur la création d'applications d'IA. Rejoignez d'autres apprenants et des développeurs expérimentés dans les discussions sur MCP. C'est une communauté bienveillante où les questions sont les bienvenues et où les connaissances sont partagées librement.
Si vous êtes bloqué ou si vous avez des questions concernant la création d'applications d'IA, rejoignez d'autres apprenants et des développeurs expérimentés dans les discussions sur MCP. C'est une communauté de soutien où les questions sont les bienvenues et où les connaissances sont partagées librement.
[](https://discord.gg/nTYy5BXMWG)
[](https://discord.gg/nTYy5BXMWG)
Si vous avez des retours sur le produit ou rencontrez des erreurs lors du développement, visitez:
Si vous avez des retours sur le produit ou que vous rencontrez des erreurs lors du développement, visitez:
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
Avis de non-responsabilité :
Ce document a été traduit à l'aide du service de traduction par IA [Co-op Translator](https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'être précis, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original, dans sa langue d'origine, doit être considéré comme la source faisant foi. Pour les informations critiques, il est recommandé de recourir à une traduction professionnelle effectuée par un traducteur professionnel. Nous déclinons toute responsabilité pour tout malentendu ou toute mauvaise interprétation résultant de l'utilisation de cette traduction.
Clause de non-responsabilité :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator (https://github.com/Azure/co-op-translator). Bien que nous nous efforcions d'en assurer l'exactitude, veuillez noter que les traductions automatiques peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant foi. Pour les informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un traducteur humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
יש לנו סדרת Discord של "Learn with AI" מתמשכת — למידע נוסף והצטרפות בקרו ב-[סדרת Learn with AI](https://aka.ms/learnwithai/discord) בין 18 ל-30 בספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot למדעי הנתונים.
אנו עורכים סדרת "ללמוד עם בינה מלאכותית" בדיוסקורד, למידע נוסף והצטרפות ראו את [סדרת Learn with AI](https://aka.ms/learnwithai/discord) בין התאריכים 18 - 30 בספטמבר 2025. תקבלו טיפים וטריקים לשימוש ב-GitHub Copilot במדעי הנתונים.
# למידת מכונה למתחילים - תוכנית לימודים
# למידת מכונה למתחילים - תכנית לימודים
> 🌍 טיילו ברחבי העולם כאשר אנו חוקרים למידת מכונה דרך תרבויות העולם 🌍
> 🌍 טיילו סביב העולם כשמגלים את למידת המכונה דרך תרבויות העולם 🌍
יועצי ענן ב-Microsoft שמחים להציע תוכנית לימודים בת 12 שבועות ו-26 שיעורים על **למידת מכונה**. בתוכנית זו תלמדו על מה שלפעמים נקרא **למידת מכונה קלאסית**, תוך שימוש בעיקר בספריית Scikit-learn והימנעות מלמידה עמוקה, הנכללת בתוכנית [AI for Beginners' curriculum](https://aka.ms/ai4beginners). שלבו שיעורים אלה גם עם תוכנית [Data Science for Beginners' curriculum](https://aka.ms/ds4beginners)!
צוות Cloud Advocates במיקרוסופט שמח להציע תכנית לימודים בת 12 שבועות, 26 שיעורים, על **למידת מכונה**. בתכנית זו תלמדו על מה שלעיתים נקרא **למידת מכונה קלאסית**, תוך שימוש בעיקר בספריית Scikit-learn והימנעות מלמידה עמוקה, הנדונה ב[תכנית 'בינה מלאכותית למתחילים'](https://aka.ms/ai4beginners). שלבו שיעורים אלה גם עם [תכנית 'מדעי הנתונים למתחילים'](https://aka.ms/ds4beginners)!
טיילו איתנו ברחבי העולם כאשר אנו מיישמים טכניקות קלאסיות אלה על נתונים מאזורי עולם שונים. כל שיעור כולל חידוני חימום לפני ואחרי השיעור, הוראות כתובות להשלמת השיעור, פתרון, מטלה ועוד. הפדגוגיה מבוססת-הפרויקטים שלנו מאפשרת לכם ללמוד בזמן בנייה — דרך מוכחת להטמעת מיומנויות חדשות.
טיילו איתנו בעולם כשניישם טכניקות קלאסיות אלה על נתונים מאזורים שונים בעולם. כל שיעור כולל מבחני קדם-שיעור ופוסט-שיעור, הנחיות כתובות להשלמת השיעור, פתרון, מטלה, ועוד. הפדגוגיה המבוססת-פרויקטים שלנו מאפשרת לכם ללמוד תוך כדי בנייה — דרך מוכחת שגורמת לכישורים חדשים "להידבק".
**✍️ תודה חמה למחברינו** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ תודה רבה למחברינו** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**🎨 תודה גם למאיירים שלנו** Tomomi Imura, Dasani Madipalli, and Jen Looper
**🙏 תודה מיוחדת 🙏 למחברי, המבקרים ותורמי התוכן של שגרירי הסטודנטים של Microsoft**, במיוחד Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, and Snigdha Agarwal
**🙏 תודה מיוחדת 🙏 למחברי התכנית, הסוקרים ותורמי התוכן משגרירי הסטודנטים של מיקרוסופט**, וביניהם Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, ו-Snigdha Agarwal
**🤩 תודה נוספת לשגרירי הסטודנטים של Microsoft Eric Wanjau, Jasleen Sondhi, and Vidushi Gupta על שיעורי R שלנו!**
**🤩 תודה נוספת לשגרירי הסטודנטים של מיקרוסופט Eric Wanjau, Jasleen Sondhi, ו-Vidushi Gupta על שיעורי R שלנו!**
# התחלה
עקבו אחר השלבים הבאים:
1. **Fork את המאגר**: לחצו על כפתור "Fork" בפינה הימנית-עליונה של דף זה.
2. **שכפלו את המאגר**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **צור Fork של הריפוזיטורי**: Click on the "Fork" button at the top-right corner of this page.
2. **שכפל את הריפוזיטורי**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [מצא את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **צריך עזרה?** בדקו את [מדריך פתרון הבעיות](TROUBLESHOOTING.md) לפתרונות לבעיות נפוצות בהתקנה, בהגדרה ובהפעלת השיעורים.
**[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתוכנית זו, עשו Fork לכל המאגר לחשבון GitHub שלכם והשלימו את התרגילים בעצמכם או בקבוצה:
**[סטודנטים](https://aka.ms/student-page)**, כדי להשתמש בתכנית זו, בצעו fork לכל הריפו לחשבון ה-GitHub שלכם והשלימו את התרגילים בעצמכם או בקבוצה:
- התחילו בחידון חימום לפני ההרצאה.
- התחילו במבחן חימום לפני ההרצאה.
- קראו את ההרצאה והשלימו את הפעילויות, עצרו והרהרו בכל בדיקת ידע.
- נסו ליצור את הפרויקטים על ידי הבנת השיעורים במקום להריץ את קוד הפתרון; עם זאת קוד זה זמין בספריות `/solution` בכל שיעור ממוקד-פרויקט.
- עברו את חידוןלאחר ההרצאה.
- נסו ליצור את הפרויקטים על ידי הבנת השיעורים במקום להריץ את קוד הפתרון; עם זאת קוד זה זמין בתיקיות `/solution` בכל שיעור מבוסס-פרויקט.
- עברו את מבחן הפוסט-הרצאה.
- השלימו את האתגר.
- השלימו את המטלה.
- לאחר סיום קבוצת שיעורים, בקרו ב-[לוח הדיונים](https://github.com/microsoft/ML-For-Beginners/discussions) ו"צאו ולמדו" על ידי מילוי סולם ההערכה PAT המתאים. ה־'PAT' הוא כלי הערכת התקדמות — סולם הערכה שאתם ממלאים כדי להעמיק את הלמידה שלכם. תוכלו גם להגיב ל-PATs אחרים כדי שנלמד יחד.
- השלימו את המשימה.
- לאחר סיום קבוצת שיעורים, בואו ללוח הדיון ב-[Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) ו"למידה קולחת" על ידי מילוי טופס ה-PAT המתאים. PAT הוא כלי הערכת התקדמות שהוא שיקלול שאתם ממלאים כדי להעמיק את הלמידה שלכם. תוכלו גם להגיב ל-PATים אחרים כדי שנלמד יחד.
> ללימוד נוסף, אנו ממליצים לעקוב אחר מודולים ונתיבי הלמידה של [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> ללימוד מעמיק אנו ממליצים לעקוב אחרי המודולים ונתיבי הלמידה של [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**מורים**, כללנו [כמה הצעות](for-teachers.md) על איך להשתמש בתוכנית זו.
**מורים**, כללנו [הצעות](for-teachers.md) לגבי איך להשתמש בתכנית זו.
---
## מדריכיםבווידאו
## מדריכי וידאו
כמה מהשיעורים זמינים כווידאו קצר. ניתן למצוא את כולם בשיעורים עצמם, או ב-[הרשימת השמעה ML for Beginners בערוץ Microsoft Developer ב-YouTube](https://aka.ms/ml-beginners-videos) על ידי לחיצה על התמונה למטה.
חלק מהשיעורים זמינים כסרטוני קצרי פורמט. ניתן למצוא את כולם בתוך השיעורים, או ברשימת ההשמעה של [ML for Beginners בערוץ Microsoft Developer ב-YouTube](https://aka.ms/ml-beginners-videos) על ידי לחיצה על התמונה למטה.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 לחצו על התמונה למעלה לצפייה בסרטון על הפרויקט והאנשים שיצרו אותו!
> 🎥 לחצו על התמונה למעלה כדי לצפות בסרטון על הפרויקט והאנשים שיצרו אותו!
---
## פדגוגיה
בחרנו שני עקרונות פדגוגיים בעת בניית תוכנית הלימודים הזו: לוודא שהיא מעשית ומבוססת-פרויקטים וכי היא כוללת **חידונים תדירים**. בנוסף, לתוכנית זו יש **נושא** משותף שנותן לה אחידות.
בחרנו שני עקרונות פדגוגיים בעת בניית תכנית זו: להבטיח שהיא מעשית **מבוססת-פרויקטים** וכי היא כוללת **מבחנים תכופים**. בנוסף, לתכנית זו יש **נושא מרכזי** שמעניק לה קוהזיה.
על-ידי התאמת התוכן לפרויקטים, התהליך נעשה מעורב יותר לתלמידים וההטמעה של המושגים תגבר. בנוסף, חידון בעל סיכון נמוך לפני השיעור מכוון את כוונת הלומד לנושא, בעוד חידון שני לאחר השיעור מבטיח חיזוק נוסף. תוכנית זו תוכננה להיות גמישה ומהנה וניתנת ללמידה בשלמותה או בחלקים. הפרויקטים מתחילים קטנים ומסובכים בהדרגה עד סוף מחזור 12 השבועות. התוכנית כוללת גם נספח על יישומים מהעולם האמיתי של למידת מכונה, שניתן להשתמש בו כקרדיט נוסף או כבסיס לדיון.
על ידי התאמת התוכן לפרויקטים, התהליך נעשה מרתק יותר עבור הסטודנטים והחזקת המושגים תתחזק. בנוסף, מבחן בעל סיכון נמוך לפני השיעור מכוון את כוונת הסטודנט ללמידת הנושא, בעוד שמבחן שני לאחר השיעור מבטיח שימור נוסף. תכנית זו נבנתה להיות גמישה ומהנה וניתנת לעבור בשלמותה או בחלקיה. הפרויקטים מתחילים קטנים והופכים בהדרגה למורכבים יותר עד לסיום מחזור 12 השבועות. בתכנית זו יש גם אפילוג על יישומים בעולמנו, שניתן להשתמש בו כנקודות זכות נוספות או כבסיס לדיון.
> מצאו את [קוד ההתנהגות](CODE_OF_CONDUCT.md), [הנחיות לתרומה](CONTRIBUTING.md), [הנחיות לתרגום](TRANSLATIONS.md), ו[מדריך פתרון בעיות](TROUBLESHOOTING.md). נשמח למשוב בונה!
> מצאו את [קוד ההתנהגות](CODE_OF_CONDUCT.md), [הנחיות לתרומה](CONTRIBUTING.md), [הנחיות לתרגום](TRANSLATIONS.md), ו[מדריך פתרון הבעיות](TROUBLESHOOTING.md). נשמח לקבל משוב בונה!
## כל שיעור כולל
- סקצ'נוט אופציונלי
- סרטון משלים אופציונלי
- הסבר וידאו (רק בחלק מהשיעורים)
- [חידון חימום לפני ההרצאה](https://ff-quizzes.netlify.app/en/ml/)
- וידאו משלים אופציונלי
- מדריך וידאו (בחלק מהשיעורים בלבד)
- [מבחן חימום לפני ההרצאה](https://ff-quizzes.netlify.app/en/ml/)
- שיעור כתוב
- בשיעורים מבוססי-פרויקט, מדריכים שלב-אחר-שלב לבניית הפרויקט
- בשיעורים מבוססיפרויקט, מדריכים שלב-אחר-שלב לבניית הפרויקט
- בדיקות ידע
- אתגר
- קריאה משלימה
- מטלה
- [חידון לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ml/)
- משימה
- [מבחן לאחר ההרצאה](https://ff-quizzes.netlify.app/en/ml/)
> **הערה לגבי שפות**: שיעורים אלה כתובים בעיקר ב-Python, אך רבים מהם זמינים גם ב-R. כדי להשלים שיעור ב-R, עברו לתיקיית `/solution` וחפשו שיעורי R. הם כוללים סיומת .rmd שמייצגת קובץ **R Markdown** שניתן להגדירו כהטמעה של `code chunks` (של R או שפות אחרות) ו-`YAML header` (המנחה כיצד לעצב פלט כגון PDF) בתוך `Markdown document`. בכך, הוא משמש כמסגרת כתיבה לדוגמה למדעי הנתונים כיוון שהוא מאפשר לשלב את הקוד שלכם, הפלט שלו והמחשבות שלכם על ידי כתיבתם ב־Markdown. בנוסף, מסמכי R Markdown יכולים להיות מיוצאים לפורמטים כגון PDF, HTML או Word.
> **הערה לגבי שפות**: השיעורים הללו נכתבים בעיקר בפייתון, אך רבים זמינים גם ב-R. כדי להשלים שיעור ב-R, עברו לתיקיית `/solution` וחפשו שיעורי R. הם כוללים סיומת .rmd שמייצגת קובץ **R Markdown** שניתן להגדירו באופן פשוט כהטמעה של `code chunks` (ב-R או בשפות אחרות) ו`YAML header` (המנחה כיצד לעצב פלטים כגון PDF) בתוך `Markdown document`. משכך, הוא משמש כמסגרת כתיבה מצוינת למדעי הנתונים כיוון שהוא מאפשר לשלב את הקוד שלכם, הפלט שלו, והמחשבות שלכם על ידי כתיבתן ב-Markdown. יתר על כן, מסמכי R Markdown ניתנים לרינדור לפורמטי פלט כגון PDF, HTML, או Word.
> **הערה לגבי חידונים**: כל החידונים נמצאים ב[תיקיית אפליקציית החידונים](../../quiz-app), בסך הכל 52 חידונים של שלוש שאלות כל אחד. הם מקושרים מתוך השיעורים אך אפליקציית החידון ניתנת להרצה באופן מקומי; עקבו אחרי ההוראות בתיקיית `quiz-app` לאירוח מקומי או פריסה ל-Azure.
> **הערה לגבי מבחנים**: כל המבחנים נמצאים בתיקיית [Quiz App folder](../../quiz-app), בסה"כ 52 מבחנים של שלוש שאלות כל אחד. הם מקושרים מתוך השיעורים אך אפליקציית המבחנים ניתנת להרצה באופן מקומי; פעלו לפי ההוראות בתיקיית `quiz-app` לאירוח מקומי או לפריסה ב-Azure.
| 01 | מבוא ללמידת מכונה | [מבוא](1-Introduction/README.md) | למדו את המושגים הבסיסיים שמאחורי למידת מכונה | [שיעור](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | ההיסטוריה של למידת מכונה | [מבוא](1-Introduction/README.md) | למדו את ההיסטוריה העומדת מאחורי התחום הזה | [שיעור](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | הוגנות ולמידת מכונה | [מבוא](1-Introduction/README.md) | אילו סוגיות פילוסופיות חשובות הקשורות להוגנות שעל הסטודנטים לשקול בעת בנייה ויישום של מודלים בלמידת מכונה? | [שיעור](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | שיטות ללמידת מכונה | [מבוא](1-Introduction/README.md) | אילו שיטות חוקרי למידת מכונה משתמשים כדי לבנות מודלים? | [שיעור](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | מבוא לרגרסיה | [רגרסיה](2-Regression/README.md) | התחילו עם Python ו-Scikit-learn עבור מודלי רגרסיה | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | מחירי הדלעת בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | הדמיה וניקוי נתונים כהכנה ללמידת מכונה | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | מחירי הדלעת בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בנו מודלים של רגרסיה ליניארית ופולינומית | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | מחירי הדלעת בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בנו מודל רגרסיה לוגיסטית | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | אפליקציית רשת 🔌 | [אפליקציית רשת](3-Web-App/README.md) | בנו אפליקציית רשת לשימוש במודל שאימנתם | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | מבוא לסיווג | [סיווג](4-Classification/README.md) | ניקוי, הכנה והדמיית הנתונים; מבוא לסיווג | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | מטבחים אסייתיים והודיים טעימים 🍜 | [סיווג](4-Classification/README.md) | מבוא לממיינים | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | מטבחים אסייתיים והודיים טעימים 🍜 | [סיווג](4-Classification/README.md) | עוד ממיינים | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | מטבחים אסייתיים והודיים טעימים 🍜 | [סיווג](4-Classification/README.md) | בנו אפליקציית המלצות ברשת באמצעות המודל שלכם | [Python](4-Classification/4-Applied/README.md) | Jen |
| 15 | חקירת הטעמים המוזיקליים של ניגריה 🎧 | [קיבוץ](5-Clustering/README.md) | חקרו את שיטת הקיבוץ K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 01 | מבוא ללמידת מכונה | [מבוא](1-Introduction/README.md) | למדו את המושגים הבסיסיים של למידת מכונה | [שיעור](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | ההיסטוריה של למידת מכונה | [מבוא](1-Introduction/README.md) | למדו את ההיסטוריה שעומדת מאחורי התחום הזה | [שיעור](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | הוגנות בלמידת מכונה | [מבוא](1-Introduction/README.md) | מהן השאלות הפילוסופיות החשובות סביב הוגנות שעל הסטודנטים לשקול כאשר בונים ומיישמים מודלי למידת מכונה? | [שיעור](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | טכניקות ללמידת מכונה | [מבוא](1-Introduction/README.md) | אילו טכניקות חוקרי למידת מכונה משתמשים כדי לבנות מודלים? | [שיעור](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | מבוא לרגרסיה | [רגרסיה](2-Regression/README.md) | התחילו עם Python ו-Scikit-learn עבור מודלים של רגרסיה | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | מחירי דלעת בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | הדמיית וניקוי נתונים כהכנה ללמידת מכונה | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | מחירי דלעת בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בנו מודלים של רגרסיה ליניארית ופולינומית | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | מחירי דלעת בצפון אמריקה 🎃 | [רגרסיה](2-Regression/README.md) | בנו מודל רגרסיה לוגיסטית | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | אפליקציית ווב 🔌 | [אפליקציית ווב](3-Web-App/README.md) | בנו אפליקציית ווב לשימוש במודל שאימנתם | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | מבוא לסיווג | [סיווג](4-Classification/README.md) | ניקו, הכינו והדמיינו את הנתונים שלכם; מבוא לסיווג | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | מטבחים אסייתיים והודיים טעימים 🍜 | [סיווג](4-Classification/README.md) | מבוא למסווגים | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | מטבחים אסייתיים והודיים טעימים 🍜 | [סיווג](4-Classification/README.md) | עוד מסווגים | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | מטבחים אסייתיים והודיים טעימים 🍜 | [סיווג](4-Classification/README.md) | בנו אפליקציית המלצות מבוססת רשת המשתמשת במודל שלכם | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | מבוא לקיבוץ | [קיבוץ](5-Clustering/README.md) | ניקו, הכינו והדמיינו את הנתונים שלכם; מבוא לקיבוץ | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | חקר טעמי מוזיקה בניגריה 🎧 | [קיבוץ](5-Clustering/README.md) | חקור את שיטת הקיבוץ K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | מבוא לעיבוד שפה טבעית ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | למדו את היסודות של עיבוד שפה טבעית על ידי בניית בוט פשוט | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | משימות נפוצות בעיבוד שפה טבעית ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | העמיקו את הידע בעיבוד שפה טבעית על ידי הבנה של משימות נפוצות הנדרשות בעבודה עם מבני שפה | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 17 | משימות נפוצות בעיבוד שפה טבעית ☕️ | [עיבוד שפה טבעית](6-NLP/README.md) | העמיקו את הידע בעיבוד שפה טבעית על ידי הבנת המשימות הנפוצות הנדרשות בעת התמודדות עם מבני שפה | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | תרגום וניתוח רגשות ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | תרגום וניתוח רגשות עם ג'יין אוסטן | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | מלונות רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח רגשות עם ביקורות מלונות 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | מלונות רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח רגשות עם ביקורות מלונות 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 19 | מלונות רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח רגשות עם חוות דעת על מלונות 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | מלונות רומנטיים באירופה ♥️ | [עיבוד שפה טבעית](6-NLP/README.md) | ניתוח רגשות עם חוות דעת על מלונות 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | מבוא לחיזוי סדרות זמן | [סדרות זמן](7-TimeSeries/README.md) | מבוא לחיזוי סדרות זמן | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ צריכת חשמל עולמית ⚡️ - חיזוי סדרות זמן עם ARIMA | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן באמצעות ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ צריכת חשמל עולמית ⚡️ - חיזוי סדרות זמן עם SVR | [סדרות זמן](7-TimeSeries/README.md) | חיזוי סדרות זמן באמצעות Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| נספח | תסריטים ויישומים של ML בעולם האמיתי | [למידת מכונה בשטח](9-Real-World/README.md) | יישומים מעשיים ומעניינים של למידת מכונה קלאסית בעולם האמיתי | [שיעור](9-Real-World/1-Applications/README.md) | הצוות |
| נספח | איתור באגים במודל בלמידת מכונה באמצעות לוח המחוונים RAI | [למידת מכונה בשטח](9-Real-World/README.md) | איתור באגים במודלים של למידת מכונה באמצעות רכיבי לוח המחוונים של Responsible AI | [שיעור](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| נספח | תרחישים ויישומים של למידת מכונה בעולם האמיתי | [למידת מכונה בעולם האמיתי](9-Real-World/README.md) | יישומים מעניינים וחושפים של למידת מכונה קלאסית | [שיעור](9-Real-World/1-Applications/README.md) | Team |
| נספח | ניפוי שגיאות של מודלים בלמידת מכונה באמצעות לוח המחוונים RAI | [למידת מכונה בעולם האמיתי](9-Real-World/README.md) | ניפוי שגיאות של מודלים בלמידת מכונה באמצעות רכיבי לוח המחוונים Responsible AI | [שיעור](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [מצאו את כל המשאבים הנוספים שלקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [מצאו את כל המשאבים הנוספים לקורס זה באוסף Microsoft Learn שלנו](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## גישה לא מקוונת
אתם יכולים להריץ תיעוד זה באופן לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). בצעו Fork למאגר זה, [התקינו את Docsify](https://docsify.js.org/#/quickstart) על המחשב המקומי שלכם, ואז בתיקיית השורש של המאגר הריצו `docsify serve`. האתר יוצג על פורט 3000 ב-localhost שלכם: `localhost:3000`.
אתם יכולים להריץ תיעוד זה לא מקוון באמצעות [Docsify](https://docsify.js.org/#/). Fork את המאגר הזה, [התקינו את Docsify](https://docsify.js.org/#/quickstart) במחשב המקומי שלכם, ואז בתיקיית השורש של המאגר הזה הקלידו `docsify serve`. האתר יוגש על פורט 3000 ב-localhost שלכם: `localhost:3000`.
## קבצי PDF
מצאו PDF של תוכנית הלימודים עם קישורים [כאן](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
מצאו קובץ PDF של תכנית הלימודים עם קישורים [כאן](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 קורסים נוספים
הצוות שלנו מייצר קורסים נוספים! בדקו:
הצוות שלנו מפיק קורסים נוספים! בדקו:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -180,44 +178,44 @@ CO_OP_TRANSLATOR_METADATA:
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
אם תיתקעו או יהיו לכם שאלות לגבי בניית אפליקציות בינה מלאכותית. הצטרפו ללומדים נוספים ולמפתחים מנוסים בדיונים על MCP. זו קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות.
אם תיתקעתם או יהיו לכם שאלות לגבי בניית אפליקציות בינה מלאכותית. הצטרפו ללומדים נוספים ולמפתחים מנוסים בדיונים על MCP. זוהי קהילה תומכת שבה שאלות מתקבלות בברכה והידע משותף בחופשיות.
[](https://discord.gg/nTYy5BXMWG)
אם יש לכם משוב על המוצר או שגיאות בזמן הבנייה, בקרו ב:
אם יש לכם משוב על המוצר או שגיאות במהלך הבנייה, בקרו ב:
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**הצהרת אי-אחריות**:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). אף שאנו משתדלים לדייק, יש להיות מודעים לכך שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפת המקור מהווה את המקור הסמכותי. עבור מידע קריטי, מומלץ תרגום מקצועי על ידי מתרגם אנושי. איננו אחראים לכל אי-הבנות או פרשנויות שגויות הנובעות משימוש בתרגום זה.
הצהרת אחריות:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית [Co-op Translator](https://github.com/Azure/co-op-translator). אף שאנו שואפים לדיוק, יש לשים לב שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו המקורית כמקור הסמכות. למידע חשוב מומלץ לבצע תרגום מקצועי על‑ידי מתרגם אנושי. איננו אחראים לכל אי-הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה.
इस पाठ्यक्रम के इस भाग में, आपको मशीन लर्निंग के क्षेत्र के मूलभूत अवधारणाओं, यह क्या है, इसकी इतिहास और शोधकर्ता इसे कैसे उपयोग करते हैं, के बारे में परिचित कराया जाएगा। चलिए, इस नए ML की दुनिया को साथ में खोजते हैं!
> फोटो <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">बिल ऑक्सफोर्ड</a> द्वारा <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लैश</a> पर
" <figcaption>@allison_horst द्वारा कलाकृति</figcaption>\n",
"\n",
"<!--<br>@allison_horst द्वारा कलाकृति-->\n"
"<!--<br>@allison_horst द्वारा कलाकृति-->\n"
" <figcaption>@allison_horst द्वारा कलाकृति</figcaption>\n",
"\n",
"\n",
"<!--<br>\\@allison_horst द्वारा कलाकृति-->\n"
"<!--<br>\\@allison_horst द्वारा कलाकृति-->\n"
" <figcaption>डसानी मदीपल्ली द्वारा इन्फोग्राफिक</figcaption>\n",
"\n",
"\n",
"<!--{width=\"600\"}-->\n",
"<!--{width=\"600\"}-->\n",
" <figcaption>कला कार्य @allison_horst द्वारा</figcaption>\n",
"\n",
"\n",
"<!--{width=\"700\"}-->\n"
"<!--{width=\"700\"}-->\n"
],
"metadata": {
"id": "WdUKXk7Bs8-V"
@ -567,7 +567,7 @@
" <figcaption>दासानी मदीपल्ली द्वारा इन्फोग्राफिक</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
],
"metadata": {
"id": "YqXjLuWavNxW"
@ -808,7 +808,7 @@
" <figcaption>डसानी मदीपल्ली द्वारा इन्फोग्राफिक</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
"लॉजिस्टिक रिग्रेशन लीनियर रिग्रेशन जैसी विशेषताएं प्रदान नहीं करता। लॉजिस्टिक रिग्रेशन `बाइनरी श्रेणी` (\"नारंगी या नारंगी नहीं\") के बारे में भविष्यवाणी करता है, जबकि लीनियर रिग्रेशन `सतत मानों` की भविष्यवाणी करने में सक्षम है, जैसे कि कद्दू की उत्पत्ति और कटाई के समय को देखते हुए *उसकी कीमत कितनी बढ़ेगी*।\n",
"\n",
"\n",
"\n",
"\n",
"### अन्य वर्गीकरण\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **ऑर्डिनल**, जिसमें क्रमबद्ध श्रेणियां होती हैं, जो उपयोगी होती हैं यदि हम अपने परिणामों को तार्किक रूप से क्रमबद्ध करना चाहते हैं, जैसे हमारे कद्दू जो आकारों की एक सीमित संख्या (मिनी, छोटा, मध्यम, बड़ा, एक्सएल, एक्सएक्सएल) के अनुसार क्रमबद्ध होते हैं।\n",
> फोटो <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">बेथ ट्यूट्सचमैन</a> द्वारा <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लैश</a> पर
इस पाठ्यक्रम के इस भाग में, आपको एक व्यावहारिक ML विषय से परिचित कराया जाएगा: कैसे अपने Scikit-learn मॉडल को एक फाइल के रूप में सेव करें जिसे वेब एप्लिकेशन के भीतर भविष्यवाणी करने के लिए उपयोग किया जा सके। एक बार मॉडल सेव हो जाने के बाद, आप सीखेंगे कि इसे Flask में बनाए गए वेब ऐप में कैसे उपयोग करें। सबसे पहले, आप कुछ डेटा का उपयोग करके एक मॉडल बनाएंगे जो UFO देखे जाने के बारे में है! फिर, आप एक वेब ऐप बनाएंगे जो आपको सेकंड की संख्या, अक्षांश और देशांतर मान दर्ज करने की अनुमति देगा ताकि यह भविष्यवाणी की जा सके कि किस देश ने UFO देखने की रिपोर्ट की है।
फोटो <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">माइकल हेरेन</a> द्वारा <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> पर
एशिया और भारत में, भोजन परंपराएं बेहद विविध और बहुत स्वादिष्ट हैं! चलिए क्षेत्रीय व्यंजनों के बारे में डेटा देखते हैं ताकि उनके सामग्री को समझने की कोशिश की जा सके।
> फोटो <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">लिशेंग चांग</a> द्वारा <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लैश</a> पर
नाइजीरिया के विविध दर्शकों के संगीत स्वाद भी विविध हैं। Spotify से डेटा स्क्रैप करके (प्रेरित [इस लेख](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) से), आइए नाइजीरिया में लोकप्रिय कुछ संगीत पर नज़र डालें। इस डेटा सेट में विभिन्न गानों के 'डांसएबिलिटी' स्कोर, 'एकॉस्टिकनेस', लाउडनेस, 'स्पीचनेस', लोकप्रियता और ऊर्जा के बारे में जानकारी शामिल है। इस डेटा में पैटर्न्स की खोज करना दिलचस्प होगा!
> फोटो <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> द्वारा <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> पर
इन पाठों में हम छोटे संवादात्मक बॉट्स बनाकर NLP की मूल बातें सीखेंगे ताकि यह समझ सकें कि मशीन लर्निंग इन संवादों को अधिक 'स्मार्ट' बनाने में कैसे मदद करती है। आप समय में पीछे यात्रा करेंगे, जेन ऑस्टेन के क्लासिक उपन्यास **Pride and Prejudice**, जो 1813 में प्रकाशित हुआ था, के पात्र एलिजाबेथ बेनेट और मिस्टर डार्सी से बातचीत करेंगे। फिर, आप होटल समीक्षाओं के माध्यम से भावना विश्लेषण सीखकर अपने ज्ञान को और बढ़ाएंगे।
> फोटो <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> द्वारा <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> पर
हमारा क्षेत्रीय फोकस दुनिया में बिजली उपयोग पर है, जो एक दिलचस्प डेटा सेट है, जिससे यह सीखने को मिलता है कि अतीत के लोड पैटर्न के आधार पर भविष्य की बिजली खपत का पूर्वानुमान कैसे लगाया जाए। आप देख सकते हैं कि इस प्रकार का पूर्वानुमान व्यावसायिक वातावरण में कितना उपयोगी हो सकता है।
फोटो [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) द्वारा राजस्थान की एक सड़क पर बिजली के टावरों का [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) पर।
कल्पना करें कि आपके पास एक सिम्युलेटेड वातावरण है, जैसे कि शेयर बाजार। यदि आप कोई विशेष नियम लागू करते हैं, तो क्या इसका सकारात्मक या नकारात्मक प्रभाव पड़ता है? यदि कुछ नकारात्मक होता है, तो आपको इस _नकारात्मक रिइनफोर्समेंट_ से सीखना होगा और अपनी दिशा बदलनी होगी। यदि परिणाम सकारात्मक है, तो आपको उस _सकारात्मक रिइनफोर्समेंट_ पर आगे बढ़ना होगा।
> पीटर और उसके दोस्त भूखे भेड़िये से बचने की कोशिश कर रहे हैं! छवि: [जेन लूपर](https://twitter.com/jenlooper)
इस पाठ्यक्रम के इस भाग में, आपको क्लासिकल मशीन लर्निंग के कुछ वास्तविक दुनिया में उपयोगों से परिचित कराया जाएगा। हमने इंटरनेट पर खोजबीन की है और ऐसे श्वेतपत्र और लेख ढूंढे हैं जो इन रणनीतियों का उपयोग करते हैं, न्यूरल नेटवर्क, डीप लर्निंग और एआई से यथासंभव बचते हुए। जानें कि व्यवसाय प्रणालियों, पारिस्थितिक अनुप्रयोगों, वित्त, कला और संस्कृति, और अन्य क्षेत्रों में मशीन लर्निंग का उपयोग कैसे किया जाता है।
> फोटो <ahref="https://unsplash.com/@childeye?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">एलेक्सिस फॉवेट</a> द्वारा <ahref="https://unsplash.com/s/photos/artificial-intelligence?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लैश</a> पर
हमारी एक Discord पर "AI के साथ सीखने की श्रृंखला" चल रही है, और अधिक जानने और हमारे साथ जुड़ने के लिए [AI के साथ सीखने की श्रृंखला](https://aka.ms/learnwithai/discord) पर 18 - 30 सितंबर, 2025 के बीच जुड़ें। आपको GitHub Copilot for Data Science का उपयोग करने के टिप्स और ट्रिक्स मिलेंगे।
हमारी एक Discord "AI के साथ सीखें" श्रृंखला चल रही है, अधिक जानने और 18 - 30 September, 2025 के बीच हमारे साथ जुड़ने के लिए [AI के साथ सीखने की श्रृंखला](https://aka.ms/learnwithai/discord) पर जाएँ। आपको Data Science के लिए GitHub Copilot का उपयोग करने के टिप्स और ट्रिक्स मिलेंगे।
# शुरुआती लोगों के लिए मशीन लर्निंग - एक पाठ्यक्रम
> 🌍 दुनिया भर की संस्कृतियों के माध्यम से मशीन लर्निंग का अन्वेषण करते हुए दुनिया की यात्रा करें 🌍
> 🌍 दुनिया भर की संस्कृतियों के जरिये मशीन लर्निंग का अन्वेषण करते हुए दुनिया भर की यात्रा करें 🌍
Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लेसन पाठ्यक्रम के रूप में **मशीन लर्निंग** पेश करते हुए प्रसन्न हैं। इस पाठ्यक्रम में आप प्रायः Scikit-learn पुस्तकालय का उपयोग करते हुए कभी-कभी "क्लासिक मशीन लर्निंग" के नाम से जाने जाने वाले विषयों के बारे में सीखेंगे और डीप लर्निंग से बचेंगे, जिसे हमारे [AI for Beginners' curriculum](https://aka.ms/ai4beginners) में कवर किया गया है। इन्हें हमारे ['Data Science for Beginners' पाठ्यक्रम](https://aka.ms/ds4beginners) के साथ भी जोड़ें।
Microsoft के Cloud Advocates यह 12-सप्ताह, 26-लेसन पाठ्यक्रम प्रस्तुत करते हुए प्रसन्न हैं जो पूरी तरह **मशीन लर्निंग** के बारे में है। इस पाठ्यक्रम में, आप उस चीज़ के बारे में सीखेंगे जिसे कभी-कभी **क्लासिक मशीन लर्निंग** कहा जाता है, मुख्यतः Scikit-learn पुस्तकालय का उपयोग करते हुए और डीप लर्निंग से परहेज़ करते हुए, जिसे हमारे [AI for Beginners' curriculum](https://aka.ms/ai4beginners) में कवर किया गया है। इन पाठों को हमारे ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) के साथ भी जोड़ें।
हमारे साथ दुनिया भर की यात्रा करें जैसा हम इन क्लासिक तकनीकों को दुनिया के विभिन्न क्षेत्रों के डेटा पर लागू करते हैं। प्रत्येक पाठ में पूर्व और उत्तर-व्याख्यान प्रश्नोत्तरी, पाठ पूरा करने के लिए लिखित निर्देश, एक समाधान, एक असाइनमेंट, और अधिक शामिल हैं। हमारी परियोजना-आधारित पद्धति आपको बनाते हुए सीखने का अवसर देती है, जो नई क्षमताओं को 'स्थिर' करने का एक सिद्ध तरीका है।
हमारे साथ दुनिया भर की यात्रा करें क्योंकि हम इन क्लासिक तकनीकों को दुनिया के कई क्षेत्रों के डेटा पर लागू करते हैं। प्रत्येक पाठ में प्री- और पोस्ट-लेसन क्विज़, पाठ पूरा करने के लिए लिखित निर्देश, एक समाधान, एक असाइनमेंट और अधिक शामिल हैं। हमारी प्रोजेक्ट-आधारित शिक्षण पद्धति आपको बनाते हुए सीखने का अवसर देती है, जो नई क्षमताओं को 'स्थायी' बनाने का एक प्रमाणित तरीका है।
**✍️ हमारे लेखकों का हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu और Amy Boyd
**✍️ हमारे लेखकों को हार्दिक धन्यवाद** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu और Amy Boyd
**🎨 हमारे चित्रकारों को भी धन्यवाद** Tomomi Imura, Dasani Madipalli, और Jen Looper
**🎨 हमारे इलस्ट्रेटरों को भी धन्यवाद** Tomomi Imura, Dasani Madipalli, और Jen Looper
**🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षकों और सामग्री योगदानकर्ताओं को विशेष धन्यवाद**, विशेषकर Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, और Snigdha Agarwal
**🙏 विशेष धन्यवाद 🙏 हमारे Microsoft Student Ambassador लेखकों, समीक्षकों, और सामग्री योगदानकर्ताओं को**, विशेष रूप से Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, और Snigdha Agarwal
**🤩 हमारे R पाठों के लिए Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, और Vidushi Gupta को अतिरिक्त आभार!**
**🤩 हमारे R पाठों के लिए Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, और Vidushi Gupta को अतिरिक्त कृतज्ञता!**
# आरंभ करना
इन चरणों का पालन करें:
1. **रिपॉजिटरी Fork करें**: इस पृष्ठ के ऊपर-दाएँ कोने में "Fork" बटन पर क्लिक करें।
> [हमारे Microsoft Learn संग्रह में इस कोर्स के सभी अतिरिक्त संसाधन खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [इस पाठ्यक्रम के सभी अतिरिक्त संसाधनों को हमारी Microsoft Learn संग्रह में खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **मदद चाहिए?** सामान्य स्थापना, सेटअप, और पाठ चलाने में आने वाली समस्याओं के समाधान के लिए हमारी [समस्या निवारण गाइड](TROUBLESHOOTING.md) देखें।
> 🔧 **मदद चाहिए?** सामान्य इंस्टॉलेशन, सेटअप, और लेसन चलाने से जुड़े मुद्दों के समाधान के लिए हमारा [Troubleshooting Guide](TROUBLESHOOTING.md) देखें।
**[छात्र](https://aka.ms/student-page)**, इस पाठ्यक्रम का उपयोग करने के लिए, पूरे रिपॉ पर अपने GitHub खाते में Fork करें और अभ्यास स्वयं या समूह के साथ पूरा करें:
**[छात्र](https://aka.ms/student-page)**, इस पाठ्यक्रम का उपयोग करने के लिए, पूरा रिपो अपने GitHub अकाउंट पर Fork करें और अभ्यास स्वयं या समूह के साथ पूरा करें:
- पूर्व-व्याख्यान प्रश्नोत्तरी के साथ शुरू करें।
- व्याख्यान पढ़ें और प्रत्येक ज्ञान जांच पर रुककर और चिंतन करते हुए गतिविधियाँ पूरा करें।
- समाधान कोड चलाने के बजाय पाठों को समझकर परियोजनाएँ बनाने का प्रयास करें; हालांकि वह कोड प्रत्येक परियोजना-उन्मुख पाठ में`/solution` फ़ोल्डरों में उपलब्ध है।
- पोस्ट-व्याख्यान प्रश्नोत्तरी लें।
- चुनौती पूर्ण करें।
- पूर्व-व्याख्यान क्विज़ से शुरू करें।
- लेक्चर पढ़ें और गतिविधियाँ पूरा करें, प्रत्येक ज्ञान-जांच पर रुक कर और चिंतन करें।
- पाठों को समझकर परियोजनाएँ बनाने का प्रयास करें न कि केवल समाधान कोड चलाकर; हालाँकि वह कोड प्रत्येक प्रोजेक्ट-ओरिएंटेड पाठ के`/solution` फ़ोल्डरों में उपलब्ध है।
- पोस्ट-लेक्चर क्विज़ दें।
- चुनौती पूरी करें।
- असाइनमेंट पूरा करें।
- किसी पाठ समूह को पूरा करने के बाद, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) पर जाएं और उपयुक्त PAT रूब्रिक भरकर "ज़ोर से सीखें"। 'PAT' एक प्रगति आकलन उपकरण है जो एक रूब्रिक है जिसे आप अपनी सीख को आगे बढ़ाने के लिए भरते हैं। आप अन्य PATs पर भी प्रतिक्रिया दे सकते हैं ताकि हम एक साथ सीख सकें।
- किसी पाठ समूह को पूरा करने के बाद, [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) पर जाएँ और उपयुक्त PAT रूब्रिक भरकर "learn out loud" करें। 'PAT' एक Progress Assessment Tool है जो एक रूब्रिक है जिसे आप अपनी सीख को आगे बढ़ाने के लिए भरते हैं। आप अन्य PATs पर भी प्रतिक्रिया दे सकते हैं ताकि हम साथ में सीख सकें।
> आगे अध्ययन के लिए, हम इन [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल्स और लर्निंग पाथ्स का पालन करने की सलाह देते हैं।
> आगे अध्ययन के लिए, हम निम्न [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) मॉड्यूल और लर्निंग पाथ्स का पालन करने का सुझाव देते हैं।
**शिक्षकों**, हमने इस पाठ्यक्रम का उपयोग कैसे करें इस पर [कुछ सुझाव शामिल किए हैं](for-teachers.md)।
**शिक्षकों**, इस पाठ्यक्रम का उपयोग कैसे करें इस पर हमने [कुछ सुझाव शामिल किए हैं](for-teachers.md)।
---
## वीडियो वॉकथ्रू
कुछ पाठ शॉर्ट फॉर्म वीडियो के रूप में उपलब्ध हैं। आप इन्हें पाठों के भीतर इन-लाइन पा सकते हैं, या नीचे की छवि पर क्लिक करके [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) पर देख सकते हैं।
कुछ पाठ छोटे फ़ॉर्म वीडियो के रूप में उपलब्ध हैं। आप इन्हें पाठों के अंदर पंक्तिबद्ध रूप में पा सकते हैं, या नीचे की छवि पर क्लिक करके [Microsoft Developer YouTube चैनल पर ML for Beginners प्लेलिस्ट](https://aka.ms/ml-beginners-videos) पर देख सकते हैं।
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
@ -92,71 +94,71 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लेसन
---
## शिक्षाशास्त्र
## शिक्षण पद्धति
इस पाठ्यक्रम का निर्माण करते समय हमने दो अध्यापन सिद्धांत चुने हैं: यह सुनिश्चित करना कि यह हाथों-हाथ सीखने पर आधारित यानी **परियोजना-आधारित** हो और इसमें **अक्सर प्रश्नोत्तरी** शामिल हों। साथ ही, इस पाठ्यक्रम का एक सामान्य **थीम** है जो इसे एकसाथ बंधित रखती है।
इस पाठ्यक्रम का निर्माण करते समय हमने दो शिक्षण सिद्धांत चुने हैं: यह सुनिश्चित करना कि यह हस्तक्षेपात्मक रूप से **प्रोजेक्ट-आधारित** हो और इसमें **अक्सर क्विज़** शामिल हों। इसके अलावा, इस पाठ्यक्रम में एक सामान्य **थीम** है जो इसे एकता प्रदान करती है।
सामग्री को परियोजनाओं के साथ संरेखित करके, प्रक्रिया छात्रों के लिए अधिक आकर्षक बनती है और अवधारणा की पकड़ बढ़ती है। इसके अलावा, कक्षा से पहले एक कम-दांव वाली प्रश्नोत्तरी छात्र के सीखने के इरादे को स्थापित करती है, जबकि कक्षा के बाद दूसरी प्रश्नोत्तरी और अधिक अवधारण बनाए रखती है। यह पाठ्यक्रम लचीला और मज़ेदार बनाने के लिए डिज़ाइन किया गया है और इसे पूरी तरह या आंशिक रूप से लिया जा सकता है। परियोजनाएँ छोटी शुरू होती हैं और 12-सप्ताह के चक्र के अंत तक धीरे-धीरे जटिल हो जाती हैं। इस पाठ्यक्रम में वास्तविक दुनिया में ML के अनुप्रयोगों पर एक पोस्टस्क्रिप्ट भी शामिल है, जिसे अतिरिक्त क्रेडिट के रूप में या चर्चा के आधार के रूप में उपयोग किया जा सकता है।
सामग्री को परियोजनाओं के अनुकूल बनाकर, प्रक्रिया छात्रों के लिए अधिक रुचिकर बनती है और अवधारणाओं का प्रतिधारण बढ़ेगा। इसके अतिरिक्त, कक्षा से पहले एक कम-जोखिम वाला क्विज़ छात्र के सीखने के इरादे को सेट करता है, जबकि कक्षा के बाद दूसरा क्विज़ और अधिक प्रतिधारण सुनिश्चित करता है। यह पाठ्यक्रम लचीला और मज़ेदार होने के लिए डिजाइन किया गया है और इसे पूरा या आंशिक रूप से लिया जा सकता है। परियोजनाएँ छोटी शुरू होती हैं और 12-सप्ताह के चक्र के अंत तक धीरे-धीरे अधिक जटिल हो जाती हैं। इस पाठ्यक्रम में ML के वास्तविक-विश्व अनुप्रयोगों पर एक पोस्टस्क्रिप्ट भी शामिल है, जिसे अतिरिक्त क्रेडिट के रूप में या चर्चा के आधार के रूप में उपयोग किया जा सकता है।
> हमारी [आचार संहिता](CODE_OF_CONDUCT.md), [योगदान](CONTRIBUTING.md), [अनुवाद](TRANSLATIONS.md), और [समस्या निवारण](TROUBLESHOOTING.md) दिशानिर्देश देखें। हम आपकी रचनात्मक प्रतिक्रिया का स्वागत करते हैं!
> हमारे [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md), और [Troubleshooting](TROUBLESHOOTING.md) दिशानिर्देश देखें। हम आपकी रचनात्मक प्रतिक्रिया का स्वागत करते हैं!
> **भाषाओं के बारे में एक नोट**: ये पाठ मुख्य रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। किसी R पाठ को पूरा करने के लिए, `/solution` फ़ोल्डर पर जाएं और R पाठ देखें। इनमें .rmd एक्सटेंशन शामिल होता है जो एक **R Markdown** फ़ाइल का प्रतिनिधित्व करता है जिसे सरलता से`code chunks` (R या अन्य भाषाओं के) और एक `YAML header` (जो PDF जैसे आउटपुट को फ़ॉर्मेट करने में मार्गदर्शन करता है) को एक `Markdown document` में एम्बेड करने के रूप में परिभाषित किया जा सकता है। इस प्रकार, यह डेटा साइंस के लिए एक उत्कृष्ट ऑथरिंग फ्रेमवर्क के रूप में कार्य करता है क्योंकि यह आपको अपने कोड, उसके आउटपुट, और अपने विचारों को Markdown में लिखकर संयोजित करने की अनुमति देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML, या Word जैसे आउटपुट फ़ॉर्मैट में रेंडर किया जा सकता है।
> **भाषाओं के बारे में एक नोट**: ये पाठ प्रमुख रूप से Python में लिखे गए हैं, लेकिन कई R में भी उपलब्ध हैं। किसी R पाठ को पूरा करने के लिए, `/solution` फ़ोल्डर में जाएँ और R पाठों की खोज करें। उनमें .rmd एक्सटेंशन शामिल होता है जो एक **R Markdown** फ़ाइल का प्रतिनिधित्व करता है जिसे सरल रूप में`code chunks` (R या अन्य भाषाओं के) और एक `YAML header` (जो PDF जैसे आउटपुट को कैसे प्रारूपित करना है यह निर्देशित करता है) के एम्बेडिंग के रूप में परिभाषित किया जा सकता है, एक `Markdown document` में। इस प्रकार, यह डेटा साइंस के लिए एक आदर्श लेखकन ढांचा प्रदान करता है क्योंकि यह आपको अपने कोड, उसके आउटपुट, और अपने विचारों को Markdown में लिखकर एक साथ जोड़ने की अनुमति देता है। इसके अलावा, R Markdown दस्तावेज़ों को PDF, HTML, या Word जैसे आउटपुट फ़ॉर्मैट्स में रेंडर किया जा सकता है।
> **प्रश्नोत्तरी के बारे में एक नोट**: सभी प्रश्नोत्तरी [Quiz App फोल्डर](../../quiz-app) में संग्रहीत हैं, कुल मिलाकर 52 प्रश्नोत्तरी हैं जिनमें से प्रत्येक में तीन प्रश्न हैं। इन्हें पाठों में लिंक किया गया है लेकिन क्विज़ ऐप स्थानीय रूप से चलाया जा सकता है; स्थानीय होस्ट करने या Azure पर तैनात करने के लिए `quiz-app` फ़ोल्डर में दिए निर्देशों का पालन करें।
> **क्विज़ के बारे में एक नोट**: सभी क्विज़ [Quiz App फ़ोल्डर](../../quiz-app) में संग्रहित हैं, कुल 52 क्विज़ जिनमें से प्रत्येक में तीन प्रश्न हैं। इन्हें पाठों के भीतर लिंक किया गया है लेकिन क्विज़ ऐप स्थानीय रूप से चलाया जा सकता है; स्थानीय होस्ट करने या Azure पर डिप्लॉय करने के निर्देश के लिए `quiz-app` फ़ोल्डर में दिए निर्देशों का पालन करें।
| 01 | मशीन लर्निंग का परिचय | [परिचय](1-Introduction/README.md) | मशीन लर्निंग के बुनियादी सिद्धांत सीखें | [पाठ](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 01 | मशीन लर्निंग का परिचय | [परिचय](1-Introduction/README.md) | मशीन लर्निंग के पीछे की बुनियादी अवधारणाएँ सीखें | [पाठ](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | मशीन लर्निंग का इतिहास | [परिचय](1-Introduction/README.md) | इस क्षेत्र के पीछे का इतिहास सीखें | [पाठ](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | निष्पक्षता और मशीन लर्निंग | [परिचय](1-Introduction/README.md) | निष्पक्षता के आसपास कौन-कौन से महत्वपूर्ण दार्शनिक मुद्दे हैं जिन पर छात्रों को ML मॉडल बनाते और लागू करते समय विचार करना चाहिए? | [पाठ](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मशीन लर्निंग की तकनीकें | [परिचय](1-Introduction/README.md) | ML शोधकर्ता ML मॉडल बनाने के लिए कौन सी तकनीकें उपयोग करते हैं? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | रिग्रेशन का परिचय | [Regression](2-Regression/README.md) | रिग्रेशन मॉडलों के लिए Python और Scikit-learn के साथ शुरुआत करें | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तरी अमेरिकी कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | ML के लिए तैयारी के रूप में डेटा को विज़ुअलाइज़ और साफ़ करें | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तरी अमेरिकी कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | रैखिक और बहुपद (polynomial) रिग्रेशन मॉडल बनाएं | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तरी अमेरिकी कद्दू के दाम 🎃 | [Regression](2-Regression/README.md) | एक लोगिस्टिक रिग्रेशन मॉडल बनाएं | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 03 | निष्पक्षता और मशीन लर्निंग | [परिचय](1-Introduction/README.md) | निष्पक्षता से जुड़े कौन से महत्वपूर्ण दार्शनिक मुद्दे हैं जिन पर छात्रों को ML मॉडल बनाते और लागू करते समय विचार करना चाहिए? | [पाठ](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | मशीन लर्निंग के लिए तकनीकें | [परिचय](1-Introduction/README.md) | ML शोधकर्ता ML मॉडल बनाने के लिए कौन सी तकनीकें उपयोग करते हैं? | [पाठ](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | रिग्रेशन का परिचय | [Regression](2-Regression/README.md) | रिग्रेशन मॉडल के लिए Python और Scikit-learn के साथ शुरुआत करें | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | उत्तर अमेरिकी कद्दू की कीमतें 🎃 | [Regression](2-Regression/README.md) | ML के लिए तैयारी में डेटा को विज़ुअलाइज़ और साफ़ करें | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | उत्तर अमेरिकी कद्दू की कीमतें 🎃 | [Regression](2-Regression/README.md) | रैखिक और बहुपदीय रिग्रेशन मॉडल बनाएं | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | उत्तर अमेरिकी कद्दू की कीमतें 🎃 | [Regression](2-Regression/README.md) | एक लॉजिस्टिक रिग्रेशन मॉडल बनाएं | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | एक वेब ऐप 🔌 | [Web App](3-Web-App/README.md) | अपने प्रशिक्षित मॉडल का उपयोग करने के लिए एक वेब ऐप बनाएं | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | वर्गीकरण का परिचय | [Classification](4-Classification/README.md) | अपने डेटा को साफ़, तैयार, और विज़ुअलाइज़ करें; वर्गीकरण का परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [Classification](4-Classification/README.md) | क्लासिफ़ायर का परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [Classification](4-Classification/README.md) | और क्लासिफ़ायर | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [Classification](4-Classification/README.md) | अपने मॉडल का उपयोग करके एक सिफारिश वेब ऐप बनाएं | [Python](4-Classification/4-Applied/README.md) | Jen |
| 10 | वर्गीकरण का परिचय | [वर्गीकरण](4-Classification/README.md) | अपने डेटा को साफ़, तैयार, और विज़ुअलाइज़ करें; वर्गीकरण का परिचय | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | क्लासिफायर का परिचय | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | और क्लासिफायर | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | स्वादिष्ट एशियाई और भारतीय व्यंजन 🍜 | [वर्गीकरण](4-Classification/README.md) | अपने मॉडल का उपयोग करके एक सिफारिशकर्ता वेब ऐप बनाएं | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | क्लस्टरिंग का परिचय | [Clustering](5-Clustering/README.md) | अपने डेटा को साफ़, तैयार, और विज़ुअलाइज़ करें; क्लस्टरिंग का परिचय | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | नाइजीरियाई संगीत स्वाद की खोज 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिंग विधि का अन्वेषण करें | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | प्राकृतिक भाषा प्रसंस्करण (NLP) का परिचय ☕️ | [Natural language processing](6-NLP/README.md) | एक सरल बॉट बनाकर NLP के बुनियादी तत्व सीखें | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्य ☕️ | [Natural language processing](6-NLP/README.md) | भाषा संरचनाओं से निपटने के दौरान आवश्यक सामान्य कार्यों को समझकर अपने NLP ज्ञान को गहरा करें | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद और सेंटिमेंट विश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen के साथ अनुवाद और सेंटिमेंट विश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ सेंटिमेंट विश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ सेंटिमेंट विश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ World Power Usage ⚡️ - ARIMA के साथ टाइम सीरीज़ पूर्वानुमान | [Time series](7-TimeSeries/README.md) | ARIMA के साथ टाइम सीरीज़ पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ World Power Usage ⚡️ - SVR के साथ टाइम सीरीज़ पूर्वानुमान | [Time series](7-TimeSeries/README.md) | Support Vector Regressor के साथ टाइम सीरीज़ पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 15 | नाइजीरियाई संगीत स्वादों की खोज 🎧 | [Clustering](5-Clustering/README.md) | K-Means क्लस्टरिंग विधि का अन्वेषण करें | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | प्राकृतिक भाषा प्रसंस्करण का परिचय ☕️ | [Natural language processing](6-NLP/README.md) | एक सरल बॉट बनाकर NLP की बुनियादी बातें सीखें | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | सामान्य NLP कार्य ☕️ | [Natural language processing](6-NLP/README.md) | भाषाई संरचनाओं से निपटने के लिए आवश्यक सामान्य कार्यों को समझकर अपने NLP ज्ञान को गहरा करें | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | अनुवाद और भावविश्लेषण ♥️ | [Natural language processing](6-NLP/README.md) | Jane Austen के साथ अनुवाद और भावविश्लेषण | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ भावविश्लेषण 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | यूरोप के रोमांटिक होटल ♥️ | [Natural language processing](6-NLP/README.md) | होटल समीक्षाओं के साथ भावविश्लेषण 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | समय-श्रृंखला पूर्वानुमान का परिचय | [Time series](7-TimeSeries/README.md) | समय-श्रृंखला पूर्वानुमान का परिचय | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ विश्व बिजली उपयोग ⚡️ - ARIMA के साथ समय श्रृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | ARIMA के साथ समय-श्रृंखला पूर्वानुमान | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ विश्व बिजली उपयोग ⚡️ - SVR के साथ समय श्रृंखला पूर्वानुमान | [Time series](7-TimeSeries/README.md) | Support Vector Regressor के साथ समय-श्रृंखला पूर्वानुमान | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | रिइन्फोर्समेंट लर्निंग का परिचय | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning के साथ रिइन्फोर्समेंट लर्निंग का परिचय | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | पीटर को भेड़िये से बचाने में मदद करें! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | रिइन्फोर्समेंट लर्निंग Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| परिशिष्ट | वास्तविक दुनिया के ML परिदृश्य और अनुप्रयोग | [ML in the Wild](9-Real-World/README.md) | क्लासिकल ML के रोचक और प्रकट करने वाले वास्तविक दुनिया के अनुप्रयोग | [पाठ](9-Real-World/1-Applications/README.md) | Team |
| परिशिष्ट | Responsible AI डैशबोर्ड का उपयोग करके ML में मॉडल डिबगिंग | [ML in the Wild](9-Real-World/README.md) | Responsible AI डैशबोर्ड घटकों का उपयोग करके मशीन लर्निंग में मॉडल डिबगिंग | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| Postscript | वास्तविक दुनिया के ML परिदृश्य और अनुप्रयोग | [वास्तविक दुनिया में ML](9-Real-World/README.md) | क्लासिकल ML के रोचक और सूचनात्मक वास्तविक दुनिया के अनुप्रयोग | [पाठ](9-Real-World/1-Applications/README.md) | Team |
| Postscript | RAI डैशबोर्ड का उपयोग करके ML में मॉडल डिबगिंग | [वास्तविक दुनिया में ML](9-Real-World/README.md) | Responsible AI डैशबोर्ड घटकों का उपयोग करके मशीन लर्निंग में मॉडल डिबगिंग | [पाठ](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [हमारे Microsoft Learn संग्रह में इस पाठ्यक्रम के सभी अतिरिक्त संसाधन खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [इस पाठ्यक्रम के सभी अतिरिक्त संसाधन हमारी Microsoft Learn संग्रह में खोजें](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## ऑफ़लाइन पहुँच
आप इस दस्तावेज़ को ऑफ़लाइन [Docsify](https://docsify.js.org/#/) का उपयोग करके चला सकते हैं। इस रिपो को Fork करें, अपने लोकल मशीन पर [Docsify इंस्टॉल करें](https://docsify.js.org/#/quickstart), और फिर इस रिपो के रूट फोल्डर में, टाइप करें `docsify serve`. वेबसाइट आपके localhost पर पोर्ट 3000 पर सर्व की जाएगी: `localhost:3000`.
आप इस प्रलेखन को ऑफ़लाइन [Docsify](https://docsify.js.org/#/) का उपयोग करके चला सकते हैं। इस रिपो को फोर्क करें, अपनी स्थानीय मशीन पर [Docsify स्थापित करें](https://docsify.js.org/#/quickstart), और फिर इस रिपो के रूट फ़ोल्डर में टाइप करें `docsify serve`. वेबसाइट आपके लोकलहोस्ट पर पोर्ट 3000 पर सर्व की जाएगी: `localhost:3000`.
## पीडीएफ
लिंक्स के साथ पाठ्यक्रम का एक पीडीएफ़ [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) देखें।
पाठ्यक्रम का लिंक सहित एक पीडीएफ [यहाँ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) पाएं।
## 🎒 अन्य पाठ्यक्रम
@ -165,28 +167,28 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लेसन
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/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)
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### जनरेटिव AI सीरीज़
[](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)
[](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)
@ -198,24 +200,24 @@ Microsoft के Cloud Advocates एक 12-सप्ताह, 26-लेसन
---
### Copilot श्रृंखला
[](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)
यदि आप अटक जाते हैं या AI ऐप्स बनाने के बारे में कोई प्रश्न है। साथी शिक्षार्थियों और अनुभवी डेवलपर्स के साथ MCP पर चर्चा में शामिल हों। यह एक सहायक समुदाय है जहाँ प्रश्नों का स्वागत है और ज्ञान खुलकर साझा किया जाता है।
यदि आप अटक जाते हैं या AI ऐप बनाते समय कोई प्रश्न हो, तो MCP पर चर्चा में अन्य सीखने वालों और अनुभवी डेवलपर्स से जुड़ें। यह एक सहायक समुदाय है जहाँ प्रश्न स्वागत हैं और ज्ञान स्वतंत्र रूप से साझा किया जाता है।
यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator (https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। हम सटीकता के लिए प्रयास करते हैं, किन्तु कृपया ध्यान रखें कि स्वचालित अनुवादों में त्रुटियाँ या असंगतियाँ हो सकती हैं। मूल दस्तावेज़ उसकी मूल भाषा में अधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या ग़लत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
यह दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान रखें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल भाषा में मौज़ूद दस्तावेज़ को प्राधिकृत स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए पेशेवर मानव अनुवाद की सलाह दी जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफ़हमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।
"\n",
"\n",
- 完成一組課程後，請造訪 [討論版](https://github.com/microsoft/ML-For-Beginners/discussions) 並透過填寫適當的 PAT 評分表來「大聲學習」。PAT（Progress Assessment Tool）是你用來評估進展的量尺。你也可以對其他人的 PAT 作出反應，一起學習。
- 在完成一組課程後，請造訪 [討論版](https://github.com/microsoft/ML-For-Beginners/discussions) 並透過填寫適當的 PAT 評分量表來「大聲學習」。PAT 是一種進度評估工具，你可以透過填寫該量表來促進你的學習。你也可以對其他人的 PAT 做出回應，讓我們一起學習。
[](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/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)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
Imamo Discord seriju "Learn with AI" u tijeku — saznajte više i pridružite nam se na [Serija 'Learn with AI'](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilot za Data Science.
Imamo tekuću Discord seriju Learn with AI, saznajte više i pridružite nam se na [Serija Learn with AI](https://aka.ms/learnwithai/discord) od 18. - 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilot za Data Science.
# Strojno učenje za početnike - Kurikulum
> 🌍 Putujte oko svijeta dok istražujemo strojno učenje kroz svjetske kulture 🌍
Cloud Advocates u Microsoftu s veseljem nude 12-tjedni, 26-lezijski kurikulum posvećen **strojnom učenju**. U ovom kurikulumu naučit ćete ono što se ponekad naziva **klasičnim strojnim učenjem**, koristeći uglavnom Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je obuhvaćeno u našem [Kurikulumu 'AI za početnike'](https://aka.ms/ai4beginners). Uparite ove lekcije s našim [Kurikulumom 'Data Science for Beginners'](https://aka.ms/ds4beginners)!
Cloud Advocates u Microsoftu rado nude 12-tjedni, 26-lekcijski kurikulum posvećen **strojnom učenju**. U ovom kurikulumu naučit ćete ono što se ponekad naziva **klasičnim strojnim učenjem**, koristeći prvenstveno Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je obrađeno u našem [kurikulumu 'AI for Beginners'](https://aka.ms/ai4beginners). Uparite ove lekcije i s našim ['Data Science for Beginners' kurikulumom](https://aka.ms/ds4beginners)!
Putujte s nama širom svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih područja svijeta. Svaka lekcija uključuje kviz prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i još mnogo toga. Naša pedagoška metoda temeljena na projektima omogućuje vam učenje kroz izgradnju, dokazan način da nove vještine "ostanu".
Putujte s nama oko svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih dijelova svijeta. Svaka lekcija uključuje pred- i post-lekcijske kvizove, pisane upute za dovršetak lekcije, rješenje, zadatak i više. Naša pedagoška metoda zasnovana na projektima omogućava vam učenje kroz izgradnju, što je dokazano učinkovit način da nove vještine 'prionu'.
**✍️ Iskrena hvala našim autorima** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**✍️ Velike zahvalnosti našim autorima** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**🎨 Zahvale i našim ilustratorima** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja**, posebno Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🙏 Posebne zahvale 🙏 našim Microsoft Student Ambassador autorima, recenzentima i contributorima sadržaja**, posebno Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🤩 Dodatna zahvalnost Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za naše R lekcije!**
# Početak
Slijedite ove korake:
1. **Napravite fork repozitorija**: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
1. **Forkajte repozitorij**: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Treba pomoć?** Provjerite naš [Vodič za rješavanje problema](TROUBLESHOOTING.md) za rješenja uobičajenih problema s instalacijom, postavkama i pokretanjem lekcija.
> 🔧 **Trebate pomoć?** Pogledajte naš [Vodič za rješavanje problema](TROUBLESHOOTING.md) za rješenja uobičajenih problema s instalacijom, postavljanjem i pokretanjem lekcija.
**[Studenti](https://aka.ms/student-page)**, za korištenje ovog kurikuluma napravite fork cijelog repozitorija na svoj GitHub račun i dovršite vježbe sami ili u grupi:
**[Studenti](https://aka.ms/student-page)**, da biste koristili ovaj kurikulum, napravite fork cijelog repozitorija na vlastiti GitHub račun i dovršite vježbe sami ili u grupi:
- Započnite s kvizom prije predavanja.
- Pročitajte predavanje i dovršite aktivnosti, zastajući i reflektirajući na svakoj provjeri znanja.
- Pokušajte stvoriti projekte razumijevajući lekcije umjesto da samo pokrećete kod rješenja; taj kod je dostupan u mapama `/solution` u svakoj lekciji orijentiranoj na projekt.
- Pročitajte predavanje i dovršite aktivnosti, zastajući i razmišljajući kod svake provjere znanja.
- Pokušajte izraditi projekte razumijevanjem lekcija umjesto da samo pokrenete kod rješenja; taj kod je ipak dostupan u mapama `/solution` u svakoj lekcijskoj jedinici usmjerenoj na projekt.
- Riješite kviz nakon predavanja.
- Dovršite izazov.
- Riješite izazov.
- Dovršite zadatak.
- Nakon dovršetka skupa lekcija, posjetite [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) i "učite naglas" ispunjavanjem odgovarajuće PAT rubrike. PAT je Alat za procjenu napretka koji ispunjavate kako biste dodatno unaprijedili svoje učenje. Također možete reagirati na tuđe PAT-ove kako bismo učili zajedno.
- Nakon dovršetka grupe lekcija, posjetite [Forum za raspravu](https://github.com/microsoft/ML-For-Beginners/discussions) i "learn out loud" popunjavajući odgovarajuću PAT rubriku. 'PAT' je alat za procjenu napretka (Progress Assessment Tool) — rubrika koju popunjavate kako biste unaprijedili svoje učenje. Također možete reagirati na tuđe PAT-ove kako bismo učili zajedno.
> Za daljnje proučavanje preporučujemo praćenje ovih [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modula i putova učenja.
> Za daljnje učenje preporučujemo praćenje ovih [Microsoft Learn] modula i staza učenja.
**Nastavnici**, uključili smo neke prijedloge u [for-teachers.md] kako koristiti ovaj kurikulum.
**Nastavnici**, uključili smo [neke prijedloge](for-teachers.md) o tome kako koristiti ovaj kurikulum.
---
## Video vodiči
Neke lekcije dostupne su kao kratki videozapisi. Svoje možete pronaći ugrađene u lekcije ili na [playlisti 'ML for Beginners' na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod.
Neke od lekcija dostupne su kao kratki videozapisi. Sve ih možete pronaći unutar samih lekcija, ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -88,136 +88,136 @@ Neke lekcije dostupne su kao kratki videozapisi. Svoje možete pronaći ugrađen
> 🎥 Kliknite gornju sliku za video o projektu i ljudima koji su ga stvorili!
> 🎥 Kliknite sliku iznad za video o projektu i ljudima koji su ga stvorili!
---
## Pedagogija
Odabrali smo dvije pedagoške smjernice pri izgradnji ovog kurikuluma: osigurati da je praktičan i baziran na projektima te da uključuje česte kvizove. Osim toga, ovaj kurikulum ima zajedničku **temu** koja mu daje koheziju.
Odabrali smo dvije pedagoške smjernice prilikom izrade ovog kurikuluma: osigurati da je praktičan i **zasnovan na projektima** te da uključuje **učestale kvizove**. Osim toga, ovaj kurikulum ima zajedničku **temu** koja mu daje koheziju.
Osiguravanjem da sadržaj odgovara projektima, proces postaje zanimljiviji za učenike i zadržavanje koncepata će biti pojačano. Osim toga, niskorizični kviz prije sata usmjerava namjeru učenika prema učenju teme, dok drugi kviz nakon sata osigurava dodatno zadržavanje. Ovaj kurikulum dizajniran je da bude fleksibilan i zabavan te se može pohađati u cijelosti ili djelomično. Projekti počinju maleni i postaju sve složeniji do kraja 12-tjednog ciklusa. Kurikulum također uključuje postscript o stvarnim primjenama ML-a, koji se može koristiti kao dodatni bod ili kao osnova za raspravu.
Osiguravanjem da sadržaj bude usklađen s projektima, proces postaje zanimljiviji za učenike, a zadržavanje koncepata će se povećati. Osim toga, kviz niske važnosti prije sata postavlja namjeru učenika prema učenju teme, dok drugi kviz nakon sata osigurava dodatno zadržavanje. Ovaj je kurikulum dizajniran da bude fleksibilan i zabavan te se može pohađati u cijelosti ili djelomično. Projekti počinju mali i postaju sve složeniji do kraja 12-tjednog ciklusa. Ovaj kurikulum također uključuje postscript o stvarnim primjenama ML-a, koji se može koristiti kao dodatni kredit ili kao osnova za raspravu.
> Pronađite naš [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Upute za doprinos](CONTRIBUTING.md), [Prijevode](TRANSLATIONS.md) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Veselimo se vašim konstruktivnim povratnim informacijama!
> Pronađite naše [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Upute za doprinos](CONTRIBUTING.md), [Prijevodi](TRANSLATIONS.md) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Dobrodošli su vaši konstruktivni komentari!
- [kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
> **Napomena o jezicima**: Ove su lekcije primarno napisane u Pythonu, ali mnoge su također dostupne u R-u. Da biste dovršili R lekciju, idite u mapu `/solution` i potražite R lekcije. One uključuju .rmd ekstenziju koja predstavlja **R Markdown** datoteku koju možemo jednostavno definirati kao ugradnju `code chunks` (u R-u ili drugim jezicima) i `YAML header` (koji vodi kako formatirati izlaze poput PDF-a) u `Markdown document`. Kao takav, služi kao izvrstan okvir za autorstvo u znanosti o podacima jer vam omogućuje kombiniranje koda, njegovih izlaza i vaših razmišljanja pisanjem u Markdownu. Nadalje, R Markdown dokumenti mogu se renderirati u izlazne formate poput PDF-a, HTML-a ili Worda.
> **Napomena o jezicima**: Ove lekcije su primarno napisane u Pythonu, ali mnoge su također dostupne u R. Za dovršetak R lekcije idite u mapu `/solution` i potražite R lekcije. One uključuju ekstenziju .rmd koja predstavlja **R Markdown** datoteku koja se može jednostavno definirati kao ugradnja `code chunks` (R ili drugih jezika) i `YAML header` (koji određuje kako formatirati izlaze poput PDF-a) u `Markdown document`. Kao takva, služi kao izvrstan okvir za pisanje sadržaja za data science jer vam omogućuje kombiniranje koda, njegovog izlaza i vaših razmišljanja pisanjem u Markdownu. Nadalje, R Markdown dokumenti mogu se renderirati u izlazne formate poput PDF-a, HTML-a ili Worda.
> **Napomena o kvizovima**: Svi su kvizovi smješteni u [mapu Quiz App](../../quiz-app), ukupno 52 kviza s po tri pitanja. Povezani su iz unutar lekcija, ali aplikaciju kviza možete pokrenuti lokalno; slijedite upute u mapi `quiz-app`da biste je lokalno hostali ili deployali na Azure.
> **Napomena o kvizovima**: Svi kvizovi nalaze se u [Quiz App folder](../../quiz-app), ukupno 52 kviza sa po tri pitanja. Povezani su iz samih lekcija, ali aplikaciju kviza možete pokrenuti lokalno; slijedite upute u mapi `quiz-app`za lokalno hostanje ili implementaciju na Azure.
| 01 | Uvod u strojno učenje | [Uvod](1-Introduction/README.md) | Naučite osnovne koncepte strojnog učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Saznajte povijest ovog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Pravednost i strojno učenje | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja o pravednosti koja bi studenti trebali razmotriti pri izgradnji i primjeni ML modela? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike strojnog učenja | [Uvod](1-Introduction/README.md) | Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Počnite s Pythonom i Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Saznajte povijest koja stoji iza ovog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Pravednost i strojno učenje | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja vezana uz pravednost koja bi studenti trebali uzeti u obzir prilikom izgradnje i primjene ML modela? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike strojnog učenja | [Uvod](1-Introduction/README.md) | Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Započnite s Pythonom i Scikit-learnom za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte i očistite podatke u pripremi za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izradite linearne i polinomne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 07 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izgradite linearne i polinomne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izradite logistički regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Web aplikacija 🔌 | [Web aplikacija](3-Web-App/README.md) | Izradite web aplikaciju za korištenje vašeg istreniranog modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod u klasifikatore | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 12 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Još klasifikatora | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Izradite preporučiteljsku web aplikaciju koristeći svoj model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod u klasifikatore | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Više klasifikatora | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Izradite preporučivačku web aplikaciju koristeći svoj model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod u klasteriranje | [Klasteriranje](5-Clustering/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasteriranje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Istraživanje nigerijskih glazbenih ukusa 🎧 | [Klasteriranje](5-Clustering/README.md) | Istražite metodu K-Means klasteriranja | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 15 | Istraživanje nigerijskih glazbenih ukusa 🎧 | [Klasteriranje](5-Clustering/README.md) | Istražite K-Means metodu klasteriranja | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Uvod u obradu prirodnog jezika ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Naučite osnove NLP-a izradom jednostavnog bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Uobičajeni zadaci NLP-a ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbite svoje znanje o NLP-u razumijevanjem uobičajenih zadataka potrebnih pri radu s jezičnim strukturama | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prevođenje i analiza sentimenta ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Prevođenje i analiza sentimenta pomoću tekstova Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 17 | Uobičajeni zadaci NLP-a ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbite svoje znanje o NLP-u razumijevanjem uobičajenih zadataka potrebnih za rad s jezičnim strukturama | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prevođenje i analiza sentimenta ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Prevođenje i analiza sentimenta na primjeru Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod u prognoziranje vremenskih serija | [Vremenske serije](7-TimeSeries/README.md) | Uvod u prognoziranje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Globalna potrošnja električne energije ⚡️ - prognoziranje vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Prognoziranje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Globalna potrošnja električne energije ⚡️ - prognoziranje vremenskih serija s SVR | [Vremenske serije](7-TimeSeries/README.md) | Prognoziranje vremenskih serija pomoću SVR | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod u učenje pojačanjem | [Učenje pojačanjem](8-Reinforcement/README.md) | Uvod u učenje pojačanjem s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Dodatak | Scenariji i primjene ML-a u stvarnom svijetu | [ML u stvarnom svijetu](9-Real-World/README.md) | Zanimljive i otkrivajuće primjene klasičnog ML-a u stvarnom svijetu | [Lekcija](9-Real-World/1-Applications/README.md) | Tim |
| Dodatak | Otklanjanje pogrešaka modela u ML-u koristeći RAI dashboard | [ML u stvarnom svijetu](9-Real-World/README.md) | Otklanjanje pogrešaka modela u strojnom učenju koristeći komponente Responsible AI nadzorne ploče | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 21 | Uvod u predviđanje vremenskih serija | [Vremenske serije](7-TimeSeries/README.md) | Uvod u predviđanje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Potrošnja električne energije u svijetu ⚡️ - predviđanje vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Potrošnja električne energije u svijetu ⚡️ - predviđanje vremenskih serija sa SVR | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s Support Vector Regressorom | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod u učenje pojačanjem | [Učenje pojačanjem](8-Reinforcement/README.md) | Uvod u učenje pojačanjem s Q-učenjem | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Dodatak | Stvarni scenariji i primjene strojnog učenja | [ML in the Wild](9-Real-World/README.md) | Zanimljive i otkrivajuće stvarne primjene klasičnog strojnog učenja | [Lekcija](9-Real-World/1-Applications/README.md) | Team |
| Dodatak | Otklanjanje pogrešaka modela u ML pomoću RAI nadzorne ploče | [ML in the Wild](9-Real-World/README.md) | Otklanjanje pogrešaka modela u strojnome učenju pomoću komponenti Responsible AI nadzorne ploče | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Izvanmrežni pristup
## Pristup izvan mreže
Ovu dokumentaciju možete pokrenuti izvan mreže koristeći [Docsify](https://docsify.js.org/#/). Napravite fork ovog repozitorija, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na vašem lokalnom računalu, a zatim u korijenskoj mapi ovog repozitorija upišite `docsify serve`. Web-stranica će se poslužiti na portu 3000 na vašem localhostu: `localhost:3000`.
Možete pokrenuti ovu dokumentaciju izvan mreže koristeći [Docsify](https://docsify.js.org/#/). Napravite fork ovog repozitorija, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na svom lokalnom računalu, a zatim u korijenskoj mapi ovog repozitorija upišite `docsify serve`. Web-stranica će se poslužiti na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF-ovi
Pronađite PDF kurikuluma s poveznicama [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Pronađite PDF nastavnog plana s poveznicama [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Ostali tečajevi
Naš tim proizvodi druge tečajeve! Pogledajte:
Naš tim izrađuje i druge tečajeve! Pogledajte:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agenti
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Serija generativnog AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
### Serija generativne AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Osnovno učenje
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/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)
---
### Copilot serija
### Serija Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Ako zapnete ili imate bilo kakvih pitanja o izradi AI aplikacija, pridružite se drugim polaznicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica u kojoj su pitanja dobrodošla i znanje se slobodno dijeli.
Ako zapnete ili imate bilo kakvih pitanja o izradi AI aplikacija. Pridružite se drugim učenicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica u kojoj su pitanja dobrodošla i znanje se slobodno dijeli.
[](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Odricanje odgovornosti**:
Ovaj je dokument preveden pomoću AI prevoditeljske usluge [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz uporabe ovog prijevoda.
**Izjava o odricanju odgovornosti**:
Ovaj je dokument preveden pomoću AI prevoditeljske usluge [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, imajte na umu da automatizirani prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati mjerodavnim izvorom. Za ključne informacije preporučuje se profesionalan prijevod od strane ljudskog prevoditelja. Nismo odgovorni za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz upotrebe ovog prijevoda.
Folyamatban van a Discord Learn with AI sorozatunk; tudj meg többet és csatlakozz hozzánk a [Learn with AI sorozat](https://aka.ms/learnwithai/discord) oldalon 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adatkutatásban történő használatához.
Folyamatban van a Discordon a "Learn with AI" sorozatunk, további információkért és csatlakozáshoz látogass el a [Learn with AI Series](https://aka.ms/learnwithai/discord) oldalra 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adattudományban való használatához.
# Gépi tanulás kezdőknek - Tanterv
> 🌍 Utazz velünk a világ körül, miközben a gépi tanulást a világ kultúrái révén fedezzük fel 🌍
> 🌍 Utazz a világ körül, miközben a gépi tanulást a világ kultúráin keresztül fedezzük fel 🌍
A Microsoft Cloud Advocates csapata örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot, amely a **Gépi tanulásról** szól. Ebben a tananyagban azt tanulhatod meg, amit néha **klasszikus gépi tanulásnak** neveznek, elsősorban a Scikit-learn könyvtárat használva, és elkerülve a mélytanulást, amelyet a [AI for Beginners' curriculum](https://aka.ms/ai4beginners) anyagunk tárgyal. Párosítsd ezeket a leckéket a ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) anyagunkkal is!
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely a **Gépi tanulásról** szól. Ebben a tananyagban a főként Scikit-learn könyvtárat használó, néha "klasszikus gépi tanulásnak" nevezett módszereket tanulhatod meg, és elkerüljük a mélytanulást, amely a mi [AI for Beginners tantervünkben](https://aka.ms/ai4beginners) található. Ezeket a leckéket párosítsd a mi ['Data Science for Beginners' tantervünkkel](https://aka.ms/ds4beginners) is!
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos területéről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóleckés kvízeket, írott utasításokat a lecke elvégzéséhez, egy megoldást, egy feladatot és még többet. Projektalapú pedagógiánk lehetővé teszi, hogy gyakorlati munkán keresztül tanulj, ami bevált módszer az új készségek rögzüléséhez.
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos területéről származó adatokon alkalmazzuk. Minden lecke tartalmaz elő- és utóleckés kvízeket, írásos utasításokat a lecke elvégzéséhez, egy megoldást, egy feladatot és még többet. Projektalapú pedagógiánk lehetővé teszi, hogy tanulj miközben építesz — ez egy bevált módja annak, hogy az új készségek "megragadjanak".
**✍️ Hálás köszönet szerzőinknek** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**✍️ Szívből köszönet szerzőinknek** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**🎨 Köszönet illusztrátorainknak is** Tomomi Imura, Dasani Madipalli és Jen Looper
**🙏 Külön köszönet 🙏 Microsoft Student Ambassador szerzőinknek, lektorainknak és tartalomközreműködőinknek**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🙏 Külön köszönet 🙏 Microsoft Student Ambassador szerzőinknek, lektorainknak és tartalomhozzájárulóinknak**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🤩 További köszönet Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta számára az R leckékért!**
**🤩 Külön hála Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta részére az R leckéinkért!**
# Első lépések
Kövesd ezeket a lépéseket:
1. **Forkold a tárolót**: Kattints a "Fork" gombra ezen oldal jobb felső sarkában.
2. **Klónozd a tárolót**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
Kövesd az alábbi lépéseket:
1. **Készíts forkot a tárhelyről**: Kattints a "Fork" gombra ennek az oldalnak a jobb felső sarkában.
2. **Klónozd a tárhelyet**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [találd meg az összes további erőforrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [találd meg a tanfolyam összes további forrását a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Szükséged van segítségre?** Nézd meg a [Hibaelhárítási útmutatónkat](TROUBLESHOOTING.md) a telepítéssel, beállítással és a leckék futtatásával kapcsolatos gyakori problémák megoldásaiért.
> 🔧 **Segítség kell?** Nézd meg a [Troubleshooting Guide](TROUBLESHOOTING.md)-t a telepítéssel, beállítással és a leckék futtatásával kapcsolatos gyakori problémák megoldásaiért.
**[Diákok](https://aka.ms/student-page)**, a tananyag használatához forkold az egész repót a saját GitHub fiókodba, és végezd el a gyakorlatokat egyénileg vagy csoportban:
**[Diákok](https://aka.ms/student-page)**, a tananyag használatához forkold le az egész repót a saját GitHub fiókodba, és oldd meg a feladatokat egyénileg vagy csoportban:
- Kezdd egy előadás előtti kvízzel.
- Olvasd el az előadást és végezd el a feladatokat, állj meg és gondolkodj el minden tudásellenőrzésnél.
- Próbáld meg a projekteket a leckék megértése alapján létrehozni, ne pusztán a megoldáskód futtatásával; a kód azonban elérhető a projektorientált leckék `/solution` mappáiban.
- Olvasd el az előadást és hajtsd végre a tevékenységeket, állj meg és gondolkodj el minden tudásellenőrzésnél.
- Próbáld meg a projekteket a leckék megértésével elkészíteni, ahelyett, hogy csak lefuttatnád a megoldást; azonban az a kód elérhető minden projektorientált lecke `/solution` mappájában.
- Töltsd ki az előadás utáni kvízt.
- Teljesítsd a kihívást.
- Oldd meg a feladatot.
- Miután befejeztél egy leckecsoportot, látogass el a [Vita fórumra](https://github.com/microsoft/ML-For-Beginners/discussions) és "tanulj hangosan" azzal, hogy kitöltöd a megfelelő PAT rubrikát. A 'PAT' egy Progress Assessment Tool, ami egy értékelő skála (rubrika), amelyet kitöltesz a tanulásod elősegítéséhez. Reagálhatsz más PAT-ekre is, hogy együtt tanulhassunk.
- Teljesítsd a feladatot.
- Egy leccsecsoport befejezése után látogass el a [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions)-ra és "tanulj hangosan" egy megfelelő PAT rubrika kitöltésével. A 'PAT' egy Progress Assessment Tool (Haladási értékelő eszköz), amely egy olyan rubrika, amelyet kitöltesz a tanulásod elősegítésére. Más PAT-ekre is reagálhatsz, hogy közösen tanulhassunk.
> További tanulmányozáshoz javasoljuk, hogy kövesd ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
> A további tanuláshoz ajánljuk ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
**Oktatók**, néhány [javaslatot mellékeltünk](for-teachers.md) arra vonatkozóan, hogyan használhatjátok ezt a tananyagot.
**Tanárok**, [tartalmaztunk néhány javaslatot](for-teachers.md) arra vonatkozóan, hogyan használhatjátok ezt a tananyagot.
---
## Videós útmutatók
## Videós bemutatók
Néhány lecke rövid formátumú videóként is elérhető. Ezeket megtalálod a leckékben beágyazva, vagy az [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos) a lenti képre kattintva.
Néhány lecke rövid videó formában is elérhető. Ezeket megtalálhatod beágyazva a leckékben, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos) az alábbi képre kattintva.
> 🎥 Kattints a fenti képre a projektről és a létrehozókról szóló videóért!
> 🎥 Kattints a fenti képre a projektről és az alkotókról szóló videóért!
---
## Pedagógia
A tananyag kidolgozása során két pedagógiai elvet választottunk: biztosítani, hogy gyakorlatias, **projektalapú** legyen, és hogy **gyakori kvízeket** tartalmazzon. Ezenkívül a tananyagnak van egy közös **téma** is, amely összetartó erőt ad neki.
Két pedagógiai alapelvet választottunk ennek a tananyagnak a kialakításakor: biztosítani, hogy kézben fogható, **projektalapú** legyen, és hogy tartalmazzon **gyakori kvízeket**. Ezenkívül a tananyag egy közös **téma** mentén épül, hogy koherens egészet alkosson.
Azáltal, hogy a tartalom projektekkel van összhangban, a folyamat bevonóbbá válik a tanulók számára, és a fogalmak megtartása növekszik. Emellett egy alacsony kockázatú kvíz az óra előtt a tanuló szándékát a téma elsajátítására irányítja, míg egy második kvíz az óra után további rögzülést biztosít. Ezt a tananyagot rugalmasra és szórakoztatóra terveztük, és egészben vagy részben is végigvehető. A projektek kicsiben kezdődnek és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag tartalmaz egy utóiratot a ML valódi alkalmazásairól is, amely extra kreditként vagy vitaalapként használható.
Azáltal, hogy a tartalom illeszkedik a projektekhez, a folyamat érdekesebb lesz a diákok számára és a fogalmak elraktározása is javulni fog. Emellett egy alacsony tétű kvíz az óra előtt beállítja a tanuló szándékát egy téma elsajátítására, míg egy második kvíz az óra után biztosítja a további rögzülést. Ezt a tananyagot rugalmasra és szórakoztatóra terveztük, és egészben vagy részben is elvégezhető. A projektek kicsiben kezdődnek és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag egy posztszkriptet is tartalmaz a gépi tanulás valós alkalmazásairól, amely extra krediteként vagy vitaalapként használható.
> Találd meg a [Magatartási kódex](CODE_OF_CONDUCT.md), a [Közreműködés](CONTRIBUTING.md), a [Fordítás](TRANSLATIONS.md) és a [Hibaelhárítás](TROUBLESHOOTING.md) útmutatóinkat. Várjuk építő jellegű visszajelzéseidet!
> Találd meg a mi [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) és [Troubleshooting](TROUBLESHOOTING.md) útmutatóinkat. Várjuk építő jellegű visszajelzésedet!
## Minden lecke tartalmazza
## Minden lecke tartalmaz
- választható sketchnote
- választható kiegészítő videó
- videó bemutató (csak néhány leckében)
- opcionális sketchnote-ot
- opcionális kiegészítő videót
- videós bemutatót (csak egyes leckék)
- [előadás előtti bemelegítő kvíz](https://ff-quizzes.netlify.app/en/ml/)
- írott lecke
- projektalapú leckékhez lépésről-lépésre útmutatók a projekt elkészítéséhez
- tudásellenőrzések
- egy kihívás
- kiegészítő olvasmány
- feladat
- írásos leckét
- projektalapú leckéknél lépésről-lépésre útmutatót a projekt elkészítéséhez
- tudásellenőrzéseket
- egy kihívást
- kiegészítő olvasmányt
- feladatot
- [előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Egy R lecke elvégzéséhez menj a `/solution` mappába és keresd az R leckéket. Tartalmaznak .rmd kiterjesztést, amely egy **R Markdown** fájlt jelöl, amit egyszerűen úgy lehet meghatározni, hogy beágyazása `code chunks`-nak (R vagy más nyelvek) és egy `YAML header`-nek (amely útmutatást ad a kimenetek, például PDF formázásához) egy `Markdown document`-ben. Így kiváló szerzői keretrendszerként szolgál az adattudomány számára, mivel lehetővé teszi a kód, annak kimenete és a gondolatok együttes leírását Markdownban. Továbbá az R Markdown dokumentumok kimenetként PDF, HTML vagy Word formátumba is renderelhetők.
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Pythonban íródtak, de sokuk elérhető R nyelven is. Egy R lecke elvégzéséhez menj a `/solution` mappába és keresd az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** fájlt jelentenek, amely egyszerűen definiálható úgy, hogy `kódblokkokat` (R vagy más nyelvekhez) és egy `YAML fejlécet` (ami irányítja, hogyan formázódnak a kimenetek, pl. PDF) ágyaz be egy `Markdown dokumentumban`. Ennek megfelelően kiváló szerkesztési keretet ad a data science számára, mivel lehetővé teszi, hogy kombináld a kódot, annak kimenetét és a gondolataidat úgy, hogy Markdownban írod le. R Markdown dokumentumok továbbá renderelhetők olyan kimeneti formátumokra, mint PDF, HTML vagy Word.
> **Megjegyzés a kvízekről**: Minden kvíz a [Kvízalkalmazás mappában](../../quiz-app) található, összesen 52 kvíz három-három kérdéssel. A leckékből hivatkozva érhetők el, de a kvíz alkalmazást helyben is futtathatod; kövesd a `quiz-app` mappa utasításait a helyi hosztoláshoz vagy Azure-ba történő telepítéshez.
> **Megjegyzés a kvízekről**: Az összes kvíz a [Quiz App mappában](../../quiz-app) található, összesen 52 kvíz három-három kérdéssel. A leckékben vannak linkelve, de a quiz app helyileg is futtatható; kövesd a `quiz-app` mappában található utasításokat a helyi hosztoláshoz vagy Azure-ra történő telepítéshez.
| Lecke száma | Téma | Leckecsoportosítás | Tanulási célok | Hivatkozott lecke | Szerző |
| Lecke száma | Téma | Leckecsoport | Tanulási célok | Kapcsolt lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerkedj meg a gépi tanulás mögötti alapvető fogalmakkal | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület történetét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Melyek azok a fontos filozófiai kérdések a méltányossággal kapcsolatban, amelyeket a diákoknak figyelembe kell venniük ML-modellek építésekor és alkalmazásakor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat használnak a gépi tanulás kutatói ML-modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Bevezetés a regresszióhoz | [Regresszió](2-Regression/README.md) | Ismerkedj meg a Pythonnal és a Scikit-learnnel regressziós modellekhez | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Vizualizáld és tisztítsd az adatokat az ML-re való felkészüléshez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinomiális regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Egy webalkalmazás 🔌 | [Webalkalmazás](3-Web-App/README.md) | Építs egy webalkalmazást a betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókhoz | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | További osztályozók | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Építs egy ajánló webalkalmazást a modelled felhasználásával | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigériai zenei ízlések felfedezése 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel a K-Means klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Ismerkedj meg az NLP alapjaival egy egyszerű bot építésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP-feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítsd el NLP-ismereteidet azáltal, hogy megérted azokat a gyakori feladatokat, amelyek a nyelvi szerkezetek kezeléséhez szükségesek | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelem-elemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és hangulatelemzés Jane Austen műveivel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai hotelek ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Hangulatelemzés hotelértékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai hotelek ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Hangulatelemzés hotelértékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősor-előrejelzéshez | [Idősorok](7-TimeSeries/README.md) | Bevezetés az idősor-előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Postscript | Valós világ ML-forgatókönyvek és alkalmazások | [ML a való világban](9-Real-World/README.md) | Érdekes és tanulságos valós alkalmazások a klasszikus ML | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Postscript | Modelhibakeresés ML-ben RAI irányítópult használatával | [ML a való világban](9-Real-World/README.md) | Modelhibakeresés a gépi tanulásban a Responsible AI irányítópult komponenseinek használatával | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Találd meg az összes további erőforrást ehhez a kurzushoz a Microsoft Learn-gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerje meg a gépi tanulás alapfogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerje meg ennek a területnek a történetét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Melyek a méltányossággal kapcsolatos fontos filozófiai kérdések, amelyeket a hallgatóknak figyelembe kell venniük ML-modellek építésekor és alkalmazásakor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat használnak a gépi tanulás kutatói ML-modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Ismerkedjen meg a Python és a Scikit-learn használatával regressziós modellekhez | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Adatok vizualizálása és tisztítása ML-re való felkészüléshez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinom regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webalkalmazás 🔌 | [Webalkalmazás](3-Web-App/README.md) | Webalkalmazás készítése a betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozáshoz | [Osztályozás](4-Classification/README.md) | Adatok tisztítása, előkészítése és vizualizálása; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Finom ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókhoz | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Finom ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | További osztályozók | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Finom ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Ajánló webalkalmazás készítése a modell használatával | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Adatok tisztítása, előkészítése és vizualizálása; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigériai zenei ízlések felfedezése 🎧 | [Klaszterezés](5-Clustering/README.md) | A K-Means klaszterezési módszer felfedezése | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Ismerje meg az NLP alapjait egy egyszerű bot készítésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP-feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítse NLP-ismereteit azáltal, hogy megérti a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatokat | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelem-elemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelem-elemzés Jane Austen műveivel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelem-elemzés szállodai értékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelem-elemzés szállodai értékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Idősorok](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utószó | Valós világ ML forgatókönyvek és alkalmazások | [ML a gyakorlatban](9-Real-World/README.md) | Érdekes és szemléletes valós alkalmazások a klasszikus ML területéről | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utószó | Modellek hibakeresése ML-ben az RAI irányítópult segítségével | [ML a gyakorlatban](9-Real-World/README.md) | Modellek hibakeresése gépi tanulásban a Responsible AI irányítópult komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Keresse meg az összes további forrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline hozzáférés
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) segítségével. Forkold ezt a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépedre, majd a repo gyökérmappájában írd be a `docsify serve` parancsot. A weboldal a localhostodon a 3000-es porton lesz kiszolgálva: `localhost:3000`.
A dokumentációt offline is futtathatja a [Docsify](https://docsify.js.org/#/) használatával. Forkolja ezt a repót, [telepítse a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépére, és a repo gyökérmappájában írja be a `docsify serve` parancsot. A weboldal a 3000-es porton lesz kiszolgálva a localhoston: `localhost:3000`.
## PDF-ek
A tanterv PDF-formátumban, linkekkel [itt található](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
A tanterv PDF változatát linkekkel megtalálja [itt](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Egyéb kurzusok
Csapatunk más kurzusokat is készít! Nézd meg:
Csapatunk más kurzusokat is készít! Nézze meg:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -178,7 +177,7 @@ Csapatunk más kurzusokat is készít! Nézd meg:
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
### Copilot-sorozat
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
Ha elakadsz, vagy bármilyen kérdésed van az MI-alkalmazások fejlesztésével kapcsolatban. Csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-vel kapcsolatos beszélgetésekben. Ez egy támogató közösség, ahol a kérdések szívesen látottak és a tudás szabadon megosztott.
Ha elakadsz, vagy bármilyen kérdésed van az MI-alkalmazások fejlesztésével kapcsolatban. Csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-ről folytatott beszélgetésekhez. Ez egy támogató közösség, ahol a kérdések szívesen látottak és a tudás szabadon megosztott.
Ezt a dokumentumot az AI fordítószolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordították. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum eredeti nyelven tekintendő a hiteles forrásnak. Kritikus információk esetén szakmai, emberi fordítást javaslunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy félreértelmezésekért.
Ez a dokumentum a mesterséges intelligencián alapuló fordítószolgáltatás, a Co-op Translator (https://github.com/Azure/co-op-translator) segítségével készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő irányadónak. Kritikus jelentőségű információk esetén professzionális, emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
Kami sedang mengadakan seri Learn with AI di Discord; pelajari lebih lanjut dan bergabunglah dengan kami di [Seri Learn with AI](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.
Kami memiliki rangkaian acara Learn with AI di Discord yang sedang berlangsung, pelajari lebih lanjut dan bergabung bersama kami di [Learn with AI Series](https://aka.ms/learnwithai/discord) dari 18 - 30 September, 2025. Anda akan mendapatkan tips dan trik menggunakan GitHub Copilot untuk Data Science.
# Pembelajaran Mesin untuk Pemula - Sebuah Kurikulum
> 🌍 Bepergian keliling dunia saat kita menjelajahi Pembelajaran Mesin melalui budaya dunia 🌍
> 🌍 Jelajahi dunia sambil kita mengeksplorasi Pembelajaran Mesin melalui budaya-budaya dunia 🌍
Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12-minggu, 26-pelajaran yang membahas **Pembelajaran Mesin**. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut **pembelajaran mesin klasik**, terutama menggunakan Scikit-learn sebagai pustaka dan menghindari deep learning, yang dibahas dalam [kurikulum AI for Beginners](https://aka.ms/ai4beginners). Padukan pelajaran ini dengan juga mengikuti [kurikulum 'Data Science for Beginners'](https://aka.ms/ds4beginners)!
Cloud Advocates di Microsoft dengan senang hati menawarkan kurikulum 12-minggu, 26-pelajaran yang membahas **Pembelajaran Mesin**. Dalam kurikulum ini, Anda akan belajar tentang apa yang kadang disebut **pembelajaran mesin klasik**, menggunakan terutama Scikit-learn sebagai pustaka dan menghindari deep learning, yang dibahas dalam [kurikulum 'AI for Beginners'](https://aka.ms/ai4beginners). Padukan pelajaran-pelajaran ini dengan juga mengikuti ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners)!
Bepergian bersama kami keliling dunia saat kami menerapkan teknik klasik ini pada data dari berbagai wilayah dunia. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, sebuah solusi, sebuah tugas, dan lainnya. Pedagogi berbasis proyek kami memungkinkan Anda belajar sambil membangun, sebuah cara yang terbukti membantu keterampilan baru untuk 'menempel'.
Jelajahi bersama kami ke berbagai penjuru dunia saat kami menerapkan teknik klasik ini pada data dari berbagai wilayah. Setiap pelajaran mencakup kuis sebelum dan sesudah pelajaran, instruksi tertulis untuk menyelesaikan pelajaran, solusi, tugas, dan lainnya. Pedagogi berbasis proyek kami memungkinkan Anda belajar sambil membangun, sebuah cara terbukti agar keterampilan baru 'melekat'.
**✍️ Terima kasih sebesar-besarnya kepada penulis kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu and Amy Boyd
**✍️ Terima kasih banyak kepada para penulis kami** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
**🎨 Terima kasih juga kepada ilustrator kami** Tomomi Imura, Dasani Madipalli, dan Jen Looper
**🙏 Terima kasih khusus 🙏 kepada penulis, pengulas, dan kontributor konten Microsoft Student Ambassador kami**, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🙏 Terima kasih khusus 🙏 kepada para Microsoft Student Ambassador yang menjadi penulis, pengulas, dan kontributor konten kami**, terutama Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
**🤩 Terima kasih ekstra kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!**
# Memulai
Ikuti langkah-langkah ini:
1. **Fork Repositori**: Klik tombol "Fork" di pojok kanan atas halaman ini.
> [temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [temukan semua sumber tambahan untuk kursus ini di koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Perlu bantuan?** Periksa [Panduan Pemecahan Masalah](TROUBLESHOOTING.md) untuk solusi atas masalah umum terkait instalasi, penyiapan, dan menjalankan pelajaran.
> 🔧 **Perlu bantuan?** Periksa [Panduan Pemecahan Masalah](TROUBLESHOOTING.md) kami untuk solusi atas masalah umum terkait instalasi, pengaturan, dan menjalankan pelajaran.
**[Siswa](https://aka.ms/student-page)**, untuk menggunakan kurikulum ini, fork seluruh repo ke akun GitHub Anda sendiri dan selesaikan latihan sendiri atau bersama kelompok:
- Mulailah dengan kuis pemanasan sebelum perkuliahan.
- Baca materi perkuliahan dan selesaikan aktivitas, berhenti sejenak dan renungkan pada setiap cek pengetahuan.
- Cobalah membuat proyek dengan memahami pelajaran daripada langsung menjalankan kode solusi; namun kode tersebut tersedia di folder `/solution` di setiap pelajaran berorientasi proyek.
- Kerjakan kuis setelah perkuliahan.
- Mulailah dengan kuis pra-ceramah.
- Baca materi dan selesaikan aktivitas, jeda dan renungkan pada setiap pemeriksaan pengetahuan.
- Cobalah membuat proyek dengan memahami pelajarannya alih-alih langsung menjalankan kode solusi; namun kode tersebut tersedia di folder `/solution` di setiap pelajaran berorientasi proyek.
- Ikuti kuis pasca-ceramah.
- Selesaikan tantangan.
- Selesaikan tugas.
- Setelah menyelesaikan satu grup pelajaran, kunjungi [Papan Diskusi](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Progress Assessment Tool yang merupakan rubrik yang Anda isi untuk meningkatkan pembelajaran Anda. Anda juga dapat memberi reaksi pada PAT orang lain agar kita dapat belajar bersama.
- Setelah menyelesaikan kelompok pelajaran, kunjungi [Papan Diskusi](https://github.com/microsoft/ML-For-Beginners/discussions) dan "belajar dengan suara" dengan mengisi rubrik PAT yang sesuai. 'PAT' adalah Progress Assessment Tool yang merupakan rubrik yang Anda isi untuk memperdalam pembelajaran. Anda juga dapat bereaksi terhadap PAT orang lain supaya kita dapat belajar bersama.
> Untuk studi lebih lanjut, kami merekomendasikan mengikuti modul dan jalur pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Untuk studi lanjutan, kami menyarankan mengikuti modul dan jalur pembelajaran [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Pengajar**, kami telah [menyertakan beberapa saran](for-teachers.md) tentang cara menggunakan kurikulum ini.
**Guru**, kami telah [menyertakan beberapa saran](for-teachers.md) tentang cara menggunakan kurikulum ini.
---
## Panduan video
Beberapa pelajaran tersedia sebagai video format pendek. Anda dapat menemukan semuanya langsung di dalam pelajaran, atau di [daftar putar ML for Beginners di saluran Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) dengan mengklik gambar di bawah.
Beberapa pelajaran tersedia dalam bentuk video singkat. Anda dapat menemukan semuanya di dalam pelajaran, atau di [playlist ML for Beginners di channel Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) dengan mengklik gambar di bawah.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klik gambar di atas untuk menonton video tentang proyek dan orang-orang yang membuatnya!
> 🎥 Klik gambar di atas untuk menonton video tentang proyek dan para pembuatnya!
---
## Pedagogi
Kami memilih dua prinsip pedagogis saat membangun kurikulum ini: memastikan bahwa kurikulum bersifat praktis berbasis **proyek** dan juga mencakup **kuis yang sering**. Selain itu, kurikulum ini memiliki tema umum untuk memberikan kohesi.
Kami memilih dua prinsip pedagogis saat menyusun kurikulum ini: memastikan bahwa kurikulum bersifat praktis **berbasis proyek** dan bahwa kurikulum mencakup **kuis yang sering**. Selain itu, kurikulum ini memiliki **tema** umum untuk memberikan kohesi.
Dengan memastikan konten selaras dengan proyek, proses dibuat lebih menarik bagi siswa dan retensi konsep akan ditingkatkan. Selain itu, kuis ringan sebelum kelas menetapkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan serta dapat diambil secara keseluruhan atau sebagian. Proyek dimulai dari yang kecil dan menjadi semakin kompleks pada akhir siklus 12-minggu. Kurikulum ini juga menyertakan postscript tentang aplikasi dunia nyata dari ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar diskusi.
Dengan memastikan konten selaras dengan proyek, proses pembelajaran menjadi lebih menarik bagi siswa dan retensi konsep akan meningkat. Selain itu, kuis dengan taruhan rendah sebelum kelas menetapkan niat siswa untuk mempelajari topik, sementara kuis kedua setelah kelas memastikan retensi lebih lanjut. Kurikulum ini dirancang agar fleksibel dan menyenangkan dan dapat diikuti secara keseluruhan atau sebagian. Proyek dimulai kecil dan menjadi semakin kompleks hingga akhir siklus 12-minggu. Kurikulum ini juga menyertakan postscript tentang aplikasi dunia nyata dari ML, yang dapat digunakan sebagai kredit tambahan atau sebagai dasar diskusi.
> Temukan [Kode Etik](CODE_OF_CONDUCT.md), [Panduan Berkontribusi](CONTRIBUTING.md), [Terjemahan](TRANSLATIONS.md), dan [Pemecahan Masalah](TROUBLESHOOTING.md). Kami menyambut umpan balik konstruktif Anda!
> **Catatan tentang bahasa**: Pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder `/solution` dan cari pelajaran R. Mereka menyertakan ekstensi .rmd yang merepresentasikan sebuah file **R Markdown** yang dapat didefinisikan secara sederhana sebagai penyematan `code chunks` (dalam R atau bahasa lain) dan sebuah`YAML header` (yang mengarahkan bagaimana memformat keluaran seperti PDF) dalam sebuah `Markdown document`. Dengan demikian, itu berfungsi sebagai kerangka pembuatan yang baik untuk data science karena memungkinkan Anda menggabungkan kode Anda, keluaran, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat di-render ke format keluaran seperti PDF, HTML, atau Word.
> **Catatan tentang bahasa**: Pelajaran-pelajaran ini terutama ditulis dalam Python, tetapi banyak juga tersedia dalam R. Untuk menyelesaikan pelajaran R, buka folder `/solution` dan cari pelajaran R. Mereka memiliki ekstensi .rmd yang merepresentasikan **R Markdown** yang dapat didefinisikan secara sederhana sebagai penyisipan `code chunks` (R atau bahasa lain) dan`YAML header` (yang mengarahkan bagaimana memformat keluaran seperti PDF) dalam sebuah `dokumen Markdown`. Dengan demikian, ini berfungsi sebagai kerangka penulisan contoh untuk data science karena memungkinkan Anda menggabungkan kode, keluaran, dan pemikiran Anda dengan menuliskannya dalam Markdown. Selain itu, dokumen R Markdown dapat dirender ke format keluaran seperti PDF, HTML, atau Word.
> **Catatan tentang kuis**: Semua kuis ada di [folder Aplikasi Kuis](../../quiz-app), sebanyak 52 kuis total masing-masing tiga pertanyaan. Kuis tersebut ditautkan dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti instruksi di folder `quiz-app` untuk meng-host secara lokal atau menerapkan ke Azure.
> **Catatan tentang kuis**: Semua kuis terdapat di [folder Quiz App](../../quiz-app), total 52 kuis masing-masing berisi tiga pertanyaan. Mereka ditautkan dari dalam pelajaran tetapi aplikasi kuis dapat dijalankan secara lokal; ikuti petunjuk di folder `quiz-app` untuk menyajikan secara lokal atau melakukan deploy ke Azure.
| Nomor Pelajaran | Topik | Pengelompokan Pelajaran | Tujuan Pembelajaran | Pelajaran Tertaut | Penulis |
| 01 | Pengantar pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Pelajari konsep dasar di balik pembelajaran mesin | [Pelajaran](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Sejarah pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Pelajari sejarah yang mendasari bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Apa masalah filosofis penting seputar keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | [Pengantar](1-Introduction/README.md) | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris dan Jen |
| 05 | Pengantar regresi | [Regresi](2-Regression/README.md) | Mulai dengan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persiapan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bangun model regresi linier dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen dan Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | [Regresi](2-Regression/README.md) | Bangun model regresi logistik | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | [Aplikasi Web](3-Web-App/README.md) | Bangun aplikasi web untuk menggunakan model terlatih Anda | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengantar klasifikasi | [Klasifikasi](4-Classification/README.md) | Bersihkan, siapkan, dan visualisasikan data Anda; pengantar klasifikasi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen dan Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang Lezat 🍜 | [Klasifikasi](4-Classification/README.md) | Pengantar pengklasifikasi | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen dan Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang Lezat 🍜 | [Klasifikasi](4-Classification/README.md) | Pengklasifikasi lainnya | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen dan Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang Lezat 🍜 | [Klasifikasi](4-Classification/README.md) | Bangun aplikasi web rekomendasi menggunakan model Anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengantar klastering | [Klastering](5-Clustering/README.md) | Bersihkan, siapkan, dan visualisasikan data Anda; Pengantar klastering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Menjelajahi Selera Musik Nigeria 🎧 | [Klastering](5-Clustering/README.md) | Jelajahi metode klastering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengantar pengolahan bahasa alami ☕️ | [Pengolahan bahasa alami](6-NLP/README.md) | Pelajari dasar-dasar NLP dengan membangun bot sederhana | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugas NLP Umum ☕️ | [Pengolahan bahasa alami](6-NLP/README.md) | Perdalam pengetahuan NLP Anda dengan memahami tugas-tugas umum yang diperlukan saat menangani struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Terjemahan dan analisis sentimen ♥️ | [Pengolahan bahasa alami](6-NLP/README.md) | Terjemahan dan analisis sentimen dengan Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel Romantis di Eropa ♥️ | [Pengolahan bahasa alami](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel Romantis di Eropa ♥️ | [Pengolahan bahasa alami](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Pengantar peramalan deret waktu | [Deret waktu](7-TimeSeries/README.md) | Pengantar peramalan deret waktu | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan ARIMA | [Deret waktu](7-TimeSeries/README.md) | Peramalan deret waktu dengan ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Penggunaan Listrik Dunia ⚡️ - peramalan deret waktu dengan SVR | [Deret waktu](7-TimeSeries/README.md) | Peramalan deret waktu dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Postskrip | Skenario dan aplikasi ML dunia nyata | [ML di Dunia Nyata](9-Real-World/README.md) | Aplikasi dunia nyata ML klasik yang menarik dan informatif | [Pelajaran](9-Real-World/1-Applications/README.md) | Tim |
| Postskrip | Debugging Model dalam ML menggunakan dasbor RAI | [ML di Dunia Nyata](9-Real-World/README.md) | Debugging model dalam Machine Learning menggunakan komponen dasbor Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [temukan semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline access
Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repositori ini, [pasang Docsify](https://docsify.js.org/#/quickstart) di mesin lokal Anda, lalu di folder root repo ini, ketik `docsify serve`. Situs web akan disajikan pada port 3000 di localhost Anda: `localhost:3000`.
## PDFs
Temukan pdf kurikulum beserta tautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Other Courses
| 01 | Pengantar pembelajaran mesin | [Introduction](1-Introduction/README.md) | Pelajari konsep dasar di balik pembelajaran mesin | [Pelajaran](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Sejarah pembelajaran mesin | [Introduction](1-Introduction/README.md) | Pelajari sejarah yang mendasari bidang ini | [Pelajaran](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Keadilan dan pembelajaran mesin | [Introduction](1-Introduction/README.md) | Apa isu filosofis penting terkait keadilan yang harus dipertimbangkan siswa saat membangun dan menerapkan model ML? | [Pelajaran](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | [Introduction](1-Introduction/README.md) | Teknik apa yang digunakan peneliti ML untuk membangun model ML? | [Pelajaran](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Pengantar regresi | [Regression](2-Regression/README.md) | Mulai menggunakan Python dan Scikit-learn untuk model regresi | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Visualisasikan dan bersihkan data sebagai persiapan untuk ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Bangun model regresi linier dan polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Harga labu Amerika Utara 🎃 | [Regression](2-Regression/README.md) | Bangun model regresi logistik | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikasi Web 🔌 | [Web App](3-Web-App/README.md) | Bangun aplikasi web untuk menggunakan model yang telah Anda latih | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Pengantar klasifikasi | [Classification](4-Classification/README.md) | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klasifikasi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Masakan Asia dan India yang Lezat 🍜 | [Classification](4-Classification/README.md) | Pengantar klasifikator | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Masakan Asia dan India yang Lezat 🍜 | [Classification](4-Classification/README.md) | Klasifikator lainnya | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Masakan Asia dan India yang Lezat 🍜 | [Classification](4-Classification/README.md) | Bangun aplikasi web rekomendasi menggunakan model Anda | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Pengantar klastering | [Clustering](5-Clustering/README.md) | Bersihkan, persiapkan, dan visualisasikan data Anda; pengantar klastering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Menjelajahi Selera Musik Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Jelajahi metode klastering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Pengantar pemrosesan bahasa alami ☕️ | [Natural language processing](6-NLP/README.md) | Pelajari dasar-dasar NLP dengan membangun bot sederhana | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Tugas NLP Umum ☕️ | [Natural language processing](6-NLP/README.md) | Perdalam pengetahuan NLP Anda dengan memahami tugas umum yang diperlukan saat menangani struktur bahasa | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Terjemahan dan analisis sentimen ♥️ | [Natural language processing](6-NLP/README.md) | Terjemahan dan analisis sentimen dengan Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantis di Eropa ♥️ | [Natural language processing](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantis di Eropa ♥️ | [Natural language processing](6-NLP/README.md) | Analisis sentimen dengan ulasan hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Pengantar peramalan deret waktu | [Time series](7-TimeSeries/README.md) | Pengantar peramalan deret waktu | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Penggunaan Daya Dunia ⚡️ - peramalan deret waktu dengan ARIMA | [Time series](7-TimeSeries/README.md) | Peramalan deret waktu dengan ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Penggunaan Daya Dunia ⚡️ - peramalan deret waktu dengan SVR | [Time series](7-TimeSeries/README.md) | Peramalan deret waktu dengan Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| Catatan | Skenario dan aplikasi ML di dunia nyata | [ML in the Wild](9-Real-World/README.md) | Aplikasi dunia nyata yang menarik dan mengungkap dari ML klasik | [Pelajaran](9-Real-World/1-Applications/README.md) | Tim |
| Catatan | Debugging Model dalam ML menggunakan dasbor RAI | [ML in the Wild](9-Real-World/README.md) | Debugging model dalam Machine Learning menggunakan komponen dasbor Responsible AI | [Pelajaran](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [temukan semua sumber tambahan untuk kursus ini di koleksi Microsoft Learn kami](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Akses offline
Anda dapat menjalankan dokumentasi ini secara offline dengan menggunakan [Docsify](https://docsify.js.org/#/). Fork repo ini, [pasang Docsify](https://docsify.js.org/#/quickstart) di mesin lokal Anda, dan kemudian di folder root repo ini, ketik `docsify serve`. Situs web akan disajikan pada port 3000 di localhost Anda: `localhost:3000`.
## Berkas PDF
Temukan file pdf kurikulum dengan tautan [di sini](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Kursus Lainnya
Tim kami membuat kursus lain! Lihat:
@ -170,7 +172,7 @@ Tim kami membuat kursus lain! Lihat:
---
### Azure / Edge / MCP / Agents
### Azure / Edge / MCP / Agen
[](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)
@ -178,8 +180,8 @@ Tim kami membuat kursus lain! Lihat:
---
### Generative AI Series
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Seri AI Generatif
[](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)
@ -205,11 +207,11 @@ Tim kami membuat kursus lain! Lihat:
## Mendapatkan Bantuan
Jika Anda terjebak atau memiliki pertanyaan tentang membangun aplikasi AI. Bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan dipersilakan dan pengetahuan dibagikan secara bebas.
Jika Anda mengalami kebingungan atau memiliki pertanyaan tentang membangun aplikasi AI, bergabunglah dengan sesama pelajar dan pengembang berpengalaman dalam diskusi tentang MCP. Ini adalah komunitas yang mendukung di mana pertanyaan disambut dan pengetahuan dibagikan secara bebas.
Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, kunjungi:
Jika Anda memiliki masukan produk atau menemukan kesalahan saat membangun, kunjungi:
[](https://aka.ms/foundry/forum)
@ -217,5 +219,5 @@ Jika Anda memiliki umpan balik produk atau menemukan kesalahan saat membangun, k
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Penafian**:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan berbasis AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berupaya untuk ketepatan, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat kritis, disarankan menggunakan terjemahan profesional oleh penerjemah manusia. Kami tidak bertanggung jawab atas kesalahpahaman atau salah tafsir yang timbul dari penggunaan terjemahan ini.
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Meskipun kami berusaha mencapai ketepatan, harap diketahui bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidaktepatan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang otoritatif. Untuk informasi yang bersifat krusial, disarankan menggunakan jasa penerjemah profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau salah tafsir yang timbul dari penggunaan terjemahan ini.
In questa sezione del curriculum, verranno introdotti i concetti di base che stanno alla base del campo del machine learning, cos'è e la sua storia, oltre alle tecniche che i ricercatori utilizzano per lavorarci. Esploriamo insieme questo nuovo mondo del ML!
> Foto di <ahref="https://unsplash.com/@bill_oxford?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Bill Oxford</a> su <ahref="https://unsplash.com/s/photos/globe?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
" <figcaption>Illustrazione di @allison_horst</figcaption>\n",
"\n",
"<!--<br>Illustrazione di @allison_horst-->\n"
"<!--<br>Illustrazione di @allison_horst-->\n"
" <figcaption>Illustrazione di @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--<br>Illustrazione di \\@allison_horst-->\n"
"<!--<br>Illustrazione di \\@allison_horst-->\n"
],
"metadata": {
"id": "Pg5aexcOPqAZ"
@ -230,7 +230,7 @@
" <figcaption>Illustrazione di @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--<br/>Illustrazione di \\@allison_horst-->\n"
"<!--<br/>Illustrazione di \\@allison_horst-->\n"
],
"metadata": {
"id": "o4jLY5-VZO2C"
@ -535,7 +535,7 @@
" <figcaption>Infografica di Dasani Madipalli</figcaption>\n",
"\n",
"\n",
"<!--{width=\"600\"}-->\n",
"<!--{width=\"600\"}-->\n",
" <figcaption>Infografica di Dasani Madipalli</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n",
"<!--{width=\"800\"}-->\n",
"\n",
"#### Introduzione\n",
"\n",
@ -164,7 +164,7 @@
" <figcaption>Opera d'arte di @allison_horst</figcaption>\n",
"\n",
"\n",
"<!--{width=\"700\"}-->\n"
"<!--{width=\"700\"}-->\n"
],
"metadata": {
"id": "WdUKXk7Bs8-V"
@ -807,7 +807,7 @@
" <figcaption>Infografica di Dasani Madipalli</figcaption>\n",
"\n",
"\n",
"<!--{width=\"800\"}-->\n"
"<!--{width=\"800\"}-->\n"
"La regressione logistica non offre le stesse funzionalità della regressione lineare. La prima fornisce una previsione su una `categoria binaria` (\"arancione o non arancione\"), mentre la seconda è in grado di prevedere `valori continui`, ad esempio, dato l'origine di una zucca e il momento del raccolto, *quanto aumenterà il suo prezzo*.\n",
"\n",
"\n",
"\n",
"\n",
"### Altre classificazioni\n",
"\n",
@ -88,7 +88,7 @@
"\n",
"- **Ordinale**, che coinvolge categorie ordinate, utile se volessimo ordinare i nostri risultati in modo logico, come le nostre zucche ordinate per un numero finito di dimensioni (mini, piccola, media, grande, XL, XXL).\n",
"\n",
"\n",
"\n",
"\n",
"#### **Le variabili NON devono essere correlate**\n",
> Foto di <ahref="https://unsplash.com/@teutschmann?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Beth Teutschmann</a> su <ahref="https://unsplash.com/s/photos/jack-o-lanterns?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
In questa sezione del curriculum, ti verrà introdotto un argomento applicato di ML: come salvare il tuo modello Scikit-learn come file che può essere utilizzato per fare previsioni all'interno di un'applicazione web. Una volta salvato il modello, imparerai come utilizzarlo in un'app web costruita con Flask. Per prima cosa, creerai un modello utilizzando alcuni dati relativi agli avvistamenti di UFO! Successivamente, costruirai un'app web che ti permetterà di inserire un numero di secondi insieme a un valore di latitudine e longitudine per prevedere quale paese ha segnalato di aver visto un UFO.
Foto di <ahref="https://unsplash.com/@mdherren?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Michael Herren</a> su <ahref="https://unsplash.com/s/photos/ufo?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
In Asia e India, le tradizioni culinarie sono estremamente varie e molto deliziose! Esaminiamo i dati sulle cucine regionali per cercare di comprendere i loro ingredienti.
> Foto di <ahref="https://unsplash.com/@changlisheng?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Lisheng Chang</a> su <ahref="https://unsplash.com/s/photos/asian-food?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
@ -15,7 +15,7 @@ Il clustering è un compito di machine learning che cerca di individuare oggetti
Il pubblico nigeriano, molto variegato, ha gusti musicali altrettanto diversificati. Utilizzando dati raccolti da Spotify (ispirati a [questo articolo](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), analizziamo alcune delle canzoni popolari in Nigeria. Questo dataset include informazioni su vari brani, come il punteggio di 'danceability', 'acousticness', volume, 'speechiness', popolarità ed energia. Sarà interessante scoprire i pattern presenti in questi dati!
> Foto di <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> su <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
@ -17,7 +17,7 @@ In questa sezione del curriculum, verrà introdotto uno degli utilizzi più diff
In queste lezioni impareremo le basi dell'NLP costruendo piccoli bot conversazionali per capire come il machine learning contribuisca a rendere queste conversazioni sempre più "intelligenti". Faremo un viaggio nel tempo, chiacchierando con Elizabeth Bennett e Mr. Darcy dal classico romanzo di Jane Austen, **Orgoglio e Pregiudizio**, pubblicato nel 1813. Successivamente, approfondiremo la conoscenza imparando l'analisi del sentiment attraverso le recensioni di hotel in Europa.
> Foto di <ahref="https://unsplash.com/@elaineh?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Elaine Howlin</a> su <ahref="https://unsplash.com/s/photos/pride-and-prejudice?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
@ -17,7 +17,7 @@ In queste due lezioni, verrà introdotta la previsione delle serie temporali, un
Il nostro focus regionale è l'utilizzo dell'elettricità nel mondo, un dataset interessante per imparare a prevedere il consumo energetico futuro basandosi sui modelli di carico passati. Puoi vedere come questo tipo di previsione possa essere estremamente utile in un contesto aziendale.
Foto di [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) di torri elettriche su una strada in Rajasthan su [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
@ -13,7 +13,7 @@ Il reinforcement learning, RL, è considerato uno dei paradigmi fondamentali del
Immagina di avere un ambiente simulato, come il mercato azionario. Cosa succede se imponi una determinata regolamentazione? Ha un effetto positivo o negativo? Se accade qualcosa di negativo, devi prendere questo _rinforzo negativo_, imparare da esso e cambiare rotta. Se invece l'esito è positivo, devi costruire su quel _rinforzo positivo_.
> Peter e i suoi amici devono scappare dal lupo affamato! Immagine di [Jen Looper](https://twitter.com/jenlooper)
localizeflow[bot]
1 month ago