[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
لدينا سلسلة تعلم على Discord مع AI مستمرة، تعرف على المزيد وانضم إلينا في [سلسلة التعلم مع AI](https://aka.ms/learnwithai/discord) من 18 إلى 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot في علم البيانات.
نحن نجري سلسلة تعلم على Discord مع الذكاء الاصطناعي، تعرف أكثر وانضم إلينا في [سلسلة التعلم مع الذكاء الاصطناعي](https://aka.ms/learnwithai/discord) من 18 إلى 30 سبتمبر 2025. ستحصل على نصائح وحيل لاستخدام GitHub Copilot في علوم البيانات.
# تعلم الآلة للمبتدئين - منهج دراسي
> 🌍 سافر حول العالم ونحن نستكشف تعلم الآلة عبر ثقافات العالم 🌍
> 🌍 سافر حول العالم بينما نستكشف تعلم الآلة عبر ثقافات العالم 🌍
يسعد دعاة الحوسبة السحابية في Microsoft أن يقدموا منهجاً دراسياً يمتد 12 أسبوعًا و26 درسًا حول **تعلم الآلة**. في هذا المنهج، ستتعلم ما يُعرف أحيانًا بـ**تعلم الآلة الكلاسيكي**، باستخدام مكتبة Scikit-learn بشكل أساسي وتجنب التعلم العميق الذي يُغطيه منهجنا الخاص بـ [الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). كما يمكنك دمج هذه الدروس مع منهجنا ['علم البيانات للمبتدئين'](https://aka.ms/ds4beginners).
يسر داعمي السحابة في مايكروسوفت أن يقدموا منهجًا دراسيًا لمدة 12 أسبوعًا، يتضمن 26 درسًا كلها عن **تعلم الآلة**. في هذا المنهج، ستتعلم ما يسمى أحيانًا**تعلم الآلة الكلاسيكي**، باستخدام مكتبة Scikit-learn بشكل رئيسي وتجنب التعلم العميق الذي يتم تغطيته في منهجنا [الذكاء الاصطناعي للمبتدئين](https://aka.ms/ai4beginners). اقرن هذه الدروس بمنهجنا ['علوم البيانات للمبتدئين'](https://aka.ms/ds4beginners) أيضًا!
سافر معنا حول العالم بينما نطبق هذه التقنيات الكلاسيكية على بيانات من مناطق مختلفة. يتضمن كل درس اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، الحلول، واجبات، والمزيد. تسمح طريقتنا القائمة على المشاريع بالتعلم أثناء البناء، وهي طريقة مثبتة لترسيخ المهارات الجديدة.
سافر معنا حول العالم بينما نطبق هذه التقنيات الكلاسيكية على بيانات من مناطق متعددة حول العالم. يتضمن كل درس اختبارات قبل وبعد الدرس، تعليمات مكتوبة لإكمال الدرس، حل، مهمة، وأكثر. تسمح منهجيتنا القائمة على المشاريع لك بالتعلم أثناء البناء، وهي طريقة مثبتة لترسيخ المهارات الجديدة.
> [جد كل الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [ابحث عن جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **تحتاج إلى مساعدة؟** اطلع على [دليل الحلول](TROUBLESHOOTING.md) للمشاكل الشائعة في التثبيت والإعداد وتشغيل الدروس.
> 🔧 **هل تحتاج مساعدة؟** اطلع على [دليل استكشاف المشاكل](TROUBLESHOOTING.md) للحصول على حلول للمشكلات الشائعة في التثبيت والإعداد وتشغيل الدروس.
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، انسخ المستودع بأكمله إلى حساب GitHub الخاص بك وأكمل التمارين بنفسك أو مع فريق:
**[الطلاب](https://aka.ms/student-page)**، لاستخدام هذا المنهج، افصل كامل المستودع إلى حساب GitHub الخاص بك وأكمل التمارين بنفسك أو مع مجموعة:
- ابدأ باختبار تمهيدي قبل المحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وتأمل في كل اختبار معرفة.
- حاول إنشاء المشاريع بفهم الدروس بدلاً من تشغيل كود الحل؛ مع ذلك، يتوفر الكود في مجلدات `/solution` بكل درس يركز على المشاريع.
- أجرِ اختبار بعد المحاضرة.
- اقرأ المحاضرة وأكمل الأنشطة، توقف وفكر عند كل اختبار معرفة.
- حاول إنشاء المشاريع من خلال فهم الدروس بدلاً من تشغيل كود الحل، لكن الكود متاح في مجلدات `/solution` في كل درس موجه نحو المشاريع.
- خذ اختبار ما بعد المحاضرة.
- أكمل التحدي.
- أنجز الواجب.
- بعد إتمام مجموعة الدروس، زر [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلّم بصوت مرتفع" عبر ملء استبيان PAT المناسب. 'PAT' هي أداة تقييم تقدم تعبئها لتعزيز تعلمك. يمكنك أيضًا التفاعل مع استبيانات PAT الأخرى لكي نتعلم معًا.
- أكمل المهمة.
- بعد إكمال مجموعة دروس، زر [لوحة النقاش](https://github.com/microsoft/ML-For-Beginners/discussions) و"تعلّم بصوت عالٍ" بملء استمارة PAT المناسبة. الPAT هو أداة تقييم تقدم تملأها لتعزيز تعلمك. يمكنك أيضًا التفاعل مع PATs أخرى لنتعلم معًا.
> للمزيد من الدراسة، نوصي باتباع هذه الوحدات ومسارات التعلم على [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> للدراسة المتقدمة، نوصي بمتابعة هذه الوحدات والمسارات التعليمية على [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**المعلمون**، لقد قمنا [بتضمين بعض الاقتراحات](for-teachers.md) حول كيفية استخدام هذا المنهج.
**المعلمون**، لقد أرفقنا [بعض الاقتراحات](for-teachers.md) حول كيفية استخدام هذا المنهج.
---
## فيديوهات الشرح
## فيديوهات إرشادية
بعض الدروس متاحة على شكل فيديوهات قصيرة. يمكنك العثور عليها داخل الدروس أو على [قائمة تشغيل ML للمبتدئين على قناة Microsoft Developer على YouTube](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
بعض الدروس متاحة على شكل فيديوهات قصيرة. يمكنك العثور على جميعها ضمن الدروس، أو على [قائمة تشغيل التعلم الآلي للمبتدئين على قناة Microsoft Developer على يوتيوب](https://aka.ms/ml-beginners-videos) بالنقر على الصورة أدناه.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 انقر على الصورة أعلاه لمشاهدة فيديو عن المشروع والأشخاص الذين أنشأوه!
---
## منهجية التعليم
## المنهجية التعليمية
اخترنا ركيزتين تربويتين لبناء هذا المنهج: التأكد من أنه يعتمد على **مشاريع عملية**، وكذلك أن يشمل**اختبارات متكررة**. بالإضافة إلى ذلك، يحتوي هذا المنهج على **موضوع موحد** يمنحه الترابط.
اخترنا مبدأين تربويين أثناء بناء هذا المنهج: ضمان أن يكون قائمًا على **مشاريع تطبيقية** واحتوائه على**اختبارات متكررة**. بالإضافة إلى ذلك، يحتوي هذا المنهج على **موضوع مشترك** ليمنحه تماسكًا.
بالتأكد من توافق المحتوى مع المشاريع، تصبح العملية أكثر تشويقًا للطلاب ويزداد تثبيت المفاهيم. كما أن اختبارًا منخفض المخاطر قبل المحاضرة يوجه نية الطالب نحو تعلم موضوع ما، بينما اختبار آخر بعد المحاضرة يعزز التثبيت. تم تصميم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه كاملاً أو جزئيًا. تبدأ المشاريع بسيطة وتزداد تعقيدًا تدريجيًا خلال دورة الـ12 أسبوعًا. يشمل هذا المنهج أيضًا ملحقًا حول تطبيقات تعلم الآلة في العالم الحقيقي، يمكن استخدامه كنقاط إضافية أو كقاعدة للنقاش.
بضمان توافق المحتوى مع المشاريع، تصبح العملية أكثر جذبًا للطلاب وسيزداد تثبيت المفاهيم. بالإضافة لذلك، يحدد اختبار منخفض الأهمية قبل الفصل نية الطالب لتعلم الموضوع، بينما يضمن اختبار ثانٍ بعد الفصل مزيدًا من التثبيت. صُمم هذا المنهج ليكون مرنًا وممتعًا ويمكن أخذه ككل أو جزئيًا. تبدأ المشاريع صغيرة وتزداد تعقيدًا بنهاية دورة الـ12 أسبوعًا. يحتوي هذا المنهج أيضًا على خاتمة حول تطبيقات تعلم الآلة في العالم الحقيقي، والتي يمكن استخدامها كائتمان إضافي أو كأساس للنقاش.
> اطلع على [مدونة السلوك الخاصة بنا](CODE_OF_CONDUCT.md)، و[المساهمة](CONTRIBUTING.md)، و[الترجمات](..)، ودليل [حل المشكلات](TROUBLESHOOTING.md). نحن نرحب بتعليقاتكم البناءة!
- [اختبار تمهيدي قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
- ملاحظات رسمية اختيارية
- فيديو دعم اختياري
- فيديو إرشادي (بعض الدروس فقط)
- [اختبار إحماء قبل المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
- درس مكتوب
- في الدروس القائمة على المشاريع، دليل خطوة بخطوة لبناء المشروع
- لدروس المشاريع، أدلة خطوة بخطوة لبناء المشروع
- اختبارات معرفة
- تحدي
- قراءة تكميليه
- واجب
- قراءة داعمة
- مهمة
- [اختبار بعد المحاضرة](https://ff-quizzes.netlify.app/en/ml/)
> **ملاحظة حول اللغات**: هذه الدروس مكتوبة أساسًا بلغة بايثون، لكنها متاحة أيضًا بلغات R. لإكمال درس R، انتقل إلى مجلد `/solution` وابحث عن دروس R التي تتضمن امتداد .rmd الذي يرمز إلى **R Markdown**، وهو ملف يمكن تعريفه ببساطة على أنه تضمين لـ`كتل تعليمات` (R أو لغات أخرى) و`رأس YAML` (يوجه كيفية تنسيق المخرجات مثل PDF) داخل `وثيقة Markdown`. ولذلك، فهو إطار تأليف نموذجي لعلم البيانات حيث يسمح لك بدمج شفرتك، ناتجها، وأفكارك عبر كتابتها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى صيغ إخراج مثل PDF، HTML، أو Word.
> **ملاحظة حول الاختبارات**: جميع الاختبارات موجودة في [مجلد Quiz App](../../quiz-app)، ويبلغ مجموعها 52 اختبارًا، كل اختبار يحتوي على ثلاثة أسئلة. وهي مرتبطة من داخل الدروس لكن يمكن تشغيل تطبيق الاختبارات محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافة التطبيق محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | تجميع الدروس | الأهداف التعليمية |الدرس المرتبط | المؤلف |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم المفاهيم الأساسية وراء تعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم تاريخ هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md)| جين وآمي |
| 03 | العدالة وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية الهامة حول العدالة التي يجب أن يأخذها الطلاب في الاعتبار عند بناء وتطبيق نماذج التعلم الآلي؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md) | أي تقنيات يستخدمها باحثو تعلم الآلة لبناء نماذج التعلم؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجين |
| 05 | مقدمة في الانحدار | [انحدار](2-Regression/README.md) | ابدأ مع Python وScikit-learn لنماذج الانحدار | [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جين • إريك وانجاو |
| 06 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | تصور وتنظيف البيانات تحضيرًا لتعلم الآلة | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جين • إريك وانجاو |
| 07 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نماذج الانحدار الخطي والمتعدد الحدود | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جين ودميتري • إريك وانجاو |
| 08 | أسعار اليقطين في أمريكا الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نموذج انحدار لوجستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جين • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام النموذج الذي تم تدريبه | [بايثون](3-Web-App/1-Web-App/README.md) | جين |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | تنظيف، تحضير، وتصوير بياناتك؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جين وكاسي • إريك وانجاو |
| 13 | الأطباق الآسيوية والهندية اللذيذة 🍜 | [تصنيف](4-Classification/README.md) | بناء تطبيق ويب توصية باستخدام النموذج الخاص بك | [بايثون](4-Classification/4-Applied/README.md) | جين |
| 14 | مقدمة إلى التجميع | [تجميع](5-Clustering/README.md) | تنظيف، تحضير، وتصوير بياناتك؛ مقدمة إلى التجميع | [بايثون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جين • إريك وانجاو |
| 16 | مقدمة لمعالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم أساسيات معالجة اللغة الطبيعية ببناء روبوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | مهام شائعة في معالجة اللغة الطبيعية ☕️| [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك بمعالجة اللغة الطبيعية من خلال فهم المهام الشائعة المطلوبة عند التعامل مع تراكيب اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 19 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر معتقييمات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md)| ستيفن |
| 20 | الفنادق الرومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر معتقييمات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md)| ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [سلاسل زمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [سلاسل زمنية](7-TimeSeries/README.md)| التنبؤ بالسلاسل الزمنية باستخدام ARIMA |[بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استخدام الطاقة العالمية ⚡️ - التنبؤ بالسلاسل الزمنية باستخدام SVR | [سلاسل زمنية](7-TimeSeries/README.md)| التنبؤ بالسلاسل الزمنية باستخدام آلة الدعم الناقص (Support Vector Regressor) | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة إلى التعلم التعزيزي | [التعلم التعزيزي](8-Reinforcement/README.md) | مقدمة إلى التعلم التعزيزي باستخدام Q-Learning | [بايثون](8-Reinforcement/1-QLearning/README.md)| دميتري |
| خاتمة | سيناريوهات وتطبيقات تعلم الآلة في العالم الحقيقي | [تعلم الآلة في البرية](9-Real-World/README.md) | تطبيقات حقيقية مثيرة ومكشوفة لتعلم الآلة الكلاسيكي | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| خاتمة | تصحيح نماذج تعلم الآلة باستخدام لوحة RAI | [تعلم الآلة في البرية](9-Real-World/README.md) | تصحيح نماذج تعلم الآلة باستخدام مكونات لوحة Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياكوبو |
> [اعثر على جميع الموارد الإضافية لهذه الدورة في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## الوصول بدون اتصال
يمكنك تشغيل هذا التوثيق بدون اتصال باستخدام [Docsify](https://docsify.js.org/#/). قم بتفرع هذا المستودع، [ثبّت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذري لهذا المستودع، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على جهازك المحلي: `localhost:3000`.
> **ملاحظة حول اللغات**: هذه الدروس مكتوبة أساسًا بلغة بايثون، ولكن العديد منها متاح أيضًا بلغة R. لإكمال درس بلغة R، توجه إلى مجلد `/solution` وابحث عن دروس R. تتضمن هذه الدروس امتداد .rmd الذي يمثل ملف **R Markdown** والذي يمكن تعريفه ببساطة على أنه تضمين لـ `code chunks` (للـ R أو لغات أخرى) و `YAML header` (الذي يوجه كيفية تنسيق المخرجات مثل PDF) في `مستند Markdown`. وبذلك، فهو يعمل كإطار تأليف نموذجي لعلوم البيانات لأنه يتيح لك دمج التعليمات البرمجية الخاصة بك، ومخرجاتها، وأفكارك من خلال السماح لك بكتابتها في Markdown. علاوة على ذلك، يمكن تحويل مستندات R Markdown إلى تنسيقات مخرجات مثل PDF أو HTML أو Word.
> **ملاحظة حول الاختبارات القصيرة**: جميع الاختبارات القصيرة موجودة في [مجلد تطبيق الاختبارات](../../quiz-app)، بمجموع 52 اختبارًا تتكون كل منها من ثلاثة أسئلة. يتم الربط بها من داخل الدروس ولكن يمكن تشغيل تطبيق الاختبارات محليًا؛ اتبع التعليمات في مجلد `quiz-app` لاستضافة التطبيق محليًا أو نشره على Azure.
| رقم الدرس | الموضوع | تصنيف الدرس | الأهداف التعليمية | الدرس المرتبط | المؤلف |
| 01 | مقدمة في تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم المفاهيم الأساسية وراء تعلم الآلة | [درس](1-Introduction/1-intro-to-ML/README.md) | محمد |
| 02 | تاريخ تعلم الآلة | [مقدمة](1-Introduction/README.md) | تعلّم التاريخ الكامن وراء هذا المجال | [درس](1-Introduction/2-history-of-ML/README.md) | جن وآمي |
| 03 | الإنصاف وتعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي القضايا الفلسفية المهمة حول الإنصاف التي يجب أن يأخذها الطلاب بعين الاعتبار عند بناء وتطبيق نماذج تعلم الآلة؟ | [درس](1-Introduction/3-fairness/README.md) | تومومي |
| 04 | تقنيات تعلم الآلة | [مقدمة](1-Introduction/README.md) | ما هي التقنيات التي يستخدمها باحثو تعلم الآلة لبناء نماذج تعلم الآلة؟ | [درس](1-Introduction/4-techniques-of-ML/README.md) | كريس وجن |
| 05 | مقدمة في الانحدار| [انحدار](2-Regression/README.md) | ابدأ باستخدام بايثون وScikit-learn لنماذج الانحدار | [بايثون](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | جن • إريك وانجاو |
| 06 | أسعار القرع الأمريكية الشمالية 🎃 | [انحدار](2-Regression/README.md) | تصور وتنظيف البيانات استعدادًا لتعلم الآلة | [بايثون](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | جن • إريك وانجاو |
| 07 | أسعار القرع الأمريكية الشمالية 🎃 | [انحدار](2-Regression/README.md)| بناء نماذج الانحدار الخطي والحدودي | [بايثون](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | جن ودميتري • إريك وانجاو |
| 08 | أسعار القرع الأمريكية الشمالية 🎃 | [انحدار](2-Regression/README.md) | بناء نموذج انحدار لوغستي | [بايثون](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | جن • إريك وانجاو |
| 09 | تطبيق ويب 🔌 | [تطبيق ويب](3-Web-App/README.md) | بناء تطبيق ويب لاستخدام النموذج المدرب | [بايثون](3-Web-App/1-Web-App/README.md) | جن |
| 10 | مقدمة في التصنيف | [تصنيف](4-Classification/README.md) | تنظيف وتحضير وتصوير البيانات؛ مقدمة في التصنيف | [بايثون](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | جن وكاسي • إريك وانجاو |
| 11 | المأكولات الشهية الآسيوية والهندية 🍜 | [تصنيف](4-Classification/README.md) | مقدمة إلى المصنفات | [بايثون](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | جن وكاسي • إريك وانجا |
| 12 | المأكولات الشهية الآسيوية والهندية 🍜 | [تصنيف](4-Classification/README.md) | المزيد من المصنفات | [بايثون](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | جن وكاسي • إريك وانجا |
| 13 | المأكولات الشهية الآسيوية والهندية 🍜 | [تصنيف](4-Classification/README.md) | بناء تطبيق ويب للتوصية باستخدام نموذجك | [بايثون](4-Classification/4-Applied/README.md) | جن |
| 14 | مقدمة في التجميع | [تجميع](5-Clustering/README.md) | تنظيف وتحضير وتصوير البيانات؛ مقدمة في التجميع | [بايثون](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | جن • إريك وانجاو |
| 16 | مقدمة في معالجة اللغة الطبيعية ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعلّم أساسيات معالجة اللغة الطبيعية من خلال بناء بوت بسيط | [بايثون](6-NLP/1-Introduction-to-NLP/README.md) | ستيفن |
| 17 | مهام شائعة في معالجة اللغة ☕️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تعميق معرفتك في المعالجة من خلال فهم المهام الشائعة المطلوبة عند التعامل مع هياكل اللغة | [بايثون](6-NLP/2-Tasks/README.md) | ستيفن |
| 19 | فنادق رومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر باستخدام مراجعات الفنادق 1 | [بايثون](6-NLP/4-Hotel-Reviews-1/README.md) | ستيفن |
| 20 | فنادق رومانسية في أوروبا ♥️ | [معالجة اللغة الطبيعية](6-NLP/README.md) | تحليل المشاعر باستخدام مراجعات الفنادق 2 | [بايثون](6-NLP/5-Hotel-Reviews-2/README.md) | ستيفن |
| 21 | مقدمة في التنبؤ بالسلاسل الزمنية | [السلاسل الزمنية](7-TimeSeries/README.md) | مقدمة في التنبؤ بالسلاسل الزمنية | [بايثون](7-TimeSeries/1-Introduction/README.md) | فرانسيسكا |
| 22 | ⚡️ استهلاك الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية مع ARIMA | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام ARIMA | [بايثون](7-TimeSeries/2-ARIMA/README.md) | فرانسيسكا |
| 23 | ⚡️ استهلاك الطاقة العالمي ⚡️ - التنبؤ بالسلاسل الزمنية مع SVR | [السلاسل الزمنية](7-TimeSeries/README.md) | التنبؤ بالسلاسل الزمنية باستخدام Support Vector Regressor | [بايثون](7-TimeSeries/3-SVR/README.md) | أنيربان |
| 24 | مقدمة في التعلم التعزيزي | [التعلم التعزيزي](8-Reinforcement/README.md) | مقدمة في التعلم التعزيزي باستخدام Q-Learning | [بايثون](8-Reinforcement/1-QLearning/README.md) | دميتري |
| ملحق | سيناريوهات وتطبيقات تعلم الآلة الواقعية | [تعلم الآلة في البرية](9-Real-World/README.md) | تطبيقات حقيقية ومثيرة للاهتمام لتعلم الآلة الكلاسيكي | [درس](9-Real-World/1-Applications/README.md) | الفريق |
| ملحق | تصحيح نماذج تعلم الآلة باستخدام لوحة RAI | [تعلم الآلة في البرية](9-Real-World/README.md) | تصحيح نماذج تعلم الآلة باستخدام مكونات لوحة Responsible AI | [درس](9-Real-World/2-Debugging-ML-Models/README.md) | روث ياكوبو |
> [اعثر على جميع الموارد الإضافية لهذا المساق في مجموعة Microsoft Learn الخاصة بنا](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## الوصول دون اتصال
يمكنك تشغيل هذا التوثيق دون اتصال باستخدام [Docsify](https://docsify.js.org/#/). قم بعمل نسخة من هذا الريبو، [قم بتثبيت Docsify](https://docsify.js.org/#/quickstart) على جهازك المحلي، ثم في المجلد الجذر لهذا الريبو، اكتب `docsify serve`. سيتم تقديم الموقع على المنفذ 3000 على جهازك المحلي: `localhost:3000`.
## ملفات PDF
اعثر على ملف PDF للمنهاج مع روابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
اعثر على ملف PDF للمناهج مع الروابط [هنا](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](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://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
إذا واجهت صعوبة أو كانت لديك أسئلة حول بناء تطبيقات الذكاء الاصطناعي. انضم إلى المتعلمين والمطورين ذوي الخبرة في مناقشات حول MCP. إنها مجتمع داعم حيث الأسئلة مرحب بها والمعرفة تتم مشاركتها بحرية.
إذا واجهت صعوبة أو كان لديك أي أسئلة حول بناء تطبيقات الذكاء الاصطناعي، انضم إلى المتعلمين الآخرين والمطورين ذوي الخبرة في مناقشات حول MCP. إنها مجتمع داعم حيث الأسئلة مرحب بها ويتم تبادل المعرفة بحرية.
إذا كان لديك ملاحظات حول المنتج أو أخطاء أثناء البناء، زر:
إذا كان لديك ملاحظات على المنتج أو أخطاء أثناء البناء، قم بزيارتنا:
[](https://aka.ms/foundry/forum)
- استكشف مجموعات بيانات العالم الحقيقي باستخدام المفاهيم التي تعلمتها.
- تمرن على تنفيذ الخوارزميات بنفسك.
- استكشف مجموعات بيانات حقيقية باستخدام المفاهيم التي تعلمتها.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**إخلاء المسؤولية**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة الآلية [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للحفاظ على الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق به. للمعلومات الحساسة أو الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.
**إخلاء مسؤولية**:
تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والموثوق. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ناتج عن استخدام هذه الترجمة.
> Dieses Repository enthält über 50 Sprachübersetzungen, die die Download-Größe deutlich erhöhen. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
> Dieses Repository enthält über 50 Übersetzungen, was die Downloadgröße erheblich erhöht. Um ohne Übersetzungen zu klonen, verwenden Sie Sparse Checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,147 +33,147 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Das gibt Ihnen alles, was Sie brauchen, um den Kurs viel schneller herunterzuladen.
> So erhalten Sie alles, was Sie brauchen, um den Kurs mit einem viel schnelleren Download abzuschließen.
Wir veranstalten eine Discord Learn with AI Serie, erfahren Sie mehr und machen Sie mit auf [Learn with AI Series](https://aka.ms/learnwithai/discord) vom 18. bis 30. September 2025. Sie erhalten Tipps und Tricks zur Verwendung von GitHub Copilot für Data Science.
Wir veranstalten eine Discord-Lernserie mit KI, erfahren Sie mehr und nehmen Sie zwischen dem 18. und 30. September 2025 teil unter [Learn with AI Series](https://aka.ms/learnwithai/discord). Sie erhalten Tipps und Tricks zur Nutzung von GitHub Copilot für Data Science.
# Machine Learning für Anfänger – Ein Curriculum
# Maschinelles Lernen für Anfänger – Ein Lehrplan
> 🌍 Reisen Sie um die Welt, während wir maschinelles Lernen anhand weltweiter Kulturen erkunden 🌍
> 🌍 Reisen Sie um die Welt, während wir Maschinelles Lernen anhand von Weltkulturen erkunden 🌍
Cloud Advocates bei Microsoft freuen sich, ein 12-wöchiges Curriculum mit 26 Lektionen rund um **Machine Learning** anzubieten. In diesem Curriculum lernen Sie, was manchmal als **klassisches maschinelles Lernen** bezeichnet wird, hauptsächlich mit der Bibliothek Scikit-learn, und umgehen Deep Learning, das in unserem [AI for Beginners Curriculum](https://aka.ms/ai4beginners) behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem ['Data Science for Beginners Curriculum'](https://aka.ms/ds4beginners)!
Die Cloud Advocates bei Microsoft freuen sich, einen 12-wöchigen Lehrplan mit 26 Lektionen rund um **Maschinelles Lernen** anzubieten. In diesem Lehrplan lernen Sie, was manchmal als **klassisches maschinelles Lernen** bezeichnet wird, wobei hauptsächlich Scikit-learn als Bibliothek verwendet wird und Deep Learning vermieden wird, das im Rahmen unseres [AI for Beginners-Kurrikulums](https://aka.ms/ai4beginners) behandelt wird. Kombinieren Sie diese Lektionen auch mit unserem ['Data Science for Beginners' Lehrplan](https://aka.ms/ds4beginners)!
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen anwenden. Jede Lektion umfasst Vor- und Nachtests, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Didaktik ermöglicht es Ihnen, beim Aufbau zu lernen, eine bewährte Methode, damit neue Fähigkeiten „haften bleiben“.
Reisen Sie mit uns um die Welt, während wir diese klassischen Techniken auf Daten aus vielen Regionen der Welt anwenden. Jede Lektion enthält Tests vor und nach der Lektion, schriftliche Anweisungen zur Durchführung der Lektion, eine Lösung, eine Aufgabe und mehr. Unsere projektbasierte Pädagogik ermöglicht Ihnen das Lernen durch Bauen, eine bewährte Methode, um neue Fähigkeiten zu verankern.
**✍️ Herzlichen Dank an unsere Autoren** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu und Amy Boyd
**🎨 Dank auch an unsere Illustratoren** Tomomi Imura, Dasani Madipalli und Jen Looper
**🎨 Vielen Dank auch an unsere Illustratoren** Tomomi Imura, Dasani Madipalli und Jen Looper
**🙏 Besonderer Dank 🙏 an unsere Microsoft Student Ambassador Autoren, Reviewer und Inhaltsbeitragenden**, insbesondere Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila und Snigdha Agarwal
**🤩 Extra-Dank an Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!**
**🤩 Extra Dank an die Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi und Vidushi Gupta für unsere R-Lektionen!**
# Erste Schritte
Folgen Sie diesen Schritten:
1. **Forken Sie das Repository**: Klicken Sie auf den „Fork“-Button oben rechts auf dieser Seite.
2. **Klonen Sie das Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Forken Sie das Repository**: Klicken Sie auf die Schaltfläche „Fork“ oben rechts auf dieser Seite.
2. **Clonen Sie das Repository**:`git clone https://github.com/microsoft/ML-For-Beginners.git`
> [Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Collection](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Brauchen Sie Hilfe?** Schauen Sie in unserem [Troubleshooting Guide](TROUBLESHOOTING.md) nach Lösungen für häufige Probleme bei Installation, Einrichtung und Ausführen der Lektionen.
> 🔧 **Brauchen Sie Hilfe?** Schauen Sie in unseren [Troubleshooting Guide](TROUBLESHOOTING.md) für Lösungen zu häufigen Problemen bei Installation, Einrichtung und Ausführung der Lektionen.
**[Schüler](https://aka.ms/student-page)**, um dieses Curriculum zu nutzen, forken Sie das gesamte Repo in Ihr eigenes GitHub-Konto und bearbeiten Sie die Übungen selbst oder in einer Gruppe:
**[Studierende](https://aka.ms/student-page)**, verwenden Sie für diesen Lehrplan das gesamte Repo und bearbeiten Sie die Übungen eigenständig oder in einer Gruppe:
- Beginnen Sie mit einem Pre-Lecture Quiz.
- Lesen Sie die Vorlesung und absolvieren Sie die Aktivitäten, pausieren und reflektieren Sie bei jedem Wissenscheck.
- Versuchen Sie, die Projekte zu erstellen, indem Sie die Lektionen verstehen, anstatt nur den Lösungscode auszuführen; dieser Code ist jedoch in den `/solution`-Ordnern jeder projektbezogenen Lektion verfügbar.
- Machen Sie das Nach-Lecture Quiz.
- Absolvieren Sie die Challenge.
- Bearbeiten Sie die Aufgabe.
- Nach Abschluss einer Lektion besuchen Sie das [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) und „lernen laut“, indem Sie die entsprechende PAT-Bewertung ausfüllen. Ein 'PAT' ist ein Progress Assessment Tool, ein Bewertungsraster, das Sie ausfüllen, um Ihr Lernen zu fördern. Sie können auch auf andere PATs reagieren, sodass wir gemeinsam lernen können.
- Beginnen Sie mit einem Quiz vor der Vorlesung.
- Lesen Sie die Vorlesung und absolvieren Sie die Aktivitäten, pausieren und reflektieren Sie jeweils bei den Wissensüberprüfungen.
- Versuchen Sie, die Projekte durch Verständnis der Lektionen anzulegen, anstatt die Lösungscode einfach auszuführen; dieser Code ist jedoch in den `/solution`-Ordnern jeder projektorientierten Lektion verfügbar.
- Machen Sie das Quiz nach der Vorlesung.
- Bearbeiten Sie die Herausforderung.
- Erledigen Sie die Aufgabe.
- Nach Abschluss einer Lektionengruppe besuchen Sie das [Diskussionsforum](https://github.com/microsoft/ML-For-Beginners/discussions) und „lernen laut“ durch Ausfüllen der passenden PAT-Rubrik. Ein 'PAT' ist ein Fortschrittsbewertungstool, das eine Rubrik ist, die Sie ausfüllen, um Ihr Lernen zu vertiefen. Sie können auch auf andere PATs reagieren, damit wir gemeinsam lernen können.
> Für weiterführende Studien empfehlen wir diese [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade.
> Zum weiteren Lernen empfehlen wir diese [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) Module und Lernpfade.
**Lehrkräfte**, wir haben [einige Vorschläge](for-teachers.md) zur Nutzung dieses Curriculums integriert.
**Lehrkräfte**, wir haben [einige Vorschläge](for-teachers.md) zur Verwendung dieses Lehrplans bereitgestellt.
---
## Video-Anleitungen
## Video-Durchgänge
Einige Lektionen sind als kurze Videos verfügbar. Sie finden diese Inline in den Lektionen oder auf der [ML for Beginners Wiedergabeliste auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos), indem Sie auf das Bild unten klicken.
Einige der Lektionen sind als Kurzvideos verfügbar. Sie finden alle diese Videos direkt in den Lektionen oder in der [ML for Beginners-Playlist auf dem Microsoft Developer YouTube-Kanal](https://aka.ms/ml-beginners-videos), indem Sie auf das Bild unten klicken.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Klicken Sie auf das obige Bild, um ein Video über das Projekt und die Personen, die es erstellt haben, zu sehen!
> 🎥 Klicken Sie auf das Bild oben, um ein Video über das Projekt und die Personen, die es erstellt haben, zu sehen!
---
## Didaktik
## Pädagogik
Wir haben bei der Erstellung dieses Curriculums zwei pädagogische Grundsätze gewählt: Es soll praxisnah **projektbasiert** sein und **häufige Quizze** enthalten. Darüber hinaus hat dieses Curriculum ein gemeinsames **Thema**, um ihm Kohärenz zu verleihen.
Beim Erstellen dieses Lehrplans haben wir uns für zwei pädagogische Grundsätze entschieden: Er soll praxisnah **projektbasiert** sein und **häufige Quizfragen** enthalten. Darüber hinaus verfügt der Lehrplan über ein gemeinsames **Thema** für mehr Zusammenhalt.
Indem sichergestellt wird, dass die Inhalte auf Projekte abgestimmt sind, wird der Prozess für die Lernenden ansprechender und das Konzeptverständnis wird verbessert. Zudem setzt ein niedrigschwelliges Quiz vor einer Lektion die Lernabsicht, während ein zweites Quiz nach der Klasse die weitere Behaltensleistung sichert. Dieses Curriculum wurde flexibel und unterhaltsam gestaltet und kann ganz oder teilweise absolviert werden. Die Projekte beginnen klein und werden bis zum Ende des 12-Wochen-Zyklus zunehmend komplexer. Dieses Curriculum enthält auch ein Postskript zu realen Anwendungen von ML, das als Zusatzleistung oder Diskussionsgrundlage genutzt werden kann.
Indem der Inhalt an Projekte gekoppelt wird, wird der Prozess für die Lernenden ansprechender und das Verständnis der Konzepte wird verbessert. Zudem setzt ein Quiz vor einer Lektion die Lernmotivation, während ein zweites Quiz nach der Lektion die weitere Behaltensleistung unterstützt. Dieser Lehrplan wurde so gestaltet, dass er flexibel und unterhaltsam ist und komplett oder teilweise durchgearbeitet werden kann. Die Projekte beginnen klein und werden bis zum Ende des 12-wöchigen Zyklus zunehmend komplexer. Im Lehrplan ist zudem ein Nachwort zu Real-World-Anwendungen von ML enthalten, das als Bonus oder Diskussionsgrundlage genutzt werden kann.
> Finden Sie unseren [Verhaltenskodex](CODE_OF_CONDUCT.md), [Mitwirkende](CONTRIBUTING.md), [Übersetzungen](..) und [Fehlerbehebung](TROUBLESHOOTING.md) Leitfäden. Wir freuen uns über Ihr konstruktives Feedback!
> Finden Sie unseren [Verhaltenskodex](CODE_OF_CONDUCT.md), [Beitragsleitfaden](CONTRIBUTING.md), [Übersetzungen](..) und [Troubleshooting](TROUBLESHOOTING.md). Wir freuen uns über Ihr konstruktives Feedback!
> **Ein Hinweis zu Sprachen**: Diese Lektionen sind hauptsächlich in Python geschrieben, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie zum `/solution`-Ordner und suchen Sie nach R-Lektionen. Sie haben eine .rmd-Erweiterung, die eine **R Markdown**-Datei darstellt, welche als Einbettung von `Code-Chunks` (von R oder anderen Sprachen) und einem `YAML-Header` (der steuert, wie Ausgaben wie PDF formatiert werden) in einem `Markdown-Dokument` definiert werden kann. Somit dient es als beispielhaftes Autoren-Framework für Data Science, da Sie damit Ihren Code, die Ausgabe und Ihre Gedanken kombinieren können, indem Sie diese im Markdown-Format notieren. Zudem können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.
> **Ein Hinweis zu den Quizzen**: Alle Quizze sind im Ordner [Quiz App](../../quiz-app) enthalten, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind aus den Lektionen verlinkt, aber die Quiz-App kann lokal ausgeführt werden; folgen Sie den Anweisungen im Ordner `quiz-app`, um sie lokal zu hosten oder in Azure bereitzustellen.
| Lesson Number | Thema | Lektion Gruppe | Lernziele | Verlinkte Lektion | Autor |
| 01 | Einführung in maschinelles Lernen | [Einführung](1-Introduction/README.md) | Lernen Sie die Grundkonzepte hinter dem maschinellen Lernen | [Lektion](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | [Einführung](1-Introduction/README.md) | Lernen Sie die Geschichte dieses Fachgebiets | [Lektion](1-Introduction/2-history-of-ML/README.md) | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | [Einführung](1-Introduction/README.md) | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende bei der Entwicklung und Anwendung von ML-Modellen bedenken? | [Lektion](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniken des maschinellen Lernens | [Einführung](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen? | [Lektion](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
| 05 | Einführung in Regression | [Regression](2-Regression/README.md) | Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Daten visualisieren und bereinigen zur Vorbereitung auf ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Lineare und polynomiale Regressionsmodelle erstellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau |
| 08 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Ein logistisches Regressionsmodell erstellen | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Eine Web-App 🔌 | [Web App](3-Web-App/README.md) | Erstellen Sie eine Web-App zur Nutzung Ihres trainierten Modells | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Einführung in Klassifikation| [Classification](4-Classification/README.md) | Ihre Daten bereinigen, vorbereiten und visualisieren; Einführung in die Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Einführung in Klassifikatoren | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Weitere Klassifikatoren | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Erstellen Sie eine Empfehlungs-Web-App mit Ihrem Modell | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Einführung in Clustering | [Clustering](5-Clustering/README.md) | Ihre Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Erkundung des nigerianischen Musikgeschmacks 🎧 | [Clustering](5-Clustering/README.md) | Erforschen Sie die K-Means Clustering-Methode | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Einführung in die Verarbeitung natürlicher Sprache ☕️ | [Natural language processing](6-NLP/README.md) | Lernen Sie die Grundlagen der NLP, indem Sie einen einfachen Bot erstellen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Häufige NLP-Aufgaben ☕️ | [Natural language processing](6-NLP/README.md) | Vertiefen Sie Ihr NLP-Wissen durch das Verständnis häufiger Aufgaben beim Umgang mit Sprachstrukturen | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Übersetzung und Sentiment-Analyse ♥️ | [Natural language processing](6-NLP/README.md) | Übersetzung und Sentiment-Analyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Einführung in Zeitreihen-Prognosen | [Time series](7-TimeSeries/README.md) | Einführung in die Zeitreihen-Prognose | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Weltstromverbrauch ⚡️ - Zeitreihen-Prognose mit SVR | [Time series](7-TimeSeries/README.md) | Zeitreihen-Prognose mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Einführung in Verstärkendes Lernen | [Reinforcement learning](8-Reinforcement/README.md) | Einführung in Verstärkendes Lernen mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Hilf Peter, den Wolf zu vermeiden! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Verstärkendes Lernen Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | ML-Szenarien und Anwendungen aus der Praxis | [ML in the Wild](9-Real-World/README.md) | Interessante und aufschlussreiche Anwendungen von klassischem ML in der Praxis | [Lektion](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Modell-Debugging in ML mit RAI Dashboard | [ML in the Wild](9-Real-World/README.md) | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards | [Lektion](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ml/)
> **Eine Anmerkung zu den Sprachen**: Diese Lektionen sind hauptsächlich in Python verfasst, aber viele sind auch in R verfügbar. Um eine R-Lektion abzuschließen, gehen Sie in den Ordner `/solution` und suchen Sie nach R-Lektionen. Diese haben die Endung .rmd, was eine **R Markdown**-Datei darstellt, die einfach als Einbettung von `Codeblöcken` (in R oder anderen Sprachen) und einem `YAML-Kopf` (der angibt, wie Ausgaben wie PDF formatiert werden) in einem `Markdown-Dokument` definiert werden kann. Somit dient sie als beispielhaftes Autorensystem für Data Science, da sie es Ihnen ermöglicht, Ihren Code, dessen Ausgabe und Ihre Gedanken zu kombinieren, indem Sie diese in Markdown niederschreiben. Darüber hinaus können R Markdown-Dokumente in Ausgabeformate wie PDF, HTML oder Word gerendert werden.
> **Eine Anmerkung zu Quizzen**: Alle Quizze sind im Ordner [Quiz App folder](../../quiz-app) enthalten, insgesamt 52 Quizze mit jeweils drei Fragen. Sie sind in den Lektionen verlinkt, aber die Quiz-App kann auch lokal ausgeführt werden; folgen Sie der Anleitung im Ordner `quiz-app`, um sie lokal zu hosten oder auf Azure bereitzustellen.
| 01 | Einführung in maschinelles Lernen | [Introduction](1-Introduction/README.md) | Lernen Sie die grundlegenden Konzepte des maschinellen Lernens | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Die Geschichte des maschinellen Lernens | [Introduction](1-Introduction/README.md) | Lernen Sie die zugrundeliegende Geschichte dieses Feldes | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen und Amy |
| 03 | Fairness und maschinelles Lernen | [Introduction](1-Introduction/README.md) | Welche wichtigen philosophischen Fragen zur Fairness sollten Studierende beim Erstellen und Anwenden von ML-Modellen bedenken? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniken für maschinelles Lernen | [Introduction](1-Introduction/README.md) | Welche Techniken verwenden ML-Forscher, um ML-Modelle zu erstellen? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris und Jen |
| 05 | Einführung in die Regression | [Regression](2-Regression/README.md) | Einstieg in Python und Scikit-learn für Regressionsmodelle | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Daten visualisieren und bereinigen zur Vorbereitung für ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Lineare und polynomiale Regressionsmodelle erstellen | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen und Dmitry • Eric Wanjau |
| 08 | Nordamerikanische Kürbisspreise 🎃 | [Regression](2-Regression/README.md) | Ein logistisches Regressionsmodell aufbauen | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Eine Web-App 🔌 | [Web App](3-Web-App/README.md) | Eine Web-App erstellen, um Ihr trainiertes Modell zu verwenden | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Einführung in die Klassifikation | [Classification](4-Classification/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in Klassifikation | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen und Cassie • Eric Wanjau |
| 11 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Einführung in Klassifizierer | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen und Cassie • Eric Wanjau |
| 12 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Weitere Klassifizierer | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen und Cassie • Eric Wanjau |
| 13 | Köstliche asiatische und indische Küchen 🍜 | [Classification](4-Classification/README.md) | Eine Empfehlungs-Web-App mit Ihrem Modell bauen | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Einführung in das Clustering | [Clustering](5-Clustering/README.md) | Daten bereinigen, vorbereiten und visualisieren; Einführung in Clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Erkundung nigerianischer Musikgeschmäcker 🎧 | [Clustering](5-Clustering/README.md) | Die K-Means-Clustering-Methode erkunden | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Einführung in die natürliche Sprachverarbeitung ☕️ | [Natural language processing](6-NLP/README.md) | Grundlagen der NLP lernen, indem Sie einen einfachen Bot erstellen | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Übliche NLP-Aufgaben ☕️ | [Natural language processing](6-NLP/README.md) | Vertiefen Sie Ihr NLP-Wissen, indem Sie häufige Aufgaben verstehen, die beim Umgang mit Sprachstrukturen notwendig sind | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Übersetzung und Sentiment-Analyse ♥️ | [Natural language processing](6-NLP/README.md) | Übersetzung und Sentiment-Analyse mit Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantische Hotels in Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment-Analyse mit Hotelbewertungen 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Einführung in die Zeitreihenprognose | [Time series](7-TimeSeries/README.md) | Einführung in Zeitreihenprognosen | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 23 | ⚡️ Weltweiter Stromverbrauch ⚡️ - Zeitreihenprognose mit SVR | [Time series](7-TimeSeries/README.md) | Zeitreihenprognose mit Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Einführung in das Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Einführung in Reinforcement Learning mit Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Helfen Sie Peter, dem Wolf zu entkommen! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement Learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Real-World ML-Szenarien und Anwendungen | [ML in the Wild](9-Real-World/README.md) | Interessante und aufschlussreiche Anwendungsfälle klassischer ML | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Modell-Debugging in ML mit dem RAI-Dashboard | [ML in the Wild](9-Real-World/README.md) | Modell-Debugging im maschinellen Lernen mit Komponenten des Responsible AI Dashboards | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Finden Sie alle zusätzlichen Ressourcen für diesen Kurs in unserer Microsoft Learn Sammlung](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline-Zugriff
Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner, und geben Sie dann im Stammverzeichnis dieses Repos den Befehl `docsify serve` ein. Die Website wird auf Port 3000 auf Ihrem lokalen Host bereitgestellt: `localhost:3000`.
Sie können diese Dokumentation offline mit [Docsify](https://docsify.js.org/#/) ausführen. Forken Sie dieses Repository, [installieren Sie Docsify](https://docsify.js.org/#/quickstart) auf Ihrem lokalen Rechner, und geben Sie dann im Hauptverzeichnis dieses Repositorys `docsify serve` ein. Die Webseite wird lokal auf Port 3000 verfügbar sein: `localhost:3000`.
## PDFs
Finden Sie hier eine PDF des Lehrplans mit Links [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Ein PDF des Lehrplans mit Links finden Sie [hier](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Weitere Kurse
## 🎒 Andere Kurse
Unser Team erstellt weitere Kurse! Schauen Sie mal rein:
Unser Team produziert weitere Kurse! Sehen Sie sich an:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,12 +185,12 @@ Unser Team erstellt weitere Kurse! Schauen Sie mal rein:
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generative KI-Reihe
### Generative KI-Serie
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -198,7 +198,7 @@ Unser Team erstellt weitere Kurse! Schauen Sie mal rein:
---
### Kernlernangebote
### Kernlernen
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
@ -209,30 +209,30 @@ Unser Team erstellt weitere Kurse! Schauen Sie mal rein:
---
### Copilot-Reihe
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
### Copilot-Serie
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Wenn du nicht weiterkommst oder Fragen zum Erstellen von KI-Anwendungen hast. Tritt anderen Lernenden und erfahrenen Entwicklern bei, um über MCP zu diskutieren. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.
Wenn Sie stecken bleiben oder Fragen zum Erstellen von KI-Anwendungen haben, nehmen Sie an Diskussionen über MCP mit anderen Lernenden und erfahrenen Entwicklern teil. Es ist eine unterstützende Gemeinschaft, in der Fragen willkommen sind und Wissen frei geteilt wird.
- Überprüfe nach jeder Lektion die Notebooks für ein besseres Verständnis.
- Übe das Implementieren von Algorithmen selbstständig.
- Erkunde reale Datensätze mithilfe der gelernten Konzepte.
- Überprüfen Sie Notizbücher nach jeder Lektion für ein besseres Verständnis.
- Üben Sie die Implementierung von Algorithmen selbst.
- Erkunden Sie reale Datensätze unter Verwendung der gelernten Konzepte.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Haftungsausschluss**:
Dieses Dokument wurde mithilfe des KI-Übersetzungsdienstes [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, kann es bei automatischen Übersetzungen zu Fehlern oder Ungenauigkeiten kommen. Das Originaldokument in seiner Ursprungssprache ist als maßgebliche Quelle zu betrachten. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ursprungssprache ist als maßgebliche Quelle zu betrachten. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die aus der Verwendung dieser Übersetzung entstehen.
> Этот репозиторий содержит более 50 переводов на разные языки, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте разреженную загрузку:
> Этот репозиторий включает более 50 переводов, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:
Мы проводим серию в Discord "Учимся с ИИ", узнавайте больше и присоединяйтесь к нам на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.
У нас продолжается серия в Discord «Учимся с ИИ», узнайте больше и присоединяйтесь к нам на [Learn with AI Series](https://aka.ms/learnwithai/discord) с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.
@ -48,132 +48,132 @@
> 🌍 Путешествуйте по миру, изучая машинное обучение через призму культур разных стран 🌍
Облачные специалисты Microsoft рады предложить 12-недельный курс из 26 уроков, посвящённый **машинному обучению**. В этом курсе вы узнаете о так называемом **классическом машинном обучении**, преимущественно используя библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашем курсе [AI для начинающих](https://aka.ms/ai4beginners). Совмещайте эти уроки с нашим курсом ['Data Science для начинающих'](https://aka.ms/ds4beginners)!
Cloud Advocates в Microsoft рады предложить 12-недельную программу из 26 уроков, посвящённую **Машинному обучению**. В этой программе вы познакомитесь с тем, что иногда называют **классическим машинным обучением**, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе [ИИ для начинающих](https://aka.ms/ai4beginners). Сочетайте эти уроки с нашей программой ['Data Science для начинающих'](https://aka.ms/ds4beginners) для более полного обучения!
Путешествуйте с нами по всему миру, применяя классические методы к данным из различных регионов. Каждый урок включает в себя предварительный и итоговый тесты, письменные инструкции для выполнения урока, решения, задания и многое другое. Наш проектно-ориентированный подход позволяет учиться на практике — это проверенный способ хорошо усвоить новые навыки.
Путешествуйте с нами по миру, применяя классические методы к данным из разных регионов. Каждый урок включает предварительный и итоговый викторины, письменные инструкции по выполнению урока, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет учиться на практике — доказанный способ лучше усваивать новые навыки.
**✍️ Огромная благодарность нашим авторам** Джен Лупер, Стивен Хоул, Франческа Лазцери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтуньян, Рут Якобу и Эми Бойд
**✍️ Сердечная благодарность нашим авторам:** Джен Лупер, Стивен Хауэлл, Франческа Лазцери, Томоми Имура, Кэсси Брэвью, Дмитрий Сошников, Крис Норинг, Анирбан Мукхерджи, Орнелла Альтуньян, Рут Якобу и Эми Бойд
**🎨 Также благодарим наших иллюстраторов** Томоми Имура, Дасани Мадипалли и Джен Лупер
**🎨 Спасибо также нашим иллюстраторам:** Томоми Имура, Дасани Мадипалли и Джен Лупер
**🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft, авторам, рецензентам и контрибьюторам**, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуила и Снигде Агарвал
**🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft — авторам, рецензентам и участникам контента**, особенно Ришиту Дагли, Мухаммеду Сакибу Хану Инану, Рохану Радж, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуила и Снигдхе Агарвал
**🤩 Особые благодарности студентам-амбассадорам Microsoft Эрику Ваньау, Джаслин Сонди и Видуши Гупте за наши уроки по R!**
**🤩 Дополнительная благодарность студентам-амбассадорам Microsoft Эрику Ванджау, Джаслин Сонди и Видуши Гупте за уроки по R!**
# Начало работы
Выполните следующие шаги:
1. **Создайте форк репозитория**: Нажмите кнопку «Fork» в правом верхнем углу страницы.
1. **Форк репозитория**: Нажмите кнопку «Fork» в правом верхнем углу страницы.
> [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [найдите все дополнительные ресурсы курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Нужна помощь?** Ознакомьтесь с нашим [руководством по устранению неполадок](TROUBLESHOOTING.md) для решения распространённых проблем с установкой, настройкой и запуском уроков.
> 🔧 **Нужна помощь?** Обратитесь к нашему [Руководству по устранению неполадок](TROUBLESHOOTING.md) для решения распространённых проблем с установкой, настройкой и выполнением уроков.
**[Студенты](https://aka.ms/student-page)**, чтобы использовать этот курс, сделайте форк всего репозитория на свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:
**[Студенты](https://aka.ms/student-page)**, чтобы использовать эту программу, сделайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:
- Начинайте с предварительного теста.
- Читайте лекцию и выполняйте задания, останавливаясь для размышлений на каждом контроле знаний.
- Старайтесь создавать проекты, понимая уроки, а не просто запуская код из решений; однако этот код доступен в папках `/solution` каждого урока с проектом.
- Выполняйте итоговый тест.
- Выполните челлендж.
- Выполните задание.
- После завершения группы уроков посетите [Дискуссионную площадку](https://github.com/microsoft/ML-For-Beginners/discussions) и «изучайте вслух», заполнив соответствующий рубрикатор PAT. PAT — это инструмент для оценки прогресса, который помогает углубить обучение. Вы также можете реагировать на другие PAT, чтобы учиться вместе.
- Начинайте с предварительного опроса.
- Читайте лекцию и выполняйте задания, останавливаясь и размышляя на каждом пункте проверки знаний.
- Старайтесь создавать проекты, понимая уроки, а не просто запуская код решений; хотя код решений доступен в папках `/solution` каждого проектно-ориентированного урока.
- Пройдите итоговый опрос после лекции.
- Выполните challenge (сложное задание).
- Выполните домашнее задание.
- После завершения группы уроков посетите [Доску обсуждений](https://github.com/microsoft/ML-For-Beginners/discussions) и "учитесь вслух", заполнив соответствующий рубрикатор PAT. PAT — это инструмент оценки прогресса в обучении, который вы заполняете для углубления учебы. Вы также можете отзываться на чужие PAT, чтобы учиться вместе.
> Для дальнейшего изучения рекомендуем пройти эти [модули и пути обучения Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Для дальнейшего изучения рекомендуем пройти следующие [модули и учебные пути Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Учителя**, у нас есть [некоторые рекомендации](for-teachers.md) по использованию этого курса.
**Преподаватели**, мы включили [некоторые рекомендации](for-teachers.md) по использованию этой программы.
---
## Видео-разборы
## Видео-прохождение
Некоторые уроки доступны в виде коротких видео. Вы можете найти их встроенными в уроки, либо на [плейлисте ML for Beginners на YouTube-канале Microsoft Developer](https://aka.ms/ml-beginners-videos), нажав на изображение ниже.
Некоторые уроки доступны в формате коротких видео. Вы найдете их встроенными в уроки или на [плейлисте ML for Beginners на YouTube-канале Microsoft Developer](https://aka.ms/ml-beginners-videos), нажав на изображение ниже.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!
> 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и создателях!
---
## Педагогика
Мы выбрали два педагогических принципа при создании этого курса: обеспечить практическую **проектно-ориентированную** основу и включить **частые тесты**. Кроме того, у курса есть общая **тема** для создания единства.
Мы выбрали два педагогических принципа при создании этой программы: обеспечение практико-ориентированного **проектного обучения** и включение **частых викторин**. Кроме того, программа объединена общей **темой** для связности.
Обеспечение соответствия материала проектам делает процесс более увлекательным для студентов и помогает лучше усваивать знания. Низкоформатный тест перед занятием настраивает студента на изучение темы, а второй тест после занятия обеспечивает закрепление знаний. Курс разработан гибко и интересно, его можно проходить целиком или частично. Проекты начинаются с небольших и постепенно усложняются к концу 12-недельного цикла. В курсе также есть послесловие о реальных применениях МЛ, которое можно использовать для дополнительного задания или в качестве темы для обсуждения.
Обеспечивая соответствие контента проектам, процесс становится более увлекательным для студентов, и усвоение концепций улучшается. К тому же предварительный низкоуровневый опрос перед занятием задаёт настрой на изучение темы, а итоговый опрос после класса закрепляет новые знания. Программа разработана так, чтобы быть гибкой и интересной, её можно проходить полностью или частично. Проекты начинаются с малого и растут по сложности к концу 12-недельного цикла. Программа также включает послесловие о реальных применениях МО, что может использоваться как дополнительный материал или основа для обсуждения.
> Ознакомьтесь с нашим [Кодексом поведения](CODE_OF_CONDUCT.md), [Правилами участия](CONTRIBUTING.md), [Переводами](..) и [руководством по устранению неполадок](TROUBLESHOOTING.md). Мы рады вашим конструктивным отзывам!
> Ознакомьтесь с нашим [Кодексом поведения](CODE_OF_CONDUCT.md), [Руководством для участников](CONTRIBUTING.md), [Переводами](..) и [решением проблем](TROUBLESHOOTING.md). Мы приветствуем ваши конструктивные отзывы!
## Каждый урок включает
- необязательные скетчноуты
- дополнительное видео (по желанию)
- видео-разбор (только в некоторых уроках)
- [разминку перед лекцией — тест](https://ff-quizzes.netlify.app/en/ml/)
- необязательные скетчноты
- необязательное дополнительное видео
- видео-прохождение (только некоторые уроки)
- [викторину для разогрева перед лекцией](https://ff-quizzes.netlify.app/en/ml/)
- письменный урок
- для проектных уроков — пошаговые инструкции по созданию проекта
- проверки знаний
- челлендж
- вызов (challenge)
- дополнительное чтение
- задание
- [итоговый тест после лекции](https://ff-quizzes.netlify.app/en/ml/)
> **Замечание о языках**: Большинство уроков написаны на Python, но многие доступны и на R. Чтобы пройти урок на R, перейдите в папку `/solution` и найдите уроки на R с расширением .rmd — это **R Markdown** файл, который представляет собой комбинацию «фрагментов кода» (на R или других языках) и `YAML заголовка`, который управляет форматированием вывода, например, PDF, в `Markdown` документе. Такой формат отлично подходит для науки о данных, так как позволяет объединять код, вывод и комментарии в одном документе. R Markdown документы можно выводить в формате PDF, HTML или Word.
> **Примечание о викторинах**: Все викторины находятся в папке [Quiz App folder](../../quiz-app), всего 52 викторины по три вопроса каждая. Они связаны внутри уроков, однако приложение викторины можно запускать локально; следуйте инструкциям в папке `quiz-app` для локального хостинга или развертывания в Azure.
| Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок | Автор |
| 01 | Введение в машинное обучение | [Introduction](1-Introduction/README.md) | Изучить базовые концепции машинного обучения | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | История машинного обучения | [Introduction](1-Introduction/README.md) | Изучить историю, лежащую в основе этой области | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливость и машинное обучение | [Introduction](1-Introduction/README.md) | Каковы важные философские вопросы справедливости, которые студенты должны учитывать при построении и применении моделей машинного обучения? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Техники машинного обучения | [Introduction](1-Introduction/README.md) | Какие техники используют исследователи машинного обучения для построения моделей? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Введение в регрессию | [Regression](2-Regression/README.md) | Начало работыс Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Визуализация и очистка данных в подготовке к машинному обучению | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Построение линейных и полиномиальных моделей регрессии | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Цены на тыквы в Северной Америке 🎃 | [Regression](2-Regression/README.md) | Построение логистической регрессионной модели | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб-приложение 🔌 | [Web App](3-Web-App/README.md) | Создать веб-приложение для использования вашей обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Введение в классификацию | [Classification](4-Classification/README.md) | Очистка, подготовка и визуализация данных; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Вкусные азиатские и индийские кухни 🍜 | [Classification](4-Classification/README.md) | Создание рекомендательного веб-приложенияс использованием вашей модели | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Введение в кластеризацию | [Clustering](5-Clustering/README.md) | Очистка, подготовка и визуализация данных; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Исследование музыкальных вкусов Нигерии 🎧 | [Clustering](5-Clustering/README.md) | Изучение метода кластеризации K-средних | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Введение в обработку естественного языка ☕️ | [Natural language processing](6-NLP/README.md) | Изучить основы обработки естественного языка, создавая простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Распространённые задачи NLP ☕️ | [Natural language processing](6-NLP/README.md) | Углубить знания в NLP, изучая распространённые задачи при работе с языковыми структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Перевод и анализ настроений ♥️ | [Natural language processing](6-NLP/README.md) | Перевод и анализ настроений спомощью Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ настроений на основе отзывов об отелях 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтические отели Европы ♥️ | [Natural language processing](6-NLP/README.md) | Анализ настроений на основе отзывов об отелях 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 24 | Введение в обучение с подкреплением | [Reinforcement learning](8-Reinforcement/README.md) | Введение в обучение с подкреплением сQ-обучением | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Помогите Питеру избежать волка! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Обучение с подкреплением в Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Послесловие | Реальные сценарии и приложения машинного обучения | [ML in the Wild](9-Real-World/README.md) | Интересные и наглядные реальные применения классического машинного обучения| [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Послесловие | Отладка моделей ML с помощью панели RAI | [ML in the Wild](9-Real-World/README.md) | Отладка моделей машинного обучения с использованием компонентов панели Responsible AI| [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [викторину после лекции](https://ff-quizzes.netlify.app/en/ml/)
> **Примечание о языках**: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку `/solution` и найдите уроки на R. Они имеют расширение .rmd, что представляет собой **R Markdown** файл, который можно просто определить как встраивание `кодовых блоков` (на R или других языках) и `YAML заголовка` (который управляет форматированием вывода, например, в PDF) в `Markdown документ`. Таким образом, он служит примером структуры для авторов в области науки о данных, поскольку позволяет комбинировать ваш код, его вывод и ваши мысли, позволяя записывать их в Markdown. Более того, документы R Markdown могут быть преобразованы в форматы вывода, такие как PDF, HTML или Word.
> **Примечание о викторинах**: Все викторины находятся в папке [Quiz App](../../quiz-app), всего 52 викторины по три вопроса каждая. Они связаны с уроками, но приложение для викторин можно запускать локально; следуйте инструкциям в папке `quiz-app`, чтобы развернуть локально или в Azure.
| Номер урока | Тема | Группа уроков | Цели обучения | Связанный урок | Автор |
| 01 | Введение в машинное обучение | [Введение](1-Introduction/README.md) | Изучить основные концепции машинного обучения | [Урок](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | История машинного обучения | [Введение](1-Introduction/README.md) | Узнать о истории, лежащей в основе этой области | [Урок](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Справедливость и машинное обучение | [Введение](1-Introduction/README.md) | Какие важные философские вопросы о справедливости следует учитывать при построении и применении моделей машинного обучения? | [Урок](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Методы машинного обучения | [Введение](1-Introduction/README.md) | Какие методы используют исследователи ML для построения моделей? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Введение в регрессию | [Регрессия](2-Regression/README.md) | Начать работус Python и Scikit-learn для моделей регрессии | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Визуализация и очистка данных в подготовке к ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Построить линейные и полиномиальные модели регрессии | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Построить модель логистической регрессии | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Веб-приложение 🔌 | [Веб-приложение](3-Web-App/README.md) | Построить веб-приложение для использования обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Введение в классификацию | [Классификация](4-Classification/README.md) | Очистка, подготовка и визуализация данных; введение в классификацию | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Вкусная азиатская и индийская кухни 🍜 | [Классификация](4-Classification/README.md) | Введение в классификаторы | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Вкусная азиатская и индийская кухни 🍜 | [Классификация](4-Classification/README.md) | Дополнительные классификаторы | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Вкусная азиатская и индийская кухни 🍜 | [Классификация](4-Classification/README.md) | Построить рекомендательное веб-приложениес использованием вашей модели | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Введение в кластеризацию | [Кластеризация](5-Clustering/README.md) | Очистка, подготовка и визуализация данных; введение в кластеризацию | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Исследование музыкальных вкусов Нигерии 🎧 | [Кластеризация](5-Clustering/README.md) | Изучить метод кластеризации 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 | Введение в обработку естественного языка ☕️ | [Обработка естественного языка](6-NLP/README.md) | Изучить основы NLP, построив простого бота | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Общие задачи NLP ☕️ | [Обработка естественного языка](6-NLP/README.md) | Углубить знания о NLP, изучая общие задачи при работе с языковыми структурами | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Перевод и анализ настроений ♥️ | [Обработка естественного языка](6-NLP/README.md) | Перевод и анализ настроений с Джейн Остин | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Романтические отели Европы ♥️ | [Обработка естественного языка](6-NLP/README.md) | Анализ настроений на отзывах отелей 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Романтические отели Европы ♥️ | [Обработка естественного языка](6-NLP/README.md) | Анализ настроений на отзывах отелей 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 22 | ⚡️ Использование электроэнергии в мире ⚡️ - прогнозирование временных рядов с ARIMA | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов с помощью ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Использование электроэнергии в мире ⚡️ - прогнозирование временных рядов с SVR | [Временные ряды](7-TimeSeries/README.md) | Прогнозирование временных рядов методом опорных векторов | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Введение в обучение с подкреплением | [Обучение с подкреплением](8-Reinforcement/README.md) | Введение в обучение с подкреплением сиспользованием Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Помогите Питеру избежать волка! 🐺 | [Обучение с подкреплением](8-Reinforcement/README.md) | Обучение с подкреплением с Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Послесловие | Реальные сценарии и применения ML | [ML в действии](9-Real-World/README.md) | Интересные и показательныe реальные применения классического машинного обучения | [Урок](9-Real-World/1-Applications/README.md) | Команда |
| Послесловие | Отладка моделей ML с помощью панели RAI | [ML в действии](9-Real-World/README.md) | Отладка моделей машинного обучения с помощью компонентов панели Responsible AI | [Урок](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Офлайн-доступ
## Оффлайн-доступ
Вы можете запускать эту документацию офлайн с помощью [Docsify](https://docsify.js.org/#/). Склонируйте этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на вашем локальном компьютере, затем в корневой папке репозитория введите команду `docsify serve`. Веб-сайт будет доступен на порту 3000 на вашем локальном хосте: `localhost:3000`.
Вы можете запускать эту документацию оффлайн, используя [Docsify](https://docsify.js.org/#/). Форкните этот репозиторий, [установите Docsify](https://docsify.js.org/#/quickstart) на вашу локальную машину, а затем в корневой папке этого репозитория выполните команду `docsify serve`. Веб-сайт будет доступен на порту 3000 вашего локального хоста: `localhost:3000`.
## PDF
Файл pdfс учебной программой и ссылками доступен [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Найдите PDFс учебной программой и ссылками [здесь](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Другие курсы
Наша команда выпускает и другие курсы! Оцените:
Наша команда выпускает и другие курсы! Посмотрите:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -182,7 +182,7 @@
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
### Azure / Edge / MCP / Агенты
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -191,21 +191,21 @@
---
### Серия по генеративному ИИ
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
@ -217,22 +217,22 @@
## Получение помощи
Если вы застряли или у вас есть вопросы по созданию приложений с ИИ. Присоединяйтесь к другим учителям и опытным разработчикам для обсуждений MCP. Это поддерживающее сообщество, где приветствуются вопросы и свободно делятся знаниями.
Если вы застряли или у вас есть вопросы по созданию ИИ-приложений. Присоединяйтесь к другим обучающимся и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно делятся.
- Просматривайте тетради после каждого урока для лучшего понимания.
- Просматривайте блокноты после каждого урока для лучшего понимания.
- Практикуйтесь в самостоятельной реализации алгоритмов.
- Изучайте реальные наборы данных, используя изученные концепции.
- Изучайте реальные наборы данных, применяя изученные концепции.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Отказ от ответственности**:
Этот документ был переведен спомощью сервиса машинного перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, просим учитывать, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для критически важной информации рекомендуется использовать профессиональный человеческий перевод. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.
Этот документ был переведен сиспользованием сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Несмотря на наши усилия обеспечить точность, пожалуйста, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется пользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.
localizeflow[bot]
3 months ago