> Ovaj repozitorij uključuje prijevode na više od 50 jezika što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda, koristite sparse checkout:
>
@ -33,32 +20,27 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Ovo vam daje sve što vam je potrebno za završetak tečaja s puno bržim preuzimanjem.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
> Time dobivate sve što vam je potrebno za završetak tečaja s mnogo bržim preuzimanjem.
Imamo Discord serijal učenja s AI-jem, saznajte više i pridružite nam se na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za znanost o podacima.
Imamo Discord seriju "Uči s AI", saznajte više i pridružite nam se na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. rujna 2025. godine. Dobit ćete savjete i trikove za korištenje GitHub Copilota za znanost o podacima.
# Strojno učenje za početnike – Nastavni program
> 🌍 Putujte svijetom dok istražujemo strojno učenje kroz kulture svijeta 🌍
# Strojno učenje za početnike - kurikulum
Cloud Advocates u Microsoftu s veseljem vam predstavljaju 12-tjedni nastavni program od 26 lekcija posvećenih **strojnome učenju**. U ovom ćete nastavnom programu naučiti o onome što se ponekad naziva **klasično strojno učenje**, koristeći uglavnom Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je obuhvaćeno u našem [nastavnom programu AI za početnike](https://aka.ms/ai4beginners). Spojite ove lekcije sa našim [nastavnim programom 'Znanost o podacima za početnike'](https://aka.ms/ds4beginners).
> 🌍 Putujte oko svijeta dok istražujemo strojno učenje kroz svjetske kulture 🌍
Cloud Advocates u Microsoftu s veseljem vam nude 12-tjedni kurikulum sa 26 lekcija o **Strojnom učenju**. U ovom kurikulumu naučit ćete o onome što se ponekad naziva **klasično strojno učenje**, koristeći prvenstveno Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je obrađeno u našem [AI for Beginners' kurikulumu](https://aka.ms/ai4beginners). Također uparite ove lekcije s našim ['Data Science for Beginners' kurikulumom](https://aka.ms/ds4beginners)!
Putujte s nama diljem svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih dijelova svijeta. Svaka lekcija uključuje kvizove prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i više. Naša pedagoška metoda zasnovana na projektima omogućuje vam učenje dok gradite, što je dokazani način da nove vještine 'zadrže'.
Putujte s nama širom svijeta dok primjenjujemo ove klasične tehnike na podatke iz različitih dijelova svijeta. Svaka lekcija sadrži kviz prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i više. Naša poduka temeljena na projektima omogućuje vam učenje kroz izgradnju, što je dokazano učinkovit način da nove vještine ostanu.
**✍️ Srdačna zahvala 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
**🎨 Zahvala i našim ilustratorima** Tomomi Imuri, Dasani Madipalli i Jen Looper
**🎨 Zahvala i našim ilustratorima** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Posebna hvala 🙏 Microsoft Student Ambassador autorima, recenzentima i suradnicima**, naročito Rishitu Dagliju, Muhammadu Sakib Khanu Inanu, Rohanu Raju, Alexandruu Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwal
**🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima na sadržaju**, posebice Rishitu Dagliju, Muhammadu Sakibu Khan Inanu, Rohanu Raju, Alexandru Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwalu
**🤩 Dodatna zahvalnost Microsoft Student Ambassadors Ericu Wanjauu, Jasleen Sondhiju i Vidushi Gupti za naše R lekcije!**
**🤩 Posebna zahvalnost Microsoft Student Ambassadorima Ericu Wanjauu, Jasleen Sondhi i Vidushi Gupti za naše R lekcije!**
# Početak
@ -66,107 +48,101 @@ Slijedite ove korake:
1. **Forkajte repozitorij**: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
> [pronađite sve dodatne materijale za ovaj tečaj u našoj kolekciji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Trebate pomoć?** Pogledajte naš [Vodič za rješavanje problema](TROUBLESHOOTING.md) za rješenja uobičajenih problema s instalacijom, postavljanjem i izvođenjem lekcija.
**[Studenti](https://aka.ms/student-page)**, za korištenje ovog kurikuluma, forkajte cijeli repozitorij na svoj GitHub račun i vježbajte sami ili u grupi:
**[Studenti](https://aka.ms/student-page)**, da biste koristili ovaj nastavni program, forkjajte cijeli repozitorij na svoj GitHub račun i rješavajte vježbe samostalno ili u grupi:
- Počnite s kvizom prije predavanja.
- Pročitajte predavanje i obavite aktivnosti, pauzirajući i razmišljajući na svakom provjeri znanja.
- Pokušajte sami napraviti projekte razumijevanjem lekcija, a ne samo pokretanjem rješenja; taj kod je dostupan u mapama `/solution` u svakom lekcijom usmjerenom na projekt.
- Polažite kviz nakon predavanja.
- Završite izazov.
- Završite zadatak.
- Nakon dovršetka skupa lekcija, posjetite [Diskusijsku ploču](https://github.com/microsoft/ML-For-Beginners/discussions) i "učite na glas" ispunjavanjem odgovarajuće PAT ocjene. 'PAT' je alat za procjenu napretka, ocjenjivački listić koji ispunjavate kako biste unaprijedili svoje učenje. Također možete reagirati na druge PATove kako bismo učili zajedno.
- Započnite s kvizom prije predavanja.
- Pročitajte predavanje i dovršite aktivnosti, zastajući i razmišljajući na svakom provjeru znanja.
- Pokušajte kreirati projekte razumijevanjem lekcija umjesto samo pokretanja rješenja; međutim, taj je kod dostupan u /solution mapama svake lekcije orijentirane na projekt.
- Napravite kviz nakon predavanja.
- Dovršite izazov.
- Dovršite zadatak.
- Nakon dovršetka skupine lekcija, posjetite [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) i "naučite naglas" popunjavanjem odgovarajućeg PAT obrasca. 'PAT' je alat za procjenu napretka koji popunjavate kako biste dodatno usavršili svoje znanje. Također možete reagirati na druge PAT-ove kako bismo svi zajedno učili.
> Za daljnje učenje preporučujemo praćenje ovih [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modula i nastavnih putova.
> Za daljnje proučavanje preporučamo praćenje ovih [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modula i putanja učenja.
**Nastavnici**, dali smo [neke prijedloge](for-teachers.md) o tome kako koristiti ovaj kurikulum.
**Nastavnici**, dali smo [neke prijedloge](for-teachers.md) za korištenje ovog nastavnog programa.
---
## Video vodiči
Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći unutar lekcija, ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod.
[](https://aka.ms/ml-beginners-videos)
Neke lekcije dostupne su u obliku kratkih videa. Sve ih možete pronaći u lekcijama ili na [ML for Beginners playlisti na Microsoft Developer YouTube kanalu](https://aka.ms/ml-beginners-videos) klikom na sliku ispod.
> 🎥 Kliknite sliku gore za video o projektu i ljudima koji su ga stvorili!
> 🎥 Kliknite na gornju sliku za video o projektu i ljudima koji su ga stvorili!
---
## Pedagogija
Odabrali smo dva pedagoška načela prilikom izrade ovog kurikuluma: osigurati da je praktičan i **zasnovan na projektima** te da uključuje **učestale kvizove**. Također, ovaj kurikulum ima zajedničku **temu** radi kohezije.
Odabrali smo dva pedagoška načela za izradu ovog nastavnog programa: da bude praktičan i **temeljen na projektima** te da uključuje **učestale kvizove**. Osim toga, ovaj nastavni program ima zajedničku **temu** koja mu daje koheziju.
Osiguravajući usklađenost sadržaja s projektima, proces učenja je zanimljiviji za studente i povećava zadržavanje pojmova. Osim toga, kviz niskog rizika prije nastave postavlja obrazovne namjere učenika, dok drugi kviz nakon nastave osigurava dodatno zadržavanje. Ovaj kurikulum dizajniran je da bude fleksibilan i zabavan, može se raditi u cijelosti ili dijelom. Projekti kreću od jednostavnih do složenijih do kraja 12-tjednog ciklusa. Kurikulum također uključuje postskriptum o stvarnim primjenama ML-a, koji se može koristiti kao dodatni bodovi ili kao osnova za raspravu.
Osiguravajući usklađenost sadržaja s projektima, proces je zanimljiviji studentima i povećava se zadržavanje pojmova. Također, lagani kviz prije predavanja usmjerava pažnju studenta na učenje teme, dok kviz poslije predavanja dodatno osigurava zadržavanje naučenog. Ovaj nastavni program je dizajniran da bude fleksibilan i zabavan te se može pohađati u cijelosti ili djelomično. Projekti počinju jednostavno i postaju sve složeniji do kraja 12-tjednog ciklusa. Nakon toga slijedi postscript o stvarnim primjenama strojnog učenja koji se može koristiti kao dodatni zadatak ili kao osnova za raspravu.
> Pronađite naša [Pravila ponašanja](CODE_OF_CONDUCT.md), [Upute za doprinos](CONTRIBUTING.md), [Prijevode](TRANSLATIONS.md) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Dobrodošla su vaša konstruktivna mišljenja!
> Pronađite naš [Kodeks ponašanja](CODE_OF_CONDUCT.md), [Upute za pridonošenje](CONTRIBUTING.md), [Prijevode](..) i [Vodič za rješavanje problema](TROUBLESHOOTING.md). Pozdravljamo vaše konstruktivne povratne informacije!
## Svaka lekcija uključuje
- opcionalne skice
- opcionalni dodatni video
- neobavezna skicna bilješka
- neobavezni dodatni video
- video vodič (samo za neke lekcije)
- [kratki kviz prije predavanja](https://ff-quizzes.netlify.app/en/ml/)
- pisanu lekciju
- za projekte, korak-po-korak vodiče kako izgraditi projekt
- za lekcije temeljene na projektima, korak-po-korak vodiče za izgradnju projekta
- provjere znanja
- izazov
- dodatnu literaturu
- dodatno čitanje
- zadatak
- [kviz nakon predavanja](https://ff-quizzes.netlify.app/en/ml/)
> **Napomena o jezicima**: Ove lekcije su prvenstveno napisane u Pythonu, ali mnoge su također dostupne u R. Za dovršetak R lekcije, idite u mapu `/solution` i potražite R lekcije. One uključuju .rmd ekstenziju koja predstavlja **R Markdown** datoteku, koju je jednostavno definirati kao ugrađivanje `code chunks` (R ili drugih jezika) i `YAML header` (koji vodi kako formatirati izlaze poput PDF-a) u `Markdown dokument`. Kao takav, služi kao uzorni okvir za autorstvo za znanost o podacima budući da vam omogućuje da kombinirate svoj kod, njegov izlaz i svoje misli dopuštajući vam da ih zapišete u Markdownu. Štoviše, R Markdown dokumenti se mogu prikazati u izlazne formate poput PDF, HTML ili Word.
> **Napomena o kvizovima**: Svi kvizovi nalaze se u [Quiz App folder](../../quiz-app), ukupno 52 kvizova sa po tri pitanja. Linkani su unutar lekcija, ali aplikaciju za kviz možete pokrenuti lokalno; slijedite upute u mapi `quiz-app` za lokalno hostanje ili objavu na Azure.
> **Napomena o jezicima**: Lekcije su uglavnom napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršetak R lekcije, posjetite mapu `/solution` i potražite R lekcije. One uključuju ekstenziju .rmd što predstavlja **R Markdown** datoteku, koja se može jednostavno definirati kao umetanje `kodnih blokova` (iz R ili drugih jezika) i `YAML zaglavlja` (koje određuje format izlaza poput PDF-a) u `Markdown dokument`. Kao takav, on služi kao izvrsni okvir za pisanje za znanost o podacima jer omogućuje kombiniranje koda, njegovih rezultata i vaših razmišljanja pisanjem u Markdownu. Nadalje, R Markdown dokumenti mogu se prikazivati u izlaznim formatima poput PDF-a, HTML-a ili Worda.
> **Napomena o kvizovima**: Svi kvizovi nalaze se u [Quiz App folderu](../../quiz-app), ukupno 52 kviza s po tri pitanja. Povezani su iz lekcija, ali quiz app se može pokrenuti lokalno; pratite upute u mapi `quiz-app` za lokalno hostanje ili deploy na Azure.
| Broj lekcije | Tema | Grupiranje lekcija | Ciljevi učenja | Povezana lekcija | Autor |
| 01 | Uvod u strojno učenje | [Uvod](1-Introduction/README.md) | Naučite osnovne pojmove strojnog učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Naučite povijest ovog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Pravednost i strojno učenje | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja oko pravednosti koja bi učenici trebali razmotriti pri izgradnji i primjeni ML modela? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike za strojno učenje | [Uvod](1-Introduction/README.md) | Koje tehnike koriste istraživači strojnog učenja za izgradnju ML modela? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Počnite s Pythonom i Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cijene američkih bundeva 🎃 | [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 američkih bundeva 🎃 | [Regresija](2-Regression/README.md) | Izgradite linearne i polinomijalne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Cijene američkih bundeva 🎃 | [Regresija](2-Regression/README.md) | Izgradite logistički regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 01 | Uvod u strojno učenje | [Uvod](1-Introduction/README.md) | Naučite osnovne pojmove iza strojnog učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Povijest strojnog učenja | [Uvod](1-Introduction/README.md) | Naučite povijest tog područja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Pravednost i strojarstvo | [Uvod](1-Introduction/README.md) | Koja su važna filozofska pitanja o pravednosti koja učenici trebaju razmotriti kod izrade 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 i Jen |
| 05 | Uvod u regresiju | [Regresija](2-Regression/README.md) | Počnite s Python i Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte i očistite podatke 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) | Izgradite linearne i polinomne regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Cijene bundeva u Sjevernoj Americi 🎃 | [Regresija](2-Regression/README.md) | Izgradite logistički regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Web aplikacija 🔌 | [Web App](3-Web-App/README.md) | Izgradite web aplikaciju za korištenje vašeg treniranog modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod u klasifikatore | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 12 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Više klasifikatora | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Ukusne azijske i indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Izgradite web aplikaciju preporučitelja 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 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 izgradnjom jednostavnog bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Uobičajeni NLP zadaci ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbite svoje NLP znanje razumijevanjem uobičajenih zadataka potrebnih za rad sa strukturama jezika | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 10 | Uvod u klasifikaciju | [Klasifikacija](4-Classification/README.md) | Očistite, pripremite i vizualizirajte 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 | Ukusna azijska i indijska jela 🍜 | [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 | Ukusna azijska i indijska jela 🍜 | [Klasifikacija](4-Classification/README.md) | Više klasifikatora | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Ukusna azijska i indijska jela 🍜 | [Klasifikacija](4-Classification/README.md) | Izgradite preporučiteljsku web aplikaciju koristeći vaš model | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod u klasteriranje | [Klasteriranje](5-Clustering/README.md) | Očistite, pripremite i vizualizirajte 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 glazbenih ukusa Nigerije 🎧 | [Klasteriranje](5-Clustering/README.md) | Istražite K-Sredina 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 NLP zadaci ☕️ | [Obrada prirodnog jezika](6-NLP/README.md) | Produbite znanje NLP-a 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 s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta s recenzijama hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod u predviđanje vremenskih serija | [Vremenske serije](7-TimeSeries/README.md) | Uvod u predviđanje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija sa SVR | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s regresorom potpornih vektora | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod u učenje pojačanjem | [Učenje pojačanjem](8-Reinforcement/README.md) | Uvod u učenje pojačanjem putem Q-Learninga | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozi Petru da izbjegne vuka! 🐺 | [Učenje pojačanjem](8-Reinforcement/README.md) | Učenje pojačanjem Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenariji i primjene strojnog učenja u stvarnom svijetu | [ML u stvarnom svijetu](9-Real-World/README.md) | Zanimljive i otkrivajuće primjene klasičnog strojnog učenja u stvarnom svijetu | [Lekcija](9-Real-World/1-Applications/README.md) | Tim |
| Postscript | Debugiranje modela u strojnog učenja koristeći RAI nadzornu ploču | [ML u stvarnom svijetu](9-Real-World/README.md) | Debugiranje modela u strojnog učenja koristeći komponente Responsible AI nadzorne ploče | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
| 19 | Romantični hoteli Europe ♥️ | [Obrada prirodnog jezika](6-NLP/README.md) | Analiza sentimenta na osnovu recenzija 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 na osnovu recenzija hotela 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod u vremenske serije i predviđanje | [Vremenske serije](7-TimeSeries/README.md) | Uvod u predviđanje vremenskih serija | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Svjetska potrošnja električne energije ⚡️ - predviđanje vremenskih serija s ARIMA | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija s ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Svjetska potrošnja električne energije ⚡️ - predviđanje vremenskih serija sa SVR | [Vremenske serije](7-TimeSeries/README.md) | Predviđanje vremenskih serija sa Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod u učenje s potkrepljenjem | [Učenje s potkrepljenjem](8-Reinforcement/README.md) | Uvod u učenje s potkrepljenjem koristeći Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozi Petru da izbjegne vuka! 🐺 | [Učenje s potkrepljenjem](8-Reinforcement/README.md) | Učenje s potkrepljenjem u Gym okruženju | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenariji i primjene ML u stvarnom svijetu | [ML u stvarnom svijetu](9-Real-World/README.md) | Zanimljive i otkrivajuće stvarne primjene klasičnog ML-a | [Lekcija](9-Real-World/1-Applications/README.md) | Tim |
| Postscript | Debugiranje modela u ML koristeći RAI nadzornu ploču | [ML u stvarnom svijetu](9-Real-World/README.md) | Debugiranje modela u strojnog učenja koristeći Responsible AI nadzornu ploču | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Pristup offline
## Offline pristup
Ovu dokumentaciju možete pokrenuti offline koristeći [Docsify](https://docsify.js.org/#/). Forkajte ovaj repozitorij, [instalirajte Docsify](https://docsify.js.org/#/quickstart) na svoj lokalni uređaj, a zatim u korijenskoj mapi ovog repozitorija upišite `docsify serve`. Web stranica će biti poslužena na portu 3000 na vašem localhostu: `localhost:3000`.
Ovu dokumentaciju možete pokrenuti offline koristeći [Docsify](https://docsify.js.org/#/). Forkajte ovaj repozitorij, [installirajte Docsify](https://docsify.js.org/#/quickstart) na vašem lokalnom računalu, te u korijenskoj mapi ovog repozitorija unesite `docsify serve`. Web stranica će biti dostupna na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF datoteke
## PDF-ovi
Pronađite pdf nastavnog plana s poveznicama [ovdje](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
@ -182,57 +158,57 @@ Naš tim proizvodi i druge tečajeve! Pogledajte:
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agent
### 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)
[](https://github.com/microsoft/ai-agents-for-beginners?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)
### Serija generativne umjetne inteligencije
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Osnovno učenje
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Serija Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Ako zapnete ili imate pitanja o izradi AI aplikacija. Pridružite se ostalim učenicima i iskusnim programerima u raspravama o MCP. To je podržavajuća zajednica gdje su pitanja dobrodošla i znanje se slobodno dijeli.
Ako zapnete ili imate pitanja o izradi AI aplikacija. Pridružite se kolegama polaznicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica gdje su pitanja dobrodošla i znanje se slobodno dijeli.
- Pregledajte bilježnice nakon svake lekcije za bolje razumijevanje.
- Vježbajte sami implementirati algoritme.
- Vježbajte implementaciju algoritama sami.
- Istražujte stvarne skupove podataka koristeći naučene koncepte.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Izjava o odricanju od odgovornosti**:
Ovaj dokument preveden je pomoću AI prevoditeljskog servisa [Co-op Translator](https://github.com/Azure/co-op-translator). Iako se trudimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba se smatrati autoritativnim izvorom. Za važne informacije preporučuje se profesionalni ljudski prijevod. Ne odgovaramo za bilo kakva nesporazuma ili pogrešna tumačenja proizašla iz korištenja ovog prijevoda.
**Odricanje od odgovornosti**:
Ovaj je dokument preveden pomoću AI usluge za prijevod [Co-op Translator](https://github.com/Azure/co-op-translator). Iako težimo točnosti, molimo imajte na umu da automatizirani prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku smatra se službenim i najpouzdanijim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.
> Ta repozitorij vključuje več kot 50 jezikovnih prevodov, zaradi česar se velikost prenosa znatno poveča. Če želite klonirati brez prevodov, uporabite razdeljeni checkout:
> Ta repozitorij vsebuje več kot 50 prevodov, kar znatno poveča velikost prenosa. Če želite klonirati brez prevodov, uporabite sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,64 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Tako dobite vse, kar potrebujete za dokončanje tečaja, z veliko hitrejšim prenosom.
> Tako boste pridobili vse potrebno za dokončanje tečaja z veliko hitrejšim prenosom.
Imamo tekočo serijo "Learn with AI" na Discordu, izvedite več in se nam pridružite na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Dobili boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.
Imamo trajajočo serijo učenja z AI na Discordu, izveste več in se nam pridružite na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. septembra 2025. Dobite nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.
# Strojno učenje za začetnike - Kurikulum
# Strojno učenje za začetnike – Kurikulum
> 🌍 Potujte po svetu, ko raziskujemo Strojno učenje skozi svetovne kulture 🌍
> 🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje skozi svetovne kulture 🌍
Zagovorniki oblaka pri Microsoftu z veseljem ponujajo 12-tedenski, 26-lekcijski kurikulum, ki govori o **Strojnem učenju**. V tem kurikulumu boste spoznali tisto, kar se včasih imenuje **klasično strojno učenje**, ki uporablja predvsem knjižnico Scikit-learn in se izogiba globokemu učenju, ki je zajeto v našem [kurikulumu AI za začetnike](https://aka.ms/ai4beginners). Združite te lekcije tudi z našim [kurikulumom »Podatkovna znanost za začetnike«](https://aka.ms/ds4beginners)!
Zagovorniki oblaka pri Microsoftu z veseljem ponujajo 12-tedenski, 26-izpitni kurikulum, ki govori o **strojno učenje**. V tem kurikulumu boste izvedeli o t.i. **klasičnem strojnem učenju**, ki primarno uporablja knjižnico Scikit-learn in se izogiba globokemu učenju, kar pokrivamo v našem [kurikulumu AI za začetnike](https://aka.ms/ai4beginners). Primerjajte te lekcije tudi z našim [kurikulom Podatkovna znanost za začetnike](https://aka.ms/ds4beginners).
Potujte z nami po svetu, ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za izvedbo lekcije, rešitev, nalogo in še več. Naša projektno usmerjena pedagogika vam omogoča učenje med gradnjo, kar je preverjen način, da nove spretnosti zares osvojite.
Potujte z nami po svetu, ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje pred in po lekcijski kviz, pisna navodila za dokončanje lekcije, rešitev, nalogo in več. Naša poučevanje temelji na projektih, kar vam omogoča učenje z ustvarjanjem, kar je dokazano učinkovit način za utrditev novih znanj.
**✍️ Iskreno hvala našim avtorjem** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
**✍️ Iskrena hvala našim avtorjem** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd
**🎨 Hvala tudi našim ilustratorjem** Tomomi Imura, Dasani Madipalli in Jen Looper
**🎨 Zahvala tudi našim ilustratorjem** Tomomi Imura, Dasani Madipalli in Jen Looper
**🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassadorjem avtorjem, recenzentom in vsebinskim prispevkarjem**, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
**🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassadorjem avtorjem, recenzentom in prispevkom vsebine**, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal
**🤩 Dodatna hvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše R lekcije!**
**🤩 Posebna hvala Microsoft Student Ambassadorjem Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R jeziku!**
# Začetek
Sledite tem korakom:
1. **Razvežite repozitorij**: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
1. **Razveji repozitorij**: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
> [najdite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potrebujete pomoč?** Oglejte si naš [Vodnik za odpravljanje težav](TROUBLESHOOTING.md) za rešitve pogostih težav pri namestitvi, nastavitvi in izvajanju lekcij.
> 🔧 **Potrebujete pomoč?** Preverite naš [Vodnik za odpravljanje težav](TROUBLESHOOTING.md) za rešitve pogostih težav z namestitvijo, nastavitvijo in izvajanjem lekcij.
**[Študenti](https://aka.ms/student-page)**, za uporabo tega kurikuluma si razvejajte celoten repozitorij na svoj lasten GitHub račun in izvajajte vaje sami ali v skupini:
**[Študentje](https://aka.ms/student-page)**, za uporabo tega kurikuluma razvejite celoten repozitorij na svoj GitHub račun in opravite vaje sami ali v skupini:
- Začnite s kvizom pred predavanjem.
- Preberite predavanje in dokončajte aktivnosti, ustavljajte se in premišljujte ob vsakem preverjanju znanja.
- Poskusite ustvariti projekte z razumevanjem lekcij, namesto da samo zaženete kodo rešitve; koda rešitev pa je na voljo v mapah `/solution` v posameznih lekcijah, usmerjenih v projekt.
- Rešite kviz po predavanju.
- Izvedite izziv.
- Izvedite nalogo.
- Po končani skupini lekcij obiščite [Forum za razpravo](https://github.com/microsoft/ML-For-Beginners/discussions) in se "učite na glas" z izpolnjevanjem ustrezne PAT rubric. 'PAT' je Orodje za oceno napredka, to je rubrika, ki jo izpolnite za nadaljnje učenje. Prav tako lahko reagirate na druge PAT, da se učimo skupaj.
- Začnite s predpredavanjskim kvizom.
- Preberite predavanje in dokončajte dejavnosti, ob vsakem preverjanju znanja se ustavite in premislite.
- Poskusite ustvariti projekte tako, da razumete lekcije, namesto da le kopirate kodo rešitve; ta koda je na voljo v mapah `/solution` pri vsaki projektno usmerjeni lekciji.
- Opravite po-predavanjski kviz.
- Dokončajte izziv.
- Dokončajte nalogo.
- Po končanem sklopu lekcij obiščite [Diskusijsko ploščo](https://github.com/microsoft/ML-For-Beginners/discussions) in "ucite na glas", tako da izpolnite ustrezno PAT lestvico. 'PAT' je Orodje za Oceno Napredka, lestvica, ki jo izpolnite, da poglobite učenje. Lahko tudi reagirate na druge PAT-e, da se lahko učimo skupaj.
> Za nadaljnje študije priporočamo spremljanje teh [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulov in učnih poti.
**Učitelji**, vključili smo nekaj [predlogov](for-teachers.md), kako uporabljati ta kurikulum.
**Učitelji**, v [priporočilih](for-teachers.md) smo vključili nekaj nasvetov o uporabi tega kurikuluma.
---
## Video vodiči
## Video predstavitve
Nekatere lekcije so na voljo kot kratki video posnetki. Vse jih lahko najdete v lekcijah ali na [predvajalniku ML for Beginners na YouTube kanalu Microsoft Developer](https://aka.ms/ml-beginners-videos) z klikom na spodnjo sliko.
Nekatere lekcije so na voljo v obliki kratkih video posnetkov. Vse te najdete v lekcijah neposredno ali na [seznamu predvajanja ML za začetnike na YouTube kanalu Microsoft Developer](https://aka.ms/ml-beginners-videos) s klikom na spodnjo sliko.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
---
@ -98,98 +99,98 @@ Nekatere lekcije so na voljo kot kratki video posnetki. Vse jih lahko najdete v
> 🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!
> 🎥 Kliknite zgornjo sliko za video o projektu in osebah, ki so ga ustvarile!
---
## Pedagogika
Izbrali smo dva pedagoška načela pri gradnji tega kurikuluma: zagotoviti, da je ročno, **projektno usmerjen** in da vključuje **pogoste kvize**. Poleg tega ima ta kurikulum skupno **temo**, ki mu daje kohezivnost.
Med oblikovanjem tega kurikuluma smo izbrali dva pedagoška stebra: zagotoviti, da je praktično **projektno usmerjen** in da vključuje **pogoste kvize**. Poleg tega ima kurikulum skupno **temo**, ki mu daje skladnost.
Z zagotavljanjem, da vsebina ustreza projektom, je proces bolj zanimiv za študente in ohranitev konceptov bo izboljšana. Poleg tega nizkorizični kviz pred predavanjem usmeri študentovo namen v učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnjo ohranitev. Ta kurikulum je zasnovan fleksibilno in zabavno ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo majhni in postajajo proti koncu 12-tedenskega cikla vse bolj kompleksni. Kurikulum vključuje tudi dodatek o resničnih primerih uporabe ML, ki se lahko uporabijo kot dodatne točke ali kot osnova za razpravo.
Z zagotavljanjem vsebine, ki je povezana s projekti, je postopek učenja za študente bolj privlačen, hkrati pa je ohranjanje konceptov izboljšano. Poleg tega nizko-rizični kviz pred predavanjem usmeri študenta k učenju teme, medtem ko drugi kviz po predavanju zagotovi nadaljnjo utrditev. Ta kurikulum je zasnovan kot prilagodljiv in zabaven ter ga lahko opravite kot celoto ali delno. Projekti se začnejo majhni in postopoma postajajo bolj zahtevni do konca 12-tedenskega cikla. Vključuje tudi dodatek o realnih aplikacijah ML, ki se lahko uporabi kot dodatna točka za oceno ali kot temelj za razpravo.
> Najdite naš [Kodeks ravnanja](CODE_OF_CONDUCT.md), [Prispevanje](CONTRIBUTING.md), [Prevod](TRANSLATIONS.md) in [Odpravljanje težav](TROUBLESHOOTING.md) smernice. Veseli smo vaše konstruktivne povratne informacije!
> Najdete naša pravila [Kodeksa ravnanja](CODE_OF_CONDUCT.md), [Prispevkov](CONTRIBUTING.md), [Prevodi](..) in [Odpravljanje težav](TROUBLESHOOTING.md). Veselimo se vaših konstruktivnih povratnih informacij!
## Vsaka lekcija vključuje
- neobvezen sketchnote
- neobvezen dodatni video
- video vodič (samo nekatere lekcije)
- [kviz za ogrevanje pred predavanjem](https://ff-quizzes.netlify.app/en/ml/)
- pisno lekcijo
- za projektno usmerjene lekcije, korak-po-korak vodnike za izdelavo projekta
- izbirno skiciranje
- izbirni dodatni video
- video predstavitev (le nekatere lekcije)
- [predpredavalni kviz za ogrevanje](https://ff-quizzes.netlify.app/en/ml/)
- pisna lekcija
- za lekcije, usmerjene na projekte, vodniki korak za korakom za izdelavo projekta
- preverjanja znanja
- izziv
- dodatno branje
- nalogo
- [kviz po predavanju](https://ff-quizzes.netlify.app/en/ml/)
> **Opomba o jezikih**: Te lekcije so primarno napisane v Pythonu, vendar je veliko lekcij na voljo tudi v R. Če želite dokončati lekcijo v R, pojdite v mapo `/solution` in poiščite lekcije v R. Te imajo pripono .rmd, ki predstavlja **R Markdown** datoteko, ki jo lahko preprosto opišemo kot vdelavo `kodo delčkov` (R ali drugih jezikov) in `YAML glave` (ki usmerja, kako oblikovati izhode, kot je PDF) v `Markdown dokument`. Kot tak služi kot vzorčni okvir za avtorstvo v podatkovni znanosti, saj vam omogoča, da združite vašo kodo, njen izhod in vaše misli tako, da jih zapišete v Markdown. Poleg tega je mogoče R Markdown dokumente upodabljati v izhodne formate, kot so PDF, HTML ali Word.
> **Opomba o kvizih**: Vsi kvizi so v [mapi Quiz App](../../quiz-app), kjer je skupaj 52 kvizov po tri vprašanja. Do njih so povezave v lekcijah, vendar je aplikacijo za kvize mogoče zagnati lokalno; sledite navodilom v mapi `quiz-app` za lokalno gostovanje ali namestitev na Azure.
| Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
| 01 | Uvod v strojno učenje | [Uvod](1-Introduction/README.md) | Spoznajte osnovne koncepte strojnega učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Zgodovina strojnega učenja | [Uvod](1-Introduction/README.md) | Spoznajte zgodovino tega področja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen in Amy |
| 03 | Poštenost in strojno učenje | [Uvod](1-Introduction/README.md) | Kakšna so pomembna filozofska vprašanja o poštenosti, ki jih študenti morajo upoštevati pri gradnji in uporabi modelov ML? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike strojnega učenja | [Uvod](1-Introduction/README.md) | Katere tehnike uporabljajo raziskovalci strojnega učenja za gradnjo modelov ML? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris in Jen |
| 05 | Uvod v regresijo | [Regresija](2-Regression/README.md) | Začnite z Python in Scikit-learn za regresijske modele | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Vizualizirajte in očistite podatke kot pripravo za ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Gradite linearne in polinomske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen in Dmitry • Eric Wanjau |
| 08 | Cene buč v Severni Ameriki 🎃 | [Regresija](2-Regression/README.md) | Izgradite model logistične regresije | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | [Spletna aplikacija](3-Web-App/README.md) | Zgradite spletno aplikacijo za uporabo vašega treniranega modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod v klasifikacijo | [Klasifikacija](4-Classification/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen in Cassie • Eric Wanjau |
| 11 | Slavne azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod v klasifikatorje | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen in Cassie • Eric Wanjau |
| 12 | Slavne azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Več klasifikatorjev | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen in Cassie • Eric Wanjau |
| 13 | Slavne azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Zgradite priporočilno spletno aplikacijo z uporabo vašega modela | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod v grozdenje | [Grozdenje](5-Clustering/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v grozdenje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Raziskovanje nigerijskih glasbenih okusov 🎧 | [Grozdenje](5-Clustering/README.md) | Raziščite metodo grozdenja K-sredin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Uvod v obdelavo naravnega jezika ☕️ | [Obdelava naravnega jezika](6-NLP/README.md) | Spoznajte osnove NLP z izdelavo preprostega bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Pogoste naloge NLP ☕️ | [Obdelava naravnega jezika](6-NLP/README.md) | Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Prevajanje in analiza sentimenta ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Prevajanje in analiza sentimenta z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantični hoteli v Evropi ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Analiza sentimenta na podlagi ocen hotelov 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli v Evropi ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Analiza sentimenta na podlagi ocen hotelov 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod v napovedovanje časovnih vrst | [Časovne vrste](7-TimeSeries/README.md) | Uvod v napovedovanje časovnih vrst | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Svetovna poraba električne energije ⚡️ - napovedovanje časovnih vrst z ARIMA | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Svetovna poraba električne energije ⚡️ - napovedovanje časovnih vrst s SVR | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z regresorjem z odločitvenim vektorjem (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Uvod v učenje s krepitvijo | [Učenje s krepitvijo](8-Reinforcement/README.md) | Uvod v učenje s krepitvijo z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomagajte Peteru, da se izogne volku! 🐺 | [Učenje s krepitvijo](8-Reinforcement/README.md) | Učenje s krepitvijo v okolju Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Epilog | Resnični scenariji in uporabe ML | [ML v praksi](9-Real-World/README.md) | Zanimive in razkrivajoče realne aplikacije klasičnega strojnega učenja | [Lekcija](9-Real-World/1-Applications/README.md) | Ekipa |
| Epilog | Razhroščevanje modelov v ML z nadzorno ploščo RAI | [ML v praksi](9-Real-World/README.md) | Razhroščevanje modelov strojnega učenja z uporabo komponent nadzorne plošče Responsible AI | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Opomba o jezikih**: Te lekcije so večinoma napisane v Pythonu, a veliko jih je na voljo tudi v R-ju. Če želite dokončati lekcijo v R, pojdite v mapo `/solution` in poiščite lekcije R. Vključujejo končnico .rmd, ki predstavlja **R Markdown** datoteko, ki je preprosto definirana kot vgradnja `kodo delov` (v R ali drugih jezikih) in `YAML glave` (ki usmerja, kako oblikovati izhod, na primer PDF) v `Markdown dokumentu`. Tako služi kot vzoren okvir za avtorje podatkovne znanosti, saj združuje vašo kodo, njen izhod ter vaše misli, saj jih lahko zapišete v Markdown. Poleg tega je mogoče R Markdown dokumente izvesti v izhodne formate, kot so PDF, HTML ali Word.
> **Opomba o kvizih**: Vsi kvizi so v [mapi Quiz App](../../quiz-app), skupaj 52 kvizov s po tremi vprašanji. Povezani so v lekcijah, vendar lahko kvizno aplikacijo zaženete lokalno; sledite navodilom v mapi `quiz-app` za lokalno gostovanje ali namestitev na Azure.
| Številka lekcije | Tema | Skupina lekcij | Cilji učenja | Povezana lekcija | Avtor |
| 01 | Uvod v strojno učenje |[Uvod](1-Introduction/README.md) | Spoznajte osnovne koncepte strojnega učenja | [Lekcija](1-Introduction/1-intro-to-ML/README.md) |Muhammad |
| 02 | Zgodovina strojnega učenja | [Uvod](1-Introduction/README.md) | Spoznajte zgodovino tega področja | [Lekcija](1-Introduction/2-history-of-ML/README.md) | Jen in Amy |
| 03 | Pravičnost in strojno učenje | [Uvod](1-Introduction/README.md) | Kakšne so pomembne filozofske teme glede pravičnosti, ki jih mora študent upoštevati pri izdelavi in uporabi modelov ML? | [Lekcija](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tehnike strojnega učenja| [Uvod](1-Introduction/README.md) | Katere tehnike za izdelavo ML modelov uporabljajo raziskovalci? | [Lekcija](1-Introduction/4-techniques-of-ML/README.md) | Chris in Jen |
| 05 |Uvod v regresijo| [Regresija](2-Regression/README.md) | Začnite z Python in Scikit-learn za modele regresije | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Cene buč v Severni Ameriki 🎃| [Regresija](2-Regression/README.md) | Vizualizirajte in očistite podatke za pripravo na ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Cene buč v Severni Ameriki 🎃| [Regresija](2-Regression/README.md) | Zgradite linearne in polinomske regresijske modele | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen in Dmitry • Eric Wanjau |
| 08 | Cene buč v Severni Ameriki 🎃 |[Regresija](2-Regression/README.md) | Zgradite logistični regresijski model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) |Jen • Eric Wanjau |
| 09 | Spletna aplikacija 🔌 | [Web App](3-Web-App/README.md) | Zgradite spletno aplikacijo za uporabo vašega usposobljenega modela | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Uvod v klasifikacijo| [Klasifikacija](4-Classification/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen in Cassie • Eric Wanjau |
| 11 | Sladke azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Uvod v klasifikatorje | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen in Cassie • Eric Wanjau |
| 12 | Sladke azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Več klasifikatorjev | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen in Cassie • Eric Wanjau |
| 13 | Sladke azijske in indijske kuhinje 🍜 | [Klasifikacija](4-Classification/README.md) | Zgradite spletno aplikacijo za priporočanje z uporabo vašega modela | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Uvod v gručenje | [Gručenje](5-Clustering/README.md) | Očistite, pripravite in vizualizirajte podatke; uvod v gručenje | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Raziščimo nigerijske glasbene okuse 🎧 | [Gručenje](5-Clustering/README.md) | Raziščite metodo gručenja K-sredin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |Jen • Eric Wanjau |
| 16 | Uvod v obdelavo naravnega jezika ☕️ | [Obdelava naravnega jezika](6-NLP/README.md) | Naučite se osnov NLP z izdelavo preprostega robota | [Python](6-NLP/1-Introduction-to-NLP/README.md) |Stephen |
| 17 | Pogoste naloge NLP ☕️ | [Obdelava naravnega jezika](6-NLP/README.md) | Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami | [Python](6-NLP/2-Tasks/README.md)| Stephen |
| 18 | Prevajanje in analiza sentimenta ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Prevajanje in analiza sentimenta z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) |Stephen |
| 19 | Romantični hoteli v Evropi ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Analiza sentimenta z ocenami hotelov 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantični hoteli v Evropi ♥️ | [Obdelava naravnega jezika](6-NLP/README.md) | Analiza sentimenta z ocenami hotelov 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Uvod v napovedovanje časovnih vrst |[Časovne vrste](7-TimeSeries/README.md) | Uvod v napovedovanje časovnih vrst | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Svetovna poraba elektrike ⚡️ - napovedovanje s ARIMA | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) |Francesca |
| 23 | ⚡️ Svetovna poraba elektrike ⚡️ - napovedovanje s SVR | [Časovne vrste](7-TimeSeries/README.md) | Napovedovanje časovnih vrst s podporniškim vektorjem regresorjem | [Python](7-TimeSeries/3-SVR/README.md) |Anirban |
| 24 | Uvod v učenje z okrepitvijo | [Učenje z okrepitvijo](8-Reinforcement/README.md) | Uvod v učenje z okrepitvijo z metodo Q-učenja | [Python](8-Reinforcement/1-QLearning/README.md) |Dmitry |
| 25 | Pomagajte Petru, da se izogne volku! 🐺 | [Učenje z okrepitvijo](8-Reinforcement/README.md) | Učenje z okrepitvijo v Gimnastiki | [Python](8-Reinforcement/2-Gym/README.md) |Dmitry |
| Dodatno | Resnični primeri in aplikacije ML | [ML v praksi](9-Real-World/README.md) | Zanimive in razkrivajoče resnične aplikacije klasičnega ML | [Lekcija](9-Real-World/1-Applications/README.md) |Ekipa |
| Dodatno | Razhroščevanje ML modelov z RAI nadzorno ploščo | [ML v praksi](9-Real-World/README.md) | Razhroščevanje ML modelov z uporabo komponent Responsible AI nadzorne plošče | [Lekcija](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Dovoljen dostop brez povezave
## Dostop brez povezave
To dokumentacijo lahko uporabljate brez povezave z uporabo [Docsify](https://docsify.js.org/#/). Razvežite ta repozitorij, [namestite Docsify](https://docsify.js.org/#/quickstart) na vaš lokalni računalnik in nato v korenski mapi tega repozitorija zaženite ukaz `docsify serve`. Spletna stran bo na voljo na vratih 3000 na vašem lokalnem računalniku: `localhost:3000`.
To dokumentacijo lahko poganjate brez povezave z uporabo [Docsify](https://docsify.js.org/#/). Razvejajte ta repozitorij, [namestite Docsify](https://docsify.js.org/#/quickstart) na svoj lokalni računalnik, nato pa v korenski mapi repozitorija vtipkajte `docsify serve`. Spletna stran bo dostopna na vratih 3000 vašega lokalnega računalnika: `localhost:3000`.
## PDF-ji
## PDF datoteke
Najdite pdf izobraževalnega programa s povezavami [tukaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Najdite pdf učnega načrta s povezavami [tukaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Drugi tečaji
## 🎒 Drugi tečaji
Naša ekipa izdeluje tudi druge tečaje! Oglejte si:
Naša ekipa ustvarja tudi druge tečaje! Oglejte si:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agentje
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Serija generativne umetne inteligence
### 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)
@ -214,24 +215,24 @@ Naša ekipa izdeluje tudi druge tečaje! Oglejte si:
Če zataknete ali imate kakršna koli vprašanja o ustvarjanju AI aplikacij. Pridružite se sošolcem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje prostodušno deli.
Če se zataknete ali imate vprašanja o izdelavi AI aplikacij. Pridružite se ostalim učencem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje prosto deli.
- Preglejte zvezke po vsakem poglavju za boljše razumevanje.
- Vadite samostojno izvajanje algoritmov.
- Raziščite podatke iz resničnega sveta z uporabo naučenih konceptov.
- Preglejte zvezke po vsakem delu za boljše razumevanje.
- Vadite izvajanje algoritmov samostojno.
- Raziščite dejanske podatkovne zbirke z uporabo naučenih konceptov.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Izjava o omejitvi odgovornosti**:
Ta dokument je bil preveden z uporabo AI prevajalske storitve [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za natančnost, upoštevajte, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v izvirnem jeziku velja za verodostojen vir. Za ključne informacije priporočamo strokovni človeški prevod. Nismo odgovorni za morebitne nerazumevanja ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
**Omejitev odgovornosti**:
Ta dokument je bil preveden z uporabo storitve za strojno prevajanje AI [Co-op Translator](https://github.com/Azure/co-op-translator). Čeprav si prizadevamo za točnost, upoštevajte, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v izvorni jezik smatrajte za verodostojen vir. Za pomembne informacije priporočamo strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.
> Овај репозиторијум садржи преводе на преко 50 језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите sparse checkout:
> Овај репозиторијум укључује преводе на више од 50 језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,62 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Ово вам даје све што вам је потребно да завршите курс много брже.
> Ово вам даје све што је потребно да завршите курс много брже.
Имате серију учења помоћу Discord-а, сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-ау Data Science-у.
Имамо серију на Дискорду „Учимо уз AI у току“, сазнајте више и придружите нам се на [Learn with AI Series](https://aka.ms/learnwithai/discord) од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-аза Науку о подацима.
# Машинско учење за почетнике - Наставни програм
# Машинско учење за почетнике - Наставни план
> 🌍 Путујте широм света док истражујемо Машинско учење кроз културе света 🌍
> 🌍 Путујте око света док истражујемо Машинско учење кроз културе света 🌍
Cloud Advocates у Microsoft-уса задовољством нуде 12-недељни наставни програм са 26 лекција који је посвећен **Машинском учењу**. У овом програму учићете о ономе што се понекад назива **класично машинско учење**, користећи углавном библиотеку Scikit-learn и избегавајући дубоко учење, које је обухваћено у нашем [AI за почетнике наставном програму](https://aka.ms/ai4beginners). Такође упарите ове лекције са нашим ['Data Science за почетнике наставним програмом'](https://aka.ms/ds4beginners)!
Cloud Advocates у Microsoft-уса задовољством нуде 12-недељни, 26-лекцијски наставни план који је посвећен **Машинском учењу**. У овом наставном плану научићете о ономе што се понекад назива **класичним машинским учењем**, користећи углавном Scikit-learn као библиотеку, избегавајући дубоко учење које је обрађено у нашем [AI for Beginners наставном плану](https://aka.ms/ai4beginners). Поред ових лекција можете користити и наш ['Data Science for Beginners' наставни план](https://aka.ms/ds4beginners)!
Путујте с нама широм света док примењујемо ове класичне технике на податке из разних делова света. Свака лекција укључује квиз пре и после лекције, писане упутства за завршетак лекције, решење, задатак и још много тога. Наша педагошка метода заснована на пројектима омогућава вам учење кроз практичан рад, што је доказан начин да нова знања "пристану".
Путујте с нама око света док примењујемо ове класичне технике на податке из многих делова света. Свакa лекцијa укључује пред и пост квизове, написане инструкције за завршетак лекције, решење, задатак и још много тога. Наша метода заснована на пројектима вам омогућава да учите док стварате, што је доказани начин да нове вештине остану у памћењу.
> [пронађите све додатне ресурсе за овај курс у нашој колекцији на Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Треба помоћ?** Погледајте наш [Водич за решавање проблема](TROUBLESHOOTING.md) за решења уобичајених проблема са инсталацијом, подешавањем и покретањем лекција.
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Треба помоћ?** Погледајте наш [Водич за решавање проблема](TROUBLESHOOTING.md) за решења за честе проблеме са инсталацијом, подешавањем и покретањем лекција.
**[Студенти](https://aka.ms/student-page)**, да бисте користили овај наставни програм, форкујте цео репо на свој GitHub налог и радите задатке сами или у групи:
**[Студенти](https://aka.ms/student-page)**, да бисте користили овај наставни план, форкујте цео репо на свој GitHub налог и решавајте задатке сами или у групи:
- Започните квизом пре предавања.
- Прочитајте предавање и извршите активности, правећи паузе и размишљајући на сваком проверавању знања.
- Покушајте да направите пројекте разумевајући лекције, а не само покретањем решења; иако је код решења доступан у фолдиру `/solution`у свакој лекцији оријентисаној на пројект.
- Почните са уводним квизом пре предавања.
- Прочитајте предавање и завршите активности, застаните и размишљајте на сваки провера знања.
- Покушајте да креирате пројекте разумевањем лекција уместо само покретања кода решења; ипак, код решења је доступан у фолдерима `/solution`у свакој лекцији усмереној на пројекат.
- Урадите квиз након предавања.
- Завршите изазов.
- Завршите задатак.
- Након завршетка групе лекција, посетите [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) и "учите наглас" попуњавајући одговарајућу PAT рубрику. ‘PAT’је алат за процену напретка који попуните да бисте унапредили учење. Такође можете реаговати на друге PAT-ове како бисмо заједно учили.
- Испуните задатак.
- Након завршетка групе лекција, посетите [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) и „учите гласно“ попуњавајући одговарајућу PAT рубрику. PAT је алатка за процену напретка коју попуњавате да бисте продубили своје учење. Такође можете реаговати на друге PAT-ове да учимо заједно.
> За даље учење препоручујемо праћење ових [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) модула и учењских путања.
> За додатно учење препоручујемо прoдавање ових [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) модула и уџбеничких путева.
**Наставници**, укључили смо неке [предлоге](for-teachers.md) о коришћењу овог наставног програма.
**Наставници**, припремили смо [неке предлоге](for-teachers.md) како да користите овај наставни план.
---
## Видео водичи
Неколико лекција доступно јеу кратком видео формату. Све их можете пронаћи унутар лекција или на [ML for Beginners плейлисти на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод.
Неке лекције су доступне као кратки видео записи. Све их можете пронаћи унутар лекција, или на [ML for Beginners плејлисти на Microsoft Developer YouTube каналу](https://aka.ms/ml-beginners-videos) кликом на слику испод.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Кликните на слику изнад за видео о пројекту и људима који суганаправили!
> 🎥 Кликните на слику изнад за видео о пројекту и људима који сугастворили!
---
## Педагогија
Изабрали смо два педагошка начела при изради овог наставног програма: обезбеђивање практичног и **на пројектима заснованог** учења и укључивање **честих квизова**. Поред тога, овај програм има заједничку **тему** која му даје кохезију.
Изабрали смо два педагошка принципа при изради овог наставног плана: обезбеђивање практичности и заснованост на пројектима, као и учестале квизове. Поред тога, овај наставни план има заједничку тему која му даје кохерентност.
Обезбеђивањем да садржај буде усклађен са пројектима, процес учења је занимљивији за студенте и побољшава задржавање концепата. Поред тога, квиз са мало улога пре часа поставља намеру студента да научи тему, док други квиз после часа обезбеђује додатно задржавање знања. Овај програм је дизајниран да буде флексибилан и забаван и може се похађати у целини или делимично. Пројекти почињу једноставно, аса напредовањем током 12-недељног циклуса постају све сложенији. Наставни програм такође укључује послејатак о стварним применама ML-а, који може послужити као додатни бод или као основа за дискусију.
Обезбеђивањем да садржај буде у складу са пројектима, процес постаје занимљивији за студенте и повећава се задржавање знања. Поред тога, квиз пред предавање поставља сврху студента према учењу теме, док други квиз након предавања осигурава додатно задржавање знања. Овај наставни план је дизајниран да буде флексибилан и забаван и може се узети у целости или делимично. Пројекти почињу мали и све су сложенији до краја 12-недељног циклуса. Наставни план укључује и посл scriptоо применама ML у стварном свету, који може послужити као додатни кредити или основа за дискусију.
> Пронађите наше смернице [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) и [Troubleshooting](TROUBLESHOOTING.md). Добро дошли ваши конструктивни коментари!
> Пронађите наше [Правила понашања](CODE_OF_CONDUCT.md), [Упутства за допринос](CONTRIBUTING.md), [Преводе](..) и [Водич за решавање проблема](TROUBLESHOOTING.md). Добродошли сте да нам пружите конструктивне повратне информације!
## Свака лекција укључује
## Свaka лекција укључује
- опционалну скицноту
- опционални додатни видео
- опциони скицнот
- опциони додатни видео
- видео водич (само неке лекције)
- [квиз за загревање пре предавања](https://ff-quizzes.netlify.app/en/ml/)
- писану лекцију
- за лекције о пројектима, корак-по-корак упутства за израду пројекта
- написану лекцију
- за лекције засноване на пројекту, корак-по-корак упутства како да се пројекат направи
- провере знања
- изазов
- додатно читање
- задатак
- [квиз након предавања](https://ff-quizzes.netlify.app/en/ml/)
> **Белешка о језицима**: Ове лекције су углавном написане у Питону, али многе су доступне и уР-у. Да бисте завршили Р лекцију, идите у фасциклу `/solution` и потражите Р лекције. Оне имају .rmd екстензију која представља **R Markdown** датотеку која се може једноставно дефинисати као уградња `кодних делова` (Р или других језика) и `YAML заглавља` (које упућује како да се форматирају излазни подаци попут PDF) у`Markdown документу`. Као таква, служи као примерни ауторски оквир за науку о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што вам дозвољава да их забележите у Markdown-у. Поред тога, Р Markdown документи се могу рендеровати у излазне формате као што су PDF, HTML или Word.
> **Белешка о квизовима**: Сви квизови се налазе у [Quiz App фасцикли](../../quiz-app), укупно 52 квиза са по три питања у сваком. Повезани су изнутра у лекцијама, али квиз апликацију можете покренути локално; пратите упутства у фасцикли `quiz-app` за локално хостовање или постављање на Azure.
| 01 | Увод у машинско учење | [Introduction](1-Introduction/README.md) | Научите основне појмове из машинског учења | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Историја машинског учења | [Introduction](1-Introduction/README.md) | Научите историју ове области | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Фернесс и машинско учење | [Introduction](1-Introduction/README.md) | Којасу важна филозофска питања о фернессу која би студенти требали размотрити приликом изградње и примене ML модела? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Технике машинског учења | [Introduction](1-Introduction/README.md) | Које технике користе истраживачи ML за изградњу ML модела? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Увод у регресију | [Regression](2-Regression/README.md) | Започните са Питоном и Scikit-learn за регресионе моделе | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цене тикви у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Визуелизујте и очистите податке као припрему за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цене тикви у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Изградите линеарне и полиномијалне регресионе моделе | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Цене тикви у Северној Америци 🎃 | [Regression](2-Regression/README.md) | Изградите логистичку регресију | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 10 | Увод у класификацију | [Classification](4-Classification/README.md) | Очистите, припремите и визуелизујте податке; увод у класификацију| [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Укусне азијске и индијске кухиње 🍜 | [Classification](4-Classification/README.md) | Увод у класификаторе | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Укусне азијске и индијске кухиње 🍜 | [Classification](4-Classification/README.md) | Још класификатора | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Укусне азијске и индијске кухиње 🍜 | [Classification](4-Classification/README.md) | Изградите препоручивачку веб апликацију користећи ваш модел | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Увод у кластерисање | [Clustering](5-Clustering/README.md) | Очистите, припремите и визуелизујте податке; увод у кластерисање | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Истраживање музичких укуса у Нигерији 🎧 | [Clustering](5-Clustering/README.md) | Истражите K-Means методу кластерисања | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Увод у обраду природног језика ☕️ | [Natural language processing](6-NLP/README.md) | Научите основе НЛП-а кроз прављење једноставног бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Уобичајени НЛП задаци ☕️ | [Natural language processing](6-NLP/README.md) | Продубите своје знање НЛП-а разумевањем уобичајених задатака везаних за језичке структуре | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Превод и анализа сентимента ♥️ | [Natural language processing](6-NLP/README.md) | Превод и анализа сентимента са Џејн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтични хотели Европе ♥️ | [Natural language processing](6-NLP/README.md) | Анализа сентимента са рецензијама хотела 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтични хотели Европе ♥️ | [Natural language processing](6-NLP/README.md) | Анализа сентимента са рецензијама хотела 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Увод у предвиђање временских серија | [Time series](7-TimeSeries/README.md) | Увод у предвиђање временских серија | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Потрошња енергије у свету ⚡️ - предвиђање временских серија са ARIMA | [Time series](7-TimeSeries/README.md) | Предвиђање временских серија са ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Потрошња енергије у свету ⚡️ - предвиђање временских серија са SVR | [Time series](7-TimeSeries/README.md) | Предвиђање временских серија уз коришћење Support Vector Regressor-а | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Увод у учење појачањем | [Reinforcement learning](8-Reinforcement/README.md) | Увод у учење појачањем са Q-Learning-ом | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Послешкрално | Сценарији и примене ML у стварном свету | [ML in the Wild](9-Real-World/README.md) | Интересантне и откривајуће реалне примене класичног ML-a | [Lesson](9-Real-World/1-Applications/README.md) | Тим |
| Послешкрално | Дијагностика модела у ML уз коришћење RAI контролне табле | [ML in the Wild](9-Real-World/README.md) | Дијагностика модела у машинском учењу коришћењем компонената контролне табле Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [квиз после предавања](https://ff-quizzes.netlify.app/en/ml/)
> **Напомена о језицима**: Ове лекције су углавном написане у Питону, али многе су доступне и у R. Да бисте урадили R лекцију, идите у фасциклу `/solution` и потражите R лекције. Оне имају `.rmd` екстензију која представља **R Markdown** фајл, који се може дефинисати као уграђивање `делова кода` (R или других језика) и `YAML заглавља` (које управља форматом излаза као што је PDF) у`Markdown документ`. Као такав, R Markdown служи као пример како написати научне радове у области науке о подацима јер омогућава да комбинујете свој код, његов излаз и своје напомене тако што их записујете у Markdown формату. Поред тога, R Markdown документи се могу извозити у формате као што су PDF, HTML или Word.
> **Напомена о квизовима**: Сви квизови се налазе у [Quiz App фолдеру](../../quiz-app), укупно 52 квиза са по три питања. Повезани су из уџбеника, али квиз апликацију можете покренути локално; следите упутства у фолдеру `quiz-app` за локално хостовање или деплои на Azure.
| 01 | Увод у машинско учење | [Увод](1-Introduction/README.md) | Упознајте основне појмове машинског учења | [Лекција](1-Introduction/1-intro-to-ML/README.md) | Мухамад |
| 02 | Историја машинског учења | [Увод](1-Introduction/README.md) | Упознајте историју овог поља | [Лекција](1-Introduction/2-history-of-ML/README.md) | Џен и Ејми |
| 03 | Праведност и машинско учење | [Увод](1-Introduction/README.md) | Којасу важна филозофска питања о праведности које ученици треба да размотре при изградњи и примени ML модела? | [Лекција](1-Introduction/3-fairness/README.md) | Томоми |
| 04 | Технике машинског учења | [Увод](1-Introduction/README.md) | Које технике ML истраживачи користе за изградњу ML модела? | [Лекција](1-Introduction/4-techniques-of-ML/README.md) | Крис и Џен |
| 05 | Увод у регресију | [Регресија](2-Regression/README.md) | Започните рад са Python и Scikit-learn за регресионе моделе | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Џен • Ерик Вањау |
| 06 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Визуализујте и очистите податке за припрему за ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Џен • Ерик Вањау |
| 07 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Направите линеарне и полиномијалне регресионе моделе | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Џен и Дмитри • Ерик Вањау |
| 08 | Цене бундеве у Северној Америци 🎃 | [Регресија](2-Regression/README.md) | Направите логистички регресион модел | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Џен • Ерик Вањау |
| 16 | Увод у обраду природног језика ☕️ | [Обрада природног језика](6-NLP/README.md) | Научите основе NLP кроз прављење једноставног бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Стивен |
| 17 | Заједнички NLP задаци ☕️ | [Обрада природног језика](6-NLP/README.md) | Продубите знања о NLP разумевањем заједничких задатака који су потребни при раду са језичким структурама | [Python](6-NLP/2-Tasks/README.md) | Стивен |
| 18 | Превод и анализа сентимента ♥️ | [Обрада природног језика](6-NLP/README.md) | Превод и анализа сентимента уз Џејн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Стивен |
| 19 | Романтични хотели Европе ♥️ | [Обрада природног језика](6-NLP/README.md) | Анализа сентимента уз рецензије хотела 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Стивен |
| 20 | Романтични хотели Европе ♥️ | [Обрада природног језика](6-NLP/README.md) | Анализа сентимента уз рецензије хотела 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Стивен |
| 21 | Увод у прогнозирање временских серија | [Временске серије](7-TimeSeries/README.md) | Увод у прогнозирање временских серија | [Python](7-TimeSeries/1-Introduction/README.md) | Франческа |
| 22 | ⚡️ Светска потрошња електричне енергије ⚡️ - прогнозирање временских серија са ARIMA | [Временске серије](7-TimeSeries/README.md) | Прогнозирање временских серија са ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Франческа |
| 23 | ⚡️ Светска потрошња електричне енергије ⚡️ - прогнозирање временских серија са SVR | [Временске серије](7-TimeSeries/README.md) | Прогнозирање временских серија са Support Vector Regressorом | [Python](7-TimeSeries/3-SVR/README.md) | Анирбан |
| 24 | Увод у учење са појачањем | [Учење са појачањем](8-Reinforcement/README.md) | Увод у учење са појачањем кроз Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Дмитри |
| 25 | Помозите Питеру да избегне вука! 🐺 | [Учење са појачањем](8-Reinforcement/README.md) | Gym за учење са појачањем | [Python](8-Reinforcement/2-Gym/README.md) | Дмитри |
| Постскрипт | Реални сценарији и примене ML | [ML у пракси](9-Real-World/README.md) | Интересантне и поучне стварне примене класичног ML | [Лекција](9-Real-World/1-Applications/README.md) | Тим |
| Постскрипт | Дијагностика модела у ML помоћу RAI контролне табле | [ML у пракси](9-Real-World/README.md) | Дијагностика модела у машинском учењу помоћу компоненти Responsible AI контролне табле | [Лекција](9-Real-World/2-Debugging-ML-Models/README.md) | Рут Јакубу |
> [пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлајн приступ
## Оффлине приступ
Можете покренути ову документацију офлајн користећи [Docsify](https://docsify.js.org/#/). Форкујте овај репозиторијум, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на свом локалном рачунару и онда у коренском директоријуму овог репозиторијума укуцајте `docsify serve`. Веб сајт ће бити доступан на порту 3000 на вашем локалхосту: `localhost:3000`.
Ову документацију можете користити оффлине помоћу [Docsify](https://docsify.js.org/#/). Форкујте овај репозиторијум, [инсталирајте Docsify](https://docsify.js.org/#/quickstart) на својој локалној машини, и у коренском фолдеру овог репозиторијума укуцајте `docsify serve`. Сајт ће бити доступан на порту 3000 на вашем localhost-у: `localhost:3000`.
## PDF-ови
Пронађите PDF наставног планаса линковима [овде](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Проналажење PDF верзије програмаса линковима [овде](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серия генеративне вештачке интелигенције
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Основно учење
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Серия Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
### Copilot серија
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Ако сте заглављени или имате било каквих питања о прављењу АИ апликација. Придружите се другим ученицима и искусним програмерима у дискусијама о MCP-у. Тоје подржавајућа заједница где су питања добродошла и знањесе слободно дели.
Ако запнете или имате питања у вези са прављењем AI апликација. Придружите се колегама студентима и искусним програмерима у дискусијама о MCP. Тоје подржавајућа заједница где су питања добродошла и где сезнање слободно дели.
- Прегледајте бележнице након сваког часа за боље разумевање.
- Прегледајте белешке након сваког часа ради бољег разумевања.
- Вежбајте имплементацију алгоритама сами.
- Истражите стварне скупове података користећи научене концепте.
- Истражујте реалне скупове података користећи научене концепте.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Одрицање од одговорности**:
Овај документ је преведен коришћењем АИ сервиса за превођење [Co-op Translator](https://github.com/Azure/co-op-translator). Док тежимо прецизности, молимо имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Изворни документ на његовом оригиналном језику треба сматрати ауторитетним извором. За кључне информације препоручује се професионални превод од стране људи. Нисмо одговорни за било каква неразумевања или погрешне интерпретације које произилазе из употребе овог превода.
**Одрицање од одговорности**:
Овај документ је преведен коришћењем AI сервиса за превођење [Co-op Translator](https://github.com/Azure/co-op-translator). Иако настојимо да превод буде тачан, молимо имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитетним извором. За критичне информације препоручује се стручно људско превођење. Не сносимо одговорност за било каква неспоразума или погрешне тумачења проистекла из коришћења овог превода.
localizeflow[bot]
5 months ago