> Tento repozitář obsahuje více než 50 překladů jazyků, což výrazně zvětšuje velikost staženého souboru. Pro klonování bez překladů použijte sparse checkout:
> Tento repozitář zahrnuje přes 50 jazykových překladů, což výrazně zvětšuje velikost stahování. Pro klonování bez překladů použijte sparse checkout:
Máme probíhající sérii „Learn with AI“ na Discordu, dozvíte se více a připojte se k nám na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky pro použití GitHub Copilot pro Data Science.
Probíhá série Discord Learn with AI, dozvíte se víc a přidejte se k nám na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro datovou vědu.
# Strojové učení pro začátečníky – učební plán
# Strojové učení pro začátečníky - vzdělávací program
> 🌍 Cestujte po celém světě a prozkoumejte strojové učení prostřednictvím světových kultur 🌍
> 🌍 Cestujte po světě, když zkoumáme strojové učení prostřednictvím světových kultur 🌍
Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní kurz o 26 lekcích zaměřený na **strojové učení**. V tomto kurzu se dozvíte o tom, co se někdy nazývá **klasické strojové učení**, které primárně používá knihovnu Scikit-learn a neobsahuje hluboké učení, které je pokryto v našem [kurzu AI pro začátečníky](https://aka.ms/ai4beginners). Kombinujte tyto lekce také s naším ['Data Science pro začátečníky'](https://aka.ms/ds4beginners).
Cloud Advocates v Microsoftu s radostí nabízejí 12týdenní, 26-lekční vzdělávací program o **strojovém učení**. V tomto programu se naučíte o tom, co se někdy nazývá **klasické strojové učení**, používající primárně knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem [programu AI pro začátečníky](https://aka.ms/ai4beginners). Tyto lekce kombinujte také s naším ['Data Science pro začátečníky'](https://aka.ms/ds4beginners).
Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých koutů světa. Každá lekce obsahuje před a po lekci kvízy, písemné instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožňuje učit se při tvorbě, což je ověřený způsob, jak si nové dovednosti lépe osvojit.
Cestujte s námi po světě, když aplikujeme tyto klasické techniky na data z mnoha oblastí světa. Každá lekce zahrnuje kvízy před a po lekci, psané instrukce k dokončení lekce, řešení, zadání a další. Naše projektově orientovaná pedagogika umožňuje učit se při tvorbě, což je osvědčený způsob, jak nové dovednosti „ulpí“.
**✍️ Srdečné poděkování našim autorům** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
**✍️ Srdečné díky našim autorům** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
**🎨 Poděkování také našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🎨 Díky také našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🙏 Zvláštní poděkování 🙏 patří našim Microsoft Student Ambassador autorům, recenzentům a přispěvatelům obsahu**, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal
**🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z řad Microsoft Student Ambassador**, zejména Rishitu Daglimu, Muhammadovi Sakib Khan Inanovi, Rohanu Rajovi, Alexandru Petrescovi, Abhishek Jaiswalovi, Nawrin Tabassum, Ioanovi Samuilovi a Snigdha Agarwalové
**🤩 Extra dík Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše R lekce!**
**🤩 Extra vděčnost Microsoft Student Ambassadors Ericu Wanaujovi, Jasleen Sondhi a Vidushi Guptovi za naše lekce v R!**
# Začínáme
Postupujte podle těchto kroků:
1. **Forkujte repozitář**: Klikněte na tlačítko „Fork“ vpravo nahoře na této stránce.
> [všechny další zdroje pro tento kurz najdete v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [najděte všechny další zdroje pro tento kurz v naší sbírce Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potřebujete pomoc?** Podívejte se do našeho [Průvodce řešením problémů](TROUBLESHOOTING.md) pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.
> 🔧 **Potřebujete pomoc?** Prohlédněte si náš [Průvodce řešením problémů](TROUBLESHOOTING.md) pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.
**[Studenti](https://aka.ms/student-page)**, pro použití tohoto kurzu si forknete celý repozitář do svého GitHub účtu a cvičení dokončujte sami nebo ve skupině:
**[Studenti](https://aka.ms/student-page)**, pro využití tohoto programu si vytvořte fork celého repozitáře do svého GitHub účtu a cvičení dokončujte samostatně nebo ve skupině:
- Začněte přednáškovým kvízem.
- Přečtěte si lekci a dokončete aktivity, zastavujte se a zamýšlejte se u každé kontroly znalostí.
- Pokuste se projekty vytvořit tím, že lekce pochopíte, místo aby jste jen spouštěli kód řešení; tento kód však je dostupný ve složkách `/solution` v každé projektově orientované lekci.
- Udělejte závěrečný kvíz po lekci.
- Vykonejte výzvu.
- Dokončete úkol.
- Po dokončení skupiny lekcí navštivte [Diskusní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a „učte se nahlas“ vyplněním odpovídajícího hodnotícího rubriky PAT. PAT je Nástroj pro hodnocení pokroku, rubrika, kterou vyplňujete, abyste prohloubili své učení. Můžete také reagovat na jiné PAT, abychom se mohli učit společně.
- Začněte kvízem před přednáškou.
- Přečtěte si přednášku a dokončete aktivity, zastavujte a přemýšlejte při každé znalostní kontrole.
- Pokuste se projekty vytvořit pochopením lekcí, nikoli jen spuštěním řešení; nicméně toto řešení je dostupné ve složkách `/solution` v každé projektově orientované lekci.
- Učiňte kvíz po přednášce.
- Dokončete výzvu.
- Dokončete zadání.
- Po dokončení skupiny lekcí navštivte [Diskuzní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a „učte se nahlas“ vyplněním příslušného rubriky PAT. ‚PAT‘ je nástroj pro hodnocení pokroku, rubrika, kterou vyplňujete, abyste posunuli své učení dál. Můžete také reagovat na jiné PATy, abychom se učili společně.
> Pro další studium doporučujeme sledovat tyto [moduly a učební cesty Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Pro další studium doporučujeme následovat tyto [moduly a učební cesty Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Učitelé**, nabízíme [několik návrhů](for-teachers.md), jak tento kurz využít.
**Učitelé**, připravili jsme [některé návrhy](for-teachers.md) jak tento vzdělávací program používat.
---
## Video průvodci
Některé lekce jsou dostupné jako krátká videa. Všechny je najdete vložené přímo v lekcích nebo na [playlistu ML pro začátečníky na YouTube kanálu Microsoft Developer](https://aka.ms/ml-beginners-videos) kliknutím na obrázek níže.
Některé lekce jsou dostupné jako krátká videa. Všechny najdete přímo v lekcích nebo na [playlistu ML pro začátečníky na YouTube kanálu Microsoft Developer](https://aka.ms/ml-beginners-videos) po kliknutí na obrázek níže.
[](https://aka.ms/ml-beginners-videos)
@ -89,7 +89,7 @@ Některé lekce jsou dostupné jako krátká videa. Všechny je najdete vložen
> 🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří jej vytvořili!
@ -97,89 +97,90 @@ Některé lekce jsou dostupné jako krátká videa. Všechny je najdete vložen
## Pedagogika
Při tvorbě tohoto kurzu jsme zvolili dva pedagogické principy: zajistit, aby byl kurz hands-on, **projektově orientovaný** a aby obsahoval **časté kvízy**. Navíc kurz má společné **téma** pro lepší soudržnost.
Při vytváření tohoto vzdělávacího programu jsme zvolili dva pedagogické principy: zajistit, aby byl praktický a **projektově orientovaný** a aby obsahoval **časté kvízy**. Navíc má program jednotné **téma** pro sjednocení.
Zajištěním, že obsah odpovídá projektům, je proces pro studenty více zábavný a lépe se jim uchovávají koncepty. Také nízkorizikový test před hodinou nastaví záměr studenta se učit dané téma, zatímco druhý kvíz po hodině zajistí další upevnění znalostí. Tento kurz byl navržen flexibilní a zábavný a lze jej absolvovat celý nebo jen částečně. Projekty začínají jednoduše a na konci 12týdenního cyklu se stávají postupně složitějšími. Kurz také obsahuje postskriptum o reálných aplikacích ML, které může být použito jako dodatečný kredit nebo jako téma k diskusi.
Zajištěním, že obsah je sladěn s projekty, se proces pro studenty stává zajímavějším a lepší je zapamatování pojmů. Nízkorizikový kvíz před třídou nastavuje studentovu motivaci k naučení se tématu, zatímco druhý kvíz po třídě zajistí lepší zapamatování. Tento vzdělávací program je navržen tak, aby byl flexibilní a zábavný a může se absolvovat celý nebo částečně. Projekty začínají malé a k poslednímu 12týdennímu cyklu se stávají stále složitějšími. Program také obsahuje dodatek o reálných aplikacích ML, který lze využít jako bonusové body nebo základ pro diskusi.
> Najděte naše [Kodex chování](CODE_OF_CONDUCT.md), [Příspěvek](CONTRIBUTING.md), [Překlady](TRANSLATIONS.md) a [Řešení problémů](TROUBLESHOOTING.md). Vítáme vaše konstruktivní připomínky!
- [kvíz na rozcvičení před přednáškou](https://ff-quizzes.netlify.app/en/ml/)
- psanou lekci
- u projektově orientovaných lekcí kroky, jak projekt vybudovat
- kontroly znalostí
- u lekcí založených na projektech krok za krokem průvodce stavbou projektu
- znalostní kontroly
- výzvu
- doplňující čtení
- úkol
- [kvíz po lekci](https://ff-quizzes.netlify.app/en/ml/)
> **Poznámka o jazycích**: Tyto lekce jsou primárně psány v Pythonu, ale mnohé jsou také dostupné v R. Pro dokončení R lekce přejděte do složky `/solution` a vyhledejte lekce v R. Obsahují příponu .rmd, což představuje soubor **R Markdown**, což lze jednoduše definovat jako vložení `kódu` (R nebo jiných jazyků) a `YAML hlavičky` (která určuje, jak formátovat výstupy jako PDF) do `Markdown dokumentu`. Slouží tedy jako vzorové autorovací prostředí pro data science, protože vám umožňuje spojit kód, jeho výstup a vaše poznámky, které můžete psát do Markdownu. Navíc R Markdown dokumenty mohou být renderovány do výstupních formátů jako PDF, HTML nebo Word.
> **Poznámka k kvízům**: Všechny kvízy jsou obsaženy ve složce [Quiz App folder](../../quiz-app), celkem 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale kvízovou aplikaci lze spustit lokálně; postupujte podle pokynů ve složce `quiz-app` pro lokální hostování nebo nasazení do Azure.
| Číslo lekce | Téma | Skupina lekcí | Výukové cíle | Propojená lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Naučit se základní pojmy strojového učení | [Lekce](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Poznat historii tohoto oboru | [Lekce](1-Introduction/2-history-of-ML/README.md) | Jen a Amy |
| 03 | Spravedlnost a strojové učení | [Úvod](1-Introduction/README.md) | Jaké jsou důležité filozofické otázky ohledně spravedlnosti, které by měli studenti zvážit při tvorbě a aplikaci ML modelů? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky strojového učení| [Úvod](1-Introduction/README.md) | Jaké techniky používají vědci ML k vytváření ML modelů? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regrese | [Regrese](2-Regression/README.md) | Začít s Pythonem a Scikit-learn pro regresní modely | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vizualizace a čištění dat jako příprava pro ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vytváření lineárních a polynomiálních regresních modelů | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Sestavení logistického regresního modelu | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Web App](3-Web-App/README.md) | Vytvořit webovou aplikaci pro použití vašeho trénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Čištění, příprava a vizualizace dat; úvod do klasifikace | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Úvod do klasifikátorů | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Více klasifikátorů | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Vytvořit doporučující webovou aplikaci pomocí svého modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod do shlukování | [Shlukování](5-Clustering/README.md) | Čištění, příprava a vizualizace dat; úvod do shlukování | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Průzkum nigerijských hudebních chutí 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumat metodu K-Means shlukování | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučit se základy NLP tvorbou jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné úkoly NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohloubit znalosti NLP pochopením běžných úkolů při práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Překlad a analýza sentimentu ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Překlad a analýza sentimentu s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantické hotely Evropy ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu s recenzemi hotelů 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantické hotely Evropy ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu s recenzemi hotelů 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Úvod do predikce časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do predikce časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Globální spotřeba elektřiny ⚡️ - predikce časových řad s ARIMA | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Globální spotřeba elektřiny ⚡️ - predikce časových řad s SVR | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí Support Vector Regressoru | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Úvod do posilovaného učení | [Posilované učení](8-Reinforcement/README.md) | Úvod do posilovaného učení s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Postscript | Scénáře a aplikace ML v reálném světě | [ML v praxi](9-Real-World/README.md) | Zajímavé a odhalující aplikace klasického ML | [Lekce](9-Real-World/1-Applications/README.md) | Tým |
| Postscript | Ladění modelů v ML pomocí RAI dashboardu | [ML v praxi](9-Real-World/README.md) | Ladění modelů v ML pomocí komponentů Responsible AI dashboardu | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
- doplňkové čtení
- zadání
- [kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)
> **Poznámka k jazykům**: Tyto lekce jsou primárně psané v Pythonu, ale mnohé jsou dostupné také v R. Pro dokončení lekce v R přejděte do složky `/solution`, kde najdete lekce v R. Jsou ve formátu .rmd, což představuje **R Markdown** soubor, který lze jednoduše definovat jako začlenění „kódových bloků“ (R nebo jiných jazyků) a „YAML hlavičky“ (která určuje formátování výstupů jako PDF) do „Markdown dokumentu“. Tento formát slouží jako příklad autorovacího rámce pro datovou vědu, protože umožňuje kombinovat kód, jeho výstup a vaše poznámky psané v Markdownu. Navíc lze R Markdown dokumenty přeložit do formátů jako PDF, HTML nebo Word.
> **Poznámka ke kvízům**: Všechny kvízy jsou obsaženy ve [složce Quiz App](../../quiz-app), celkem 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale aplikaci kvízů lze spustit lokálně; postupujte podle pokynů ve složce `quiz-app` pro lokální hostování nebo nasazení na Azure.
| Číslo lekce | Téma | Skupina lekcí | Vzdělávací cíle | Odkazovaná lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Naučit se základní pojmy za strojovým učením | [Lekce](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Naučit se historii tohoto oboru | [Lekce](1-Introduction/2-history-of-ML/README.md) | Jen a Amy |
| 03 | Spravedlnost a strojové učení | [Úvod](1-Introduction/README.md) | Jaké jsou důležité filozofické otázky spojené se spravedlností, které by studenti měli zvážit při vytváření a aplikaci ML modelů? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky pro strojové učení | [Úvod](1-Introduction/README.md) | Jaké techniky používají výzkumníci k sestavování ML modelů? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regresní analýzy | [Regrese](2-Regression/README.md) | Naučit se základy Pythonu a Scikit-learn pro regresní modely | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Severní americké ceny dýní 🎃 | [Regrese](2-Regression/README.md) | Vizualizace a čištění dat jako příprava na ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Severní americké ceny dýní 🎃 | [Regrese](2-Regression/README.md) | Vytvoření lineárních a polynomických regresních modelů | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen a Dmitry • Eric Wanjau |
| 08 | Severní americké ceny dýní 🎃 | [Regrese](2-Regression/README.md) | Vytvoření logistického regresního modelu | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Web App](3-Web-App/README.md) | Vytvořit webovou aplikaci pro použití trénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Vyčistit, připravit a vizualizovat data; úvod do klasifikace | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Úvod do klasifikátorů | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Další klasifikátory | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Vytvořit doporučující webovou aplikaci pomocí modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod do shlukování | [Shlukování](5-Clustering/README.md) | Vyčistit, připravit a vizualizovat data; úvod do shlukování | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Objevování nigerijských hudebních chutí 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumat metodu K-Means shlukování | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučit se základy NLP pomocí vytváření jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné úlohy NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohloubit znalosti NLP pochopením běžných úloh při práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Překlad a analýza sentimentu ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Překlad a analýza sentimentu s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantické hotely v Evropě ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu hotelových recenzí 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantické hotely v Evropě ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu hotelových recenzí 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Úvod do predikce časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do predikce časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad ARIMA | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad SVR | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí Support Vector Regressoru | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Úvod do posilovaného učení | [Posilované učení](8-Reinforcement/README.md) | Úvod do posilovaného učení s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozte Petrovi vyhnout se vlkovi! 🐺 | [Posilované učení](8-Reinforcement/README.md) | Posilované učení v Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Dodatek | Reálné scénáře a aplikace ML | [ML v praxi](9-Real-World/README.md) | Zajímavé a poučné aplikace klasického ML v reálném světě | [Lekce](9-Real-World/1-Applications/README.md) | Tým |
| Dodatek | Ladění modelů ML pomocí dashboardu RAI | [ML v praxi](9-Real-World/README.md) | Ladění modelů v ML pomocí komponent dashboardu Responsible AI | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [najděte všechny doplňkové zdroje pro tento kurz v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline přístup
Tuto dokumentaci lze spustit offline pomocí [Docsify](https://docsify.js.org/#/). Forkněte tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj počítač a poté v kořenové složce tohoto repozitáře spusťte příkaz `docsify serve`. Webová stránka bude dostupná na portu 3000 na vašem localhostu: `localhost:3000`.
Tuto dokumentaci můžete používat offline pomocí [Docsify](https://docsify.js.org/#/). Zforkujte tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj lokální počítač a pak v kořenové složce tohoto repozitáře zadejte příkaz `docsify serve`. Webová stránka bude dostupná na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF
Najděte zde pdf osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Najděte pdf osnovy kurzu s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Ostatní kurzy
Náš tým vyrábí i další kurzy! Podívejte se:
## 🎒 Další kurzy
Náš tým vytváří i další kurzy! Podívejte se:
<!-- 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)
---
### Azure / Edge / MCP / Agenti
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Generativní AI série
### Série Generativní AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
@ -187,11 +188,11 @@ Náš tým vyrábí i další kurzy! Podívejte se:
---
### Základní učení
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
### Základní vzdělávání
[](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://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)
@ -201,16 +202,16 @@ Náš tým vyrábí i další kurzy! Podívejte se:
### Série 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)
Pokud jste uvízli nebo máte nějaké otázky ohledně vytváření AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům v diskusích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se volně sdílejí.
Pokud narazíte na problém nebo máte jakékoli dotazy ohledně tvorby AI aplikací, přidejte se k ostatním studentům a zkušeným vývojářům v diskuzích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se volně sdílí.
@ -218,5 +219,5 @@ Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby během vývoje, na
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o vyloučení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace doporučujeme využít profesionální lidský překlad. Nejsme odpovědní za jakékoliv nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho mateřském jazyce by měl být považován za závazný zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoliv nedorozumění či nesprávné výklady vyplývající z použití tohoto překladu.
> Ez a tároló több mint 50 nyelvű fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Fordítások nélküli klónozáshoz használd a sparse checkout-ot:
> Ez a tároló több mint 50 nyelvre kínál fordítást, ami jelentősen növeli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használd a sparse checkoutot:
Jelenleg Fut egy Discord "Learn with AI" sorozatunk, tudj meg többet és csatlakozz hozzánk a [Learn with AI Series](https://aka.ms/learnwithai/discord) eseményen 2025. szeptember 18-30 között. Tippeket és trükköket kapsz a GitHub Copilot használatához az adatelemzésben.
Folyamatban van egy Discord tanulási sorozatunk AI-val, ahol többet megtudhatsz és csatlakozhatsz hozzánk a [Learn with AI Series](https://aka.ms/learnwithai/discord) oldalán 2025. szeptember 18. és 30. között. Tippeket és trükköket kaphatsz a GitHub Copilot adat tudományban való használatához.
# Gépi tanulás kezdőknek - Egy tananyag
# Gépi tanulás kezdőknek – Egy tanterv
> 🌍 Utazzunk a világ körül, miközben a gépi tanulást a világ kultúrái segítségével fedezzük fel 🌍
> 🌍 Utazzunk körbe a világon, miközben kultúrákon át fedezzük fel a gépi tanulást 🌍
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot, amely teljes egészében a **gépi tanulásról** szól. Ebben a tananyagban a néha csak **klasszikus gépi tanulásnak** nevezett témákat tanulhatod meg, főként a Scikit-learn könyvtárat használva, elkerülve a mélytanulást, amelyet a mi [AI for Beginners tananyagunk](https://aka.ms/ai4beginners) részletesen lefed. Ezeket a leckéket párosíthatod a ['Data Science for Beginners' tananyaggal](https://aka.ms/ds4beginners) is!
A Microsoft felhőszakértői egy 12 hetes, 26 leckéből álló tananyagot kínálnak, amely teljes egészében a **gépi tanulásról** szól. Ebben a tantervben a klasszikusnak is nevezett **gépi tanulást** tanulhatod meg, elsősorban a Scikit-learn könyvtár használatával, elkerülve a mélytanulást, amelyet az [AI kezdőknek tananyaga](https://aka.ms/ai4beginners) tárgyal. Ezeket a leckéket párosítsd a ['Adattudomány kezdőknek' tananyagunkkal](https://aka.ms/ds4beginners) is!
Utazz velünk a világ különféle részeire, miközben ezen klasszikus technikákat különböző területekről származó adatokra alkalmazzuk. Minden lecke tartalmaz elő- és utóvizsgát, írott instrukciókat a lecke elvégzéséhez, megoldást, feladatot és még sok mást. Projekt alapú oktatásunk lehetővé teszi, hogy építés közben tanulj, ami bizonyított módszer az új készségek megragadására.
Utazz velünk a világ körül miközben ezeket a klasszikus technikákat a világ sok területéről származó adatokra alkalmazzuk. Minden leckében elő- és utótesztek vannak, írott utasítások a lecke elvégzéséhez, egy megoldás, egy feladat és egyebek. Projektalapú oktatásunk lehetővé teszi, hogy tanulás közben építs, ami bizonyítottan hatékony módszer az új készségek elsajátítására.
**✍️ Szívből köszönjük szerzőinknek:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**✍️ Szívből köszönjük szerzőinknek** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**🎨 Köszönet illusztrátorainknak is:** Tomomi Imura, Dasani Madipalli, és Jen Looper
**🎨 Köszönet illusztrátorainknak** Tomomi Imura, Dasani Madipalli és Jen Looper
**🙏 Külön köszönet 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, lektorainknak és tartalomközreműködőinknek, köztük Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🙏 Külön köszönet 🙏 Microsoft diák nagykövet szerzőinknek, véleményezőinknek és tartalom-kontributoraiknak**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🤩 Külön hála Microsoft Hallgatói Nagyköveteknek Eric Wanjau, Jasleen Sondhi és Vidushi Gupta a R leckéinkhez!**
**🤩 Extra köszönet Microsoft diák nagyköveteinknek Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Gupta-nak az R leckékért!**
# Kezdés
# Első lépések
Kövesd ezeket a lépéseket:
1. **Forkold a tárolót**: Kattints a jobb felső sarokban a "Fork" gombra.
2. **Klónozd a tárolót**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
Kövesd az alábbi lépéseket:
1. **Forkold le a tárolót**: Kattints a "Fork" gombra ennek az oldalnak a jobb felső sarkában.
2. **Klónozd a tárolót**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [minden további forrást megtalálsz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Minden további erőforrást megtalálsz ehhez a kurzushoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Szükséged van segítségre?** Nézd meg a [Hibaelhárítási útmutatónkat](TROUBLESHOOTING.md), amely megoldásokat kínál gyakori telepítési, beállítási és lecke futtatási problémákra.
> 🔧 **Szükséged van segítségre?** Nézd meg a [Hibakeresési útmutatónkat](TROUBLESHOOTING.md) a telepítési, beállítási és lecke futtatási problémák megoldásaiért.
**[Diákok](https://aka.ms/student-page)**, a tananyag használatához forkold az egész tárolót a saját GitHub fiókodra, és végezd el a gyakorlatokat egyénileg vagy csoportban:
**[Diákoknak](https://aka.ms/student-page)** a tananyag használatához forkold le az egész repo-t a saját GitHub fiókodba, és végezd el a gyakorlatokat egyedül vagy csoportosan:
- Kezdd egy előadás előtti kvízzel.
- Olvasd el az előadást és végezd el a feladatokat, időnként megállva és átgondolva az adott tudásellenőrzést.
- Próbáld meg elkészíteni a projekteket úgy, hogy megérted a leckéket, nem csak lefuttatod a megoldó kódot; a kód azonban elérhető a /solution mappákban az egyes projektközpontú leckéknél.
- Tedd meg az előadás utáni kvízt.
- Kezdj egy elő-előadás kvízzel.
- Olvasd el az előadást és végezd el a tevékenységeket, minden tudásellenőrzésnél állj meg és gondolkodj el.
- Próbáld meg a projekteket megcsinálni úgy, hogy megérted a leckéket, ne csak a megoldáskódot futtasd; viszont az kód elérhető a `/solution` mappában minden projekt-alapú leckében.
- Oldd meg az utó-előadás kvízt.
- Teljesítsd a kihívást.
- Teljesítsd a házi feladatot.
- Miután egy leckecsoportot befejeztél, látogasd meg a [Vita Fórumot](https://github.com/microsoft/ML-For-Beginners/discussions), és "tanulj hangosan" a megfelelő PAT-értékelőlap kitöltésével. A 'PAT' egy előrehaladási értékelő eszköz, amely egy értékelőlap, amit kitöltesz a tanulásod elősegítésére. Más PAT-ekre is reagálhatsz, hogy együtt tanulhassunk.
- Teljesítsd a feladatot.
- Egy leckecsoport befejezése után látogass el a [Vita fórumra](https://github.com/microsoft/ML-For-Beginners/discussions) és "tanulj hangosan", azaz töltsd ki a megfelelő PAT értékelőlapot. A 'PAT' egy haladási értékelőeszköz, amelyet kitölthetsz a tanulásod előmozdítására. Más PAT-okra is reagálhatsz, így együtt tanulhatunk.
> További tanulmányokhoz ajánljuk ezeknek a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduloknak és tanulási utaknak a követését.
> További tanulmányozásra ajánljuk ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
**Tanáriaként**, néhány használati javaslatot [mellékeltünk](for-teachers.md) ehhez a tananyaghoz.
**Tanárok számára** néhány javaslatot is tartalmazunk [itt](for-teachers.md) a tananyag használatához.
---
## Videó bemutatók
## Videós bemutatók
Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálod beágyazva a leckékben, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos) az alábbi képre kattintva.
Néhány lecke rövid videó formátumban is elérhető. Ezeket megtalálod a leckékben, vagy a [Microsoft Developer YouTube csatornáján az ML for Beginners lejátszási listán](https://aka.ms/ml-beginners-videos), ha a lent látható képre kattintasz.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kattints a fenti képre, hogy megnézz egy videót a projektről és az alkotóiról!
> 🎥 Kattints a fenti képre a projektről és az alkotókról készült videó megtekintéséhez!
---
## Pedagógia
Két alapvető pedagógiai elvet választottunk a tananyag fejlesztése során: hogy kézzel fogható, **projektalapú** legyen, és hogy **gyakori kvízeket** tartalmazzon. Ezen felül a tananyagnak van egy közös **téma** is az összetartozás érdekében.
Azáltal, hogy a tartalom projektekhez kapcsolódik, a tanulási folyamat élvezetesebbé válik a tanulók számára, és a fogalmak megjegyzése javul. Emellett egy alacsony téttel bíró kvíz az óra előtt beállítja a tanuló szándékát a tématanulásra, míg egy második kvíz az óra után segíti az anyag további megjegyzését. Ez a tananyag rugalmas és szórakoztató, és egészben vagy részenként is elvégezhető. A projektek kicsiként indulnak, és a 12 hetes ciklus végére egyre összetettebbé válnak. A tananyag tartalmaz egy utószót is a gépi tanulás valós alkalmazásairól, amit extra kreditezésre vagy vitaalapnak lehet használni.
> Találd meg irányelveinket: [Viselkedési szabályzat](CODE_OF_CONDUCT.md), [Hozzájárulás](CONTRIBUTING.md), [Fordítás](TRANSLATIONS.md), és [Hibaelhárítás](TROUBLESHOOTING.md). Várjuk építő jellegű visszajelzésedet!
## Minden lecke tartalmazza
- opcionális vázlatjegyzetet
- opcionális kiegészítő videót
- videós bemutatót (csak néhány leckénél)
- [előadás előtti bemelegítő kvízt](https://ff-quizzes.netlify.app/en/ml/)
- írott leckét
- projektalapú leckéknél lépésenkénti útmutatót a projekt elkészítéséhez
- tudásellenőrzéseket
- egy kihívást
- kiegészítő olvasmányokat
- feladatot
- [előadás utáni kvízt](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. Az R leckék elvégzéséhez keresd meg a `/solution` mappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** dokumentumot jelentenek, ami tulajdonképpen beágyazott `kódrészeket` (R vagy más nyelvekben) és egy `YAML fejlécek` (ami irányítja például a PDF kimenetek formázását) tartalmazó `Markdown` dokumentum. Ez egy példás keretrendszert szolgáltat az adatelemzéshez, mert össze tudod vele kapcsolni a kódodat, annak kimenetét és gondolataid, miközben Markdown-ban jegyzetelsz. Továbbá, az R Markdown dokumentumok kimenet formátumokként is előállíthatók, például PDF, HTML vagy Word formátumban.
> **Megjegyzés a kvízekről**: Minden kvíz megtalálható a [Quiz App mappában](../../quiz-app), összesen 52 kvíz, mindegyik három kérdéssel. Ezek a leckékből linkelve vannak, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a `quiz-app` mappában a helyi hosztoláshoz vagy Azure-ra való telepítéshez.
| Lecke száma | Téma | Lecke csoportosítása | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezető](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapfogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezető](1-Introduction/README.md) | Ismerd meg ezen terület történetét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezető](1-Introduction/README.md) | Melyek azok a fontos filozófiai kérdések a méltányosság körül, amelyeket a hallgatóknak mérlegelni kell ML modellek építésekor és alkalmazásakor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezető](1-Introduction/README.md) | Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezető a regresszióba | [Regresszió](2-Regression/README.md) | Kezdj el dolgozni Pythonban és Scikit-learn-nel regressziós modellekhez | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Ábrázold és tisztítsd az adatokat a gépi tanulás előkészítéséhez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Készíts lineáris és polinomiális regressziós modelleket | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 09 | Egy Web alkalmazás 🔌 | [Web App](3-Web-App/README.md) | Építs egy webalkalmazást a betanított modelled használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, előkészítsd és ábrázold az adataidat; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Finom ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókba | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Finom ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Több osztályozó | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Finom ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Készíts egy ajánló webalkalmazást a modelled segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, előkészítsd és ábrázold az adataidat; Bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Fedezzük fel a nigériai zenei ízlést 🎧 | [Klaszterezés](5-Clustering/README.md) | Ismerd meg a K-közép klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Tanulj az NLP alapjairól egy egyszerű bot elkészítésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítsd NLP ismereteidet a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelemelemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austen műveivel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Európa romantikus szállodái ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelések alapján 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Európa romantikus szállodái ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelések alapján 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Idősorok](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utószó | Valódi ML forgatókönyvek és alkalmazások | [ML a gyakorlatban](9-Real-World/README.md) | Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulás területén | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utószó | Modellhibakeresés gépi tanulásban az RAI irányítópulton keresztül | [ML a gyakorlatban](9-Real-World/README.md) | Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [keress minden további forrást ehhez a kurzushoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline hozzáférés
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) segítségével. Forkold a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépeden, majd a repó gyökérmappájában írd be: `docsify serve`. Az oldal a 3000-es porton fog futni a localhostodon: `localhost:3000`.
## Oktatási módszertan
Két pedagógiai alapelvet választottunk e tanterv építésekor: kézzelfogható, **projektalapú** tanulás biztosítása és **gyakori kvízek** beépítése. Emellett a tananyagnak van egy közös **tematikája** is az összhang érdekében.
A tartalom projekt-irányultsága miatt az egész tanulási folyamat élvezetesebb a tanulók számára, és a fogalmak megőrzése is javul. Ezen túlmenően egy alacsony tétű kvíz az óra előtt a tanulás irányába tereli a figyelmet, míg az utólagos kvíz ezt még inkább megerősíti. Ez a tananyag rugalmas és szórakoztató, teljes egészében vagy részleteiben is elvégezhető. A projektek kicsiben kezdődnek, és fokozatosan egyre komplexebbé válnak a 12 hetes ciklus végére. Tartalmaz továbbá egy záró részt a gépi tanulás való életben való alkalmazásáról, amit plusz pontként vagy vitaalapként lehet használni.
> Találd meg a [Magatartási kódexünket](CODE_OF_CONDUCT.md), [Hozzájárulási útmutatót](CONTRIBUTING.md), [Fordítási útmutatót](TRANSLATIONS.md) és [Hibakeresési útmutatót](TROUBLESHOOTING.md). Várjuk építő jellegű visszajelzéseidet!
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Python nyelven íródtak, de sok elérhető R-ben is. R leckék elvégzéséhez keresd a `/solution` mappában az R leckéket. Ezek `.rmd` kiterjesztésűek, amely egy **R Markdown** fájlt jelöl, ami úgy definiálható, mint `kódrészek` (R vagy más nyelvekből) és egy `YAML fejléc` (amely a kimenetek formázását irányítja, pl. PDF) beágyazása egy `Markdown dokumentumban`. Ez egy kiváló szerzői eszköz az adattudomány számára, mivel lehetővé teszi a kód, annak kimenete és a gondolataid egy dokumentumban való együttes megjelenítését. R Markdown dokumentumok különböző formátumokra, például PDF, HTML vagy Word formátumba is konvertálhatók.
> **Jegyzet a kvízekről**: Minden kvíz megtalálható a [Quiz App mappában](../../quiz-app), összesen 52 kvíz, mindegyik három kérdéssel. Ezek a leckékből vannak linkelve, de a kvíz alkalmazás helyileg is futtatható; kövesd az utasításokat a `quiz-app` mappában a helyi hosztoláshoz vagy az Azure-ra való telepítéshez.
| Lecke száma | Téma | Lecke csoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapvető fogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület hátterét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Mik a fontos filozófiai kérdések a méltányossággal kapcsolatban, amelyeket a hallgatóknak mérlegelniük kell ML modellek építésekor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat alkalmaznak a kutatók az ML modellek építésére? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modelleken | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Vizualizáld és tisztítsd meg az adatokat az ML előkészítéséhez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Építs lineáris és polinomiális regressziós modelleket | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 09 | Webalkalmazás 🔌 | [Web App](3-Web-App/README.md) | Építs webalkalmazást a betanított modelled használatára | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókba | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Több osztályozó | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Építs ajánló webalkalmazást a modelled segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő és vizualizáld az adataidat; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Fedezd fel a nigériai zenei ízlést 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel a K-Means klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Tanulj az NLP alapjairól egy egyszerű bot építésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítsd el NLP tudásod azáltal, hogy megérted a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatokat | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelemelemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austen-nal | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Idősor](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utószó | Valós világ ML forgatókönyvei és alkalmazásai | [ML a gyakorlatban](9-Real-World/README.md) | Érdekes és tanulságos valós világbeli alkalmazások a klasszikus ML-ben | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utószó | Modell hibakeresése ML-ben RAI irányítópult segítségével | [ML a gyakorlatban](9-Real-World/README.md) | Modellhibakeresés a gépi tanulásban a Responsible AI irányítópult komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [keresd meg a tanfolyam további erőforrásait a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline elérés
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) használatával. Forkold ezt a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépeden, majd a repó gyökérkönyvtárában írd be, hogy `docsify serve`. A weboldal a 3000-es porton lesz elérhető a helyi gépeden: `localhost:3000`.
## PDF-ek
A tananyag PDF változatát linkekkel együtt megtalálod [itt](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
A tananyag PDF verzióját linkekkel együtt [itt találod](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -200,24 +200,24 @@ Csapatunk más kurzusokat is készít! Nézd meg:
---
### Copilot sorozat
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
Ha elakad vagy bármilyen kérdése van az AI alkalmazások készítésével kapcsolatban, csatlakozzon a többi tanulóhoz és tapasztalt fejlesztőhöz az MCP témájában zajló beszélgetésekhez. Ez egy támogató közösség, ahol a kérdések szívesen látottak, és a tudás szabadon megosztott.
Ha elakadnál vagy kérdésed lenne az AI alkalmazások készítésével kapcsolatban, csatlakozz más tanulókhoz és tapasztalt fejlesztőkhöz az MCP-ről szóló beszélgetésekben. Ez egy támogató közösség, ahol a kérdések megengedettek és a tudás szabadon megosztott.
Ezt a dokumentumot az AI fordító szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordítottuk le. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekinthető hiteles forrásnak. Kritikus információk esetén szakmai emberi fordítást javaslunk. Nem vállalunk felelősséget az ezen fordítás használatából eredő félreértésekért vagy félreértelmezésekért.
**Nyilatkozat**:
Ez a dokumentum az AI fordító szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Kritikus információk esetén szakmai, emberi fordítást javaslunk. Nem vállalunk felelősséget az ebből adódó félreértésekért vagy téves értelmezésekért.
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
> ```
> Hii inakupa kila kitu unachohitaji kukamilisha kozi kwa upakuaji wa kasi zaidi.
> Hii itakupatia kila kitu unachohitaji kukamilisha kozi hii kwa kupakua haraka zaidi.
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
#### Jiunge na Jamii Yetu
Tuna msururu wa kujifunza kwenye Discord kuhusu AI unaoendelea, jifunze zaidi na ujiunge nasi katika [Learn with AI Series](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapata vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Data.
Tuna mfululizo wa kujifunza kwenye Discord ukihusisha AI, jifunze zaidi na ujiunge nasi kwenye [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapokea vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Data.
# Kujifunza Mashine kwa Waanzilishi - Mtaala
# Kujifunza Mashine kwa Kompyuta kwa Waanzilishi - Mtaala
> 🌍 Safiri duniani kote tunapochunguza Kujifunza Mashine kupitia tamaduni za dunia 🌍
> 🌍 Tembea duniani kote tunapochunguza Kujifunza Mashine kupitia tamaduni za dunia 🌍
Wak Advocates wa Cloud katika Microsoft wanafurahia kutoa mtaala wa wiki 12, masomo 26 yote kuhusu **Kujifunza Mashine**. Katika mtaala huu, utajifunza kuhusu kile kinachojulikana kama **kujifunza mashine cha klasiki**, ukitumia hasa maktaba ya Scikit-learn na kuepuka kujifunza kwa kina, ambayo inajumuishwa katika [mtaala wetu wa AI kwa Waanzilishi](https://aka.ms/ai4beginners). Pia, weka masomo haya pamoja na mtaala wetu wa ['Sayansi ya Data kwa Waanzilishi'](https://aka.ms/ds4beginners).
Wafuasi wa Cloud Advocates wa Microsoft wana furaha kutoa mtaala wa wiki 12, somo 26 kuhusu **Kujifunza Mashine**. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa mara nyingine **kujifunza mashine klassiki**, ukitumia hasa maktaba ya Scikit-learn na kuepuka deep learning, ambayo inashughulikiwa katika [mtaala wetu wa AI kwa Waanzilishi](https://aka.ms/ai4beginners). Pia weka masomo haya sambamba na mtaala wetu wa ['Sayansi ya Data kwa Waanzilishi'](https://aka.ms/ds4beginners).
Safiri nasi kote duniani tunapotumia mbinu hizi za klasiki kwa data kutoka sehemu nyingi za dunia. Kila somo linajumuisha maswali kabla na baada ya somo, maelekezo ya maandishi ya kuhitimisha somo, suluhisho, kazi ya nyumbani, na zaidi. Pedagojia yetu inayotegemea mradi inakuwezesha kujifunza huku ukiunda, njia iliyo thibitishwa ya ujuzi mpya 'kubaki'.
Tembea nasi duniani kote tunapotumia mbinu hizi klassiki kwenye data kutoka sehemu nyingi za dunia. Kila somo lina majaribio ya kabla na baada ya somo, maelekezo yaliyoandikwa kukamilisha somo, suluhisho, kazi ya nyumbani, na mengine zaidi. Mbinu yetu ya kujifunza kwa mradi inakuruhusu kujifunza huku ukiwa unajenga, njia thabiti ya kupata ujuzi mpya.
**✍️ Shukrani nyingi kwa waandishi wetu** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu na Amy Boyd
**✍️ Shukrani za dhati kwa waandishi wetu** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu na Amy Boyd
**🎨 Shukrani pia kwa wachora wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🎨 Pia shukrani kwa wachoraji wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🙏 Shukrani maalum 🙏 kwa waandishi, wakaguzi, na wachangiaji wa Microsoft Student Ambassador**, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal
**🙏 Shukrani maalum 🙏 kwa waandishi, wakaguzi, na wachangiaji wa maudhui wa Microsoft Student Ambassador**, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal
**🤩 Shukrani zaidi kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
**🤩 Asante zaidi kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
# Kuanzia
Fuata hatua hizi:
1. **Gawanya Hifadhidata**: Bonyeza kitufe cha "Fork" kilichopo kona ya juu kulia ya ukurasa huu.
> [pata rasilimali zote za ziada za kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Kutatua Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo ya kawaida ya usakinishaji, usanidi, na kuendesha masomo.
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Kutatua Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo yanayojirudia kwenye usakinishaji, usanidi, na kuendesha masomo.
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, gawanya hifadhidata nzima kwenye akaunti yako ya GitHub na kamilisha mazoezi peke yako au kwa kundi:
**[Wanafunzi](https://aka.ms/student-page)**, kutumia mtaala huu, fanya fork ya repozitori yote kwenye akaunti yako ya GitHub na kamilisha mazoezi peke yako au na kikundi:
- Anza na jaribio kabla ya somo.
- Soma somo na kamilisha shughuli, simama na fanya tafakari kila ukikagua maarifa.
- Jaribu kuunda miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; hata hivyo msimbo huo upo kwenye folda za `/solution` katika kila somo linalolenga mradi.
- Soma somo na kamilisha shughuli, simama na fikiria kila kipimo cha maarifa.
- Jaribu kutengeneza miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; hata hivyo msimbo huo upo katika folda za `/solution` katika kila somo linalojikita kwenye mradi.
- Fanya jaribio baada ya somo.
- Kamilisha changamoto.
- Kamilisha kazi ya nyumbani.
- Baada ya kumaliza kundi la masomo, tembelea [Jukwaa la Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunze kwa sauti" kwa kujaza moja ya rubriki za PAT. 'PAT' ni Zana ya Tathmini ya Maendeleo ambayo ni rubriki unayoijaza ili kuendeleza mafunzo yako. Unaweza pia kutoa maoni kwa PAT nyingine ili tujifunze pamoja.
- Baada ya kukamilisha kundi la masomo, tembelea [Bodi ya Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunze kwa sauti" kwa kujaza PAT rubric inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambacho ni rubric unayojaza ili kuendeleza kujifunza kwako. Unaweza pia kutoa maoni juu ya PAT nyingine ili tujifunze pamoja.
> Kwa masomo zaidi, tunapendekeza kufuata moduli na njia za kujifunza za [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Kwa masomo zaidi, tunapendekeza kufuata moduli na njia za kujifunza hizi za [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Walimu**, tumetenga [mapendekezo baadhi](for-teachers.md) juu ya jinsi ya kutumia mtaala huu.
**Walimu**, tumetoa [mapendekezo kadhaa](for-teachers.md) kuhusu jinsi ya kutumia mtaala huu.
---
## Maelekezo ya video
## Video za Maelekezo
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata yote haya ndani ya masomo, au kwenye [orodha ya video za ML kwa Waanzilishi kwenye channel ya Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kwa kubonyeza picha hapa chini.
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata haya yote pamoja kwenye masomo, au kwenye [orodha ya video za ML kwa Waanzilishi kwenye YouTube ya Microsoft Developer](https://aka.ms/ml-beginners-videos) kwa kubonyeza picha iliyopo chini.
[](https://aka.ms/ml-beginners-videos)
---
## Kutana na Timu
> 🎥 Bonyeza picha kwenye juu kupata video kuhusu mradi na wale waliouunda!
> 🎥 Bonyeza picha hapo juu kwa video kuhusu mradi na watu waliouunda!
---
## Mbinu ya Kufundisha
Tumebaini kanuni mbili za kufundisha katika kujenga mtaala huu: kuhakikisha kwamba ni **mradi-wa-kazi** na kwamba unajumuisha **maswali ya mara kwa mara**. Vilevile, mtaala huu una **kauli mbiu** ya pamoja kuleta mshikamano.
Tumechagua mbinu mbili za kufundisha wakati wa kujenga mtaala huu: kuhakikisha ni **mradi unaotekelezwa kwa mikono** na kwamba unajumuisha **mara kwa mara quizzes**. Zaidi ya hayo, mtaala huu una **kauli mbiu** ya pamoja kwa kumuunganisha.
Kwa kuhakikisha maudhui yanaendana na miradi, mchakato unakuwa wa kuvutia zaidi kwa wanafunzi na kumbukumbu ya dhana itaboreshwa. Aidha, jaribio la chini kabla ya darasa linaweka nia ya mwanafunzi kuelekea kujifunza mada, wakati jaribio la pili baada ya darasa huboresha kumbukumbu zaidi. Mtaala huu umeundwa kuwa na unyumbufu na kufurahisha na unaweza kuchukuliwa kwa jumla au sehemu. Miradi huanza ndogo na kuwa ngumu zaidi kufikia mwisho wa mzunguko wa wiki 12. Mtaala huu pia unajumuisha kiambatisho kuhusu matumizi halisi ya ML, ambacho kinaweza kutumika kama mkopo wa ziada au kama msingi wa majadiliano.
Kwa kuhakikisha maudhui yanaendana na miradi, mchakato unakuwa wa kuvutia zaidi kwa wanafunzi na kunahakikisha wazo la dhahania linakumbukwa. Zaidi ya hayo, jaribio la chini ya mzigo kabla ya darasa linaweka nia ya mwanafunzi kuelekea kujifunza mada, wakati jaribio la pili baada ya darasa linahakikisha kumbukumbu zaidi. Mtaala huu umeundwa kuwa rahisi kubadilika na kufurahisha na unaweza kufuatwa kwa jumla au sehemu. Miradi inaanza mdogo na kuwa ngumu zaidi mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia unajumuisha maelezo ya matumizi halisi ya ML, ambayo yanaweza kutumika kama alama ya ziada au msingi wa majadiliano.
> Pata [Kanuni zetu za Maadili](CODE_OF_CONDUCT.md), [Kushirikiana](CONTRIBUTING.md), [Tafsiri](TRANSLATIONS.md), na [Kutatua Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako ya kujenga!
> Tafuta [Kanuni Zetu za Maadili](CODE_OF_CONDUCT.md), [Mchango](CONTRIBUTING.md), [Tafsiri](TRANSLATIONS.md), na [Kutatua Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako ya kujenga!
## Kila somo linajumuisha
- sketchnote hiari
- video ya nyongeza hiari
- maelekezo ya video (baadhi ya masomo pekee)
- [jaribio la kujiandaa kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
- somo la maandishi
- kwa masomo yanayojikita katika mradi, maelekezo hatua kwa hatua ya jinsi ya kujenga mradi
- ukaguzi wa maarifa
- chati ya sketchnote kwa hiari
- video za ziada kwa hiari
- video ya maelekezo (masomo mengine pekee)
- [jaribio la joto kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
- somo lililoandikwa
- kwa masomo yanayojikita kwenye mradi, mwongozo wa hatua kwa hatua wa jinsi ya kujenga mradi
- vipimo vya maarifa
- changamoto
- kusoma kwa ziada
- somo la ziada
- kazi ya nyumbani
- [jaribio baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
> **Kuhusu lugha**: Masomo haya yameandikwa kwa msingi wa Python, lakini mengi yanapatikana pia kwa R. Ili kumaliza somo la R, nenda kwenye folda ya `/solution` na tafuta masomo ya R. Yanajumuisha kiambatisho cha .rmd kinachoonyesha faili ya **R Markdown** ambayo inaweza kufafanuliwa kama mchanganyiko wa `vipande vya msimbo` (vya R au lugha nyingine) na `kichwa cha YAML` (ambacho kinaelekeza jinsi ya kuunda matokeo kama PDF) ndani ya `nyaraka za Markdown`. Kwa hivyo, inahudumu kama mfumo bora wa uandishi wa masomo ya sayansi ya data kwa kuwa inakuwezesha kuunganisha msimbo wako, matokeo yake, na mawazo yako kwa kuandika ndani ya Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kugeuzwa kuwa aina mbalimbali za matokeo kama PDF, HTML, au Word.
> **Kumbuka kuhusu maswali ya mtihani**: Maswali yote ya mtihani yapo katika [Folda ya Programu ya Mtihani](../../quiz-app), kwa jumla ya maswali 52 yenye maswali matatu kila moja. Yameunganishwa ndani ya masomo lakini programu ya mtihani inaweza kuendeshwa kwa eneo; fuata maelekezo kwenye folda ya `quiz-app` ili kuendesha kwa eneo au kuweka Azure.
| Nambari ya Somo | Mada | Kundi la Somo | Malengo ya Kujifunza | Somo Lililounganishwa | Mwandishi |
| 01 | Utangulizi wa ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze dhana msingi nyuma ya ujifunzaji wa mashine | [Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze historia inayohonza uwanja huu | [Somo](1-Introduction/2-history-of-ML/README.md) | Jen na Amy |
| 03 | Ukweli na ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Ni masuala gani muhimu ya falsafa kuhusu usawa ambayo wanafunzi wanapaswa kuzingatia wanapojenga na kutumia mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Wanatumia mbinu gani watafiti wa ML kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa regression | [Regression](2-Regression/README.md) | Anza na Python na Scikit-learn kwa mifano ya regression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Bei za maboga za Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Onyesha na safisha data kama maandalizi ya ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Bei za maboga za Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mifano ya regression ya mstari na polynomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen na Dmitry • Eric Wanjau |
| 08 | Bei za maboga za Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mfano wa regression ya logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Programu ya Wavuti 🔌 | [Web App](3-Web-App/README.md) | Jenga programu ya wavuti kwa kutumia mfano uliobobea | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa uainishaji | [Classification](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa uainishaji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Chunguzi na mapishi ladha ya Asia na India 🍜 | [Classification](4-Classification/README.md) | Utangulizi wa waainishaji | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen na Cassie • Eric Wanjau |
| 12 | Chunguzi na mapishi ladha ya Asia na India 🍜 | [Classification](4-Classification/README.md) | Waainishaji zaidi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen na Cassie • Eric Wanjau |
| 13 | Chunguzi na mapishi ladha ya Asia na India 🍜 | [Classification](4-Classification/README.md) | Jenga programu ya wavuti ya kupendekeza kwa kutumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa ugawaji vikundi | [Clustering](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa ugawaji vikundi | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Kuchunguza Ladha za Muziki za Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Chunguza mbinu ya ugawaji vikundi ya K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Natural language processing](6-NLP/README.md) | Jifunze msingi wa NLP kwa kujenga bot rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Kazi za kawaida za NLP ☕️ | [Natural language processing](6-NLP/README.md) | Zidisha maarifa yako ya NLP kwa kuelewa kazi za kawaida zinazotakiwa unapotumia miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Natural language processing](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia na Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia kwa mapitio ya hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia kwa mapitio ya hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Utangulizi wa utabiri wa mfululizo wa wakati | [Time series](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa wakati | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati na ARIMA | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa kutumia ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati na SVR | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa kutumia Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Utangulizi wa ujifunzaji wa kuimarisha | [Reinforcement learning](8-Reinforcement/README.md) | Utangulizi wa ujifunzaji wa kuimarisha kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaada kwa Peter kuepuka mbwa mwitu! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Ujifunzaji wa kuimarisha Gym| [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Maandishi ya Ziada | Matukio halisi ya ML na matumizi | [ML in the Wild](9-Real-World/README.md) | Matumizi ya ajabu na wazi ya ML ya kawaida | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Maandishi ya Ziada | Kuangalia Modeli katika ML kwa kutumia dashibodi ya RAI | [ML in the Wild](9-Real-World/README.md) | Kuangalia modeli katika kujifunza mashine kwa kutumia vipengele vya dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pata rasilimali zote za ziada za kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Upatikanaji bila mtandao
Unaweza kuendesha nyaraka hii bila mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Fanya toleo la hivi karibuni la repo hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya eneo, kisha kwenye folda ya mizizi ya repo hii, andika `docsify serve`. Tovuti itahudumiwa kwenye bandari 3000 kwenye localhost yako: `localhost:3000`.
> **Tafadhali kuhusu lugha**: Masomo haya huandikwa hasa kwa Python, lakini mengi yanaweza kupatikana pia kwa R. Ili kumaliza somo la R, nenda kwenye folda ya `/solution` na tatua masomo ya R. Yana kiambatisho cha .rmd kinachoashiria faili ya **R Markdown** ambayo inaweza kueleweka kama jalada la `vipande vya msimbo` (ya R au lugha nyingine) na `kichwa cha YAML` (kinachoongoza jinsi ya kuitengeneza matokeo kama PDF) katika `nyaraka za Markdown`. Kwa hiyo, ni mfumo bora wa uandishi kwa sayansi ya data kwa sababu hukuruhusu kuunganisha msimbo wako, matokeo yake, na mawazo yako kwa kuyaratibu kwa Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kutengenezwa kuwa aina mbalimbali za matokeo kama PDF, HTML, au Word.
> **Kumbuka kuhusu mitihani ya maarifa**: Mitihani yote iko ndani ya [Folda ya Programu ya Mitihani](../../quiz-app), kwa jumla ya mitihani 52 yenye maswali matatu kila moja. Imeunganishwa ndani ya masomo lakini programu ya mitihani inaweza kuendeshwa kwa ndani; fuata maelekezo katika folda ya `quiz-app` ili kuiendesha au kuiweka moja kwa moja Azure.
| Nambari ya Somo | Mada | Kikundi cha Somo | Malengo ya Kujifunza | Somo Linalounganishwa | Mwandishi |
| 01 | Utangulizi wa ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze dhana msingi nyuma ya ujifunzaji wa mashine |[Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze historia inayosimamia uwanja huu | [Somo](1-Introduction/2-history-of-ML/README.md)| Jen na Amy |
| 03 | Usawa na ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md)| Ni masuala gani muhimu ya kifalsafa kuhusu usawa ambayo wanafunzi wanapaswa kuyazingatia wakati wa kujenga na kutumia mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Ni mbinu gani wanazotumia watafiti wa ML kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa urekebishaji | [Urekebishaji](2-Regression/README.md) | Anza na Python na Scikit-learn kwa mifano ya urekebishaji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Bei za malenge ya Amerika Kaskazini 🎃 | [Urekebishaji](2-Regression/README.md) | Onyesha na safisha data kwa ajili ya ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Bei za malenge ya Amerika Kaskazini 🎃 | [Urekebishaji](2-Regression/README.md) | Jenga mifano ya urekebishaji wa mstari na polynomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) |Jen na Dmitry • Eric Wanjau |
| 08 | Bei za malenge ya Amerika Kaskazini 🎃 | [Urekebishaji](2-Regression/README.md) | Jenga mfano wa urekebishaji wa logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) |Jen • Eric Wanjau |
| 09 | Programu ya Mtandao 🔌 | [Programu ya Mtandao](3-Web-App/README.md) | Jenga programu ya mtandao kutumia mfano uliyofundishwa | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa upangaji wa makundi | [Upangaji wa Makundi](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa upangaji wa makundi | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Ladha tamu za Asia na India 🍜 | [Upangaji wa Makundi](4-Classification/README.md) | Utangulizi wa wapangaji wa makundi | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen na Cassie • Eric Wanjau |
| 12 | Ladha tamu za Asia na India 🍜 | [Upangaji wa Makundi](4-Classification/README.md) | Wapangaji wa makundi zaidi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen na Cassie • Eric Wanjau |
| 13 | Ladha tamu za Asia na India 🍜 | [Upangaji wa Makundi](4-Classification/README.md) | Jenga programu ya mtandao ya kupendekeza kwa kutumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa ugawaji kundi | [Ugawaji Kundi](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa ugawaji kundi | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Kuchunguza Ladha za Muziki za Nigeria 🎧 | [Ugawaji Kundi](5-Clustering/README.md) | Chunguza mbinu ya ugawaji kundi wa K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Usindikaji wa Lugha Asilia](6-NLP/README.md) | Jifunze misingi ya NLP kwa kujenga bot rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Kazi za kawaida za NLP ☕️ | [Usindikaji wa Lugha Asilia](6-NLP/README.md) | Zidisha ujuzi wako wa NLP kwa kuelewa kazi za kawaida zinazohitajika wakati wa kushughulika na miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Usindikaji wa Lugha Asilia](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia na Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Usindikaji wa Lugha Asilia](6-NLP/README.md) | Uchambuzi wa hisia kwa mapitio ya hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Usindikaji wa Lugha Asilia](6-NLP/README.md) | Uchambuzi wa hisia kwa mapitio ya hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Utangulizi wa utabiri wa mfululizo wa wakati | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa wakati | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati na ARIMA | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa kutumia ARIMA |[Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati na SVR | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa kutumia Support Vector Regressor |[Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Utangulizi wa ujifunzaji wa kuimarisha | [Ujifunzaji wa Kuimarisha](8-Reinforcement/README.md) | Utangulizi wa ujifunzaji wa kuimarisha kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaada kwa Peter kuepuka mbwa mwitu! 🐺 | [Ujifunzaji wa Kuimarisha](8-Reinforcement/README.md) | Gym ya ujifunzaji wa kuimarisha | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Hali halisi za ML na matumizi yake | [ML porini](9-Real-World/README.md) | Matumizi yenye kuvutia na kufunua ya ML ya kihistoria | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Postscript | Urekebishaji wa Mfano katika ML kwa kutumia dashibodi ya RAI | [ML porini](9-Real-World/README.md) | Urekebishaji wa Mfano katika Ujifunzaji wa Mashine kwa kutumia vipengele vya dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [pata rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Upatikanaji wa nje ya mtandao
Unaweza kuendesha hati hii nje ya mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Toa nakala ya repo hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya ndani, kisha katika folda ya mzizi ya repo hii, andika `docsify serve`. Tovuti itakuwa inatolewa kwenye bandari 3000 kabisa akaunti yako ya localhost: `localhost:3000`.
## PDF
@ -142,24 +167,24 @@ Timu yetu hutengeneza kozi nyingine! Angalia:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://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 / Maajenti
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Mfululizo wa AI ya Kizazi
[](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)
---
@ -167,22 +192,22 @@ Timu yetu hutengeneza kozi nyingine! Angalia:
[](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://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)
---
### Mfululizo wa Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## Kupata Msaada
Ikiwa unakumbwa na changamoto au una maswali kuhusu kujenga programu za AI. Jiunge na wapenzi wengine wa kujifunza na watengenezaji wenye uzoefu katika mijadala kuhusu MCP. Ni jumuiya yenye msaada ambapo maswali yanakaribishwa na maarifa yanashirikiwa kwa uhuru.
Ikiwa unakwama au una maswali yoyote kuhusu kujenga programu za AI. Jiunge na wanafunzi wenzako na waendelezaji wenye uzoefu katika mijadala kuhusu MCP. Ni jamii yenye msaada ambapo maswali yanakaribishwa na maarifa hushirikiana kwa uhuru.
@ -193,6 +218,6 @@ Ikiwa una maoni kuhusu bidhaa au makosa wakati wa kujenga tembelea:
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Kiarifu cha Kutotegemea**:
Nyaraka hii imetafsiriwa kwa kutumia huduma ya utafsiri wa AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kufikia usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au upotoshaji. Nyaraka ya asili katika lugha yake ya asili inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayotolewa na binadamu inashauriwa. Hatukuzuiliwa kwa maelewano mabaya au tafsiri potovu zitokanazo na matumizi ya tafsiri hii.
**Tangazo la Kutojihusisha**:
Nyaraka hii imetatuliwa kwa kutumia huduma ya kutafsiri kwa AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kupata usahihi, tafadhali fahamu kwamba tafsiri za kiotomatiki zinaweza kuwa na makosa au upungufu wa usahihi. Nyaraka asilia katika lugha yake ya asili inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatubeba dhamana kwa maana potofu au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
localizeflow[bot]
3 months ago