> Sketchnote od [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Kvíz před lekcí](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "ML pro začátečníky - Historie strojového učení")
[](https://youtu.be/N6wxM4wZ7V0 "ML pro začátečníky - Historie strojového učení")
> 🎥 Klikněte na obrázek výše pro krátké video k této lekci.
> 🎥 Klikněte na obrázek výše pro krátké video s průchodem touto lekcí.
V této lekci projdeme hlavní milníky v historii strojového učení a umělé inteligence.
V této lekci si projdeme hlavní milníky v historii strojového učení a umělé inteligence.
Historie umělé inteligence (AI) jako oboru je úzce propojena s historií strojového učení, protože algoritmy a výpočetní pokroky, které tvoří základ ML, přispěly k rozvoji AI. Je užitečné si uvědomit, že i když se tyto obory jako samostatné oblasti zkoumání začaly formovat v 50. letech, důležité [algoritmické, statistické, matematické, výpočetní a technické objevy](https://wikipedia.org/wiki/Timeline_of_machine_learning) předcházely a překrývaly toto období. Ve skutečnosti lidé přemýšlejí o těchto otázkách již [stovky let](https://wikipedia.org/wiki/History_of_artificial_intelligence): tento článek pojednává o historických intelektuálních základech myšlenky „myslícího stroje“.
Historie umělé inteligence (AI) jako oboru je úzce spjata s historií strojového učení, protože algoritmy a výpočetní pokroky, které stojí za ML, přispěly k rozvoji AI. Je užitečné si zapamatovat, že zatímco tyto obory jako samostatné oblasti výzkumu začaly krystalizovat v 50. letech, důležité [algoritmické, statistické, matematické, výpočetní a technické objevy](https://wikipedia.org/wiki/Timeline_of_machine_learning) předcházely a překrývaly toto období. Ve skutečnosti lidé přemýšlejí o těchto otázkách [stovky let](https://wikipedia.org/wiki/History_of_artificial_intelligence): tento článek pojednává o historických intelektuálních základech myšlenky „myslícího stroje“.
---
## Významné objevy
## Pozoruhodné objevy
- 1763, 1812 [Bayesův teorém](https://wikipedia.org/wiki/Bayes%27_theorem) a jeho předchůdci. Tento teorém a jeho aplikace tvoří základ inferencí, popisujících pravděpodobnost události na základě předchozích znalostí.
- 1805 [Metoda nejmenších čtverců](https://wikipedia.org/wiki/Least_squares) od francouzského matematika Adriena-Marie Legendra. Tato metoda, kterou se naučíte v naší jednotce o regresi, pomáhá při přizpůsobování dat.
- 1913 [Markovovy řetězce](https://wikipedia.org/wiki/Markov_chain), pojmenované po ruském matematikovi Andreji Markovovi, popisují sekvenci možných událostí na základě předchozího stavu.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) je typ lineárního klasifikátoru, který vynalezl americký psycholog Frank Rosenblatt a který tvoří základ pokroků v hlubokém učení.
- 1763, 1812 [Bayesův teorém](https://wikipedia.org/wiki/Bayes%27_theorem) a jeho předchůdci. Tento teorém a jeho aplikace jsou základem odvozování, popisující pravděpodobnost výskytu události na základě předchozích znalostí.
- 1805 [Teorie nejmenších čtverců](https://wikipedia.org/wiki/Least_squares) francouzského matematika Adriena-Marie Legendre. Tuto teorii, o které se dozvíte v naší jednotce Regrese, pomáhá při přizpůsobování dat.
- 1913 [Markovovy řetězce](https://wikipedia.org/wiki/Markov_chain), pojmenované po ruském matematikovi Andreji Markovovi, slouží k popisu posloupnosti možných událostí na základě předchozího stavu.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) je typ lineárního klasifikátoru vynalezený americkým psychologem Frankem Rosenblattem, který stojí za pokroky v hlubokém učení.
---
- 1967 [Nejbližší soused](https://wikipedia.org/wiki/Nearest_neighbor) je algoritmus původně navržený pro mapování tras. V kontextu ML se používá k detekci vzorců.
- 1970 [Backpropagace](https://wikipedia.org/wiki/Backpropagation) se používá k trénování [dopředných neuronových sítí](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1967 [Algoritmus nejbližšího souseda](https://wikipedia.org/wiki/Nearest_neighbor) byl původně navržen pro mapování tras. V kontextu ML se používá k detekci vzorců.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) se používá k tréninku [dopředných neuronových sítí](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Rekurentní neuronové sítě](https://wikipedia.org/wiki/Recurrent_neural_network) jsou umělé neuronové sítě odvozené z dopředných neuronových sítí, které vytvářejí časové grafy.
✅ Udělejte si malý průzkum. Které další data v historii ML a AI považujete za klíčové?
✅ Udělejte malý průzkum. Které další data v historii ML a AI vám připadají klíčová?
---
## 1950: Stroje, které myslí
Alan Turing, skutečně výjimečný člověk, který byl [veřejností v roce 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) zvolen největším vědcem 20. století, je považován za zakladatele konceptu „stroje, který může myslet“. Turing se potýkal s odpůrci i s vlastní potřebou empirických důkazů tohoto konceptu, mimo jiné vytvořením [Turingova testu](https://www.bbc.com/news/technology-18475646), který budete zkoumat v našich lekcích o NLP.
Alan Turing, skutečně pozoruhodná osobnost, která byla [veřejností v roce 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) zvolena největším vědcem 20. století, je připisován za položení základů konceptu „stroje, který může myslet“. Potýkal se s odpůrci a svou potřebou empirických důkazů tohoto konceptu částečně vytvořením [Turingova testu](https://www.bbc.com/news/technology-18475646), který budete zkoumat v našich lekcích NLP.
---
## 1956: Letní výzkumný projekt v Dartmouthu
## 1956: Letní výzkumný projekt Dartmouthu
"Letní výzkumný projekt v Dartmouthu o umělé inteligenci byl klíčovou událostí pro AI jako obor," a právě zde byl termín 'umělá inteligence' poprvé použit ([zdroj](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Letní výzkumný projekt Dartmouthu o umělé inteligenci byl klíčovou událostí pro umělou inteligenci jako obor," a právě zde byl vytvořen termín „umělá inteligence“ ([zdroj](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Každý aspekt učení nebo jakákoli jiná vlastnost inteligence může být v principu tak přesně popsán, že stroj může být vytvořen tak, aby jej simuloval.
> Každý aspekt učení nebo jakákoli jiná vlastnost inteligence může být v zásadě tak přesně popsána, že stroj ji může simulovat.
---
Vedoucí výzkumu, profesor matematiky John McCarthy, doufal, že "pokročí na základě domněnky, že každý aspekt učení nebo jakákoli jiná vlastnost inteligence může být v principu tak přesně popsán, že stroj může být vytvořen tak, aby jej simuloval." Mezi účastníky patřil další významný odborník v oboru, Marvin Minsky.
Vedoucí výzkumník, profesor matematiky John McCarthy, doufal, „že bude postupovat na základě domněnky, že každý aspekt učení nebo jakákoli jiná vlastnost inteligence může být v zásadě tak přesně popsána, že stroj ji může simulovat.“ Účastníky byli další významní vědci v oboru, včetně Marvina Minskyho.
Workshop je považován za iniciátora a podporovatele několika diskusí, včetně "vzestupu symbolických metod, systémů zaměřených na omezené oblasti (rané expertní systémy) a deduktivních systémů versus induktivních systémů." ([zdroj](https://wikipedia.org/wiki/Dartmouth_workshop)).
Workshop je připisován za zahájení a povzbuzení několika diskusí, včetně „vzestupu symbolických metod, systémů zaměřených na omezené oblasti (rané expertní systémy) a odvozovacích systémů oproti induktivním systémům.“ ([zdroj](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Zlaté roky"
## 1956 - 1974: „Zlatá léta“
Od 50. let do poloviny 70. let panoval optimismus, že AI může vyřešit mnoho problémů. V roce 1967 Marvin Minsky sebevědomě prohlásil: "Během jedné generace ... problém vytvoření 'umělé inteligence' bude podstatně vyřešen." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Od 50. let do poloviny 70. let panoval optimismus v naději, že AI vyřeší mnoho problémů. V roce 1967 Marvin Minsky sebevědomě prohlásil, že „do jedné generace ... bude problém vytvoření ‚umělé inteligence‘ podstatně vyřešen.“ (Minsky, Marvin (1967), Výpočet: konečné a nekonečné stroje, Englewood Cliffs, N.J.: Prentice-Hall)
Výzkum zpracování přirozeného jazyka vzkvétal, vyhledávání bylo zdokonaleno a učiněno výkonnějším a byl vytvořen koncept 'mikrosvětů', kde byly jednoduché úkoly prováděny pomocí jednoduchých jazykových instrukcí.
Výzkum zpracování přirozeného jazyka rozkvétal, vyhledávání bylo zdokonalené a zesílené a vznikl koncept „mikrosvětů“, kde se jednoduché úkoly plnily pomocí běžných jazykových pokynů.
---
Výzkum byl dobře financován vládními agenturami, byly učiněny pokroky ve výpočtech a algoritmech a byly vytvořeny prototypy inteligentních strojů. Některé z těchto strojů zahrnují:
Výzkum byl dobře financován vládními agenturami, byly učiněny pokroky ve výpočetní technice a algoritmech a byly postaveny prototypy inteligentních strojů. Některé z těchto strojů zahrnují:
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), který se mohl pohybovat a rozhodovat, jak inteligentně vykonávat úkoly.
* [Shakey, robot](https://wikipedia.org/wiki/Shakey_the_robot), který mohl manévrovat a rozhodovat, jak úkoly „inteligentně“ vykonávat.
* "Blocks world" byl příklad mikrosvěta, kde bylo možné bloky stohovat a třídit, a experimenty s výukou strojů k rozhodování mohly být testovány. Pokroky vytvořené s knihovnami jako [SHRDLU](https://wikipedia.org/wiki/SHRDLU) pomohly posunout zpracování jazyka vpřed.
* „Blocks world“ byl příkladem mikrosvěta, kde se mohly bloky skládat a třídit, a experimentovalo se zde s učením strojů přijímat rozhodnutí. Pokroky postavené na knihovnách jako [SHRDLU](https://wikipedia.org/wiki/SHRDLU) pomohly posunout dopředu zpracování jazyka.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world s SHRDLU")
> 🎥 Klikněte na obrázek výše pro video: Blocks world s SHRDLU
---
## 1974 - 1980: "Zima AI"
## 1974 - 1980: „Zima AI“
Do poloviny 70. let se ukázalo, že složitost vytváření 'inteligentních strojů' byla podceněna a její sliby, vzhledem k dostupné výpočetní síle, byly přehnané. Financování vyschlo a důvěra v obor se zpomalila. Některé problémy, které ovlivnily důvěru, zahrnují:
Do poloviny 70. let se ukázalo, že složitost vytváření „inteligentních strojů“ byla podceněna a sliby přes dostupný výpočetní výkon byly nadsazeny. Financování vyschlo a důvěra v obor poklesla. Mezi faktory ovlivňujícími důvěru patřily:
---
- **Omezení**. Výpočetní síla byla příliš omezená.
- **Kombinatorická exploze**. Počet parametrů potřebných k trénování rostl exponenciálně, jak bylo na počítače kladeno více požadavků, bez paralelního vývoje výpočetní síly a schopností.
- **Nedostatek dat**. Nedostatek dat bránil procesu testování, vývoje a zdokonalování algoritmů.
- **Pokládáme správné otázky?**. Samotné otázky, které byly kladeny, začaly být zpochybňovány. Výzkumníci začali čelit kritice ohledně svých přístupů:
- Turingovy testy byly zpochybněny mimo jiné teorií 'čínského pokoje', která tvrdila, že "programování digitálního počítače může způsobit, že se zdá, že rozumí jazyku, ale nemůže vytvořit skutečné porozumění." ([zdroj](https://plato.stanford.edu/entries/chinese-room/))
- Etika zavádění umělých inteligencí, jako je "terapeut" ELIZA, do společnosti byla zpochybněna.
- **Omezení**. Výpočetní výkon byl příliš omezený.
- **Kombinatorická exploze**. Počet parametrů, které bylo třeba natrénovat, rostl exponenciálně, jak se od počítačů vyžadovalo více, bez paralelního vývoje výpočetního výkonu a schopností.
- **Nedostatek dat**. Nedostatek dat ztěžoval testování, vývoj a zdokonalování algoritmů.
- **Ptáme se na správné otázky?**. Začaly být zpochybňovány samotné otázky, které byly kladeny. Výzkumníci čelili kritice svých přístupů:
- Turingovy testy byly zpochybňovány například díky „čínské místnosti“, která tvrdila, že „programování digitálního počítače může způsobit, že to vypadá, že rozumí jazyku, ale nemůže dosáhnout skutečného porozumění.“ ([zdroj](https://plato.stanford.edu/entries/chinese-room/))
- Etika zavádění umělých inteligencí, jako byl „terapeut“ ELIZA, byla zpochybňována.
---
Současně se začaly formovat různé školy myšlení AI. Byla vytvořena dichotomie mezi ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) přístupy. _Scruffy_ laboratoře upravovaly programy hodiny, dokud nedosáhly požadovaných výsledků. _Neat_ laboratoře "se zaměřovaly na logiku a formální řešení problémů". ELIZA a SHRDLU byly známé _scruffy_ systémy. V 80. letech, kdy vznikla poptávka po reprodukovatelnosti ML systémů, se postupně dostal do popředí _neat_ přístup, protože jeho výsledky jsou lépe vysvětlitelné.
Současně se formovaly různé školy AI. Byla vytvořena dichotomie mezi přístupy ["nepořádné" vs. "uklizené AI"](https://wikipedia.org/wiki/Neats_and_scruffies). _Nepošloučasné_ laboratoře upravovaly programy hodiny, dokud nedosáhly požadovaných výsledků. _Uklizené_ laboratoře se „zaměřovaly na logiku a formální řešení problémů“. ELIZA a SHRDLU byly známé _nepořádné_ systémy. V 80. letech, s narůstající poptávkou po reprodukovatelnosti ML systémů, _uklizený_ přístup postupně získal prvenství, protože jeho výsledky jsou lépe vysvětlitelné.
---
## 1980s Expertní systémy
Jak obor rostl, jeho přínos pro podnikání se stal jasnějším, a v 80. letech se rozšířily 'expertní systémy'. "Expertní systémy byly jednou z prvních skutečně úspěšných forem softwaru umělé inteligence (AI)." ([zdroj](https://wikipedia.org/wiki/Expert_system)).
S růstem oboru se jeho přínos pro podnikání stal jasnějším, a v 80. letech také vzrostla proliferace „expertních systémů“. „Expertní systémy patřily mezi první opravdu úspěšné formy softwaru umělé inteligence (AI).“ ([zdroj](https://wikipedia.org/wiki/Expert_system)).
Tento typ systému je vlastně _hybridní_, skládající se částečně z pravidlového enginu definujícího obchodní požadavky a inferenčního enginu, který využíval pravidlový systém k odvozování nových faktů.
Tento typ systému je vlastně _hybridní_, částečně se skládá z pravidlového motoru definujícího podnikatelské požadavky, a inferenčního motoru, který využívá pravidlový systém k odvození nových faktů.
Toto období také přineslo zvýšenou pozornost věnovanou neuronovým sítím.
Tato éra zaznamenala také rostoucí pozornost věnovanou neuronovým sítím.
---
## 1987 - 1993: AI 'Ochlazení'
## 1987 - 1993: „Chlazení AI“
Rozšíření specializovaného hardwaru expertních systémů mělo nešťastný efekt přílišné specializace. Vzestup osobních počítačů také konkuroval těmto velkým, specializovaným, centralizovaným systémům. Demokratizace výpočetní techniky začala a nakonec připravila cestu pro moderní explozi velkých dat.
Proliferace specializovaného hardwaru pro expertní systémy se nešťastně stala příliš specializovanou. Vzestup osobních počítačů také konkuroval těmto velkým, specializovaným, centralizovaným systémům. Demokracie výpočetní techniky začala, a nakonec vytvořila cestu pro moderní explozi velkých dat.
---
## 1993 - 2011
Toto období přineslo novou éru pro ML a AI, aby mohly řešit některé problémy způsobené dříve nedostatkem dat a výpočetní síly. Množství dat začalo rychle narůstat a být dostupnější, k lepšímu i k horšímu, zejména s příchodem chytrého telefonu kolem roku 2007. Výpočetní síla se exponenciálně rozšířila a algoritmy se vyvíjely souběžně. Obor začal nabývat na zralosti, protože volné dny minulosti se začaly formovat do skutečné disciplíny.
Tato epocha znamenala novou éru pro ML a AI, aby mohly řešit některé problémy způsobené dříve nedostatkem dat a výpočetního výkonu. Množství dat začalo rychle růst a stalo se více dostupné, k lepšímu i horšímu, zejména s příchodem chytrých telefonů kolem roku 2007. Výpočetní výkon vzrostl exponenciálně a algoritmy se vyvíjely paralelně. Obor začal získávat zralost, jak se volné dny minulosti začaly ukotvovat jako skutečná disciplína.
---
## Současnost
## Nyní
Dnes strojové učení a AI zasahují téměř do každé části našeho života. Toto období vyžaduje pečlivé pochopení rizik a potenciálních dopadů těchto algoritmů na lidské životy. Jak uvedl Brad Smith z Microsoftu: "Informační technologie vyvolávají otázky, které se dotýkají základních lidských práv, jako je ochrana soukromí a svoboda projevu. Tyto otázky zvyšují odpovědnost technologických společností, které tyto produkty vytvářejí. Podle našeho názoru také volají po promyšlené vládní regulaci a po vývoji norem kolem přijatelných použití" ([zdroj](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Dnes strojové učení a AI zasahují téměř do každé části našich životů. Tato éra vyžaduje pečlivé pochopení rizik a možných dopadů těchto algoritmů na lidské životy. Jak uvedl Brad Smith z Microsoftu: „Informační technologie vyvolávají otázky, které se dotýkají základních ochran lidských práv, jako je soukromí a svoboda projevu. Tyto otázky zvyšují odpovědnost technologických společností, které tyto produkty vytvářejí. Z našeho pohledu také vyžadují promyšlenou vládní regulaci a rozvoj norem týkajících se přijatelných použití“ ([zdroj](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Zůstává otázkou, co přinese budoucnost, ale je důležité porozumět těmto počítačovým systémům a softwaru a algoritmům, které provozují. Doufáme, že vám tento kurz pomůže získat lepší porozumění, abyste si mohli udělat vlastní názor.
Ještě se uvidí, co budoucnost přinese, ale je důležité porozumět těmto počítačovým systémům a softwaru a algoritmům, na kterých běží. Doufáme, že vám tento učební plán pomůže získat lepší porozumění, abyste si mohli udělat vlastní názor.
> 🎥 Klikněte na obrázek výše pro video: Yann LeCun diskutuje historii hlubokého učení v této přednášce
@ -130,7 +130,7 @@ Zůstává otázkou, co přinese budoucnost, ale je důležité porozumět těmt
---
## 🚀Výzva
Ponořte se do jednoho z těchto historických momentů a dozvězte se více o lidech, kteří za nimi stojí. Jsou to fascinující osobnosti a žádný vědecký objev nikdy nevznikl v kulturním vakuu. Co objevíte?
Ponořte se do některého z těchto historických okamžiků a zjistěte více o lidech za nimi. Jsou to fascinující postavy a žádný vědecký objev nevznikl v kulturním vakuu. Co objevíte?
## [Kvíz po lekci](https://ff-quizzes.netlify.app/en/ml/)
@ -139,17 +139,19 @@ Ponořte se do jednoho z těchto historických momentů a dozvězte se více o l
Zde jsou položky ke sledování a poslechu:
[Podcast, kde Amy Boyd diskutuje vývoj AI](http://runasradio.com/Shows/Show/739)
[Tento podcast, kde Amy Boyd diskutuje vývoj AI](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Historie AI od Amy Boyd")
---
## Úkol
## Zadání
[Vytvořte časovou osu](assignment.md)
---
**Prohlášení**:
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o omezení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.
## [Kvíz před lekcí](https://ff-quizzes.netlify.app/en/ml/)
## Úvod
V tomto kurzu začnete objevovat, jak strojové učení ovlivňuje náš každodenní život. Již nyní jsou systémy a modely zapojeny do každodenních rozhodovacích úloh, jako jsou zdravotnické diagnózy, schvalování půjček nebo detekce podvodů. Je proto důležité, aby tyto modely fungovaly dobře a poskytovaly výsledky, kterým lze důvěřovat. Stejně jako jakýkoli software, i AI systémy mohou nesplnit očekávání nebo mít nežádoucí výsledek. Proto je zásadní být schopen pochopit a vysvětlit chování AI modelu.
V tomto kurzu začnete objevovat, jak strojové učení může a již ovlivňuje naše každodenní životy. Již nyní jsou systémy a modely zapojeny do každodenního rozhodování, jako jsou zdravotní diagnózy, schvalování půjček nebo detekce podvodů. Je proto důležité, aby tyto modely fungovaly dobře a poskytovaly výsledky, kterým lze důvěřovat. Stejně jako každý softwarový aplikace, i AI systémy mohou nesplnit očekávání nebo mít nežádoucí výsledky. Proto je zásadní být schopen porozumět a vysvětlit chování modelu AI.
Představte si, co se stane, když data, která používáte k vytvoření těchto modelů, postrádají určité demografické skupiny, jako je rasa, pohlaví, politický názor, náboženství, nebo tyto skupiny nepoměrně reprezentují. Co když je výstup modelu interpretován tak, že preferuje nějakou demografickou skupinu? Jaký má to důsledek pro aplikaci? Navíc, co když má model nežádoucí výsledek a ubližuje lidem? Kdo je odpovědný za chování AI systému? To jsou některé otázky, které v tomto kurzu prozkoumáme.
Představte si, co se může stát, když data, která používáte k vytváření těchto modelů, postrádají určité demografické skupiny, jako je rasa, pohlaví, politický názor, náboženství, nebo když takové demografické skupiny neúměrně reprezentují. Co se stane, když je výstup modelu interpretován tak, že zvýhodňuje určitou demografickou skupinu? Jaké jsou důsledky pro aplikaci? A co se stane, když model má negativní výsledek a je škodlivý pro lidi? Kdo je odpovědný za chování AI systému? To jsou některé otázky, které budeme v tomto kurzu zkoumat.
V této lekci si:
V této lekci:
- Zvýšíte povědomí o důležitosti spravedlnosti ve strojovém učení a škodách souvisejících se spravedlností.
- Se seznámíte s praxí zkoumání odlehlých případů a neobvyklých scénářů pro zajištění spolehlivosti a bezpečnosti
- Získáte pochopení potřeby posílit každého navrhováním inkluzivních systémů
- Prozkoumáte, jak je zásadní chránit soukromí a bezpečnost dat a lidí
- Uvidíte důležitost přístupu s otevřenou schránkou ke vysvětlení chování AI modelů
- Budete si vědomi, jak je odpovědnost nezbytná pro budování důvěry v AI systémy
- Zvýšíte své povědomí o důležitosti spravedlnosti ve strojovém učení a škodách souvisejících se spravedlností.
- Se seznámíte s praxí zkoumání odlehlých hodnot a neobvyklých scénářů, abyste zajistili spolehlivost a bezpečnost.
- Získáte porozumění potřebě posílit všechny vytvořením inkluzivních systémů.
- Prozkoumáte, jak je důležité chránit soukromí a bezpečnost dat a lidí.
- Uvidíte, jak je důležité mít přístup „skleněné krabice“ k vysvětlení chování AI modelů.
- Budete si vědomi, jak je odpovědnost nezbytná pro budování důvěry v AI systémy.
## Předpoklady
Jako předpoklad prosím absolvujte "Principy odpovědné AI" v Learning Path a podívejte se na video níže na toto téma:
Jako předpoklad absolvujte prosím „Principy odpovědné AI“ v Learning Path a podívejte se na níže uvedené video na toto téma:
Dozvíte se více o odpovědné AI tím, že budete sledovat tento [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Více se dozvíte o odpovědné AI sledováním této [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Přístup Microsoftu k odpovědné AI")
@ -32,15 +32,15 @@ Dozvíte se více o odpovědné AI tím, že budete sledovat tento [Learning Pat
## Spravedlnost
AI systémy by měly zacházet se všemi spravedlivě a vyhnout se tomu, aby ovlivňovaly podobné skupiny lidí různými způsoby. Například, když AI systémy poskytují doporučení ohledně lékařské léčby, žádostí o půjčku nebo zaměstnání, měly by všem s podobnými příznaky, finanční situací nebo profesní kvalifikací doporučit to samé. Každý z nás jako lidé nosí s sebou zděděné předsudky, které ovlivňují naše rozhodnutí a činy. Tyto předsudky mohou být patrné v datech, která používáme k tréninku AI systémů. Taková manipulace se někdy děje neúmyslně. Často je obtížné si vědomě uvědomit, kdy data zkreslujete.
AI systémy by měly zacházet se všemi spravedlivě a vyhnout se tomu, aby podobné skupiny lidí ovlivňovaly různými způsoby. Například pokud AI systémy poskytují doporučení ohledně lékařské péče, žádostí o půjčku nebo zaměstnání, měly by všem se stejnými symptomy, finanční situací nebo odbornými kvalifikacemi poskytovat stejná doporučení. Každý z nás jako lidé máme vrozené předsudky, které ovlivňují naše rozhodnutí a jednání. Tyto předsudky mohou být patrné v datech, která používáme k natrénování AI systémů. Taková manipulace může někdy probíhat nevědomky. Často je obtížné vědomě poznat, kdy do dat zavádíte předsudky.
**„Nespravedlnost“** zahrnuje negativní dopady, nebo „škody“ pro skupinu lidí, například definovanou podle rasy, pohlaví, věku nebo zdravotního postižení. Hlavní škody související se spravedlností lze klasifikovat jako:
**„Nespravedlnost“** zahrnuje negativní dopady nebo „škody“ pro skupinu lidí, například definovaných podle rasy, pohlaví, věku nebo zdravotního postižení. Hlavní škody související se spravedlností mohou být klasifikovány jako:
- **Přidělení**, pokud je například preferováno nějaké pohlaví nebo etnikum.
- **Kvalita služby**. Pokud trénujete data pro jeden specifický scénář, ale realita je mnohem složitější, vede to k špatně fungující službě. Například dávkovač tekutého mýdla, který nedokázal rozpoznat lidi s tmavou pokožkou. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Ošklivé označování**. Nespravedlivé kritizování a označování něčeho nebo někoho. Například technologie značkování obrázků neslavně označila obrázky tmavé pleti lidí jako gorily.
- **Nadměrné nebo nedostatečné zastoupení**. Myšlenka, že určitá skupina není vidět v určité profesi, a každá služba nebo funkce, která toto podporuje, přispívá ke škodě.
- **Stereotypizace**. Přiřazování dané skupině předem určených atributů. Například jazykový překladový systém mezi angličtinou a turečtinou může mít nepřesnosti kvůli slovům s genderově stereotypními asociacemi.
- **Přidělení**, pokud je například pohlaví nebo etnicita zvýhodněna před jinými.
- **Kvalita služby**. Pokud trénujete data pro konkrétní scénář, ale realita je mnohem složitější, vede to k špatně fungující službě. Například dávkovač mýdla na ruce, který nedokázal správně rozpoznat lidi s tmavou pletí. [Reference](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Znevažování**. Nespravedlivě kritizovat a označit něco nebo někoho. Například technologie označování obrázků nechvalně označila obrázky tmavopletých lidí jako gorily.
- **Nadměrná nebo nedostatečná reprezentace**. Myšlenka je, že určitá skupina není vidět v určité profesi, a jakákoli služba nebo funkce, která toto podporuje, přispívá ke škodě.
- **Stereotypizace**. Spojování určité skupiny s předem přiřazenými atributy. Například překladový systém mezi angličtinou a turečtinou může mít nepřesnosti kvůli slovům se stereotypními asociacemi s pohlavím.
> překlad do turečtiny
@ -48,114 +48,113 @@ AI systémy by měly zacházet se všemi spravedlivě a vyhnout se tomu, aby ovl
> překlad zpět do angličtiny
Při návrhu a testování AI systémů musíme zajistit, aby AI byla spravedlivá a nebyla naprogramována k rozhodnutím s předsudky nebo diskriminačním rozhodnutím, která jsou lidským bytostem také zakázána. Zajištění spravedlnosti v AI a strojovém učení je stále složitou sociotechnickou výzvou.
Při navrhování a testování AI systémů je třeba zajistit, aby AI byla spravedlivá a nebyla naprogramována dělat zaujatá nebo diskriminační rozhodnutí, která jsou rovněž zakázána lidským bytostem. Zajištění spravedlnosti v AI a strojovém učení zůstává složitou sociálně-technickou výzvou.
### Spolehlivost a bezpečnost
Aby AI systémy vyvolaly důvěru, musí být spolehlivé, bezpečné a konzistentní za normálních i neočekávaných podmínek. Je důležité vědět, jak se AI systémy budou chovat v různých situacích, zejména pokud jde o odlehlé případy. Při vytváření AI řešení je třeba věnovat značnou pozornost tomu, jak zvládat širokou škálu okolností, se kterými se AI řešení mohou setkat. Například samořiditelné auto musí klást bezpečnost lidí na první místo. Výsledkem je, že AI, která auto pohání, musí zvážit všechny možné scénáře, jako je noc, bouřky nebo sněhové vánice, děti přebíhající přes ulici, domácí mazlíčci, silniční práce atd. Jak dobře může AI systém spolehlivě a bezpečně zvládnout širokou škálu podmínek odráží míru předvídavosti, kterou vědec zabývající se daty nebo vývojář AI při návrhu či testování systému zohlednil.
Pro získání důvěry musí být AI systémy spolehlivé, bezpečné a konzistentní za normálních i neočekávaných podmínek. Je důležité znát chování AI systémů v různých situacích, zejména pokud jde o odlehlé případy. Při vytváření AI řešení je nutné mít výrazný důraz na to, jak se vypořádat s širokou škálou okolností, které mohou AI řešení potkat. Například samořiditelný vůz musí klást bezpečnost lidí na první místo. Výsledkem je, že AI, která vůz pohání, musí zvážit všechny možné scénáře, se kterými se auto může setkat, jako je tma, bouřky nebo sněhové bouře, děti přebíhající silnici, domácí mazlíčci, silniční stavby atd. Jak dobře AI systém zvládne širokou škálu podmínek spolehlivě a bezpečně odráží úroveň předvídavosti, kterou datový vědec nebo AI vývojář zvažoval při návrhu nebo testování systému.
> [🎥 Klikněte zde pro video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Klikněte zde pro video: Spolehlivost a bezpečnost v AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Inkluzivita
AI systémy by měly být navrženy tak, aby zapojily a posílily každého. Při návrhu a implementaci AI systémů identifikují datoví vědci a vývojáři AI případné bariéry v systému, které by mohly neúmyslně vyloučit lidi. Například na světě je 1 miliarda lidí s postižením. Díky pokroku AI mají oni snadnější přístup k širokému spektru informací a příležitostí ve svém každodenním životě. Odstraňováním bariér se vytvářejí příležitosti k inovacím a vývoji AI produktů s lepšími zkušenostmi, které prospívají všem.
AI systémy by měly být navrženy tak, aby zapojovaly a posilovaly všechny. Při navrhování a implementaci AI systémů datoví vědci a AI vývojáři identifikují a řeší potenciální bariéry v systému, které by mohly nevědomky některé lidi vylučovat. Například na světě je 1 miliarda lidí s postižením. S pokrokem AI mohou tyto osoby snadněji přistupovat k široké škále informací a příležitostí ve svém každodenním životě. Odstraňováním bariér vznikají příležitosti k inovacím a vývoji AI produktů s lepšími zkušenostmi, které prospívají všem.
> [🎥 Klikněte zde pro video: inkluzivita v AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Klikněte zde pro video: Inkluzivita v AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Bezpečnost a soukromí
AI systémy by měly být bezpečné a respektovat soukromí lidí. Lidé mají menší důvěru ve systémy, které ohrožují jejich soukromí, informace nebo životy. Při tréninku strojových učících se modelů spoléháme na data, abychom dosáhli co nejlepších výsledků. Při tom je třeba zvažovat původ dat a jejich integritu. Například zda data uživatel zadal, nebo zda jsou veřejně dostupná. Dále je během práce s daty klíčové vyvíjet AI systémy, které mohou chránit důvěrné informace a odolávat útokům. Jak AI získává na významu, ochrana soukromí a zabezpečení důležitých osobních a obchodních informací se stává stále kritičtější a složitější. Otázky soukromí a zabezpečení dat vyžadují zvláštní pozornost u AI, protože přístup k datům je nezbytný pro AI systémy, aby mohly přesně a informovaně předpovídat a rozhodovat o lidech.
AI systémy by měly být bezpečné a respektovat soukromí lidí. Lidé mají menší důvěru v systémy, které ohrožují jejich soukromí, informace nebo životy. Při trénování modelů strojového učení spoléháme na data, aby produkovala nejlepší výsledky. Při tom je třeba zvážit původ a integritu dat. Například zda byla data zadána uživatelem nebo zda byla veřejně dostupná. Dále je při práci s daty zásadní vyvíjet AI systémy, které dokážou chránit důvěrné informace a odolávat útokům. S rostoucím rozšířením AI se ochrana soukromí a zabezpečení důležitých osobních a obchodních informací stává stále důležitější a složitější. Otázky soukromí a bezpečnosti dat vyžadují zvláštní pozornost u AI, protože přístup k datům je nezbytný pro to, aby AI systémy mohly dělat přesná a informovaná rozhodnutí o lidech.
> [🎥 Klikněte zde pro video: bezpečnost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Klikněte zde pro video: Bezpečnost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Jako odvětví jsme dosáhli významných pokroků v oblasti soukromí a bezpečnosti, významně podpořených regulacemi jako GDPR (Obecné nařízení o ochraně osobních údajů).
- Přesto u AI systémů musíme uznat napětí mezi potřebou více osobních dat, aby systémy byly osobnější a efektivnější – a ochranou soukromí.
- Stejně jako při vzniku připojených počítačů s internetem sledujeme výrazný nárůst bezpečnostních problémů souvisejících s AI.
- Současně jsme také viděli, že AI se používá ke zlepšení bezpečnosti. Například většina moderních antivirových skenerů je dnes řízena AI heuristikami.
- Musíme zajistit, aby naše procesy datové vědy harmonicky splývaly s nejnovějšími praktikami ochrany soukromí a bezpečnosti.
- Jako odvětví jsme dosáhli významného pokroku v oblasti soukromí a bezpečnosti, což bylo výrazně podpořeno předpisy jako GDPR (Obecné nařízení o ochraně osobních údajů).
- Přesto musíme u AI systémů uznat napětí mezi potřebou většího množství osobních údajů pro učinění systémů osobnějšími a účinnějšími – a potřebou ochrany soukromí.
- Stejně jako při zrození propojených počítačů s internetem zaznamenáváme také výrazný nárůst počtu bezpečnostních problémů souvisejících s AI.
- Současně jsme viděli, že AI se používá ke zlepšení bezpečnosti. Například většina moderních antivirových skenerů dnes využívá heuristiky AI.
- Musíme zajistit, aby naše procesy datové vědy harmonicky zapadaly do nejnovějších praktik ochrany soukromí a bezpečnosti.
### Transparentnost
AI systémy by měly být pochopitelné. Klíčovou součástí transparentnosti je vysvětlování chování AI systémů a jejich komponent. Zlepšení porozumění AI systémům vyžaduje, aby zainteresované strany rozuměly jak a proč fungují, aby mohly identifikovat možné problémy s výkonem, bezpečnostní a soukromí rizika, předsudky, výlučné praktiky nebo nežádoucí výsledky. Také věříme, že ti, kdo AI systémy používají, by měli být upřímní a otevření ohledně toho, kdy, proč a jak se rozhodli je nasadit. A také o omezeních systémů, které používají. Například pokud banka používá AI systém na podporu svých rozhodnutí o půjčkách pro spotřebitele, je důležité zkoumat výsledky a pochopit, která data ovlivňují doporučení systému. Vlády začínají regulovat AI napříč odvětvími, a proto musí datoví vědci a organizace vysvětlit, zda AI systém splňuje regulatorní požadavky, zejména pokud dojde k nežádoucímu výsledku.
AI systémy by měly být srozumitelné. Klíčovou součástí transparentnosti je vysvětlení chování AI systémů a jejich komponent. Zlepšení porozumění AI systémům vyžaduje, aby zainteresované strany chápaly, jak a proč fungují, aby mohly identifikovat potenciální problémy s výkonem, obavy o bezpečnost a soukromí, zaujatosti, vylučující praktiky nebo nechtěné výsledky. Také věříme, že ti, kdo AI systémy používají, by měli být upřímní a otevření ohledně toho, kdy, proč a jak je nasazují. Stejně tak ohledně omezení systémů, které používají. Například pokud banka používá AI systém k podpoře rozhodnutí o půjčkách spotřebitelům, je důležité zkoumat výsledky a rozumět, která data ovlivňují doporučení systému. Vlády začínají regulovat AI napříč odvětvími, a proto musí datoví vědci a organizace vysvětlit, zda AI systém splňuje regulační požadavky, zejména když dojde k nežádoucímu výsledku.
> [🎥 Klikněte zde pro video: transparentnost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Klikněte zde pro video: Transparentnost v AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Protože AI systémy jsou tak složité, je obtížné pochopit, jak fungují, a interpretovat výsledky.
- Tento nedostatek porozumění ovlivňuje způsob, jakým jsou tyto systémy spravovány, zaváděny a dokumentovány.
- Tento nedostatek porozumění ovlivňuje nade vše rozhodnutí učiněná na základě výsledků, které tyto systémy produkují.
- Protože AI systémy jsou tak složité, je obtížné porozumět, jak fungují, a interpretovat výsledky.
- Tento nedostatek porozumění ovlivňuje způsob, jakým jsou tyto systémy spravovány, provozovány a dokumentovány.
- Tento nedostatek porozumění ještě významněji ovlivňuje rozhodnutí založená na výsledcích, které tyto systémy produkují.
### Odpovědnost
Lidé, kteří navrhují a zavádějí AI systémy, musí být odpovědní za to, jak jejich systémy fungují. Potřeba odpovědnosti je zvlášť důležitá u citlivých technologií, jako je rozpoznávání obličejů. Nedávno vzrostla poptávka po technologii rozpoznávání obličejů, zejména ze strany orgánů činných v trestním řízení, které vidí potenciál této technologie pro použití, například při hledání pohřešovaných dětí. Nicméně tyto technologie by mohly být potenciálně použity vládou k ohrožení základních svobod občanů například umožněním trvalého sledování konkrétních jednotlivců. Proto je třeba, aby datoví vědci a organizace nesli odpovědnost za to, jak jejich AI systém ovlivňuje jednotlivce nebo společnost.
Lidé, kteří navrhují a nasazují AI systémy, musí být odpovědní za to, jak jejich systémy fungují. Potřeba odpovědnosti je zvlášť důležitá u citlivých technologií, jako je rozpoznávání obličeje. Nedávno rostl zájem o technologii rozpoznávání obličeje, zejména ze strany orgánů činných v trestním řízení, kteří vidí potenciál technologie např. při hledání pohřešovaných dětí. Nicméně tyto technologie by mohly být potenciálně zneužity vládou, která by mohla ohrozit základní svobody svých občanů, například umožněním kontinuálního sledování konkrétních jedinců. Proto se od datových vědců a organizací očekává odpovědnost za to, jak jejich AI systém ovlivňuje jednotlivce či společnost.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Přístup Microsoftu k odpovědné AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Přístup Microsoftu k odpovědné AI")
> 🎥 Klikněte na obrázek výše pro video: Varování před masovým sledováním pomocí rozpoznávání obličejů
> 🎥 Klikněte na obrázek výše pro video: Varování před masovým sledováním pomocí rozpoznávání obličeje
Nakonec jedna z největších otázek pro naši generaci, jako první generaci, která přináší AI do společnosti, je, jak zajistit, aby počítače zůstaly odpovědné vůči lidem a jak zajistit, aby lidé, kteří počítače navrhují, zůstali odpovědní vůči všem ostatním.
Nakonec je jednou z největších otázek pro naši generaci, jako první generaci, která přináší AI společnosti, jak zajistit, aby počítače zůstaly odpovědné vůči lidem a jak zajistit, aby lidé, kteří počítače navrhují, zůstali odpovědní vůči všem ostatním.
## Hodnocení dopadů
Před tréninkem strojového učícího modelu je důležité provést hodnocení dopadů, aby se pochopil účel AI systému; jaké je jeho zamýšlené použití; kde bude nasazen; a kdo s ním bude interagovat. Tyto informace jsou užitečné pro hodnotitele nebo testery systému, kteří potřebují vědět, jaké faktory zvážit při identifikaci potenciálních rizik a očekávaných důsledků.
Před trénováním modelu strojového učení je důležité provést hodnocení dopadu, aby bylo jasné, jaký je účel AI systému; jaké je zamýšlené použití; kde bude nasazen; a kdo bude se systémem interagovat. To pomáhá recenzentům nebo testerům při hodnocení systému, aby věděli, jaké faktory zohlednit při identifikaci potenciálních rizik a očekávaných důsledků.
Následují oblasti zaměření při provádění hodnocení dopadů:
Následující oblasti jsou klíčové při provádění hodnocení dopadu:
* **Nepříznivý dopad na jednotlivce**. Být si vědom jakýchkoli omezení nebo požadavků, nepodporovaného použití nebo jakýchkoli známých omezení, která brání výkonu systému, je nezbytné, aby se zajistilo, že systém nebude používán způsobem, který by mohl způsobit škody jednotlivcům.
* **Požadavky na data**. Pochopení toho, jak a kde systém bude data používat, umožňuje hodnotitelům prozkoumat požadavky na data, na které je třeba dbát (např. regulace GDPR nebo HIPAA). Dále je třeba zkontrolovat, zda je zdroj nebo množství dat dostačující pro trénink.
* **Shrnutí dopadů**. Shromáždit seznam potenciálních škod, které by mohly vzniknout použitím systému. Během životního cyklu ML pravidelně kontrolovat, zda jsou zjištěné problémy zmírněny nebo řešeny.
* **Platné cíle** pro každý ze šesti základních principů. Zhodnotit, zda jsou cíle z každého z principů splněny a zda jsou nějaké mezery.
* **Negativní dopad na jednotlivce**. Být si vědom jakýchkoli omezení nebo požadavků, nepodporovaného použití či známých limitací, které mohou brzdit výkon systému, je zásadní pro zajištění, že systém nebude použit způsobem, který by mohl ublížit jednotlivcům.
* **Požadavky na data**. Porozumění tomu, jak a kde systém bude používat data, umožní recenzentům prozkoumat případné požadavky na data (např. nařízení GDPR nebo HIPAA). Dále je třeba posoudit, zda je zdroj nebo množství dat dostatečné pro trénink.
* **Shrnutí dopadu**. Sestavte seznam potenciálních škod, které by mohly vzniknout používáním systému. Během životního cyklu ML průběžně kontrolujte, zda se identifikované problémy řeší nebo zmírňují.
* **Použitelné cíle** pro každý ze šesti základních principů. Posuďte, zda jsou cíle každého principu splněny a zda existují mezery.
## Ladění s odpovědnou AI
Podobně jako ladění softwarové aplikace je ladění AI systému nezbytným postupem identifikace a řešení problémů v systému. Existuje mnoho faktorů, které by mohly způsobit, že model nebude fungovat podle očekávání nebo odpovědně. Většina tradičních metrik výkonnosti modelu jsou kvantitativní agregáty výkonu modelu, které však nejsou dostačující k analýze toho, jak model porušuje principy odpovědné AI. Navíc je model strojového učení černá skříňka, která ztěžuje pochopení toho, co ovlivňuje jeho výsledek, nebo poskytnutí vysvětlení, když udělá chybu. Později v tomto kurzu se naučíme používat řídicí panel Responsible AI k ladění AI systémů. Tento řídicí panel poskytuje komplexní nástroj pro datové vědce a vývojáře AI k provádění:
Podobně jako ladění softwarové aplikace je ladění AI systému nezbytný proces identifikace a řešení problémů v systému. Existuje mnoho faktorů, které by mohly způsobit, že model nebude fungovat podle očekávání nebo zodpovědně. Většina tradičních metrik výkonu modelů je kvantitativním souhrnem výkonu modelu, který však nestačí k analýze toho, jak model porušuje principy odpovědné AI. Navíc je model strojového učení černou skříňkou, což ztěžuje pochopení, co ovlivňuje jeho výstup, nebo poskytnutí vysvětlení chyby. Později v tomto kurzu se naučíme, jak používat dashboard Responsible AI k ladění AI systémů. Dashboard poskytuje komplexní nástroj pro datové vědce a AI vývojáře k provádění:
* **Analýza chyb**. Identifikovat rozložení chyb modelu, které mohou ovlivnit spravedlnost nebo spolehlivost systému.
* **Přehled modelu**. Objevit, kde existují rozdíly ve výkonu modelu napříč datovými kohortami.
* **Analýza dat**. Pochopit rozložení dat a identifikovat možné předsudky v datech, které by mohly vést k problémům se spravedlností, inkluzivitou a spolehlivostí.
* **Interpretovatelnost modelu**. Porozumět tomu, co ovlivňuje nebo určuje předpovědi modelu. To pomáhá při vysvětlování chování modelu, což je důležité pro transparentnost a odpovědnost.
* **Přehled modelu**. Odhalit, kde existují rozdíly ve výkonu modelu napříč datovými skupinami.
* **Analýza dat**. Porozumět rozložení dat a identifikovat možné předsudky v datech, které by mohly vést k problémům se spravedlností, inkluzivitou a spolehlivostí.
* **Interpretovatelnost modelu**. Porozumět, co ovlivňuje nebo řídí predikce modelu. To pomáhá vysvětlit chování modelu, což je důležité pro transparentnost a odpovědnost.
## 🚀 Výzva
Abychom zabránili vzniku škod již v zárodku, měli bychom:
Abychom zabránili zavádění škod od samého počátku, měli bychom:
- mít rozmanitost zázemí a názorů mezi lidmi pracujícími na systémech
- mít různorodost zázemí a pohledů mezi lidmi pracujícími na systémech
- investovat do datových sad, které odrážejí rozmanitost naší společnosti
- vyvíjet lepší metody během celého životního cyklu strojového učení pro detekci a opravu odpovědné AI, když k ní dojde
- vyvíjet lepší metody v celém životním cyklu strojového učení pro detekci a opravu nezodpovědné AI, když k ní dochází
Zamyslete se nad reálnými scénáři, kde je nedůvěryhodnost modelu evidentní při tvorbě a používání modelu. Co dalšího bychom měli zvážit?
Zamyslete se nad reálnými scénáři, kdy je nedůvěryhodnost modelu zřejmá při vytváření a používání modelu. Co dalšího bychom měli zvážit?
## [Kvíz po lekci](https://ff-quizzes.netlify.app/en/ml/)
## Recenze a samostudium
## Přehled a samostudium
V této lekci jste se naučili základy konceptů spravedlnosti a nespravedlnosti v oblasti strojového učení.
V této lekci jste se naučili základy pojmů spravedlnosti a nespravedlnosti ve strojovém učení.
Podívejte se na tento workshop, ve kterém se do těchto témat ponoříte hlouběji:
Podívejte se na tento workshop, abyste se ponořili hlouběji do témat:
- V úsilí o odpovědnou AI: Převádění principů do praxe od Besmiry Nushi, Mehrnoosh Sameki a Amita Sharma
- Ve snaze o odpovědnou AI: Přenášení principů do praxe, Besmira Nushi, Mehrnoosh Sameki a Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Open-source rámec pro vytváření zodpovědné umělé inteligence")
> 🎥 Klikněte na obrázek výše pro video: RAI Toolbox: Open source rámec pro vytváření odpovědné AI od Besmiry Nushi, Mehrnoosh Sameki a Amita Sharma
> 🎥 Klikněte na obrázek výše pro video: RAI Toolbox: Open-source rámec pro vytváření zodpovědné umělé inteligence od Besmira Nushi, Mehrnoosh Sameki a Amit Sharma
Také si přečtěte:
Také si přečtěte:
- Centrum zdrojů pro odpovědnou AI Microsoftu: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Microsoftův RAI zdrojový portál: [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Výzkumná skupina FATE Microsoftu: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- Microsoftova výzkumná skupina FATE: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Toolbox:
RAI Toolbox:
- [GitHub repozitář Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox)
Přečtěte si o nástrojích Azure Machine Learning pro zajištění spravedlnosti:
## [Kvíz před přednáškou](https://ff-quizzes.netlify.app/en/ml/)
> ### [Tato lekce je dostupná v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Tato lekce je dostupná i v R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Úvod
V těchto čtyřech lekcích objevíte, jak vytvářet regresní modely. Brzy si vysvětlíme, k čemu slouží. Než však začnete, ujistěte se, že máte správné nástroje připravené ke startu!
V těchto čtyřech lekcích se naučíte, jak sestavit regresní modely. Brzy probereme, k čemu jsou tyto modely určeny. Než však začnete, ujistěte se, že máte připravené správné nástroje pro spuštění procesu!
V této lekci se naučíte, jak:
V této lekci se naučíte:
- Nakonfigurovat váš počítač pro místní úlohy strojového učení.
- Pracovat s Jupyter Notebooky.
- Používat Scikit-learn, včetně instalace.
- Prozkoumat lineární regresi pomocí praktického cvičení.
- Jak nakonfigurovat váš počítač pro úlohy strojového učení na lokální úrovni.
- Jak pracovat s Jupyter Notebooky.
- Jak používat Scikit-learn, včetně instalace.
- Jak prozkoumat lineární regresi prostřednictvím praktického cvičení.
## Instalace a konfigurace
[](https://youtu.be/-DfeD2k2Kj0 "ML pro začátečníky - Připravte své nástroje pro tvorbu modelů strojového učení")
[](https://youtu.be/-DfeD2k2Kj0 "Strojové učení pro začátečníky – Nastavte si nástroje připravené k tvorbě modelů strojového učení")
> 🎥 Klikněte na obrázek výše pro krátké video, ve kterém se naučíte, jak konfigurovat váš počítač pro ML.
> 🎥 Klikněte na obrázek výše pro krátké video o konfiguraci počítače pro strojové učení.
1. **Nainstalujte Python**. Ujistěte se, že máte na počítači nainstalovaný [Python](https://www.python.org/downloads/). Python budete používat pro mnoho úloh datové vědy a strojového učení. Většina počítačových systémů již obsahuje instalaci Pythonu. Existují i užitečné [balíčky pro kódování v Pythonu](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), které některým uživatelům usnadní nastavení.
1. **Nainstalujte Python**. Ujistěte se, že máte na počítači nainstalovaný [Python](https://www.python.org/downloads/). Python budete používat pro mnoho úloh datové vědy a strojového učení. Většina počítačových systémů již Python obsahuje. K dispozici jsou také užitečné [balíčky pro kódování v Pythonu](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott), které ulehčují nastavení některým uživatelům.
Některé použití Pythonu však vyžadují jednu verzi softwaru, zatímco jiné vyžadují verzi jinou. Proto je užitečné pracovat uvnitř [virtuálního prostředí](https://docs.python.org/3/library/venv.html).
Některé použití Pythonu však vyžaduje jednu verzi softwaru, zatímco jiné jinou verzi. Proto je užitečné pracovat v [virtuálním prostředí](https://docs.python.org/3/library/venv.html).
2. **Nainstalujte Visual Studio Code**. Ujistěte se, že máte na počítači nainstalovaný Visual Studio Code. Postupujte podle těchto instrukcí k [instalaci Visual Studio Code](https://code.visualstudio.com/) pro základní instalaci. V tomto kurzu budete používat Python ve Visual Studio Code, takže možná budete chtít osvěžit, jak [nastavit Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) pro vývoj v Pythonu.
2. **Nainstalujte Visual Studio Code**. Ujistěte se, že máte na počítači nainstalovaný Visual Studio Code. Postupujte podle těchto pokynů, jak [nainstalovat Visual Studio Code](https://code.visualstudio.com/) pro základní instalaci. V tomto kurzu budete používat Python ve Visual Studio Code, proto možná budete chtít osvěžit, jak [nastavit Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) pro vývoj v Pythonu.
> Získejte jistotu v Pythonu tím, že projdete tuto sbírku [učebních modulů](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Seznamte se s Pythonem pomocí této kolekce [učebních modulů](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Nastavení Pythonu ve Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Nastavení Pythonu s Visual Studio Code")
>
> 🎥 Klikněte na obrázek výše pro video: používání Pythonu ve VS Code.
3. **Nainstalujte Scikit-learn** podle [těchto instrukcí](https://scikit-learn.org/stable/install.html). Protože je potřeba používat Python 3, doporučuje se použít virtuální prostředí. Vezměte na vědomí, že pokud knihovnu instalujete na M1 Macu, jsou na výše uvedené stránce speciální instrukce.
3. **Nainstalujte Scikit-learn** podle [těchto pokynů](https://scikit-learn.org/stable/install.html). Protože musíte zajistit použití Pythonu 3, doporučuje se používat virtuální prostředí. Pokud instalujete tuto knihovnu na Mac s čipem M1, jsou na výše uvedené stránce speciální instrukce.
Budete používat **notebooky** k vývoji vašeho Python kódu a tvorbě modelů strojového učení. Tento typ souboru je běžným nástrojem datových vědců a poznáte je podle přípony `.ipynb`.
K vývoji Python kódu a tvorbě modelů strojového učení budete používat **notebooky**. Tento typ souboru je běžným nástrojem datových vědců a poznáte je podle přípony `.ipynb`.
Notebooky jsou interaktivní prostředí, která umožňují vývojáři jak kódovat, tak přidávat poznámky a psát dokumentaci kolem kódu, což je velmi užitečné pro experimentální nebo výzkumné projekty.
Notebooky jsou interaktivní prostředí, která umožňují vývojáři jak psát kód, tak přidávat poznámky a dokumentaci kolem kódu, což je velmi užitečné pro experimentální nebo výzkumné projekty.
[](https://youtu.be/7E-jC8FLA2E "ML pro začátečníky - Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů")
[](https://youtu.be/7E-jC8FLA2E "Strojové učení pro začátečníky – Nastavte Jupyter Notebooky pro začátek tvorby regresních modelů")
> 🎥 Klikněte na obrázek výše pro krátké video pracovní cvičení.
> 🎥 Klikněte na obrázek výše pro krátké video ukazující práci s tímto cvičením.
### Cvičení - práce s notebookem
### Cvičení – práce s notebookem
V této složce naleznete soubor _notebook.ipynb_.
V této složce najdete soubor _notebook.ipynb_.
1. Otevřete _notebook.ipynb_ ve Visual Studio Code.
Spustí se Jupyter server s Pythonem 3+. V notebooku najdete části, které mohou být `spuštěny`, kusy kódu. Blok kódu můžete spustit výběrem ikony vypadající jako tlačítko přehrávání (play).
Spustí se Jupyter server s Pythonem 3+. V notebooku najdete oblasti, které můžete `spustit`, tedy bloky kódu. Kód můžete spustit kliknutím na ikonu připomínající tlačítko přehrávání.
1. Vyberte ikonu `md` a přidejte trochu markdownu s následujícím textem **# Vítejte ve vašem notebooku**.
1. Vyberte ikonu `md` a přidejte trochu markdownu a následující text **# Vítejte ve svém notebooku**.
@ -74,48 +74,48 @@ V této složce naleznete soubor _notebook.ipynb_.
Můžete prokládat svůj kód komentáři, aby si notebook sám dokumentoval.
Ke svému kódu můžete přidávat komentáře pro vlastní dokumentaci notebooku.
✅ Zamyslete se na chvíli, jak odlišné je pracovní prostředí webového vývojáře oproti datovému vědci.
## Spuštění se Scikit-learn
## Práce se Scikit-learn
Nyní když máte Python nastavený ve vašem lokálním prostředí a jste si jistí v Jupyter Notebookech, pojďme si přivyknout i na Scikit-learn (vyslovujte `sci` jako`science`). Scikit-learn poskytuje [rozsáhlé API](https://scikit-learn.org/stable/modules/classes.html#api-ref), které vám pomůže provádět úlohy ML.
Nyní, když máte Python nastaven ve svém lokálním prostředí a jste obeznámeni s Jupyter Notebooky, pojďme si stejně pohodlně osvojit Scikit-learn (vyslovujte `sci` jako v`science`). Scikit-learn poskytuje [rozsáhlé API](https://scikit-learn.org/stable/modules/classes.html#api-ref), které vám pomůže provádět úlohy strojového učení.
Podle jejich [webu](https://scikit-learn.org/stable/getting_started.html) "Scikit-learn je open source knihovna strojového učení, která podporuje učení s učitelem i bez učitele. Poskytuje také různé nástroje pro fitování modelů, předzpracování dat, výběr modelů a hodnocení, a mnoho dalších utilit."
Podle jejich [webu](https://scikit-learn.org/stable/getting_started.html) „Scikit-learn je open source knihovna pro strojové učení, která podporuje řízené i neřízené učení. Nabízí také různé nástroje pro fitování modelů, předzpracování dat, výběr a hodnocení modelu a mnoho dalších užitečných funkcí.“
V tomto kurzu budete používat Scikit-learn a další nástroje k vytváření modelů strojového učení, které budou plnit tzv. 'tradiční úlohy strojového učení'. Záměrně jsme vynechali neuronové sítě a hluboké učení, které budou pokryty v našem nadcházejícím kurzu 'AI pro začátečníky'.
V tomto kurzu budete používat Scikit-learn a další nástroje k vytvoření modelů strojového učení pro tzv. 'tradiční úlohy strojového učení'. Úmyslně jsme se vyhnuli neuronovým sítím a hlubokému učení, které jsou lépe pokryty v našem nadcházejícím kurzu 'AI pro začátečníky'.
Scikit-learn výrazně zjednodušuje vytváření modelů a jejich hodnocení pro použití. Zaměřuje se především na práci s číselnými daty a obsahuje několik připravených datasetů, které můžete užít jako učební pomůcky. Zahrnuje také předem vytvořené modely pro studenty k vyzkoušení. Nejprve si pojďme prohlédnout proces načtení předpřipravených dat a použití vestavěného odhadce — prvního ML modelu se Scikit-learn s některými základními daty.
Scikit-learn umožňuje snadno vytvářet modely a hodnotit je pro praktické použití. Primárně se zaměřuje na numerická data a obsahuje několik hotových datových sad pro výuku. Obsahuje také předpřipravené modely k vyzkoušení. Pojďme si prozkoumat proces načítání předpřipravených dat a použití vestavěného odhadu pro vytvoření prvního modelu strojového učení se Scikit-learn na základních datech.
## Cvičení - váš první notebook se Scikit-learn
## Cvičení – váš první notebook se Scikit-learn
> Tento tutoriál byl inspirován [příkladem lineární regrese](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na webu Scikit-learn.
> Tento návod byl inspirován [příkladem lineární regrese](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) na webu Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML pro začátečníky - Váš první projekt lineární regrese v Pythonu")
[](https://youtu.be/2xkXL5EUpS0 "Strojové učení pro začátečníky – Váš první lineární regresní projekt v Pythonu")
> 🎥 Klikněte na obrázek výše pro krátké video s průchodem tímto cvičením.
> 🎥 Klikněte na obrázek výše pro krátké video ukazující práci s tímto cvičením.
V souboru _notebook.ipynb_ přidruženém k této lekci vymažte všechny buňky stisknutím ikony „koš“.
V souboru _notebook.ipynb_ přidruženém k této lekci vymažte všechny buňky pomocí ikony „koš“.
V této části budete pracovat s malým datasetem o diabetu, který je součástí Scikit-learn pro účely výuky. Představte si, že chcete testovat léčbu pro pacienty s diabetem. Modely strojového učení vám mohou pomoci určit, kteří pacienti by na léčbu reagovali lépe na základě kombinací proměnných. Dokonce i velmi základní regresní model, pokud ho vizualizujete, může ukázat informace o proměnných, které vám pomohou uspořádat vaše teoretické klinické studie.
V této části budete pracovat s malou datovou sadou o diabetu, která je součástí Scikit-learn pro výukové účely. Představte si, že chcete otestovat léčbu pro diabetické pacienty. Modely strojového učení vám mohou pomoci určit, kteří pacienti by na léčbu lépe reagovali, na základě kombinací proměnných. I velmi základní regresní model může, pokud ho zobrazíte vizuálně, ukázat informace o proměnných, které by vám pomohly uspořádat vaše teoretické klinické studie.
✅ Existuje mnoho typů regresních metod a kterou zvolíte, závisí na odpovědi, kterou hledáte. Pokud chcete předpovědět pravděpodobnou výšku osoby určitého věku, použijete lineární regresi, protože hledáte **číselnou hodnotu**. Pokud vás zajímá, zda by určitý typ kuchyně měl být považován za veganský nebo ne, hledáte **přiřazení do kategorie**, takže byste použili logistickou regresi. O logistické regresi se naučíte později. Zamyslete se trochu nad otázkami, které můžete datům položit, a která z těchto metod by byla vhodnější.
✅ Existuje mnoho typů regresních metod a kterou z nich vyberete, závisí na odpovědi, kterou hledáte. Pokud chcete předpovědět pravděpodobnou výšku osoby daného věku, použijete lineární regresi, protože hledáte **číselnou hodnotu**. Jestliže chcete zjistit, zda je určitý typ kuchyně veganský, hledáte **zařazení do kategorie**, a použijete logistickou regresi. O logistické regresi se dozvíte více později. Zamyslete se nad otázkami, které můžete klást datům, a která z těchto metod by byla vhodnější.
Pojďme na to.
Pojďme se pustit do tohoto úkolu.
### Import knihoven
Pro tento úkol naimportujeme některé knihovny:
Pro tento úkol importujeme některé knihovny:
- **matplotlib**. Je to užitečný [nástroj pro grafy](https://matplotlib.org/) a použijeme jej k vytvoření čárového grafu.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je užitečná knihovna pro práci s numerickými daty v Pythonu.
- **sklearn**. To je [knihovna Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
- **matplotlib**. Je to užitečný [grafický nástroj](https://matplotlib.org/) a použijeme jej k vytvoření čárového grafu.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) je užitečná knihovna pro práci s číselnými daty v Pythonu.
- **sklearn**. To je knihovna [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Naimportujte knihovny pro podporu vašich úloh.
Naimportujte si nějaké knihovny, které vám pomohou s úkoly.
1. Přidejte importy tím, že napíšete následující kód:
1. Přidejte importy zapsáním následujícího kódu:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Naimportujte knihovny pro podporu vašich úloh.
from sklearn import datasets, linear_model, model_selection
```
Výše importujete `matplotlib`, `numpy` a načítáte `datasets`, `linear_model` a `model_selection` ze `sklearn`. `model_selection` se používá pro rozdělení dat na tréninková a testovací data.
Výše importujete `matplotlib`, `numpy` a z `sklearn` importujete `datasets`, `linear_model` a `model_selection`. `model_selection` se používá pro rozdělení dat na tréninkovou a testovací sadu.
### Dataset diabetu
### Datová sada diabetu
V vestavěném [diabetickém datasetu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) je 442 vzorků dat o diabetu, s 10 proměnnými vlastností, z nichž některé zahrnují:
Vestavěná [datová sada diabetu](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) obsahuje 442 vzorků dat o diabetu, s 10 znakovými proměnnými, z nichž některé zahrnují:
- věk: věk v letech
- bmi: index tělesné hmotnosti
- bp: průměrný krevní tlak
- s1 tc: T-buňky (typ bílých krvinek)
✅ Tento dataset zahrnuje pojem 'pohlaví' jako důležitou proměnnou vlastnost pro výzkum diabetu. Mnoho lékařských datasetů obsahuje tento typ binární klasifikace. Zamyslete se nad tím, jak takové kategorizace mohou vyloučit určité části populace z léčby.
✅ Tato datová sada zahrnuje jako znak proměnnou 'pohlaví', což je důležitý faktor výzkumu diabetu. Mnoho lékařských datových sad zahrnuje tento typ binární klasifikace. Zamyslete se nad tím, jak takové rozdělení může vylučovat určité části populace z léčby.
Teď načtěte data X a y.
> 🎓 Pamatujte, toto je učení s učitelem a potřebujeme pojmenovaný cíl 'y'.
> 🎓 Pamatujte, že jde o řízené učení a potřebujeme pojmenovaný cíl 'y'.
V nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vstup `return_X_y=True` signalizuje, že `X` bude datová matice a `y` bude cílem regrese.
V nové buňce načtěte datovou sadu diabetu voláním `load_diabetes()`. Vstup `return_X_y=True` znamená, že `X` bude datová matice a `y` bude cílová proměnná pro regresi.
1. Přidejte několik příkazů print pro zobrazení tvaru datové matice a jejího prvního prvku:
1. Přidejte příkazy print, které ukáží tvar matice dat a její první prvek:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ V nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vs
print(X[0])
```
To, co dostáváte zpět jako odpověď, je n-tice. To, co děláte, je přiřazení dvou prvních hodnot n-tice do`X` a `y`. Více se dozvíte [o n-ticích](https://wikipedia.org/wiki/Tuple).
Co dostáváte zpět jako odpověď, je n-tice. Co děláte, je přiřazení prvních dvou hodnot n-tice do proměnných`X` a `y`. Více se dozvíte [o n-ticích](https://wikipedia.org/wiki/Tuple).
Vidíte, že tato data mají 442 položek uspořádaných v polích o 10 prvcích:
Vidíte, že tato data obsahují 442 položek ve formátu polí o 10 prvcích:
```text
(442, 10)
@ -160,39 +160,39 @@ V nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vs
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Zamyslete se nad vztahem mezi daty a cílem regrese. Lineární regrese předpovídá vztahy mezi vlastností X a cílovou proměnnou y. Dokážete najít [cíl](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) pro dataset diabetu v dokumentaci? Co tento dataset demonstruje vzhledem k tomuto cíli?
✅ Zamyslete se nad vztahem mezi daty a cílovou proměnnou regresní analýzy. Lineární regrese předpovídá vztahy mezi znakovou proměnnou X a cílovou proměnnou y. Dokážete najít [cíl](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) pro datovou sadu diabetu v dokumentaci? Co tato datová sada demonstruje vzhledem k cíli?
2. Dále vyberte část tohoto datasetu k vykreslení tím, že vyberete třetí sloupec datasetu. Můžete to udělat použitím operátoru `:` pro výběr všech řádků a pak výběrem třetího sloupce pomocí indexu (2). Data můžete také přetvarovat na 2D pole - jak je potřeba pro vykreslování - použitím `reshape(n_rows, n_columns)`. Pokud je jeden z parametrů -1, odpovídající rozměr se dopočítá automaticky.
2. Nyní vyberte část této datové sady k zobrazení v grafu tím, že vyberete 3. sloupec datové sady. To lze provést pomocí operátoru `:` pro výběr všech řádků a poté výběrem 3. sloupce pomocí indexu (2). Data můžete také přeformátovat na 2D pole – jak vyžaduje kreslení – použitím `reshape(počet_řádků, počet_sloupců)`. Pokud je jeden z parametrů -1, odpovídající rozměr je vypočítán automaticky.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Kdykoliv vytiskněte data, abyste zkontrolovali jejich tvar.
✅ Kdykoli si vytiskněte data a zkontrolujte jejich tvar.
3. Nyní když máte data připravená k vykreslení, můžete zjistit, zda vám stroj pomůže určit logický rozdělení mezi čísly v tomto datasetu. K tomu je potřeba rozdělit data (X) i cíl (y) na testovací a tréninkové sady. Scikit-learn má snadný způsob, jak toho dosáhnout; můžete rozdělit svá testovací data v daném bodě.
3. Když už máte data připravená k vykreslení, můžete zkusit zjistit, zda stroj dokáže určit logické rozdělení mezi čísly v této datové sadě. K tomu musíte rozdělit jak data (X), tak cíl (y) na testovací a tréninkové sady. Scikit-learn na to má jednoduchý způsob; můžete rozdělit testovací data v daném bodě.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Nyní jste připraveni trénovat svůj model! Načtěte lineární regresní model a trénujte ho s vašimi tréninkovými sadami X a y pomocí `model.fit()`:
4. Nyní jste připraveni trénovat svůj model! Načtěte lineární regresní model a natrénujte jej na tréninkových sadách X a y pomocí `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` je funkce, kterou uvidíte v mnoha ML knihovnách jako TensorFlow
✅ `model.fit()` je funkce, kterou uvidíte ve většině knihoven ML, například v TensorFlow.
5. Poté vytvořte predikci pomocí testovacích dat funkcí `predict()`. To použijete k vykreslení čáry mezi skupinami dat
5. Pak vytvořte predikci pomocí testovacích dat, použitím funkce `predict()`. Bude sloužit k vykreslení čáry mezi skupinami dat.
```python
y_pred = model.predict(X_test)
```
6. Teď je čas zobrazit data v grafu. Matplotlib je pro tento úkol velmi užitečný nástroj. Vytvořte rozptylový graf všech testovacích dat X a y a použijte predikci k vykreslení čáry na nejvhodnějším místě mezi skupinami dat modelu.
6. Nyní je čas data zobrazit v grafu. Matplotlib je pro tento úkol velmi užitečný nástroj. Vytvořte rozptylový graf všech testovacích dat X a y a pomocí predikce nakreslete čáru na nejvhodnějším místě mezi skupinami dat modelu.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,24 +203,23 @@ V nové buňce kódu načtěte dataset diabetu zavoláním `load_diabetes()`. Vs
plt.show()
```
✅ Zamyslete se, co se zde děje. Přímka prochází mnoha malými body dat, ale co vlastně dělá? Vidíte, jak byste mohli pomocí této čáry předpovědět, kam by do osy y grafu zapadalo nové, dosud neviděné datové bod? Pokuste se vyjádřit praktické využití tohoto modelu.
✅ Zamyslete se trochu nad tím, co se zde odehrává. Přímka prochází mnoha malými datovými body, ale co přesně dělá? Vidíte, jak byste měli být schopni tuto přímku použít k předpovědi, kde by se nový, neviděný datový bod měl ve vztahu k ose y grafu umístit? Zkuste slovy vyjádřit praktické využití tohoto modelu.
Gratulujeme, vytvořili jste svůj první model lineární regrese, vytvořili s ním předpověď a zobrazili ji v grafu!
Gratulujeme, vytvořili jste svůj první lineární regresní model, vytvořili predikci a zobrazili ji v grafu!
---
## 🚀Výzva
Vykreslete jinou proměnnou z této datové sady. Tip: upravte tento řádek: `X = X[:,2]`. Vzhledem k cíli této sady dat, co dokážete zjistit o průběhu diabetu jako nemoci?
Vykreslete jinou proměnnou z této datové sady. Nápověda: upravte tento řádek: `X = X[:,2]`. Co z datové sady a jejího cíle dokážete zjistit o průběhu diabetu jako nemoci?
## [Kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)
## Přehled a samostudium
V tomto tutoriálu jste pracovali s jednoduchou lineární regresí, nikoli s univariátní nebo multivariátní lineární regresí. Přečtěte si něco o rozdílech mezi těmito metodami, nebo se podívejte na [toto video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
V tomto tutoriálu jste pracovali se základní lineární regresí, nikoli s univariační nebo vícerozměrnou lineární regresí. Přečtěte si něco o rozdílech mezi těmito metodami nebo se podívejte na [toto video](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Přečtěte si více o konceptu regrese a zamyslete se nad tím, na jaké otázky může tato technika odpovědět. Absolvujte tento [návod](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), aby jste prohloubili své porozumění.
Přečtěte si více o konceptu regrese a přemýšlejte o tom, jaké druhy otázek lze touto technikou zodpovědět. Prohlubte své znalosti pomocí tohoto [návodu](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott).
Shlukování je úloha strojového učení, která se snaží najít objekty, jež si jsou navzájem podobné, a seskupit je do skupin nazývaných shluky. Co odlišuje shlukování od jiných přístupů ve strojovém učení, je to, že vše probíhá automaticky. Ve skutečnosti lze říci, že jde o opak učení s učitelem.
Shlukování je úloha strojového učení, kde se snažíme nalézt objekty, které si podobají, a seskupit je do skupin zvaných shluky. Co shlukování odlišuje od jiných přístupů ve strojovém učení, je to, že vše probíhá automaticky, vlastně je spravedlivé říci, že je to opak učení s učitelem.
## Regionální téma: modely shlukování pro hudební vkus nigerijského publika 🎧
Nigerijské publikum je velmi rozmanité a má různorodý hudební vkus. Pomocí dat získaných ze Spotify (inspirováno [tímto článkem](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) se podíváme na některé populární skladby v Nigérii. Tento dataset obsahuje údaje o různých skladbách, jako je skóre 'tanečnosti', 'akustičnosti', hlasitosti, 'mluvnosti', oblíbenosti a energie. Bude zajímavé objevit v těchto datech určité vzory!
Nigerijské různorodé publikum má různé hudební preference. Pomocí dat získaných ze Spotify (inspirováno [tímto článkem](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) si prohlédneme některé oblíbené hudební skladby v Nigérii. Tento datový soubor obsahuje údaje o různých písních, jako je skóre 'danceability', 'acousticness', hlasitost, 'speechiness', popularita a energie. Bude zajímavé objevit vzory v těchto datech!
> Foto od <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcely Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
> Fotografie od <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> na <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
V této sérii lekcí objevíte nové způsoby analýzy dat pomocí technik shlukování. Shlukování je obzvláště užitečné, pokud váš dataset postrádá štítky. Pokud však štítky má, mohou být užitečnější klasifikační techniky, které jste se naučili v předchozích lekcích. Ale v případech, kdy chcete seskupit neoznačená data, je shlukování skvělým způsobem, jak objevit vzory.
V této sérii lekcí objevíte nové způsoby analýzy dat pomocí technik shlukování. Shlukování je obzvlášť užitečné, když váš datový soubor postrádá štítky. Pokud je má, pak mohou být vhodnější klasifikační techniky, které jste se naučili v předchozích lekcích. Ale v případech, kdy chcete seskupit neoznačená data, je shlukování skvělým způsobem, jak objevit vzory.
> Existují užitečné nástroje s nízkým kódem, které vám mohou pomoci naučit se pracovat s modely shlukování. Vyzkoušejte [Azure ML pro tento úkol](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
Tyto lekce byly napsány s 🎶 od [Jen Looper](https://www.twitter.com/jenlooper) s užitečnými recenzemi od [Rishit Dagli](https://rishit_dagli) a [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Tyto lekce napsala s láskou 🎶 [Jen Looper](https://www.twitter.com/jenlooper) s užitečnými recenzemi od [Rishit Dagli](https://rishit_dagli/) a [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Dataset [Nigerijské skladby](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) byl získán z Kaggle a pochází ze Spotify.
Datový soubor [Nigerijské písně](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) byl získán z Kaggle jako data získaná ze Spotify.
Užitečné příklady K-Means, které pomohly při tvorbě této lekce, zahrnují tuto [analýzu kosatců](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), tento [úvodní notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) a tento [hypotetický příklad NGO](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Užité příklady K-Means, které pomohly vytvořit tuto lekci, zahrnují tuto [analýzu iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), tento [úvodní notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python) a tento [hypotetický příklad neziskové organizace](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Prohlášení**:
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o omezení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.
Co je předpovídání časových řad? Jde o předpovídání budoucích událostí na základě analýzy trendů z minulosti.
Co je předpovídání časových řad? Jde o predikci budoucích událostí analýzou trendů z minulosti.
## Regionální téma: celosvětová spotřeba elektřiny ✨
V těchto dvou lekcích budete uvedeni do předpovídání časových řad, což je méně známá oblast strojového učení, která je však nesmírně cenná pro průmyslové a obchodní aplikace, stejně jako pro další oblasti. Ačkoli neuronové sítě mohou zvýšit užitečnost těchto modelů, budeme je studovat v kontextu klasického strojového učení, protože modely pomáhají předpovídat budoucí výkon na základě minulosti.
V těchto dvou lekcích se seznámíte s předpovídáním časových řad, poněkud méně známou oblastí strojového učení, která je však nesmírně cenná pro průmyslové a obchodní aplikace i další oblasti. I když lze použít neuronové sítě ke zvýšení užitečnosti těchto modelů, budeme se jim věnovat v kontextu klasického strojového učení, protože modely pomáhají předpovídat budoucí výkon na základě minulosti.
Naším regionálním zaměřením je spotřeba elektřiny ve světě, což je zajímavý datový soubor, na kterém se naučíte předpovídat budoucí spotřebu energie na základě vzorců z minulého zatížení. Můžete vidět, jak může být tento typ předpovídání nesmírně užitečný v obchodním prostředí.
Naším regionálním zaměřením je spotřeba elektřiny ve světě, zajímavý datový soubor pro učení o předpovídání budoucí spotřeby energie na základě vzorců minulých odběrů. Můžete vidět, jak může být takové předpovídání nesmírně užitečné v obchodním prostředí.
Foto od [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektrických věží na silnici v Rádžasthánu na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Fotografie od [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektrických věží na silnici v Radžastánu na [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Lekce
1. [Úvod do předpovídání časových řad](1-Introduction/README.md)
2. [Vytváření modelů ARIMA pro časové řady](2-ARIMA/README.md)
3. [Vytváření Support Vector Regressor pro předpovídání časových řad](3-SVR/README.md)
3. [Tvorba Support Vector Regressor pro předpovídání časových řad](3-SVR/README.md)
## Poděkování
## Autoři
"Úvod do předpovídání časových řad" byl napsán s ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) a [Jen Looper](https://twitter.com/jenlooper). Notebooky se poprvé objevily online v [repozitáři Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), který původně napsala Francesca Lazzeri. Lekci o SVR napsal [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD).
"Úvod do předpovídání časových řad" napsaly ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) a [Jen Looper](https://twitter.com/jenlooper). Poznámkové bloky se poprvé objevily online v [Azure "Deep Learning For Time Series" repozitáři](https://github.com/Azure/DeepLearningForTimeSeriesForecasting), původně napsané Francescou Lazzeri. Lekci o SVR napsal [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**Prohlášení**:
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nenese odpovědnost za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o omezení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.
> Toto repozitář obsahuje více než 50 jazykových překladů, což výrazně zvětšuje velikost ke stažení. Pro naklonování bez překladů použijte sparse checkout:
> Tento repozitář obsahuje přes 50 jazykových překladů, což výrazně zvětšuje velikost ke stažení. Pro klonování bez překladů použijte sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Tím získáte vše potřebné pro absolvování kurzu s mnohem rychlejším stažením.
> Získáte vše, co potřebujete pro dokončení kurzu, s mnohem rychlejším stažením.
Na Discordu probíhá série Learn with AI, dozvíte se více a připojit se můžete na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky jak používat GitHub Copilot pro Data Science.
Máme probíhající sérii Learn with AI na Discordu, dozvíte se více a připojíte se k nám na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky, jak používat GitHub Copilot pro Data Science.
# Strojové učení pro začátečníky –vzdělávací program
# Strojové učení pro začátečníky –učební plán
> 🌍 Procestujte svět a prozkoumejte strojové učení prostřednictvím světových kultur 🌍
> 🌍 Cestujte po celém světě a objevujte strojové učení prostřednictvím světových kultur 🌍
Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní vzdělávací program o 26 lekcích zaměřený na **strojové učení**. V tomto programu se naučíte to, čemu se někdy říká **klasické strojové učení**, přičemž jako knihovnu použijeme převážně Scikit-learn a vyhneme se hlubokému učení, které je předmětem našeho [AI for Beginners programu](https://aka.ms/ai4beginners). Tyto lekce můžete také kombinovat s naším ['Data Science for Beginners' kurzem](https://aka.ms/ds4beginners).
Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní, 26-lekční učební plán zaměřený na **strojové učení**. V tomto učebním plánu se naučíte, co se někdy nazývá **klasickým strojovým učením**, používající především knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem [učebním plánu AI pro začátečníky](https://aka.ms/ai4beginners). Tyto lekce zkombinujte s naším [učebním plánem Data Science pro začátečníky](https://aka.ms/ds4beginners) také!
Cestujte s námi po celém světě a aplikujte tyto klasické techniky na data z různých oblastí světa. Každá lekce obsahuje před- a po-lekční kvízy, psané instrukce k dokončení lekce, řešení, úkoly a další. Naše projektově orientovaná pedagogika vám umožňuje učit se při tvorbě, což je osvědčený způsob, jak si nové dovednosti lépe osvojit.
Cestujte s námi po celém světě, jak aplikujeme tyto klasické techniky na data z mnoha oblastí světa. Každá lekce obsahuje před- a po-lekční kvízy, psané instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožní učit se při tvorbě, což je osvědčený způsob, jak si nové dovednosti udržet.
**✍️ 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
**✍️ Upřímné 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
**🎨 Také děkujeme ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🎨 Díky také našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🙏 Zvláštní poděkování 🙏 patří 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 ze studentů Microsoft Student Ambassador**, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal
**🤩 Extra poděkování Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!**
# Začínáme
Postupujte podle těchto kroků:
1. **Forkněte repozitář**: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
> [všechny doplňkové zdroje k tomuto kurzu najdete v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Tip pro rychlý začátek:** Chcete začít v prohlížeči bez nutnosti lokální instalace Pythonu? Použijte [GitHub Codespaces](https://github.com/features/codespaces), vytvořte si cloudové vývojové prostředí pro svůj fork. Otevřete zelené menu **Code**, vyberte **Codespaces** a vytvořte si kódovací prostor; nainstalujte požadované závislosti každé lekce podle potřeby.
> 🔧 **Potřebujete pomoc?** Podívejte se na [Průvodce řešením problémů](TROUBLESHOOTING.md) pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.
> [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)
> 🔧 **Potřebujete pomoc?** Podívejte se na náš [Průvodce řešením problémů](TROUBLESHOOTING.md) pro řešení běžných potíží s instalací, nastavením a spuštěním lekcí.
**[Studenti](https://aka.ms/student-page)**, pro využití tohoto programu si forknete celý repozitář na svůj vlastní GitHub účet a plňte cvičení sami nebo ve skupině:
**[Studenti](https://aka.ms/student-page)**, k využití tohoto učebního plánu si vytvořte fork celého repozitáře na svůj účet GitHub a cvičení dokončujte sami nebo ve skupině:
- Začněte přednáškovým kvízem.
- Přečtěte si přednášku a dokončete aktivity, zastavujte se a zamýšlejte u každé kontroly znalostí.
- Snažte se projekty vytvořit pochopením lekcí místo pouhého spuštění kódu řešení; nicméně ten je k dispozici ve složkách `/solution` u každé lekce zaměřené na projekty.
- Dejte si po přednášce kvíz.
- Vyřešte výzvu.
- Dokončete zadání.
- Po dokončení skupiny lekcí navštivte [Diskusní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a "učte se nahlas" vyplněním příslušné rubriky PAT. PAT je nástroj pro hodnocení pokroku – rubrika, kterou vyplníte k dalšímu prohloubení učení. Můžete také reagovat na další PATy, abychom se učili společně.
- Přečtěte si přednášku a dokončete aktivity, zastavujte se a zvažujte při každé kontrole vědomostí.
- Pokuste se vytvořit projekty pochopením lekcí, nikoliv pouhým spuštěním řešení; ale tento kód je k dispozici ve složkách `/solution` v každé lekci zaměřené na projekt.
- Udělejte po přednášce kvíz.
- Dokončete výzvu.
- Splňte zadání.
- Po dokončení skupiny lekcí navštivte [Diskusní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a „učte se nahlas“ vyplněním příslušné rubriky PAT. ‚PAT‘ je nástroj pro hodnocení pokroku, který vyplníte pro lepší učení. Také můžete reagovat na ostatní PAT, aby jsme se učili spolu.
> Pro další studium doporučujeme sledovat tyto [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduly a výukové cesty.
> Pro další studium doporučujeme sledovat tyto moduly a vzdělávací cesty na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Učitelé**, do [pro vás máme zahrnuté některé návrhy](for-teachers.md) jak využívat tento vzdělávací program.
**Učitelé**, připravili jsme [několik návrhů](for-teachers.md), jak tento učební plán využít.
---
## Video průvodci
## Video návody
Některé lekce jsou dostupné jako krátká videa. Najdete je přímo v lekcích nebo na [ML for Beginners playlistu na YouTube kanále 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 v [playlistu ML for Beginners na kanálu Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kliknutím na obrázek níže.
[](https://aka.ms/ml-beginners-videos)
@ -101,79 +103,80 @@ Některé lekce jsou dostupné jako krátká videa. Najdete je přímo v lekcíc
> 🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří jej vytvořili!
> 🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří ho vytvořili!
---
## Pedagogika
Při tvorbě tohoto programu jsme zvolili dvě pedagogické zásady: zajištění praktické **projektové výuky** a časté **kvízy**. Navíc má celý program společné **téma** pro zajištění soudržnosti.
Při tvorbě tohoto učebního plánu jsme zvolili dvě pedagogické zásady: zajistit, aby byl **projektově orientovaný** s praktickým pojetím a aby obsahoval **časté kvízy**. Navíc má tento učební plán společné **téma** pro lepší propojení.
Zajištěním sladění obsahu s projekty je proces pro studenty zajímavější a retence konceptů se zlepší. Nízkorychlostní kvíz před lekcí nastaví motivaci studenta k učení a druhý kvíz po lekci podporuje další zapamatování. Program je navržen jako flexibilní a zábavný, lze ho absolvovat celý nebo po částech. Projekty začínají jednoduše a postupně se během 12týdenního cyklu zvyšuje jejich složitost. Program obsahuje také posléze doplněk o použití ML v reálném světě, který lze použít jako bonusové zadání nebo základ pro diskusi.
Díky sladění obsahu s projekty je proces pro studenty zajímavější a zapamatování pojmů se zlepší. Nízkorizikový kvíz před hodinou nastavuje záměr studenta pro naučení tématu, zatímco druhý kvíz po hodině zajistí další upevnění vědomostí. Tento učební plán je navržen tak, aby byl flexibilní a zábavný, lze jej absolvovat celý nebo po částech. Projekty začínají malé a postupně se až do posledního 12týdenního cyklu stávají složitějšími. V učebním plánu je také poscriptum o reálných aplikacích ML, které lze využít jako extra kredit nebo jako podklad k diskusi.
> Najdete zde naše [Kodex chování](CODE_OF_CONDUCT.md), [Příspěvky](CONTRIBUTING.md), [Překlady](..) a [Řešení problémů](TROUBLESHOOTING.md). Vítáme vaše konstruktivní připomínky!
> **Poznámka o jazycích**: Tyto lekce jsou primárně napsány v Pythonu, ale mnoho z nich je také dostupných v R. Pro dokončení lekce v R přejděte do složky `/solution` a hledejte lekce v R. Mají příponu .rmd, která představuje **R Markdown** soubor, což lze jednoduše definovat jako vložení `kódových bloků` (v R nebo jiných jazycích) a `YAML hlavičky` (která určuje, jak formátovat výstupy jako PDF) do `Markdown dokumentu`. Jako takový slouží jako vzorový autorský rámec pro datovou vědu, protože vám umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že vám umožní je zapisovat v Markdownu. Navíc lze dokumenty R Markdown vyrenderovat do výstupních formátů jako PDF, HTML nebo Word.
> **Poznámka o kvízech**: Všechny kvízy jsou obsaženy ve [složce Quiz App](../../quiz-app), celkem je zde 52 kvízů po třech otázkách. Jsou propojené z lekcí, ale kvízovou aplikaci lze spustit lokálně; následujte instrukce ve složce `quiz-app` pro lokální hostování nebo nasazení na Azure.
| Číslo lekce | Téma | Skupina lekcí | Učební cíle | Propojená lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Naučit se základní koncepty strojového učení | [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 kolem spravedlnosti, které by studenti měli 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 výzkumníci 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) | Vizualizovat a čistit data pro přípravu na 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) | Vytvořit lineární a polynomiální regresní modely | [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) | Vytvořit logistický regresní model | [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 natrénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Čistit, 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 doporučovací webovou aplikaci pomocí vašeho modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod do shlukování | [Shlukování](5-Clustering/README.md) | Čistit, 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 | Prozkoumávání nigerických hudebních chutí 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumat metodu shlukování 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 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučit se základy NLP vytvořením jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné NLP úkoly ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohloubit své znalosti NLP pochopením běžných úkolů potřebných pro 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 na základě Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantické hotely Evropy ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Analýza sentimentu na základě hodnocení 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 na základě hodnocení hotelů 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Úvod do prognózování časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do prognózování časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Světová spotřeba energie ⚡️ - prognózování časových řad s ARIMA | [Časové řady](7-TimeSeries/README.md) | Prognózování časových řad pomocí ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Světová spotřeba energie ⚡️ - prognózování časových řad s SVR | [Časové řady](7-TimeSeries/README.md) | Prognózování časových řad pomocí Support Vector Regressor | [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 ve Gymu | [Python](8-Reinforcement/2-Gym/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 v reálném světě | [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 strojovém učení pomocí komponent dashboardu Responsible AI | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Poznámka k jazykům**: Tyto lekce jsou primárně psány v Pythonu, ale mnoho je také dostupných v R. Pro dokončení R lekce přejděte do složky `/solution` a hledejte lekce v R. Mají příponu .rmd, což je **R Markdown** soubor, který lze jednoduše definovat jako vložení `kódových bloků` (v R nebo jiných jazycích) a `YAML hlavičky` (určující formátování výstupů, např. PDF) do `Markdown dokumentu`. Slouží tak jako příkladný editační rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstupy a vaše myšlenky na jednom místě v Markdownu. R Markdown dokumenty lze navíc vykreslit do formátů jako PDF, HTML nebo Word.
> **Poznámka ke kvízům**: Všechny kvízy jsou v [složce Quiz App](../../quiz-app), celkem 52 kvízů po třech otázkách. Jsou propojené z lekcí, ale kvízovou aplikaci lze spustit i lokálně; postupujte podle návodu ve složce `quiz-app`, abyste aplikaci hostovali lokálně nebo nasadili do Azure.
| Číslo lekce | Téma | Skupina lekcí | Cíle učení | Propojená lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Naučte se základní koncepty strojového učení | [Lekce](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Seznamte se s historií 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 kolem spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci modelů ML? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky strojového učení | [Úvod](1-Introduction/README.md) | Jaké techniky používají výzkumníci ML k vytváření modelů ML? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regrese | [Regrese](2-Regression/README.md) | Začněte 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) | Vizualizujte a vyčistěte data jako přípravu na 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) | Vytvořte lineární a polynomiální regresní modely | [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) | Vytvořte logistický regresní model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Webová aplikace](3-Web-App/README.md) | Vytvořte webovou aplikaci pro použití vašeho natrénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Vyčistěte, připravte a vizualizujte svá 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) | Vytvořte doporučující webovou aplikaci pomocí vašeho modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod do shlukování | [Shlukování](5-Clustering/README.md) | Vyčistěte, připravte a vizualizujte svá 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 | Prozkoumání nigerijských hudebních vkusů 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumejte metodu 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 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučte se základy NLP vytvořením jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné úlohy NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohlubte své znalosti NLP pochopením běžných úloh spojených se strukturou jazyka | [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 recenzí hotelů 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 recenzí 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 | ⚡️ Světová spotřeba energie ⚡️ – 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 | ⚡️ Světová spotřeba energie ⚡️ – predikce časových řad s SVR | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí regresoru s podporou vektorů | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Úvod do posilovacího učení | [Posilovací učení](8-Reinforcement/README.md) | Úvod do posilovacího učení s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozte Petrovi vyhnout se vlkovi! 🐺 | [Posilovací učení](8-Reinforcement/README.md) | Posilovací učení pomocí Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Poznámka | Reálné scénáře a aplikace ML | [ML ve světě](9-Real-World/README.md) | Zajímavé a odhalující reálné aplikace klasického ML | [Lekce](9-Real-World/1-Applications/README.md) | Tým |
| Poznámka | Ladění modelů v ML pomocí dashboardu RAI | [ML ve světě](9-Real-World/README.md) | Ladění modelů ve strojovém učení pomocí komponent dashboardu Responsible AI | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [najděte všechny další 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 můžete spustit offline pomocí [Docsify](https://docsify.js.org/#/). Vytvořte fork tohoto repozitáře, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj lokální počítač a pak v kořenové složce tohoto repozitáře zadejte příkaz `docsify serve`. Web bude dostupný na portu 3000 na vašem localhostu: `localhost:3000`.
Tuto dokumentaci můžete spustit offline pomocí [Docsify](https://docsify.js.org/#/). Vytvořte fork tohoto repozitáře, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na vašem lokálním stroji a pak v kořenové složce tohoto repozitáře zadejte příkaz `docsify serve`. Web bude dostupný na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF
Najdete pdf osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Najdete zde pdf osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Další kurzy
## 🎒 Další kurzy
Náš tým vytváří i další kurzy! Podívejte se:
Náš tým vytváří i další kurzy! Podívejte se na:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -186,7 +189,7 @@ Náš tým vytváří i další kurzy! Podívejte se:
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
@ -198,12 +201,12 @@ Náš tým vytváří i další kurzy! Podívejte se:
---
### Základní učení
### 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://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -212,38 +215,38 @@ Náš tým vytváří 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)
- Po každé lekci si projděte poznámkové bloky pro lepší pochopení.
- Procvičujte implementaci algoritmů sami.
- Prozkoumejte reálné datové sady pomocí naučených konceptů.
- Pro větší pochopení si po každé lekci opakujte poznámky.
- Procvičujte si implementaci algoritmů sami.
- Prozkoumejte reálné datasety pomocí naučených konceptů.
---
<!-- 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). I když usilujeme o přesnost, berte prosím na vědomí, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakákoliv nedorozumění nebo mylné výklady vyplývající z použití tohoto překladu.
**Prohlášení o omezení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.
Chcete použít tento vzdělávací program ve své třídě? Neváhejte!
Chtěli byste použít tento učební plán ve své třídě? Klidně použijte!
Ve skutečnosti ho můžete použít přímo na GitHubu pomocí GitHub Classroom.
Ve skutečnosti ho můžete použít přímo v GitHubu pomocí GitHub Classroom.
K tomu si tento repozitář forkněte. Budete potřebovat vytvořit repozitář pro každou lekci, takže budete muset každou složku extrahovat do samostatného repozitáře. Tímto způsobem může [GitHub Classroom](https://classroom.github.com/classrooms) zpracovat každou lekci zvlášť.
K tomu si vytvořte fork tohoto repozitáře. Budete potřebovat vytvořit repozitář pro každou lekci, takže budete muset vyjmout každou složku do samostatného repozitáře. Takto si [GitHub Classroom](https://classroom.github.com/classrooms) může načíst každou lekci zvlášť.
Tyto [podrobné instrukce](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vám poskytnou představu, jak nastavit svou třídu.
Tyto [úplné pokyny](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vám poskytnou představu, jak svou třídu nastavit.
## Použití repozitáře tak, jak je
Pokud chcete použít tento repozitář v jeho aktuální podobě, bez použití GitHub Classroom, je to také možné. Budete muset komunikovat se svými studenty, kterou lekci mají společně projít.
Pokud chcete tento repozitář použít tak, jak je, bez použití GitHub Classroom, lze to také. Budete muset se studenty komunikovat, na které lekci spolu budou pracovat.
V online formátu (Zoom, Teams nebo jiném) můžete vytvořit breakout místnosti pro kvízy a mentorovat studenty, aby se připravili na učení. Poté pozvěte studenty, aby se zúčastnili kvízů a odeslali své odpovědi jako 'issues' v určitém čase. Totéž můžete udělat s úkoly, pokud chcete, aby studenti pracovali společně veřejně.
V online formátu (Zoom, Teams nebo jiný) můžete vytvořit breakout místnosti pro kvízy a mentorovat studenty, aby se připravili na učení. Poté pozvěte studenty, aby složili kvízy a odevzdali své odpovědi jako 'issues' ve stanovený čas. Totéž můžete udělat s úkoly, pokud chcete, aby studenti pracovali společně otevřeně.
Pokud preferujete více soukromý formát, požádejte své studenty, aby si forknuli vzdělávací program, lekci po lekci, do svých vlastních soukromých repozitářů na GitHubu a dali vám přístup. Poté mohou dokončit kvízy a úkoly soukromě a odeslat je vám prostřednictvím issues na vašem třídním repozitáři.
Pokud preferujete soukromější formát, požádejte studenty, aby si provedli fork učebnice, lekci po lekci, do svých vlastních GitHub repozitářů jako soukromých repozitářů a dali vám přístup. Pak mohou dokončit kvízy a úkoly soukromě a poslat je vám jako issues do vašeho třídního repozitáře.
Existuje mnoho způsobů, jak to v online třídě zorganizovat. Dejte nám prosím vědět, co vám funguje nejlépe!
Existuje mnoho způsobů, jak to udělat v online formátu třídy. Dejte nám prosím vědět, co vám vyhovuje nejvíce!
## Prosíme, podělte se o své názory!
## Prosíme, řekněte nám vaše názory!
Chceme, aby tento vzdělávací program fungoval pro vás i vaše studenty. Prosíme, dejte nám [zpětnou vazbu](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Chceme, aby tento učební plán fungoval pro vás a vaše studenty. Prosíme, dejte nám [zpětnou vazbu](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Prohlášení**:
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o omezení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o co největší přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vzniklé použitím tohoto překladu.
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "Gépi tanulás kezdőknek - A gépi tanulás története")
[](https://youtu.be/N6wxM4wZ7V0 "ML kezdőknek - A gépi tanulás története")
> 🎥 Kattints a fenti képre egy rövid videóért, amely bemutatja ezt a leckét.
> 🎥 Kattints a fenti képre egy rövid videó megtekintéséhez, amely végigvezet ezen az leckén.
Ebben a leckében végigjárjuk a gépi tanulás és mesterséges intelligencia történetének főbb mérföldköveit.
Ebben a leckében végigjárjuk a gépi tanulás és a mesterséges intelligencia történetének fő mérföldköveit.
A mesterséges intelligencia (MI) mint terület története szorosan összefonódik a gépi tanulás történetével, mivel a gépi tanulás alapját képező algoritmusok és számítástechnikai fejlődések hozzájárultak az MI fejlődéséhez. Érdemes megjegyezni, hogy bár ezek a területek mint különálló kutatási irányok az 1950-es években kezdtek körvonalazódni, fontos [algoritmikus, statisztikai, matematikai, számítástechnikai és technikai felfedezések](https://wikipedia.org/wiki/Timeline_of_machine_learning) már korábban is történtek, és átfedték ezt az időszakot. Valójában az emberek már [évszázadok óta](https://wikipedia.org/wiki/History_of_artificial_intelligence) foglalkoznak ezekkel a kérdésekkel: ez a cikk a "gondolkodó gép" ötletének történelmi szellemi alapjait tárgyalja.
A mesterséges intelligencia (AI) mint tudományterület története összefonódik a gépi tanulás történetével, mivel az ML alapját képező algoritmusok és számítási fejlődések hozzájárultak az AI kifejlődéséhez. Hasznos felidézni, hogy bár ezek a területek különálló kutatási területekként az 1950-es években kezdtek kristályosodni, fontos [algoritmikus, statisztikai, matematikai, számítási és technikai felfedezések](https://wikipedia.org/wiki/Timeline_of_machine_learning) már megelőzték és átfedték ezt az időszakot. Valójában az emberek már [századok óta](https://wikipedia.org/wiki/History_of_artificial_intelligence) foglalkoznak ezekkel a kérdésekkel: ez a cikk a „gondolkodó gép” ötletének történelmi intellektuális alapjait tárgyalja.
---
## Figyelemre méltó felfedezések
## Jelentős felfedezések
- 1763, 1812 [Bayes-tétel](https://wikipedia.org/wiki/Bayes%27_theorem) és elődei. Ez a tétel és alkalmazásai az események bekövetkezésének valószínűségét írják le korábbi ismeretek alapján.
- 1805 [Legkisebb négyzetek módszere](https://wikipedia.org/wiki/Least_squares) Adrien-Marie Legendre francia matematikustól. Ez az elmélet, amelyet a regresszióról szóló egységünkben tanulni fogsz, segít az adatok illesztésében.
- 1913 [Markov-láncok](https://wikipedia.org/wiki/Markov_chain), amelyeket Andrey Markov orosz matematikusról neveztek el, egy eseménysorozatot írnak le, amely az előző állapoton alapul.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), egy lineáris osztályozó típusa, amelyet Frank Rosenblatt amerikai pszichológus talált fel, és amely a mélytanulás fejlődésének alapját képezi.
- 1763, 1812 [Bayes-tétel](https://wikipedia.org/wiki/Bayes%27_theorem) és elődjei. Ez a tétel és alkalmazásai az indukció alapját képezik, leírva egy esemény valószínűségét előzetes ismeretek alapján.
- 1805 [Legkisebb négyzetek elmélete](https://wikipedia.org/wiki/Least_squares) a francia matematikus Adrien-Marie Legendre-től. Erről az elméletről a Regresszió egységünk során tanulsz, segíti az adatok illesztését.
- 1913 [Markov-láncok](https://wikipedia.org/wiki/Markov_chain), amelyeket az orosz matematikus Andrey Markovról neveztek el; egy korábbi állapot alapján leíró lehetséges események sorozatát ábrázolják.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron), az amerikai pszichológus Frank Rosenblatt által feltalált lineáris osztályozó, amely a mélytanulás fejlődésének alapját képezi.
---
- 1967 [Legközelebbi szomszéd](https://wikipedia.org/wiki/Nearest_neighbor) algoritmus, amelyet eredetileg útvonalak feltérképezésére terveztek. Gépi tanulásban mintázatok felismerésére használják.
- 1970 [Visszaterjesztés](https://wikipedia.org/wiki/Backpropagation), amelyet [előrecsatolt neurális hálók](https://wikipedia.org/wiki/Feedforward_neural_network) tanítására használnak.
- 1982 [Rekurzív neurális hálók](https://wikipedia.org/wiki/Recurrent_neural_network), amelyek az előrecsatolt neurális hálókból származnak, és időbeli gráfokat hoznak létre.
- 1967 [Legközelebbi szomszéd](https://wikipedia.org/wiki/Nearest_neighbor), eredetileg útvonaltervezésre tervezett algoritmus. ML kontextusban mintázatok felismerésére használják.
- 1970 [Visszaterjesztés](https://wikipedia.org/wiki/Backpropagation), amelyet [előrecsatolt mesterséges neurális hálózatok](https://wikipedia.org/wiki/Feedforward_neural_network) tanítására használnak.
- 1982 [Rekurzív neurális hálózatok](https://wikipedia.org/wiki/Recurrent_neural_network), amelyek előrecsatolt hálózatokból származnak és időbeli gráfokat hoznak létre.
✅ Végezz egy kis kutatást. Mely más dátumok emelkednek ki a gépi tanulás és MI történetében?
✅ Végezzen egy kis kutatást. Milyen egyéb dátumokat tartanak fontos mérföldkőnek az ML és AI történetében?
---
## 1950: Gondolkodó gépek
Alan Turing, egy igazán figyelemre méltó személy, akit [2019-ben a közönség](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) a 20. század legnagyobb tudósának választott, segített lefektetni a "gondolkodó gép" koncepciójának alapjait. Turing a kétkedőkkel és saját empirikus bizonyítékok iránti igényével küzdött, részben azáltal, hogy megalkotta a [Turing-tesztet](https://www.bbc.com/news/technology-18475646), amelyet a NLP leckéinkben fogsz megvizsgálni.
Alan Turing, egy igazán rendkívüli személy, akit [a közvélemény 2019-ben](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) a 20. század legnagyobb tudósának választott, hozzájárult a „gondolkodni képes gép” koncepciójának alapjaihoz. Megküzdött a kételkedőkkel, valamint a fogalom empirikus bizonyításának szükségességével részben a [Turing-teszt](https://www.bbc.com/news/technology-18475646) megalkotásával, amelyet az NLP leckéink során fogsz megvizsgálni.
---
## 1956: Dartmouth nyári kutatási projekt
"A Dartmouth nyári kutatási projekt a mesterséges intelligenciáról egy alapvető esemény volt a mesterséges intelligencia mint terület számára," és itt alkották meg a 'mesterséges intelligencia' kifejezést ([forrás](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"A Dartmouth Nyári Kutatási Projekt a mesterséges intelligencia területén mérföldkő volt az AI tudományaként," és itt nevezték el a 'mesterséges intelligencia' kifejezést ([forrás](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> A tanulás vagy az intelligencia bármely más jellemzője elvileg olyan pontosan leírható, hogy egy gép képes legyen szimulálni azt.
> Az intelligencia tanulási vagy bármely más aspektusa elvileg oly mértékben leírható, hogy egy gép képes legyen azt szimulálni.
---
A vezető kutató, John McCarthy matematikaprofesszor remélte, hogy "a tanulás vagy az intelligencia bármely más jellemzője elvileg olyan pontosan leírható, hogy egy gép képes legyen szimulálni azt." A résztvevők között volt egy másik kiemelkedő személyiség, Marvin Minsky.
Az esemény vezető kutatója, John McCarthy matematikaprofesszor azt remélte, „hogy az a feltételezés alapján haladhatunk, miszerint az intelligencia tanulási vagy bármilyen aspektusa elvileg oly pontosan leírható, hogy egy gép képes lehet azt szimulálni.” A résztvevők között szerepelt egy másik neves szakember, Marvin Minsky.
A workshopot annak tulajdonítják, hogy számos vitát kezdeményezett és ösztönzött, beleértve "a szimbolikus módszerek felemelkedését, a korlátozott területekre összpontosító rendszereket (korai szakértői rendszerek), valamint a deduktív rendszerek és az induktív rendszerek közötti különbségeket." ([forrás](https://wikipedia.org/wiki/Dartmouth_workshop)).
A műhely megkezdett és ösztönzött több vitát is, köztük „a szimbolikus módszerek térnyerését, korlátozott területekre fókuszált rendszereket (korai szakértői rendszerek), valamint a deduktív rendszerek és induktív rendszerek közötti eltéréseket.” ([forrás](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Az aranyévek"
## 1956 - 1974: „Az aranykor”
Az 1950-es évektől a '70-es évek közepéig nagy optimizmus uralkodott abban a reményben, hogy az MI számos problémát megoldhat. 1967-ben Marvin Minsky magabiztosan kijelentette, hogy "Egy generáción belül ... az 'mesterséges intelligencia' létrehozásának problémája lényegében megoldódik." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Az 1950-es évektől egészen a '70-es évek közepéig nagy volt az optimizmus abban a reményben, hogy az AI sok problémát megoldhat. 1967-ben Marvin Minsky magabiztosan kijelentette, hogy „Egy generáción belül … az 'mesterséges intelligencia' létrehozásának problémája lényegében megoldásra kerül.” (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
A természetes nyelvfeldolgozás kutatása virágzott, a keresés finomodott és hatékonyabbá vált, és létrejött a 'mikrovilágok' koncepciója, ahol egyszerű feladatokat lehetett elvégezni egyszerű nyelvi utasításokkal.
A természetes nyelvfeldolgozás kutatása virágzott, a keresést finomították és hatékonyabbá tették, és létrejött a 'mikrovilágok' fogalma, ahol egyszerű feladatokat lehetett elvégezni közönséges nyelvi utasításokkal.
---
A kutatást jól finanszírozták kormányzati ügynökségek, előrelépések történtek a számítástechnikában és algoritmusokban, és intelligens gépek prototípusait építették. Néhány ilyen gép:
A kutatást kormányzati szervek jól finanszírozták, előrelépések történtek a számításelméletben és az algoritmusok terén, valamint intelligens gépek prototípusait építették. Ezek közül néhány gép:
* [Shakey robot](https://wikipedia.org/wiki/Shakey_the_robot), amely képes volt manőverezni és 'intelligensen' dönteni a feladatok elvégzéséről.
* [Shakey, a robot](https://wikipedia.org/wiki/Shakey_the_robot), aki képes volt mozogni és intelligensen dönteni a feladatok végrehajtásáról.
> Shakey 1972-ben
---
* Eliza, egy korai 'beszélgetőbot', képes volt emberekkel beszélgetni és primitív 'terapeutaként' működni. Az NLP leckékben többet fogsz tanulni Elizáról.
* Eliza, egy korai „csevegőbot”, aki képes volt emberekkel beszélgetni és primitív „terapeutaként” működni. Többet fogsz megtudni Elizáról az NLP leckékben.
> Eliza egy verziója, egy chatbot
> Egy verziója Elizának, a chatbotnak
---
* "Blocks world" egy mikrovilág példája volt, ahol blokkokat lehetett egymásra rakni és rendezni, és kísérleteket lehetett végezni a gépek döntéshozatalának tanításával. Az olyan könyvtárakkal, mint [SHRDLU](https://wikipedia.org/wiki/SHRDLU), végzett fejlesztések elősegítették a nyelvfeldolgozás fejlődését.
* A "blokkok világa" egy mikrovilág példa volt, ahol blokkokat lehetett egymásra rakni és rendezni, és kísérleteket végeztek a gépek döntéshozatali képességeinek tanítására. Az olyan könyvtárak, mint a [SHRDLU](https://wikipedia.org/wiki/SHRDLU), elősegítették a nyelvfeldolgozás fejlődését.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world SHRDLU-val")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blokkok világa a SHRDLU-val")
> 🎥 Kattints a fenti képre egy videóért: Blocks world SHRDLU-val
> 🎥 Kattints a fenti képre egy videó megtekintéséhez: Blokkok világa a SHRDLU-val
---
## 1974 - 1980: "AI tél"
Az 1970-es évek közepére nyilvánvalóvá vált, hogy az 'intelligens gépek' létrehozásának bonyolultságát alábecsülték, és az ígéreteket, tekintettel a rendelkezésre álló számítástechnikai kapacitásra, túlértékelték. A finanszírozás megszűnt, és a terület iránti bizalom csökkent. Néhány probléma, amely befolyásolta a bizalmat:
## 1974 - 1980: „AI tél”
A '70-es évek közepére nyilvánvalóvá vált, hogy az „intelligens gépek” létrehozásának komplexitását alábecsülték, és hogy annak ígérete a rendelkezésre álló számítási kapacitás mellett túlzottan optimista volt. A finanszírozás elfogyott, és a terület iránti bizalom alábbhagyott. Néhány probléma, amely csökkentette a bizalmat:
---
- **Korlátok**. A számítástechnikai kapacitás túl korlátozott volt.
- **Kombinatorikus robbanás**. Az edzéshez szükséges paraméterek száma exponenciálisan nőtt, ahogy egyre többet vártak el a számítógépektől, anélkül, hogy a számítástechnikai kapacitás és képesség párhuzamosan fejlődött volna.
- **Adathiány**. Az adatok hiánya akadályozta az algoritmusok tesztelését, fejlesztését és finomítását.
- **A megfelelő kérdéseket tesszük fel?**. Az éppen feltett kérdéseket is elkezdték megkérdőjelezni. A kutatók kritikákat kaptak a megközelítéseikkel kapcsolatban:
- A Turing-teszteket megkérdőjelezték többek között a 'kínai szoba elmélet' révén, amely azt állította, hogy "egy digitális számítógép programozása látszólag megértést mutathat, de nem képes valódi megértést produkálni." ([forrás](https://plato.stanford.edu/entries/chinese-room/))
- Az olyan mesterséges intelligenciák, mint a "terapeuta" ELIZA társadalomba való bevezetésének etikáját megkérdőjelezték.
- **Korlátozások**. A számítási kapacitás túl korlátozott volt.
- **Kombinatorikus robbanás**. Az edzéshez szükséges paraméterek száma exponenciálisan nőtt, miközben a számítási kapacitás és képességek nem fejlődtek párhuzamosan.
- **Adathiány**. Hiányoztak az adatok, ami gátolta az algoritmusok tesztelését, fejlesztését és finomítását.
- **Jó kérdéseket teszünk fel?**. Maga a kérdés is megkérdőjeleződött. A kutatók kritikát kaptak megközelítéseik miatt:
- A Turing-tesztet megkérdőjelezték többek között a 'kínai szobás elmélet' által, amely szerint „egy digitális számítógép programozása úgy tűnhet, mintha értené a nyelvet, de nem képes valódi megértésre.” ([forrás](https://plato.stanford.edu/entries/chinese-room/))
- A mesterséges intelligenciák, mint például az „Eliza” terapeuta bevezetésének etikája társadalmi vitákat váltott ki.
---
Ezzel egy időben különböző MI iskolák kezdtek kialakulni. Egy dichotómia jött létre ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies) gyakorlatok között. _Scruffy_ laborok órákig finomították a programokat, amíg el nem érték a kívánt eredményeket. _Neat_ laborok "a logikára és a formális problémamegoldásra" összpontosítottak. ELIZA és SHRDLU jól ismert _scruffy_ rendszerek voltak. Az 1980-as években, amikor igény mutatkozott a gépi tanulási rendszerek reprodukálhatóságára, a _neat_ megközelítés fokozatosan előtérbe került, mivel eredményei jobban magyarázhatók.
Ugyanakkor különböző AI filozófiai iskolák kezdtek kialakulni. Kialakult egy kettősség a ["rendetlen" vs. "rendezett AI"](https://wikipedia.org/wiki/Neats_and_scruffies) gyakorlatok között. A _rendetlen_ laborok hosszú órákon át finomították a programokat, amíg a kívánt eredményt el nem érték. A _rendezett_ laborok „a logikára és a formális problémamegoldásra összpontosítottak”. Az Eliza és a SHRDLU jól ismert _rendetlen_ rendszerek voltak. Az 1980-as években, amikor igény mutatkozott az ML rendszerek reprodukálhatóságára, a _rendezett_ megközelítés fokozatosan előtérbe került, mivel eredményei jobban magyarázhatóak.
---
## 1980-as évek: Szakértői rendszerek
## 1980-as évek Szakértői rendszerek
Ahogy a terület fejlődött, egyre világosabbá vált az üzleti haszna, és az 1980-as években elterjedtek a 'szakértői rendszerek'. "A szakértői rendszerek az első igazán sikeres mesterséges intelligencia (MI) szoftverformák közé tartoztak." ([forrás](https://wikipedia.org/wiki/Expert_system)).
Ahogy a terület növekedett, üzleti hasznossága egyre világosabbá vált, és az 1980-as években elterjedtek a „szakértői rendszerek”. „A szakértői rendszerek voltak az első valóban sikeres mesterséges intelligencia (AI) szoftverformák között.” ([forrás](https://wikipedia.org/wiki/Expert_system)).
Ez a rendszer valójában _hibrid_, részben egy szabálymotorból áll, amely meghatározza az üzleti követelményeket, és egy következtetési motorból, amely a szabályrendszert használja új tények levonására.
Ez a típus valójában _hibrid_, részben egy szabálymotorból áll, amely az üzleti követelményeket határozza meg, és egy következtető motorból, amely a szabályrendszert használva új tényeket állapít meg.
Ebben az időszakban a neurális hálók iránti figyelem is növekedett.
Ebben az időszakban nőtt a neurális hálózatok iránti figyelem.
---
## 1987 - 1993: AI 'lehűlés'
## 1987 - 1993: AI „korszakalkony”
A specializált szakértői rendszerek hardverének elterjedése sajnos túlságosan specializálttá vált. A személyi számítógépek térnyerése versenyre kelt ezekkel a nagy, specializált, központosított rendszerekkel. Elkezdődött a számítástechnika demokratizálása, amely végül utat nyitott a modern big data robbanásának.
A speciális szakértői rendszerek hardverének elterjedése sajnálatos módon túlspecializálódáshoz vezetett. A személyi számítógépek térnyerése versenyre kelt ezekkel a nagy, speciális, központosított rendszerekkel. A számítástechnika demokratizálódása megkezdődött, és végül megalapozta a nagy adatok modern robbanását.
---
## 1993 - 2011
Ez az időszak új korszakot hozott a gépi tanulás és MI számára, hogy megoldja azokat a problémákat, amelyeket korábban az adatok és számítástechnikai kapacitás hiánya okozott. Az adatok mennyisége gyorsan növekedni kezdett és szélesebb körben elérhetővé vált, jó és rossz értelemben egyaránt, különösen a 2007 körüli okostelefon megjelenésével. A számítástechnikai kapacitás exponenciálisan bővült, és az algoritmusok is fejlődtek. A terület kezdett éretté válni, ahogy a múlt szabad szellemű napjai egy valódi tudományággá kristályosodtak.
Ebben az időszakban új korszak kezdődött az ML és AI számára, hogy képesek legyenek megoldani azokat a problémákat, amelyeket korábban az adat- és számítási kapacitás hiánya okozott. Az adatok mennyisége gyorsan nőtt és egyre szélesebb körben volt elérhető, akár jó, akár rossz értelemben, különösen a 2007 körüli okostelefonok megjelenésével. A számítási kapacitás exponenciálisan nőtt, és az algoritmusok is fejlődtek párhuzamosan. A terület éretté vált, mivel a korábbi szabadabban szerveződő napok valódi diszciplínává kristályosodtak.
---
## Most
Ma a gépi tanulás és MI szinte minden részét érinti az életünknek. Ez a korszak gondos megértést igényel az algoritmusok emberi életre gyakorolt kockázatairól és potenciális hatásairól. Ahogy Brad Smith, a Microsoft egyik vezetője kijelentette: "Az információs technológia olyan kérdéseket vet fel, amelyek alapvető emberi jogi védelmek, például a magánélet és a véleménynyilvánítás szabadsága szívéhez vezetnek. Ezek a kérdések fokozzák a felelősséget a technológiai cégek számára, amelyek ezeket a termékeket létrehozzák. Véleményünk szerint ezek átgondolt kormányzati szabályozást és normák kidolgozását is igénylik az elfogadható felhasználások körül" ([forrás](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Ma a gépi tanulás és az AI szinte minden életünk részét megérinti. Ez az időszak megköveteli ezeknek az algoritmusoknak az emberi életre gyakorolt kockázatainak és potenciális hatásainak körültekintő megértését. Ahogy Brad Smith a Microsofttól fogalmazott: „Az információtechnológia olyan kérdéseket vet fel, amelyek az alapvető emberi jogok, mint a magánélet és a szólásszabadság védelmének szívéhez nyúlnak. Ezek a kérdések növelik a felelősséget azokat a termékeket létrehozó technológiai cégek számára. Véleményünk szerint ezek átgondolt kormányzati szabályozást és az elfogadható felhasználás normáinak kialakítását is igénylik” ([forrás](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Még nem tudjuk, mit tartogat a jövő, de fontos megérteni ezeket a számítógépes rendszereket, valamint a szoftvereket és algoritmusokat, amelyeket futtatnak. Reméljük, hogy ez a tananyag segít jobban megérteni, hogy saját magad dönthess.
Még nem ismert, mit hoz a jövő, de fontos megérteni ezeket a számítógépes rendszereket, valamint a rajtuk futó szoftvereket és algoritmusokat. Reméljük, hogy ez a tananyag segít jobban megérteni ezeket, hogy te magad dönthess.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "A mélytanulás története")
> 🎥 Kattints a fenti képre egy videóért: Yann LeCun a mélytanulás történetéről beszél ebben az előadásban
@ -131,26 +130,28 @@ Még nem tudjuk, mit tartogat a jövő, de fontos megérteni ezeket a számító
---
## 🚀Kihívás
Merülj el az egyik történelmi pillanatban, és tudj meg többet az emberekről, akik mögötte állnak. Érdekes személyiségek vannak, és egyetlen tudományos felfedezés sem született kulturális vákuumban. Mit fedezel fel?
Merülj el valamelyik történelmi pillanatban és ismerd meg jobban az őket meghatározó embereket. Lenfűgöző személyiségek, és egyetlen tudományos felfedezés sem született kulturális vákuumban. Mit fedezel fel?
## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
---
## Áttekintés és önálló tanulás
## Áttekintés & Önálló tanulás
Íme néhány néznivaló és hallgatnivaló:
Íme néhány megtekintendő és meghallgatandó anyag:
[Ez a podcast, amelyben Amy Boyd az MI fejlődéséről beszél](http://runasradio.com/Shows/Show/739)
[Ez a podcast, ahol Amy Boyd az AI fejlődéséről beszél](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Az MI története Amy Boyd által")
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Az AI története Amy Boyd tolmácsolásában")
---
## Feladat
[Hozz létre egy idővonalat](assignment.md)
[Idővonal készítése](assignment.md)
---
**Felelősség kizárása**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Jogi nyilatkozat**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.
## [Előadás előtti kvíz](https://ff-quizzes.netlify.app/en/ml/)
## Bevezetés
Ebben a tananyagban elkezded felfedezni, hogyan befolyásolja a gépi tanulás a mindennapi életünket. Már most is rendszerek és modellek vesznek részt napi döntéshozatali folyamatokban, például egészségügyi diagnózisokban, kölcsönkérelmek elbírálásában vagy csalás felismerésében. Ezért fontos, hogy ezek a modellek jól működjenek, és megbízható eredményeket nyújtsanak. Ahogyan bármely szoftveralkalmazás, az MI rendszerek is elvárásokat nem teljesíthetnek vagy nem kívánt kimenetet produkálhatnak. Ezért elengedhetetlen megérteni és megmagyarázni egy MI modell viselkedését.
Ebben a tananyagsorozatban elkezded felfedezni, hogy a gépi tanulás hogyan és milyen hatással van a mindennapi életünkre. Már most is rendszerek és modellek vesznek részt napi döntéshozatali feladatokban, például egészségügyi diagnózisokban, hitelbírálatokban vagy csalásfelderítésben. Ezért fontos, hogy ezek a modellek jól működjenek, megbízható eredményeket nyújtva. Ahogy bármely szoftveralkalmazás, úgy a MI rendszerek sem mindig felelnek meg az elvárásoknak, vagy váratlan, nem kívánatos eredményt adhatnak. Ezért elengedhetetlen, hogy megértsük és elmagyarázzuk egy MI modell viselkedését.
Képzeld el, mi történhet, ha az általad használt adatok egyes demográfiai csoportokat, például fajt, nemeket, politikai nézeteket, vallást hiányosan vagy aránytalanul képviselnek a modellek építése során. Mi történik, ha a modell kimenetét úgy értelmezik, hogy egyes demográfiai csoportok javára torzít? Mi ennek a következménye az alkalmazásra nézve? Ráadásul mi történik, ha a modell káros végkimenetelt produkál és árt az embereknek? Ki felel az MI rendszer viselkedéséért? Ezek néhány kérdés, amelyeket ebben a tananyagban fogunk megvizsgálni.
Képzeld el, mi történhet, ha azok az adatok, amelyeket ezekhez a modellekhez használsz, hiányosak bizonyos demográfiai csoportokat illetően, mint például faj, nem, politikai nézet, vallás, vagy aránytalanul képviselnek egyes demográfiai csoportokat. Mi történik, ha a modell kimenetét úgy értelmezik, hogy egy demográfiai csoport javára szolgáljon? Mi ennek a következménye az alkalmazás szempontjából? Továbbá, mi történik, ha a modell káros eredményt hoz és árt az embereknek? Ki a felelős az MI rendszer viselkedéséért? Ezekre a kérdésekre keressük a választ ebben a tananyagban.
Ebben az órában:
Ebben a leckében a következőket fogod megtanulni:
- Növelni fogod az igazságosság fontosságával kapcsolatos tudatosságodat a gépi tanulásban, valamint az igazságossággal kapcsolatos ártalmak terén.
- Megismerkedsz a szokatlan esetek és kiugró értékek feltárásának gyakorlatával a megbízhatóság és biztonság érdekében.
- Megérted, hogy miért fontos mindenkit képessé tenni a befogadó rendszerek megtervezésével.
- Feltárjuk, milyen létfontosságú az adatok és emberek magánéletének és biztonságának védelme.
- Meglátod, hogy miért fontos átlátható („üveg doboz”) megközelítés az MI modellek viselkedésének magyarázatához.
- Tudatos leszel arról, hogy a felelősségvállalás mennyire elengedhetetlen a bizalom megteremtéséhez az MI rendszerekben.
- Tudatosságod növelése a gépi tanulásban rejlő méltányosság fontosságáról és a méltányosságot érintő károkról.
- Ismerkedés a szokatlan esetek és kilógó értékek vizsgálatának gyakorlatával a megbízhatóság és biztonság biztosítása érdekében.
- Megértés arról, miért fontos mindenkit felhatalmazni befogadó rendszerek tervezésével.
- Felfedezés arról, milyen fontos az adat- és személyes adatok magánéletének és biztonságának védelme.
- Látni a "üveg doboz" megközelítés fontosságát az MI modellek viselkedésének magyarázatában.
- Tudatosság a felelősségvállalásról, amely elengedhetetlen a MI rendszerekbe vetett bizalom kiépítéséhez.
## Előfeltétel
Előfeltételként kérjük, vedd fel a "Felelős MI elvei" tanulási útvonalat, és nézd meg az alábbi videót a témában:
Előfeltételként vedd végig a „Felelős MI alapelvek” tanulási útvonalat, és nézd meg az alábbi videót a témában:
Tudj meg többet a Felelős MI-ről ezen a [Tanulási Útvonalon](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsoft megközelítése a Felelős MI-hez")
[](https://youtu.be/dnC8-uUZXSc "Microsoft megközelítése a Felelős MI-re")
> 🎥 Kattints a képre a videóért: Microsoft megközelítése a Felelős MI-hez
> 🎥 Kattints a fenti képre a videóhoz: Microsoft megközelítése a Felelős MI-re
## Igazságosság
## Méltányosság
Az MI rendszereknek mindenkit igazságosan kell kezelniük, és kerülnie kell, hogy hasonló csoportokat eltérően érintsenek. Például amikor MI rendszerek orvosi kezelésben, kölcsönkérelmek elbírálásában vagy foglalkoztatásban adnak útmutatást, akkor hasonló tünetekkel, anyagi háttérrel vagy szakmai képesítéssel rendelkező embereknek ugyanazokat a javaslatokat kell adniuk. Mindannyiunkban öröklött elfogultságok vannak, amelyek döntéseinket és cselekedeteinket befolyásolják. Ezek az elfogultságok a gépi tanulási modellek képzéséhez használt adatokban is megjelenhetnek. Az ilyen torzítás néha akaratlanul is előfordulhat. Sokszor tudatosan nehéz megállapítani, mikor vezetünk be elfogultságot az adatba.
Az MI rendszereknek mindenkivel méltányosan kell bánniuk, és el kell kerülniük, hogy hasonló csoportokat eltérő módon érjenek hatások. Például amikor MI rendszerek adnak tanácsot egészségügyi kezelésekhez, hitelbírálathoz vagy foglalkoztatáshoz, ugyanazokat a javaslatokat kell megadniuk minden olyan embernek, akik hasonló tünetekkel, anyagi helyzettel vagy szakmai képesítéssel rendelkeznek. Mindannyian örökölt torzításokat hordozunk döntéseinkben és cselekedeteinkben. Ezek a torzítások megjelenhetnek az adatokban is, amelyeket a MI rendszerek tanítására használunk. Az ilyen manipulációk előfordulhatnak akaratlanul is. Gyakran nehéz tudatosan felismerni, mikor viszünk be torzítást az adatokba.
**„Igazságtalanság”** negatív hatásokat vagy „károkat” jelent egy adott csoport számára, például faji, nemi, életkori vagy fogyatékossági státusz alapján definiált embereket. Az igazságossággal kapcsolatos legfőbb károk az alábbi kategóriákba sorolhatók:
**„Mély méltánytalanság”** negatív hatásokat, vagy „károkat” jelent egy csoport számára, például faji, nemi, életkori vagy fogyatékossági státusz alapján meghatározott csoportok esetében. A főbb méltányossággal kapcsolatos károk a következők lehetnek:
- **Elosztás**, ha például egy nem vagy etnikum előnyben részesül a másikkal szemben.
- **Szolgáltatás minősége**. Ha egy specifikus szcenárióra tanítasz adatot, de a valóság sokkal összetettebb, az gyenge teljesítményű szolgáltatáshoz vezet. Például egy kézmosószappan adagoló látszólag nem érzékeli a sötét bőrű embereket. [Forrás](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Megvetés**. Valami vagy valaki igazságtalan kritikája és bántó címkézése. Például egy képosztályozó technológia hírhedten sötét bőrű emberek képeit majmokként címkézte.
- **Túl- vagy alulreprezentálás**. Az az elképzelés, hogy egy adott csoport nem látható egy bizonyos szakmában, és minden olyan szolgáltatás vagy funkció, amely ezt fenntartja, káros hatással van.
- **Sztenderdizálás**. Egy adott csoportot előre meghatározott tulajdonságokkal társítanak. Például egy angol és török nyelv közötti fordító rendszer pontatlanságokkal küzdhet a nemi sztereotípiák miatt.
- **Elosztás**, ha például egy nem vagy etnikum előnyben részesül egy másikkal szemben.
- **Szolgáltatás minősége**. Ha egy modellt egy adott szcenárióra tanítanak, de a valóság sokkal összetettebb, az rossz teljesítményhez vezet. Például egy kézmosó adagoló nem tudja érzékelni a sötétebb bőrű embereket. [Hivatkozás](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Lealacsonyítás**. Valami vagy valaki méltánytalan kritikája és megbélyegzése. Például egy kép-felismerő technológia hírhedten gorillának címkézte fel a sötétebb bőrű emberek képeit.
- **Túlsúlyos vagy alulsúlyos képviselet**. Az az elképzelés, hogy egy bizonyos csoport nem jelenik meg adott szakmában, és minden szolgáltatás vagy funkció, amely ezt tovább erősíti, károsít.
- **Stereotipizálás**. Egy adott csoport összevonása előre hozzárendelt tulajdonságokkal. Például angol–török nyelvű fordító rendszer pontatlanságai, amelyek nemi sztereotipikus szóhasználatból erednek.
MI rendszerek tervezése és tesztelése során biztosítani kell, hogy az MI igazságos legyen, és ne programozzanak be elfogult vagy diszkriminatív döntéseket, amit az embereknek is tilos tenni. Az igazságosság garantálása MI-ben és gépi tanulásban összetett szociotechnikai kihívás marad.
Amikor MI rendszereket tervezünk és tesztelünk, biztosítanunk kell, hogy az MI méltányos legyen, és ne legyen programozva elfogult vagy diszkriminatív döntések meghozatalára, amit az embereknek is tiltott megtenni. A méltányosság garantálása az MI-ben és gépi tanulásban összetett szociotechnikai kihívás marad.
### Megbízhatóság és biztonság
A bizalom kiépítéséhez az MI rendszereknek megbízhatónak, biztonságosnak és következetesnek kell lenniük normál és váratlan körülmények között egyaránt. Fontos tudni, hogyan viselkednek az MI rendszerek különféle helyzetekben, különösen, ha kiugró esetekről van szó. MI megoldások építésekor nagy figyelmet kell fordítani arra, hogyan kezeljük azokat a sokféle helyzetet, amivel az MI találkozhat. Például az önvezető autónak mindenekelőtt az emberek biztonságát kell előtérbe helyeznie. Ezért az autót működtető MI-nek minden lehetséges helyzetet figyelembe kell vennie, például éjszaka, viharban vagy hóviharban, gyerekek átfutása az úton, háziállatok, útlezárások stb. Az, hogy egy MI rendszer mennyire képes megbízhatóan és biztonságosan kezelni szélsőséges helyzeteket, azt tükrözi, mennyire előrelátó volt az adatkutató vagy MI fejlesztő a rendszer tervezése vagy tesztelése során.
A bizalom kiépítéséhez az MI rendszereknek megbízhatónak, biztonságosnak és kiszámíthatónak kell lenniük normál és váratlan helyzetekben egyaránt. Fontos tudni, hogyan viselkednek az MI rendszerek különböző helyzetekben, különösen akkor, ha kilógnak az átlagból. MI megoldások építésekor nagy hangsúlyt kell fektetni arra, hogyan kezelik az AI megoldások az általuk előforduló széles körű helyzeteket. Például egy önvezető autónak az emberek biztonsága a legfőbb szempont. Ennek megfelelően az autó MI-jének figyelembe kell vennie minden lehetséges helyzetet, amit az autó akár átélhet: éjszaka, vihar, hóvihar, utcán futó gyerekek, háziállatok, útépítés stb. Egy MI rendszer képessége arra, hogy megbízhatóan és biztonságosan kezelje a szélsőséges körülményeket, tükrözi a tervező vagy fejlesztő előrelátását a rendszer tervezése vagy tesztelése során.
> [🎥 Kattints ide a videóért: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Kattints ide egy videóért: Megbízhatóság és biztonság az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Befogadás
Az MI rendszereket úgy kell tervezni, hogy mindenkit bevonjanak és képessé tegyenek. MI rendszerek tervezése és megvalósítása során az adatkutatók és MI fejlesztők azonosítják és kezelik az esetleges akadályokat, amelyek véletlenül kizárhatnak embereket. Például a világon 1 milliárd fogyatékkal élő ember él. Az MI előrehaladtával ezek az emberek könnyebben férhetnek hozzá széles körű információkhoz és lehetőségekhez mindennapi életük során. Az akadályok kezelése lehetőséget teremt innovációra és olyan MI termékek fejlesztésére, amelyek jobb élményt nyújtanak mindenki számára.
Az MI rendszereket úgy kell tervezni, hogy mindenkit bevonjanak és felhatalmazzanak. Tervezés és bevezetés során az adattudósok és MI fejlesztők azonosítják és kezelik azokat az akadályokat, amelyek véletlenül kizárhatnak embereket. Például 1 milliárd fogyatékossággal élő ember van világszerte. Az MI fejlődésével ők könnyebben férhetnek hozzá széles körű információkhoz és lehetőségekhez a mindennapi életük során. Az akadályok feltárásával lehetőség nyílik arra, hogy jobb élményt kínáló MI termékeket alkossunk, amelyek mindenkinek hasznára válnak.
> [🎥 Kattints ide a videóért: befogadás az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Kattints ide egy videóért: Befogadás az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Biztonság és adatvédelem
### Biztonság és magánélet
Az MI rendszereknek biztonságosnak kell lenniük, és tiszteletben kell tartaniuk az emberek magánéletét. Az emberek kevésbé bíznak meg olyan rendszerekben, amelyek veszélyeztetik magánéletüket, adataikat vagy életüket. Gépi tanulási modellek képzésekor jó eredmények eléréséhez adatokra támaszkodunk. Ennek során figyelembe kell venni az adatok származását és sértetlenségét. Például az adatokat a felhasználó szolgáltatta vagy nyilvánosan hozzáférhetőek? Ezután az adatfeldolgozás során létfontosságú olyan MI rendszereket fejleszteni, amelyek képesek védelmezni az érzékeny információkat és ellenállni a támadásoknak. Mivel az MI egyre elterjedtebb, a magánélet védelme és fontos személyes vagy üzleti információk védelme egyre kritikusabbá és összetettebbé válik. A magánélet és adatbiztonság különösen nagy figyelmet igényel az MI-nél, mert az adatokhoz való hozzáférés elengedhetetlen az MI rendszerek számára, hogy pontos és megalapozott előrejelzéseket és döntéseket hozzanak az emberekről.
Az MI rendszereknek biztonságosnak kell lenniük és tiszteletben kell tartaniuk az emberek magánéletét. Az emberek kevésbé bíznak olyan rendszerekben, amelyek veszélyeztetik magánéletüket, adataikat vagy életüket. Amikor gépi tanulási modelleket tanítunk, adatokat használunk a legjobb eredmények eléréséhez. Ezért figyelembe kell venni az adatok eredetét és integritását. Például az adatokat a felhasználó küldte be, vagy nyilvánosan elérhetőek? Ezután az adatokkal dolgozva létfontosságú olyan MI rendszereket fejleszteni, amelyek képesek megvédeni a bizalmas információkat és ellenállni a támadásoknak. Ahogy az MI egyre elterjedtebbé válik, egyre fontosabb és összetettebb lesz az adatvédelem és a személyes, valamint üzleti információk biztonsága. A magánélet és adatbiztonság különösen fontos az MI számára, mert az MI rendszereknek az adatokhoz való hozzáférésre van szükségük pontos és megalapozott előrejelzések és döntések meghozatalához az emberekről.
> [🎥 Kattints ide a videóért: biztonság az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kattints ide egy videóért: Biztonság az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Iparágként jelentős előrelépéseket értünk el az adatvédelem és biztonság terén, amit nagymértékben a GDPR (Általános Adatvédelmi Rendelet) szabályozásai ösztönöznek.
- Azonban az MI rendszereknél el kell ismernünk a feszültséget a személyes adatok növekvő szükséglete és a magánélet védelme között.
- Ahogy az internet megjelenésekor a hálózatba kötött számítógépek révén, úgy napjainkban is nagymértékben megnőtt az MI-hez kapcsolódó biztonsági problémák száma.
- Ugyanakkor azt is láttuk, hogy az MI-t a biztonság javítására is használják. Például a legtöbb modern vírusirtó szoftvert ma MI heurisztikák vezérlik.
- Biztosítani kell, hogy az adatkutatási folyamataink harmonikusan illeszkedjenek a legújabb adatvédelmi és biztonsági gyakorlatokhoz.
- Iparágként jelentős előrelépéseket tettünk az adatvédelem és a biztonság terén, jelentősen támaszkodva olyan szabályozásokra, mint a GDPR (Általános Adatvédelmi Rendelet).
- Ugyanakkor az MI rendszerek esetén el kell ismernünk a feszültséget az iránt, hogy több személyes adatra van szükség a személyesebb és hatékonyabb rendszerekhez – és a magánélet között.
- Akárcsak az internet megjelenésével járó összekapcsolt számítógépek esetén, az MI-vel kapcsolatos biztonsági kérdések száma is hirtelen megugrott.
- Egyidejűleg azt is láttuk, hogy az MI-t a biztonság javítására használják. Például a legtöbb modern vírusirtó scannert ma MI-heurisztikák működtetik.
- Biztosítanunk kell, hogy az adattudományi folyamataik összhangban legyenek a legújabb adatvédelmi és biztonsági gyakorlatokkal.
### Átláthatóság
Az MI rendszereknek érthetőknek kell lenniük. Az átláthatóság fontos része az MI rendszerek és azok elemeinek viselkedésének magyarázata. Az MI rendszerek jobb megértése megköveteli, hogy az érintettek megértsék, hogyan és miért működnek, hogy felismerjék a potenciális teljesítményproblémákat, biztonsági és adatvédelmi aggályokat, elfogultságokat, kizáró gyakorlatokat vagy nem kívánt következményeket. Úgy véljük, hogy azoknak, akik MI rendszereket használnak, őszintén és nyíltan kell beszámolniuk arról, mikor, miért és hogyan döntöttek a bevetésükről, valamint a rendszerek korlátairól is. Például, ha egy bank egy MI rendszert használ fogyasztói hitel döntések támogatására, fontos megvizsgálni az eredményeket és megérteni, mely adatok befolyásolják a rendszer javaslatait. A kormányok elkezdték szabályozni az MI-t az iparágakban, ezért az adatkutatóknak és szervezeteknek meg kell tudniuk magyarázni, hogy egy MI rendszer megfelel-e a szabályozási előírásoknak, különösen, ha nem kívánt eredmény született.
Az MI rendszereknek érthetőnek kell lenniük. Az átláthatóság kulcsfontosságú része az MI rendszerek és alkotóelemeik viselkedésének magyarázata. Az MI rendszerek jobb megértéséhez szükséges, hogy az érdekelt felek megértsék hogyan és miért működnek ezek a rendszerek, hogy azonosítani tudják az esetleges teljesítménybeli problémákat, biztonsági és adatvédelmi aggályokat, elfogultságot, kizáró gyakorlatokat vagy nem várt eredményeket. Azt is gondoljuk, hogy az MI rendszereket használóknak őszintén és nyíltan kell beszámolniuk arról, mikor, miért és hogyan döntenek az alkalmazásukról. Illetve a használatuk korlátairól. Például, ha egy bank MI rendszert használ fogyasztói hiteldöntései támogatására, fontos megvizsgálni az eredményeket és megérteni, hogy milyen adatok befolyásolják a rendszer ajánlásait. A kormányok elkezdték szabályozni az MI-t az iparágakban, ezért az adattudósoknak és szervezeteknek meg kell tudniuk magyarázni, hogy egy MI rendszer megfelel-e a szabályozási követelményeknek, különösen nem kívánatos eredmény esetén.
> [🎥 Kattints ide a videóért: átláthatóság az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Kattints ide egy videóért: Átláthatóság az MI-ben](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Mivel az MI rendszerek annyira összetettek, nehéz megérteni működésüket és értelmezni az eredményeket.
- Ez a megértés hiánya befolyásolja, hogy hogyan kezelik, működtetik és dokumentálják ezeket a rendszereket.
- Ennél is fontosabb, hogy ez a megértés hiánya befolyásolja az ezeket a rendszereket használó döntéseket.
- Az MI rendszerek annyira összetettek, hogy nehéz megérteni, hogyan működnek és értelmezni az eredményeket.
- Ez a megértés hiánya hatással van arra, hogyan kezelik, működtetik és dokumentálják ezeket a rendszereket.
- Ez a megértés hiánya még inkább befolyásolja a döntéseket, amelyeket a rendszerek eredményei alapján hoznak.
### Felelősségre vonhatóság
### Felelősségvállalás
Azoknak, akik MI rendszereket terveznek és alkalmaznak, felelősséget kell vállalniuk a rendszerek működéséért. A felelősség különösen fontos érzékeny technológiák, mint az arcfelismerés esetén. Az utóbbi időben nőtt az érdeklődés az arcfelismerő technológia iránt, különösen a rendvédelmi szervezetek részéről, akik ezt a technológiát olyan célokra látják hasznosnak, mint eltűnt gyermekek felkutatása. Ugyanakkor ezek a technológiák potenciálisan felhasználhatók a kormányok által az állampolgárok alapvető szabadságainak veszélyeztetésére, például az adott személyek folyamatos megfigyelésének engedélyezésére. Ezért az adatkutatóknak és szervezeteknek felelősséget kell vállalniuk az MI rendszerük hatásaiért az egyedekre vagy a társadalomra nézve.
Azoknak, akik MI rendszereket terveznek és bevezetnek, felelősséget kell vállalniuk rendszereik működéséért. A felelősségvállalás különösen fontos érzékeny technológiák, például arcfelismerés esetén. Az utóbbi időben egyre nagyobb igény mutatkozik az arcfelismerő technológiák iránt, különösen a rendvédelmi szerveknél, amelyek látják annak potenciálját olyan feladatokban, mint az eltűnt gyermekek felkutatása. Ugyanakkor ezek a technológiák potenciálisan arra is használhatók egy kormány részéről, hogy alapvető szabadságjogokat veszélyeztessenek, például folyamatos megfigyeléssel egyes egyének esetében. Ezért az adattudósoknak és szervezeteknek felelősen kell viszonyulniuk ahhoz, hogy MI rendszerük hogyan hat az egyénekre vagy a társadalomra.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft megközelítése a Felelős MI-hez")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft megközelítése a Felelős MI-re")
> 🎥 Kattints a képre a videóért: Figyelmeztetések az arcfelismerés által okozott tömeges megfigyelésre
> 🎥 Kattints a fenti képre a videóhoz: Figyelmeztetések az arcfelismerés által vezérelt tömeges megfigyelésről
Végső soron egyik legnagyobb kérdés a mi generációnknak, az elsőnek, amely az MI-t bevezeti a társadalomba, az, hogyan biztosítsuk, hogy a számítógépek felelősséggel tartozzanak az emberek felé, és hogyan biztosítsuk, hogy a számítógépeket tervező emberek mindenkihez felelősséggel tartozzanak.
Végül az egyik legfontosabb kérdés a mi generációnk számára, akik elsőként hozzuk az MI-t a társadalomba, hogy miként biztosítsuk, hogy a számítógépek felelősséggel tartozzanak az emberek irányában, és hogy a számítógépeket tervezők maguk is felelősségteljesek maradjanak mindenki felé.
## Hatásértékelés
## Hatásvizsgálat
Mielőtt gépi tanulási modellt képeznénk, fontos hatásértékelést végezni az MI rendszer céljának megértéséhez; annak tervezett használatához; hogy hol fogják alkalmazni; és kik fognak interakcióba lépni a rendszerrel. Ezek a jelöltek vagy tesztelők számára hasznosak a rendszer értékelésekor, hogy tudják, milyen tényezőket vegyenek figyelembe a potenciális kockázatok és várható következmények azonosításakor.
Egy gépi tanulási modell tanítása előtt fontos hatásvizsgálatot végezni, hogy megértsük az MI rendszer célját; milyen használatra szánják; hol fog üzemelni; és ki fogja a rendszert használni. Ezek hasznosak a rendszer átvizsgálóinak vagy tesztelőinek, akik így tudják, milyen tényezőkre kell figyelni a lehetséges kockázatok és várható következmények azonosítása során.
Az alábbi területekre kell fókuszálni a hatásértékelés során:
A hatásvizsgálat során az alábbi területekre érdemes fókuszálni:
* **Káros hatás az egyénekre**. Fontos tisztában lenni minden korlátozással vagy előírással, a támogatott használaton kívüli alkalmazással vagy ismert korlátozásokkal, amelyek akadályozhatják a rendszer működését annak érdekében, hogy ne használják olyan módon, amely ártalmat okozhat az egyéneknek.
* **Adatigények**. Az, hogy megértsük, hogyan és hol használja a rendszer az adatokat, lehetővé teszi a felülvizsgálók számára, hogy felmérjék az esetleges adatvédelmi szabályozásokat, például GDPR vagy HIPAA előírásokat. Emellett vizsgálják meg, van-e elegendő adatforrás és mennyiség a képzéshez.
* **Hatás összefoglalása**. Gyűjtsünk listát a potenciális károkról, amelyek a rendszer használatából eredhetnek. A gépi tanulás életciklusa során vizsgáljuk felül, hogy a felmerült problémákat kezelik vagy mérséklik-e.
* **Alkalmazható célok** a hat fő elv mindegyikére. Értékeljük, hogy az egyes elvek céljai teljesülnek-e, és hogy vannak-e hiányosságok.
* **Káros hatás az egyénekre**. Tudatosság bármely korlátozásról vagy feltételről, támogatás nélküli használatról vagy ismert korlátozásokról, amelyek hátráltathatják a rendszer működését, létfontosságú, hogy a rendszert ne használják olyan módon, amely kárt okozhat az egyéneknek.
* **Adatkövetelmények**. A rendszer adatfelhasználásának megértése lehetővé teszi az átvizsgálók számára, hogy feltárják az esetleges adatkövetelményeket, amelyeket figyelembe kell venni (pl. GDPR vagy HIPAA adatvédelmi szabályozások). Emellett vizsgálják meg, hogy az adatforrás és mennyiség elegendő-e a képzéshez.
* **Hatás összefoglaló**. Gyűjts össze egy listát azokról a lehetséges károkról, amelyeket a rendszer használata okozhat. A gépi tanulási életciklus alatt folyamatosan vizsgáld, hogy az azonosított problémákat enyhítik vagy kezelik-e.
* **Alkalmazandó célok** a hat alappillér mindegyikére. Értékeld, hogy a pillérek céljait teljesítik-e, és vannak-e hiányosságok.
## Hibakeresés felelős MI-vel
## Hibakeresés felelős MI-vel
Hasonlóan a szoftveralkalmazások hibakereséséhez, az MI rendszer hibakeresése is szükséges a rendszerben lévő problémák azonosításához és megoldásához. Számos tényező befolyásolhatja, hogy egy modell nem teljesít elvárások szerint vagy nem felel meg a felelős MI elveknek. A hagyományos modell teljesítménymutatók többsége egy modell teljesítményének mennyiségi összegzése, amely nem elegendő annak elemzésére, hogyan sérti a modell a felelős MI elveit. Továbbá, a gépi tanulási modell egy fekete doboz, amely megnehezíti megérteni, mi befolyásolja a kimenetét, vagy magyarázatot adni, ha hibázik. A tanfolyam későbbi részében megmutatjuk, hogyan használható a Felelős MI műszerfal az MI rendszerek hibakeresésére. A műszerfal átfogó eszközt nyújt adatkutatóknak és MI fejlesztőknek az alábbiak elvégzéséhez:
Hasonlóan egy szoftveralkalmazás hibakereséséhez, az MI rendszer hibakeresése a rendszer problémáinak azonosítását és megoldását jelenti. Számos tényező befolyásolja, hogy egy modell nem teljesít az elvárt vagy felelős módon. A legtöbb hagyományos modell teljesítménymutató kvantitatív összesítője a modell teljesítményének, ami nem elegendő az MI alapelvek megsértésének elemzésére. Továbbá egy gépi tanulási modell egy "fekete doboz", amely megnehezíti, hogy megértsük, mi okozza az eredményt vagy magyarázatot adjunk hiba esetén. Később ebben a tanfolyamban megtanuljuk, hogyan használjuk a Felelős MI műszerfalat az MI rendszerek hibakereséséhez. A műszerfal átfogó eszközt nyújt adattudósoknak és fejlesztőknek a következőkhöz:
* **Hibaanalízis**. A modell hibák eloszlásának azonosítása, ami befolyásolhatja a rendszer igazságosságát vagy megbízhatóságát.
* **Modelláttekintés**. Az eltérések felfedezése a modell teljesítményében az adatcsoportok között.
* **Adatok elemzése**. Az adateloszlás megértése és bármilyen potenciális elfogultság azonosítása az adatokban, amely igazságossági, befogadási és megbízhatósági problémákat okozhat.
* **Modell értelmezhetősége**. Megérteni, mi befolyásolja a modell előrejelzéseit, ami fontos az átláthatóság és felelősség szempontjából.
* **Hibaanalízis**. A modell hibáinak eloszlásának azonosítása, amelyek befolyásolhatják a rendszer méltányosságát vagy megbízhatóságát.
* **Modell áttekintés**. Annak felfedezése, hol vannak eltérések a modell teljesítményében az adat-alcsoportok között.
* **Adat elemzés**. Az adat-eloszlás megértése és az esetleges torzítások azonosítása az adatokban, amelyek méltányossági, befogadási és megbízhatósági problémákhoz vezethetnek.
* **Modell értelmezhetőség**. Megérteni, mi befolyásolja a modell előrejelzéseit. Ez segít a modell viselkedésének magyarázatában, ami fontos az átláthatóság és felelősségvállalás szempontjából.
## 🚀 Kihívás
## 🚀 Kihívás
Az ártalmak kialakulásának megakadályozása érdekében:
Annak érdekében, hogy megakadályozzuk a károk kialakulását, a következőket kell tennünk:
- változatos háttérrel és nézőpontokkal rendelkező emberek dolgozzanak a rendszereken
- olyan adatállományokba fektessünk be, amelyek tükrözik társadalmunk sokszínűségét
- jobb módszereket dolgozzunk ki a gépi tanulás életciklusa során a felelős MI hibák felismerésére és javítására
- legyen sokféle háttérrel és nézőponttal rendelkező szakember a rendszereken dolgozók között
- fektessünk be olyan adatbázisokba, amelyek társadalmunk sokszínűségét tükrözik
- fejlesszünk jobb módszereket a gépi tanulás életciklusa során a felelőtlen MI felismerésére és kijavítására, amikor előfordul
Gondolkodj el valós életbeli helyzeteken, ahol egy modell megbízhatatlansága egyértelműen megjelenik a modellépítés és felhasználás során. Mit kell még figyelembe vennünk?
Gondolkodj el valós példákon, amelyeknél egy modell megbízhatatlansága egyértelműen megmutatkozik az építés és használat során. Mit kell még figyelembe vennünk?
## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
## Összefoglaló & Önálló tanulás
## Összefoglalás és önálló tanulás
Ebben a leckében megismerted a gépi tanulásban a méltányosság és igazságtalanság alapfogalmait.
Ebben a leckében megismerted a méltányosság és méltánytalanság gépi tanulásban rejlő alapfogalmait.
Nézd meg ezt a workshopot, hogy mélyebben elmerülj a témakörökben:
Nézd meg ezt a workshopot, hogy mélyebben belemerülj a témákba:
- Felelős MI nyomában: Elvek a gyakorlatban Besmira Nushi, Mehrnoosh Sameki és Amit Sharma előadásában
- A felelős MI után: Az alapelvek gyakorlati alkalmazása Besmira Nushi, Mehrnoosh Sameki és Amit Sharma előadásában
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: Egy nyílt forráskódú keretrendszer a felelős MI fejlesztéséhez")
> 🎥 Kattints a fenti képre a videóhoz: RAI Toolbox: Nyílt forráskódú keretrendszer felelős MI építéséhez Besmira Nushi, Mehrnoosh Sameki és Amit Sharma előadásában
> 🎥 Kattints a fenti képére egy videóért: RAI Toolbox: Egy nyílt forráskódú keretrendszer a felelős MI fejlesztéséhez, írta Besmira Nushi, Mehrnoosh Sameki és Amit Sharma
Olvasd el még:
Olvasd el továbbá:
- A Microsoft RAI forrásközpontja: [Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- A Microsoft RAI forrásközpontja: [Felelős MI források– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- A Microsoft FATE kutatócsoportja: [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- A Microsoft FATE kutatócsoportja: [FATE: Méltányosság, elszámoltathatóság, átláthatóság és etika az MI-ben - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
RAI Eszköztár:
RAI eszköztár:
- [Responsible AI Toolbox GitHub tárhely](https://github.com/microsoft/responsible-ai-toolbox)
- [Felelős MI Eszköztár GitHub tár](https://github.com/microsoft/responsible-ai-toolbox)
Ismerd meg az Azure Machine Learning eszközeit a méltányosság biztosításához:
Olvass az Azure Machine Learning eszközeiről a méltányosság biztosításához:
> Sketchnote készítette [Tomomi Imura](https://www.twitter.com/girlie_mac)
@ -10,112 +10,112 @@
## Bevezetés
Ezekben a négy leckében megismered, hogyan kell regressziós modelleket építeni. Hamarosan megbeszéljük, mire valók ezek. De mielőtt bármit is tennél, győződj meg róla, hogy a megfelelő eszközök telepítve vannak a folyamat elindításához!
Ezekben a négy leckében felfedezheti, hogyan építhet regressziós modelleket. Röviden megvitatjuk is, mire valók ezek. De mielőtt bármit is csinálna, győződjön meg róla, hogy a megfelelő eszközök rendelkezésre állnak a folyamat elindításához!
Ebben a leckében megtanulod, hogyan kell:
Ebben az órában megtanulja, hogyan:
- Konfigurálni a számítógépedet helyi gépi tanulási feladatokhoz.
- Jupyter Notebookokkal dolgozni.
- Használni a Scikit-learn könyvtárat, beleértve annak telepítését is.
- Felfedezni a lineáris regressziót egy gyakorlati feladaton keresztül.
- Konfigurálja számítógépét helyi gépi tanulási feladatokra.
- Dolgozzon Jupyter Notebook-okkal.
- Használja a Scikit-learn-t, beleértve a telepítést is.
- Fedezze fel a lineáris regressziót egy gyakorlati feladaton keresztül.
## Telepítések és beállítások
[](https://youtu.be/-DfeD2k2Kj0 "Gépi tanulás kezdőknek - Állítsd be az eszközeidet a gépi tanulási modellek építéséhez")
[](https://youtu.be/-DfeD2k2Kj0 "Kezdőknek ML - Állítsa be eszközeit a gépi tanulási modellek készítéséhez")
> 🎥 Kattints a fenti képre egy rövid videó megtekintéséhez, amely végigvezet a számítógép gépi tanuláshoz való beállításán.
> 🎥 Kattintson a fenti képre egy rövid videóért, amely bemutatja a számítógép konfigurálását ML-hez.
1. **Telepítsd a Pythont**. Ellenőrizd, hogy [Python](https://www.python.org/downloads/) telepítve van-e a számítógépeden. A Python sok adat tudományi és gépi tanulási feladathoz szükséges. A legtöbb rendszer már tartalmaz Python telepítést. Elérhetők hasznos [Python fejlesztőkészletek](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) is, melyek megkönnyítik a beállítást egyes felhasználók számára.
1. **Telepítse a Pythont**. Győződjön meg róla, hogy [Python](https://www.python.org/downloads/) telepítve van a gépén. A Python sok adat tudományi és gépi tanulási feladathoz használatos. A legtöbb számítógépen már van telepített Python. Hasznos [Python kódcsomagok](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) is elérhetők, amelyek megkönnyítik a beállítást néhány felhasználó számára.
A Python egyes felhasználási módjai egy adott verziót igényelnek, míg mások mást. Emiatt hasznos egy [virtuális környezetben](https://docs.python.org/3/library/venv.html) dolgozni.
Azonban a Python használati módjaihoz egy verziót igényelhetnek, míg másokhoz más verziót. Ezért hasznos egy [virtuális környezetben](https://docs.python.org/3/library/venv.html) dolgozni.
2. **Telepítsd a Visual Studio Code-ot**. Győződj meg róla, hogy telepítve van a Visual Studio Code a számítógépeden. Kövesd az [Visual Studio Code telepítési útmutatóját](https://code.visualstudio.com/) az alap telepítéshez. A tanfolyamban Python kódot a Visual Studio Code-ban fogsz írni, ezért érdemes átnézni, hogyan kell [Visual Studio Code-ot beállítani Python fejlesztéshez](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott).
2. **Telepítse a Visual Studio Code-ot**. Győződjön meg arról, hogy a Visual Studio Code telepítve van a gépén. Kövesse az utasításokat a [Visual Studio Code telepítéséhez](https://code.visualstudio.com/) az alapvető telepítéshez. Ebben a tanfolyamban Python-t fog használni Visual Studio Code-ban, ezért érdemes felfrissíteni az ismereteit a [Visual Studio Code konfigurálásáról](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) Python fejlesztéshez.
> Ismerkedj meg alaposan a Python használatával az alábbi [tanulási modulok](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) segítségével.
> Szokjon hozzá a Python használatához ennek a [Learn modul gyűjteménynek](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) a segítségével
>
> [](https://youtu.be/yyQM70vi7V8 "Python beállítása Visual Studio Code-ban")
> [](https://youtu.be/yyQM70vi7V8 "Python beállítása Visual Studio Code-bal")
>
> 🎥 Kattints a fenti képre egy videó megtekintéséhez: Python használata VS Code-ban.
> 🎥 Kattintson a fenti képre egy videóért: Python használata VS Code-ban.
3. **Telepítsd a Scikit-learn könyvtárat**, az [itt található utasítások](https://scikit-learn.org/stable/install.html) alapján. Mivel Python 3-at kell használnod, ajánlott virtuális környezetet használni. Megjegyzés: ha M1 Mac-en telepíted ezt a könyvtárat, külön utasítások vannak a fenti linken.
3. **Telepítse a Scikit-learn-t**, kövesse [ezeket az utasításokat](https://scikit-learn.org/stable/install.html). Mivel biztosítani kell, hogy Python 3-at használjon, ajánlott virtuális környezetet használni. Fontos megjegyezni, ha ezt a könyvtárat M1 Mac-re telepíti, külön utasítások vannak a fent linkelt oldalon.
1. **Telepítsd a Jupyter Notebookot**. Szükséged lesz a [Jupyter csomag telepítésére](https://pypi.org/project/jupyter/).
1. **Telepítse a Jupyter Notebookot**. Szüksége lesz a [Jupyter csomag telepítésére](https://pypi.org/project/jupyter/).
## A gépi tanulási fejlesztőkörnyezeted
## Az Ön gépi tanulási fejlesztőkörnyezete
A Python kód fejlesztéséhez és gépi tanulási modellek létrehozásához **notebookokat** fogsz használni. Ez a fájltípus gyakori eszköz az adattudósok között, jelölése a `.ipynb` kiterjesztés.
A Python kód fejlesztéséhez és gépi tanulási modellek létrehozásához **notebookokat** fog használni. Ez a fájltípus gyakori eszköz adat tudósok körében, és `.ipynb` kiterjesztéssel azonosítható.
A notebookok interaktív környezetet biztosítanak, ahol a fejlesztő egyszerre tud kódolni és jegyzeteket, dokumentációt írni a kód köré, ami különösen hasznos kísérleti vagy kutatási projektekben.
A notebookok interaktív környezetet biztosítanak, amely lehetővé teszi a fejlesztő számára, hogy egyszerre írjon kódot és jegyzeteket, dokumentációt fűzzön a kód mellé, ami nagyon hasznos kísérleti vagy kutatásorientált projektekhez.
[](https://youtu.be/7E-jC8FLA2E "Kezdőknek ML - Jupyter Notebookok beállítása regressziós modellek építéséhez")
> 🎥 Kattints a fenti képre egy rövid videó megtekintéséhez, amely végigvezet ezen a gyakorlaton.
> 🎥 Kattintson a fenti képre egy rövid videóért, amely végigvezet ezen a gyakorlaton.
### Gyakorlat - dolgozz egy notebookkal
### Gyakorlat - dolgozzon notebookkal
Ebben a mappában megtalálod a _notebook.ipynb_ fájlt.
Ebben a mappában megtalálja a _notebook.ipynb_ fájlt.
1. Nyisd meg a _notebook.ipynb_ fájlt a Visual Studio Code-ban.
1. Nyissa meg a _notebook.ipynb_ fájlt Visual Studio Code-ban.
Egy Jupyter szerver elindul Python 3+ környezetben. Láthatsz majd notebook cellákat, amelyek kódblokkok, ezeket lehet `futtatni`. Egy kódblokk futtatásához válaszd a lejátszás gomb ikont.
Egy Jupyter szerver fog indulni Python 3+ verzióval. Talál majd a notebookban futtatható részeket, kódrészleteket. Egy kódtömböt futtathat az 'play' gomb alakú ikon kiválasztásával.
1. Válaszd ki az `md` ikont és adj hozzá egy kis markdown szöveget, például a következőt: **# Üdvözöl a notebookod**.
1. Válassza ki az `md` ikont, és írjon egy kis markdown szöveget, az alábbi szöveggel: **# Üdvözöljük a notebookjában**.
Ezután adj hozzá egy kis Python kódot.
Ezután adjon hozzá egy kis Python kódot.
1. Gépeld be a **print('hello notebook')** parancsot a kódblokkba.
1. Kattints a nyílra a kód futtatásához.
1. Gépelje be a **print('hello notebook')** parancsot a kódtömbbe.
1. Válassza ki a futtatáshoz az ívet ábrázoló nyilat.
Látnod kell a kinyomtatott üzenetet:
A következő kinyomtatott üzenetet kell látnia:
```output
hello notebook
```
Kódod kommentekkel gazdagíthatod, hogy a notebook dokumentált legyen.
Kódját kommentekkel is megfűzheti a notebook önmagában való dokumentálása érdekében.
✅ Gondolkodj el egy percre, mennyire más a webfejlesztő és az adattudós munkakörnyezete.
✅ Gondolja át egy percig, milyen különbségek vannak a webfejlesztő és az adat tudós munkakörnyezete között.
## Kész a Scikit-learn használatra
## Scikit-learn használatra készen
Most, hogy a Python helyileg be van állítva és kényelmesen használod a Jupyter Notebookokat, ismerkedjünk meg a Scikit-learn könyvtárral is (kiejtve: "szájkit", mint a "science"). A Scikit-learn egy [kiterjedt API-t](https://scikit-learn.org/stable/modules/classes.html#api-ref) biztosít a gépi tanulási feladatok elvégzéséhez.
Most, hogy a Python beállítása megtörtént a helyi környezetében, és már jól ismeri a Jupyter Notebookokat, ismerkedjünk meg alaposabban a Scikit-learn-nel (kiejtése `sai`, mint a `science`). A Scikit-learn egy [kiterjedt API-t](https://scikit-learn.org/stable/modules/classes.html#api-ref) biztosít, amely segít a gépi tanulási feladatok végrehajtásában.
A [honlapjuk](https://scikit-learn.org/stable/getting_started.html) szerint: "A Scikit-learn egy nyílt forráskódú gépi tanulási könyvtár, amely támogatja a felügyelt és felügyelet nélküli tanulást. Emellett különböző eszközöket kínál modellillesztéshez, adat-előkészítéshez, modellválasztáshoz és kiértékeléshez, valamint sok más hasznos funkciót."
Honlapjuk szerint [website](https://scikit-learn.org/stable/getting_started.html), "A Scikit-learn egy nyílt forráskódú gépi tanulási könyvtár, amely támogatja a felügyelt és felügyelet nélküli tanulást. Továbbá különféle eszközöket biztosít modellillesztéshez, adat előfeldolgozáshoz, modell kiválasztáshoz és értékeléshez, valamint sok más hasznos funkciót."
Ebben a tanfolyamban a Scikit-learn és egyéb eszközök segítségével gépi tanulási modelleket építünk, elsősorban a hagyományos gépi tanulásra fókuszálva. Szándékosan kerüljük a neurális hálózatokat és mélytanulást, mivel ezek egy külön 'Mesterséges intelligencia kezdőknek' tananyagban lesznek részletesebben tárgyalva.
Ebben a tanfolyamban a Scikit-learn-t és más eszközöket fog használni, hogy gépi tanulási modelleket építsen, amelyek úgynevezett 'hagyományos gépi tanulási' feladatokat végeznek. Tudatosan kerültük a neurális hálózatokat és mély tanulást, mivel ezek jobban lefedve lesznek a közelgő 'AI kezdőknek' tananyagunkban.
A Scikit-learn segítségével egyszerű modelleket építhetsz és kiértékelhetsz használatra. Elsősorban numerikus adatokat kezel és több beépített mintaadatot tartalmaz tanulási eszközként. Emellett van előre elkészített modellje is, amit a diákok kipróbálhatnak. Először nézzük meg, hogyan tölthetünk be beépített adatokat és használhatjuk beépített eldöntő modellt egy egyszerű gépi tanulási feladathoz.
A Scikit-learn megkönnyíti a modellek építését és értékelését használatra. Elsősorban numerikus adatokat használ, és számos előre elkészített adatkészletet tartalmaz tanulási célokra. Továbbá előre elkészített modelleket is tartalmaz a diákoknak. Nézzük meg az előre csomagolt adatok betöltésének és egy beépített becslő használatának folyamatát, hogy létrehozzuk első gépi tanulási modellünket alapvető adatokkal a Scikit-learn segítségével.
## Gyakorlat - az első Scikit-learn notebookod
## Gyakorlat - az első Scikit-learn notebookja
> Ez az oktatóanyag a [lineáris regresszió példájából](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) származik a Scikit-learn honlapjáról.
> Ez a bemutató a Scikit-learn honlapján található [lineáris regresszió példán](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) alapult.
[](https://youtu.be/2xkXL5EUpS0 "Gépi tanulás kezdőknek - Az első lineáris regressziós projekted Pythonban")
[](https://youtu.be/2xkXL5EUpS0 "ML kezdőknek - Az első lineáris regressziós projektje Pythonban")
> 🎥 Kattints a fenti képre az ehhez a feladathoz készült rövid videóért.
> 🎥 Kattintson a fenti képre egy rövid videóért, amely bemutatja ezt a gyakorlatot.
A _notebook.ipynb_ fájlban, amely ehhez az órához tartozik, törölj minden cellát a 'kuka' ikon használatával.
A leckéhez tartozó _notebook.ipynb_ fájlban törölje az összes cellát a "kukás" ikon megnyomásával.
Ebben a részben egy kis, a cukorbetegséggel kapcsolatos mintaadattal dolgozol majd, amely a Scikit-learnbe be van építve tanulási célokra. Képzeld el, hogy egy kezelési módszert szeretnél tesztelni cukorbetegeknél. A gépi tanulási modellek segíthetnek meghatározni, mely páciensek reagálnak jobban a kezelésre, az egyes változók kombinációi alapján. Egy nagyon egyszerű regressziós modell, ha vizualizálod, információt nyújthat azokról a változókról, amik segíthetnek a klinikai kísérletek elméleti tervezésében.
Ebben a szakaszban egy kis diabéteszről szóló adatsoron fog dolgozni, amely a Scikit-learnbe van beépítve tanulási célokra. Tegyük fel, hogy kezelést szeretne tesztelni cukorbetegeken. A gépi tanulási modellek segíthetik annak meghatározását, hogy mely betegek reagálnának jobban a kezelésre a változók kombinációja alapján. Még egy nagyon alap regressziós modell is, ha megjelenítik, információt adhat a változókról, amelyek segíthetnek klinikai kísérletek megtervezésében.
✅ Sokféle regressziós módszer létezik, és hogy melyiket választod, attól függ, milyen választ keresel. Ha például előre akarod jelezni egy adott korú személy várható magasságát, lineáris regressziót használsz, mert **numerikus értéket** keresel. Ha viszont azt akarod megtudni, hogy egy konyha vegan kategóriába esik-e vagy sem, **kategória-besorolásra** van szükséged, ezért logisztikus regressziót alkalmaznád. A logisztikus regressziót később részletesebben megismered. Gondolkodj el azon, milyen kérdéseket tehetsz fel az adatoknak, és melyik módszer lenne megfelelőbb.
✅ Sokféle regressziós módszer létezik, és az, hogy Ön melyiket választja, attól függ, milyen választ szeretne kapni. Ha egy adott korú személy valószínű magasságát szeretné megjósolni, lineáris regressziót használ, mert **numerikus értéket** keres. Ha meg szeretné állapítani, hogy egy étkezési típus vegánnak minősül-e vagy sem, akkor kategória besorolást keres, így logisztikus regressziót használna. Erről később még többet tanul. Gondolja át, milyen kérdéseket tehet fel az adatoknak, és melyik módszer lenne megfelelőbb.
Kezdjünk neki a feladatnak.
Kezdjük el ezt a feladatot.
### Könyvtárak importálása
Ehhez a feladathoz néhány könyvtárat importálunk:
Ehhez a feladathoz néhány könyvtárat fogunk importálni:
- **matplotlib**. Egy hasznos [grafikus eszköz](https://matplotlib.org/), amit vonaldiagram készítéséhez fogunk használni.
- **numpy**. A [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) egy hasznos könyvtár számadatok kezeléséhez Pythonban.
- **numpy**. A [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) hasznos könyvtár a numerikus adatok kezeléséhez Pythonban.
- **sklearn**. Ez a [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) könyvtár.
Importálj néhány könyvtárat a feladat elvégzéséhez.
Importáljuk ezeket a könyvtárakat, hogy segítsenek a feladataink elvégzésében.
1. Add hozzá az importokat a következő kód beírásával:
1. Add hozzá az importokat az alábbi kód begépelésével:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Importálj néhány könyvtárat a feladat elvégzéséhez.
from sklearn import datasets, linear_model, model_selection
```
Fent a `matplotlib`, `numpy` könyvtárakat importálod, továbbá a `datasets`, `linear_model` és `model_selection` modulokat a `sklearn`-ből. A `model_selection` a tanító és teszt adathalmazok szétválasztására szolgál.
Fentebb importálja a `matplotlib`, `numpy` könyvtárakat, valamint a `datasets`, `linear_model` és `model_selection` modulokat a `sklearn`-ből. A `model_selection` az adatok tanító- és teszthalmazra bontásához használatos.
### A cukorbetegség adatállomány
### A diabétesz adatsor
A beépített [cukorbetegség adatállomány](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 mintából áll, 10 jellemző változóval, amelyek közül néhány:
A beépített [diabétesz adatsor](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 442 mintát tartalmaz diabéteszről, 10 jellemző változóval, néhány ezek közül:
- kor: életkor években
- bmi: testtömeg-index
- bp: átlagos vérnyomás
- s1 tc: T-sejtek (egyféle fehérvérsejt)
- vérnyomás: átlagos vérnyomás
- s1 tc: T-sejtek (a fehérvérsejtek egy típusa)
✅ Ez az adathalmaz tartalmazza a 'nem' fogalmát is, mint fontos jellemzőt a cukorbetegséggel kapcsolatos kutatásokban. Sok orvosi adathalmaz tartalmaz ilyen bináris besorolásokat. Gondolkodj el, hogyan zárhatnak ki bizonyos kategóriák ilyen osztályozások miatt népességcsoportokat a kezelésekből.
✅ Ez az adatsor tartalmazza a 'nem' változót is, amely fontos a diabétesz kutatásában. Sok orvosi adatsor tartalmaz ilyen bináris osztályozást. Gondolja át, hogyan zárhat ki az ilyen kategorizálás bizonyos csoportokat a kezelésekből.
Most töltsd be az X és y adathalmazokat.
Most töltsük be az X és y adatokat.
> 🎓 Ne feledd, ez felügyelt tanulás, nekünk egy nevesített, 'y' célváltozóra van szükségünk.
> 🎓 Ne feledje, ez felügyelt tanulás, ezért szükségünk van egy 'y' célváltozóra.
Egy új kódcella segítségével töltsd be a cukorbetegség adatállományt `load_diabetes()` hívásával. A `return_X_y=True` paraméter jelzi, hogy `X` adatmátrix lesz, míg az `y` a regressziós célérték.
Egy új kódcella megnyitásával töltse be a diabétesz adatsort a `load_diabetes()` hívásával. A bemenet `return_X_y=True` jelzi, hogy az `X` adatmátrix lesz, az `y` pedig a regressziós cél.
1. Adj néhány print parancsot az adatmátrix alakjának és első elemének megjelenítésére:
1. Adjon hozzá néhány print parancsot az adatmátrix alakjának és első elemének megjelenítéséhez:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Egy új kódcella segítségével töltsd be a cukorbetegség adatállományt `l
print(X[0])
```
Amit visszakapsz válaszként, az egy tuple. Amit csinálsz, hogy a tuple első két elemét az `X` és `y` változókhoz rendeld. Tudj meg többet a [tuple-ökről](https://wikipedia.org/wiki/Tuple).
Amit visszakap, az egy tuple. Ön azt teszi, hogy a tuple két első értékét az `X` és `y` változóknak rendeli. Tudjon meg többet [a tuple-ökről](https://wikipedia.org/wiki/Tuple).
Láthatod, hogy ez az adatállomány 442 elemből áll, melyek 10 elemes tömbökbe vannak rendezve:
Láthatja, hogy ez az adat 442 elemből áll, mindegyik 10 elemből álló tömbökben:
```text
(442, 10)
@ -160,39 +160,39 @@ Egy új kódcella segítségével töltsd be a cukorbetegség adatállományt `l
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Gondolkodj el az adatok és a regressziós célérték kapcsolatán. A lineáris regresszió az X jellemző és y célváltozó közötti kapcsolatokat becsüli meg. Meg tudod találni a [célt](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) a cukorbetegség adatállomány dokumentációjában? Mit mutat be ez az adatállomány a cél alapján?
✅ Gondolja át az adat és a regressziós cél kapcsolatát. A lineáris regresszió az X jellemző és az y célváltozó közti kapcsolatot jósolja meg. Meg tudja találni a [célt](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) a diabétesz adatsor dokumentációjában? Mit mutat ez az adatsor, a cél alapján?
2. Ezután válassz ki egy részt az adatállományból a 3. oszlop kiválasztásával. Ezt úgy teheted meg, hogy az összes sort kiválasztod a `:` operátorral, majd az index (2) segítségével a 3. oszlopot. Az adatot átalakíthatod 2D tömbbé, amire szükség van a megjelenítéshez, a `reshape(n_rows, n_columns)` függvénnyel. Ha egy paraméter értéke -1, annak megfelelő dimenziót automatikusan kiszámítja a rendszer.
2. Ezután válasszon ki egy részét az adatsornak az ábrázoláshoz, válassza ki az adatsor 3. oszlopát. Ezt úgy teheti meg, hogy az `:` operátorral az összes sort kiválasztja, majd az index (`2`) segítségével a 3. oszlopot. Az adatot kétdimenziós tömbbé is alakíthatja az ábrázoláshoz, a `reshape(n_rows, n_columns)` használatával. Ha az egyik paraméter -1, a megfelelő dimenzió automatikusan kiszámításra kerül.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Bármikor nyomtasd ki az adatot, hogy ellenőrizd az alakját.
✅ Bármikor nyomtassa ki az adatot az alak ellenőrzéséhez.
3. Most, hogy készen áll az adat a megjelenítésre, nézd meg, segíthet-e egy gép logikus elválasztást találni az adatok között. Ehhez mind az X adatokat, mind az y célértékeket fel kell osztani teszt és tanító adathalmazokra. A Scikit-learn egyszerű megoldást kínál erre: a tesztadatokat egy adott pontnál szeletelheted.
3. Most, hogy az adatok ábrázolásra megfelelőek, nézze meg, tud-e a gép segíteni logikus felosztás meghatározásában az adatok között. Ehhez az adatok (X) és a cél (y) is fel kell, hogy legyenek osztva teszt- és tanulókészletekre. A Scikit-learn egy egyszerű módot kínál erre, megadhat egy pontot, ahol a teszt adatokat szétválasztja.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Most már készen állsz a modell edzésére! Töltsd be a lineáris regressziós modellt és edzd az X és y tanító adatokkal a `model.fit()` segítségével:
4. Most készen áll a modell betanítására! Töltse be a lineáris regressziós modellt, és tanítsa a X és y tanulókészletekkel a `model.fit()` használatával:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ A `model.fit()`olyan függvény, amely sok ML könyvtárban, például a TensorFlow-ban is megtalálható.
✅ A `model.fit()`egy olyan függvény, amelyet számos ML könyvtárban, például TensorFlow-ban is látni fog.
5. Ezután készíts előrejelzést a tesztadatok alapján a `predict()` függvénnyel. Ezt a modellt felhasználhatod, hogy a modell által képzett adatcsoportok közé a legmegfelelőbb helyre vonalat rajzolj.
5. Ezután készítsen előrejelzést a teszt adatokon a `predict()` függvénnyel. Ezt használja majd arra, hogy vonalat húzzon az adatcsoportok közé.
```python
y_pred = model.predict(X_test)
```
6. Most jelenítsd meg az adatokat egy ábrán. A Matplotlib nagyon hasznos eszköz erre. Készíts szórásdiagramot az összes X és y tesztadatról, és a predikció segítségével húzz vonalat a modell adatcsoportjai közé, ahol az a leglogikusabb.
6. Most itt az ideje megjeleníteni az adatokat egy ábrában. A Matplotlib nagyon hasznos eszköz erre a feladatra. Készítsen szórási diagramot az X és y teszt adataihoz, és használja az előrejelzést, hogy a vonalat a modell adatcsoportjai közé húzza.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ Egy új kódcella segítségével töltsd be a cukorbetegség adatállományt `l
✅ Gondolja át, mi is történik itt. Egy egyenes vonal húzódik sok kis adatpont között, de pontosan mit csinál? Látja, hogyan használhatná ezt a vonalat arra, hogy előre jelezze, hol illeszkedik egy új, még nem látott adatpont az ábra y tengelyéhez képest? Próbálja meg megfogalmazni ennek a modellnek a gyakorlati hasznát.
✅ Gondolkodj egy kicsit azon, mi is történik itt. Egy egyenes vonal halad keresztül sok kis adatponton, de pontosan mit is csinál? Látod, hogyan használhatod ezt a vonalat annak előrejelzésére, hogy egy új, még nem látott adatpont hol illeszkedjen az ábra y tengelyéhez képest? Próbáld meg szavakba önteni ennek a modellnek a gyakorlati hasznát.
Gratulálunk, elkészítetted az első lineáris regressziós modelledet, készítettél vele előrejelzést, és meg is jelenítettél egy ábrán!
Gratulálunk, megépítette első lineáris regressziós modelljét, elkészítette annak előrejelzését, és megjelenítette egy ábrán!
---
## 🚀Kihívás
Ábrázolj egy másik változót ebből az adathalmazból. Tipp: szerkeszd ezt a sort: `X = X[:,2]`. Tekintettel az adathalmaz célváltozójára, mit tudsz felfedezni a cukorbetegség betegségként való lefolyásáról?
Ábrázoljon egy másik változót ebből az adatsorból. Tipp: szerkessze ezt a sort: `X = X[:,2]`. Tekintettel az adathalmaz céljára, mit tud felfedezni a diabétesz fejlődésével kapcsolatban?
## [Előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
## Áttekintés és önálló tanulás
## Áttekintés & Önálló tanulás
Ebben a bemutatóban egyszerű lineáris regresszióval dolgoztál, nem egyszereplős vagy többváltozós lineáris regresszióval. Olvass kicsit ezeknek a módszereknek a különbségeiről, vagy nézd meg ezt a [videót](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Ebben a bemutatóban egyszerű lineáris regresszióval dolgozott, nem pedig egyváltozós vagy többváltozós lineáris regresszióval. Olvasson kicsit a módszerek közötti különbségekről, vagy nézze meg [ezt a videót](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Olvass többet a regresszió fogalmáról, és gondolkodj el rajta, hogy milyen kérdésekre tud választ adni ez a technika. Végezd el ezt a [gyakorlati útmutatót](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott), hogy mélyebb ismeretekre tegyél szert.
Olvasson többet a regresszió fogalmáról, és gondolkodjon el azon, hogy milyen kérdésekre adhat választ ez a technika. Vegye igénybe ezt a [gyakorlati útmutatót](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) a mélyebb megértés érdekében.
A klaszterezés egy gépi tanulási feladat, amelynek célja, hogy megtalálja az egymáshoz hasonló objektumokat, és ezeket csoportokba, úgynevezett klaszterekbe rendezze. Ami megkülönbözteti a klaszterezést a gépi tanulás más megközelítéseitől, az az, hogy a folyamat automatikusan történik; valójában mondhatjuk, hogy ez az ellenkezője a felügyelt tanulásnak.
A klaszterezés egy gépi tanulási feladat, ahol olyan objektumokat keresünk, amelyek hasonlítanak egymásra, és ezeket csoportokba, úgynevezett klaszterekbe rendezzük. Ami megkülönbözteti a klaszterezést a gépi tanulás más megközelítéseitől, hogy a folyamat automatikusan zajlik, valójában azt mondhatjuk, hogy ez a felügyelt tanulás ellentéte.
## Regionális téma: klaszterezési modellek a nigériai közönség zenei ízléséhez 🎧
## Regionális téma: klaszterező modellek a nigériai közönség zenei ízléséhez 🎧
Nigéria sokszínű közönsége sokféle zenei ízléssel rendelkezik. A Spotify-ról gyűjtött adatok felhasználásával (az [ebben a cikkben](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421) inspirálódva) nézzük meg néhány Nigériában népszerű zenét. Ez az adatállomány tartalmaz információkat különböző dalok "táncolhatósági" pontszámáról, "akusztikusságáról", hangosságáról, "beszédességéről", népszerűségéről és energiájáról. Érdekes lesz mintázatokat felfedezni ezekben az adatokban!
Nigéria sokszínű közönsége sokszínű zenei ízléssel rendelkezik. A Spotify-ról összegyűjtött adatok (inspirációként [ez a cikk](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) alapján nézzünk meg néhány, Nigériában népszerű zenét. Ez az adathalmaz tartalmaz adatokat különböző dalok 'táncolhatóság' pontszámáról, 'akusztikusságáról', hangerőről, 'beszédességéről', népszerűségéről és energiájáról. Érdekes lesz felfedezni mintákat ezekben az adatokban!
> Fotó: <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> az <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> oldalán
> Fotó: <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> az <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>-ról
Ebben a leckesorozatban új módszereket fedezhetsz fel az adatok elemzésére klaszterezési technikák segítségével. A klaszterezés különösen hasznos, ha az adatállományod nem tartalmaz címkéket. Ha vannak címkék, akkor az előző leckékben tanult osztályozási technikák hasznosabbak lehetnek. De ha címkézetlen adatokat szeretnél csoportosítani, a klaszterezés nagyszerű módja a mintázatok felfedezésének.
Ebben a leckesorozatban új módszereket fedezhetsz fel az adatelemzésre klaszterezési technikák segítségével. A klaszterezés különösen hasznos akkor, ha az adathalmazban nincsenek címkék. Ha vannak címkék, akkor a korábban tanult osztályozási technikák lehetnek hasznosabbak. De ha címkézetlen adatok csoportosítására törekszel, a klaszterezés nagyszerű mód a mintázatok felfedezésére.
> Hasznos alacsony kódú eszközök állnak rendelkezésre, amelyek segítenek a klaszterezési modellekkel való munkában. Próbáld ki az [Azure ML-t erre a feladatra](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Hasznos alacsony kódú eszközök is vannak, amelyek segíthetnek megismerni a klaszterező modellek használatát. Próbáld ki [az Azure ML-t erre a feladatra](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Leckék
@ -21,13 +21,15 @@ Ebben a leckesorozatban új módszereket fedezhetsz fel az adatok elemzésére k
## Köszönetnyilvánítás
Ezeket a leckéket 🎶-vel írta [Jen Looper](https://www.twitter.com/jenlooper), hasznos véleményekkel [Rishit Dagli](https://rishit_dagli) és [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) részéről.
Ezeket a leckéket 🎶 írta [Jen Looper](https://www.twitter.com/jenlooper), hasznos véleményezéssel [Rishit Dagli](https://rishit_dagli/) és [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan) közreműködésével.
A [Nigériai dalok](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) adatállományt a Kaggle-ről származtatták, a Spotify-ról gyűjtve.
A [Nigerian Songs](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) adathalmaz a Kaggle-ról származik, Spotify-ról összegyűjtve.
Hasznos K-Means példák, amelyek segítettek a lecke elkészítésében: ez az [iris elemzés](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ez a [bevezető notebook](https://www.kaggle.com/prashant111/k-means-clustering-with-python), és ez a [hipotetikus NGO példa](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Hasznos K-Means példák, amelyek segítettek ennek a leckének a létrehozásában: ez az [iriszek feltérképezése](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), ez a [bevezető jegyzetfüzet](https://www.kaggle.com/prashant111/k-means-clustering-with-python), és ez a [hipotetikus NGO példa](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Felelősség kizárása**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Jogi nyilatkozat**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.
Mi az időbeli előrejelzés? A jövőbeli események előrejelzéséről szól, a múltbeli trendek elemzése alapján.
Mi az idősoros előrejelzés? Azt jelenti, hogy a múltbeli trendek elemzésével jósoljuk meg a jövőbeli eseményeket.
## Regionális téma: világszintű villamosenergia-felhasználás ✨
## Regionális téma: világszerte az elektromos áram felhasználása ✨
Ebben a két leckében megismerkedhetsz az időbeli előrejelzéssel, amely a gépi tanulás egy kevésbé ismert területe, de ennek ellenére rendkívül értékes az ipari és üzleti alkalmazások, valamint más területek számára. Bár neurális hálózatok is használhatók ezeknek a modelleknek a hasznosságának növelésére, mi a klasszikus gépi tanulás kontextusában fogjuk tanulmányozni őket, mivel a modellek segítenek a jövőbeli teljesítmény előrejelzésében a múlt alapján.
Ebben a két leckében megismerkedsz az idősoros előrejelzéssel, amely a gépi tanulás egy kevésbé ismert, de rendkívül értékes területe az ipar és az üzleti alkalmazások számára, többek között. Bár neurális hálózatokat is lehet használni ezen modellek hasznosságának növelésére, mi klasszikus gépi tanulási kontextusban fogjuk tanulmányozni őket, mivel a modellek a múlt alapján segítenek előrejelezni a jövőbeli teljesítményt.
Regionális fókuszunk a világ villamosenergia-felhasználása, egy érdekes adatállomány, amely segít megtanulni, hogyan lehet előre jelezni a jövőbeli energiafelhasználást a múltbeli terhelési minták alapján. Láthatod, hogy az ilyen típusú előrejelzés mennyire hasznos lehet egy üzleti környezetben.
Regionális fókuszunk a világ elektromos áram felhasználása, egy érdekes adatállomány, amely segít megtanulni, hogyan lehet a múltbeli terhelési minták alapján előrejelezni a jövőbeli áramfogyasztást. Láthatod, hogy az ilyen típusú előrejelzés milyen rendkívül hasznos lehet egy üzleti környezetben.
Fotó: [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) elektromos tornyokról egy úton Rádzsasztánban az [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) oldalán.
Fotó: [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) az elektromos tornyokról Rajasthan egy útján az [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) oldalán
## Leckék
1. [Bevezetés az időbeli előrejelzésbe](1-Introduction/README.md)
3. [Support Vector Regressor építése idősoros előrejelzéshez](3-SVR/README.md)
## Köszönetnyilvánítás
## Közreműködők
Az "Bevezetés az időbeli előrejelzésbe" című anyagot ⚡️ írta [Francesca Lazzeri](https://twitter.com/frlazzeri) és [Jen Looper](https://twitter.com/jenlooper). A jegyzetfüzetek először az [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) oldalán jelentek meg, amelyet eredetileg Francesca Lazzeri írt. Az SVR leckét [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) készítette.
Az "Idősoros előrejelzés bevezetése" ⚡️-val készült [Francesca Lazzeri](https://twitter.com/frlazzeri) és [Jen Looper](https://twitter.com/jenlooper) közreműködésével. A jegyzetek először az [Azure "Deep Learning For Time Series" repójában](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) jelentek meg, melyet eredetileg Francesca Lazzeri írt. Az SVR leckét [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) jegyzi.
---
**Felelősség kizárása**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Jogi nyilatkozat**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.
> Ez a tárhely több mint 50 nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha le akarja tölteni fordítások nélkül, használja a sparse checkout-ot:
> Ez a tároló több mint 50 nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Fordítások nélküli klónozáshoz használd a sparse checkout-ot:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,62 +33,65 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Így minden megvan ahhoz, hogy gyorsabban töltse le a kurzust és elvégezze azt.
> Ez mindent megad, amire szükséged van a tanfolyam teljesítéséhez, sokkal gyorsabb letöltéssel.
Folyamatban van egy Discord tanulás az AI-val sorozatunk, további információkért és csatlakozáshoz látogass el ide: [Learn with AI Series](https://aka.ms/learnwithai/discord) 2025. szeptember 18-30. között. Hasznos tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.
Folyamatban van egy Discord AI tanulósorozatunk, 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 majd a GitHub Copilot használatához az Adattudományban.
# Gépi tanulás kezdőknek - egy tanterv
# Gépi tanulás kezdőknek – Tanterv
> 🌍 Utazzunk a világ körül, miközben a gépi tanulást világkultúrák révén fedezzük fel 🌍
> 🌍 Utazz körbe a világon, miközben a gépi tanulást világkultúrákon keresztül fedezzük fel 🌍
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot, amely a **Gépi tanulásról** szól. Ebben a tanfolyamban megismerkedhet a néha egyszerűen **klasszikus gépi tanulásnak** nevezett megközelítéssel, amely főként a Scikit-learn könyvtárat használja, és elkerüli a mélytanulást, amelyet a [AI kezdőknek tantervünk](https://aka.ms/ai4beginners) fed le. Ez a tananyag tökéletes kiegészítője a ['Adattudomány kezdőknek tantervnek'](https://aka.ms/ds4beginners).
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tantervet, amely a **Gépi tanulásról** szól. Ebben a tantervben megismerkedsz azzal, amit néha **klasszikus gépi tanulásnak** neveznek, főként a Scikit-learn könyvtár használatával, elkerülve a mély tanulást, amelyet a [Kezdőknek szóló AI tantervünkben](https://aka.ms/ai4beginners) tárgyalunk. Ezeket a leckéket kombináld a ['Kezdőknek szóló adattudomány' tantervünkkel](https://aka.ms/ds4beginners) is!
Utazz velünk a világ különböző részeire, és alkalmazzunk klasszikus gépi tanulási technikákat sokféle adatállományon. Minden lecke tartalmaz elő- és utóvizsgát, írásos útmutatót a feladat elvégzéséhez, megoldást, feladatot és még sok mást. Projekt-alapú tanítási módszerünk lehetővé teszi, hogy gyakorlás közben tanulj, ami bizonyítottan jobban rögzíti az új képességeket.
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat világ sokféle adatán alkalmazzuk. Minden leckéhez elő- és utótesztek tartoznak, írott útmutató a lecke elvégzéséhez, megoldás, feladat és még sok más. A projektalapú pedagógiánk lehetővé teszi, hogy tanulás közben építs, ami bizonyított módszer az új készségek megtartására.
**✍️ Szívből köszönet szerzőinknek:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**✍️ 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 is** Tomomi Imura, Dasani Madipalli és Jen Looper
**🙏 Kiemelt köszönet 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, lektorainknak és tartalomközreműködőinknek, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, és Snigdha Agarwal**
**🙏 Külön köszönet 🙏 Microsoft Student Ambassador szerzőinknek, lektorainknak és tartalomközreműködőinknek**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🤩 Különös hála Microsoft Hallgatói Nagyköveteknek Eric Wanjau, Jasleen Sondhi, és Vidushi Gupta az R leckékért!**
**🤩 Külön hála a Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi és Vidushi Gupta részére az R leckéinkért!**
# Kezdjük el
# Első lépések
Kövesd az alábbi lépéseket:
1. **Forkold le a tárhelyet**: Kattints a "Fork" gombra a jobb felső sarokban.
2. **Klónozd a tárhelyet**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
Kövesd ezeket a lépéseket:
1. **Forkold 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`
> [Az összes további forrást megtalálod Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Gyors kezdő tipp:** Szeretnél böngészőben elkezdeni anélkül, hogy helyileg állítanád be a Pythont? Használd a [GitHub Codespaces](https://github.com/features/codespaces) szolgáltatást, hogy felhőalapú fejlesztői környezetet hozz létre a forkodnak. Nyisd meg a zöld **Code** menüt, válaszd a **Codespaces** lehetőséget, és hozz létre egy codespace-et; a szükséges függőségeket telepítsd minden leckénél benne.
> 🔧 **Segítségre van szükséged?** Nézd meg a [Hibaelhárítási útmutatót](TROUBLESHOOTING.md), amelyben megoldásokat találsz a telepítési, beállítási és futtatási problémákra.
> [minden további forrást megtalálsz ehhez a tanfolyamhoz a Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
**[Hallgatók](https://aka.ms/student-page)**, hogy használni tudjátok ezt a tantervet, forkold a teljes repo-t a saját GitHub fiókodra, és saját vagy csoportos munkában végezd el a feladatokat:
> 🔧 **Segítségre van szükséged?** Nézd meg [Hibaelhárító útmutatónkat](TROUBLESHOOTING.md), ahol megoldásokat találsz a telepítéssel, beállítással és leckék futtatásával kapcsolatos gyakori problémákra.
- Kezdd az előadás előtti kvízzel.
- Olvasd el az előadást, és végezd el a feladatokat, időnként megállva és átgondolva a tudásellenőrző pontokat.
- Próbáld meg a projekteket úgy elkészíteni, hogy megérted a leckék lényegét, ne csak a megoldást futtasd; a megoldások azonban megtekinthetők a /solution könyvtárban minden projekt-alapú leckénél.
**[Diákoknak](https://aka.ms/student-page)**, a tanterv használatához forkold a teljes tárolót a saját GitHub fiókodba, és végezd el a feladatokat egyedül vagy csoportban:
- Kezdd egy előadás előtti kvízzel.
- Olvasd el az előadást, és végezd el a tevékenységeket, minden tudásellenőrzésnél megállva és gondolkodva.
- Próbáld meg a projekteket a leckék megértése alapján elkészíteni, ne csak a megoldáskód futtatásával; a kód azonban elérhető a `/solution` mappákban minden projektalapú leckénél.
- Tedd meg az előadás utáni kvízt.
- Végezd el a kihívást.
- Végezd el a házi feladatot.
- Miután befejeztél egy leckecsoportot, látogass el a [Fórum](https://github.com/microsoft/ML-For-Beginners/discussions) oldalra, és „tanulj hangosan” a megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy előrehaladási értékelő eszköz, ami egy értékelőlap, amelyet kitöltesz a tanulás elősegítésére. Reagálhatsz más PAT-okra is, így együtt tanulhatunk.
- Oldd meg a kihívást.
- Végezd el a feladatot.
- Miután elvégeztél egy leckecsoportot, látogass el a [Vita fórumra](https://github.com/microsoft/ML-For-Beginners/discussions), és "tanulj hangosan" azzal, hogy kitöltöd az erre szolgáló PAT elégtérképet. A PAT egy haladási értékelő eszköz, amelyet kitöltesz a tanulás előmozdításához. Más PAT-ekre is reagálhatsz, így együtt tanulhatunk.
> További tanuláshoz ajánljuk, hogy kövesd ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
**Tanárok**, csatoltunk néhány [javaslatot](for-teachers.md) arra, hogyan használhatjátok ezt a tantervet.
**Tanárként** [találsz néhány javaslatot](for-teachers.md) a tanterv használatára.
---
## Videós bemutatók
Néhány lecke rövid videó formájában is elérhető. Ezeket a leckékben közvetlenül, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos) találhatod meg, az alábbi képre kattintva.
Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálod közvetlenül a leckékben, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos) a képre kattintva.
[](https://aka.ms/ml-beginners-videos)
@ -98,151 +101,152 @@ Néhány lecke rövid videó formájában is elérhető. Ezeket a leckékben kö
> 🎥 Kattints a fenti képre a projektről és az alkotókról készült videó megtekintéséhez!
> 🎥 Kattints a fenti képre a projektről és alkotóiról szóló videó megtekintéséhez!
---
## Pedagógia
Két tanítási alapelvet választottunk ennek a tananyagnak az összeállításakor: hogy gyakorlati, **projekt-alapú** legyen, és hogy tartalmazzon **gyakori kvízeket**. Emellett egy közös **téma** köti össze.
A tanterv összeállításakor két pedagógiai elvet választottunk: kézzelfogható, **projektalapú** tanulás és **gyakori kvízek** alkalmazása. Ezen kívül a tantervnek közös **tematikája** van, hogy egységes legyen.
Azáltal, hogy a tartalom projektekhez kapcsolódik, a tanulás motiválóbbá válik, és a fogalmak jobb megtartását segíti elő. Egy alacsony tétű kvíz az óra előtt elősegíti a tanulók szándékát egy téma elsajátítására, míg az óra utáni kvíz tovább erősíti a megtartást. Ez a tananyag rugalmas és szórakoztató, egészben vagy részleteiben is elvégezhető. A projektek kezdetben kisebbek, és a 12 hetes ciklus végére egyre bonyolultabbak lesznek. A tananyag tartalmaz egy utószót a gépi tanulás valós alkalmazásairól is, ami extra pontként vagy vitatéma alapként használható.
Azáltal, hogy a tartalom összhangban van a projektekkel, a folyamat élvezetesebb a diákok számára, és a fogalmak jobban megmaradnak. Egy alacsony tétű kvíz az óra előtt beállítja a tanuló szándékát egy téma megtanulására, míg egy második kvíz az óra után további megtartást biztosít. Ez a tanterv rugalmas és szórakoztató, egészben vagy részben is elvégezhető. A projektek kicsiben kezdődnek és a 12 hetes ciklus végére egyre összetettebbek lesznek. A tanterv egy posztszkriptet is tartalmaz a ML valódi alkalmazásairól, amely extra pontként vagy vitaalapként használható.
> Olvasd el a [Viselkedési Kódexünket](CODE_OF_CONDUCT.md), a [Hozzájárulási Útmutatót](CONTRIBUTING.md), a [Fordításokat](..) és a [Hibaelhárítást](TROUBLESHOOTING.md). Várjuk konstruktív visszajelzéseidet!
> Találd meg az [Etikai Kódexünket](CODE_OF_CONDUCT.md), [Hozzájárulási](CONTRIBUTING.md), [Fordítási](..) és [Hibaelhárítási](TROUBLESHOOTING.md) irányelveinket. Szívesen fogadjuk építő jellegű visszajelzésedet!
## Minden lecke tartalmaz
## Minden lecke tartalmazza
- opcionális vázlatjegyzetet
- opcionális kiegészítő videót
- videós bemutatót (csak néhány leckénél)
- [előadás előtti bemelegítő kvízt](https://ff-quizzes.netlify.app/en/ml/)
- írásos leckét
- projekt-alapú leckéknél lépésről lépésre útmutatót a projekt elkészítéséhez
- tudásellenőrző kérdéseket
- kihívást
- [előadás előtti bemelegítő kvíz](https://ff-quizzes.netlify.app/en/ml/)
- írott leckét
- projektalapú leckéknél lépésről lépésre útmutatókat a projekt elkészítéséhez
- tudásellenőrzéseket
- egy kihívást
- kiegészítő olvasmányt
- házi feladatot
- [előadás utáni kvízt](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Pythonban íródtak, de sok közülük elérhető R-ben is. Egy R lecke teljesítéséhez keresd meg a `/solution` mappát, és ott az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** fájlt jelentenek, amit egyszerűen úgy lehet definiálni, mint `kódrészletek` (R vagy más nyelvek) és egy `YAML fejléc` (amely irányítja a kimenetek formázását, például PDF esetén) beágyazását egy `Markdown dokumentumban`. Így kiváló szerkesztési keretként szolgálnak az adat tudományban, mivel lehetővé teszik a kód, annak kimenete és a gondolatok együttes írását Markdownban. Ezenkívül az R Markdown dokumentumok különböző kimeneti formátumokká is átalakíthatók, például PDF, HTML vagy Word formátummá.
> **Megjegyzés a kvízekről**: Minden kvíz a [Quiz App mappában](../../quiz-app) található, összesen 52 három kérdésből álló kvíz. Ezek elérhetők a leckékből, de a kvíz alkalmazás helyileg is futtatható; kövesd a `quiz-app` mappa utasításait 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) | Tanuld meg a gépi tanulás alapfogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás mögötti történelmet | [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 méltányosság körül, amelyeket a diákoknak figyelembe kell venniük ML modellek építésekor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat használnak a kutatók gépi tanulási 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 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) | Adatvizualizáció és tisztítás gépi tanulásra való felkészülésként | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinomiális regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Egy webalkalmazás 🔌 | [Web App](3-Web-App/README.md) | Webalkalmazás építése a már betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Classification](4-Classification/README.md) | Adattisztítás, előkészítés és vizualizáció; 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 🍜 | [Classification](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 🍜 | [Classification](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 🍜 | [Classification](4-Classification/README.md) | Ajánló webalkalmazás építése a modelled segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezető a klaszterezéshez | [Clustering](5-Clustering/README.md) | Adattisztítás, előkészítés és vizualizáció; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigériai zenei ízlések feltérképezése 🎧 | [Clustering](5-Clustering/README.md) | A K-Mean klaszterezési módszer felfedezése | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Natural language processing](6-NLP/README.md) | Tanuld meg az NLP alapjait egy egyszerű bot építésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Natural language processing](6-NLP/README.md) | Mélyítsd el az NLP tudásodat a nyelvi struktúrákkal kapcsolatos feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelemelemzés ♥️ | [Natural language processing](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austen segítségével | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai szállodák ♥️ | [Natural language processing](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai szállodák ♥️ | [Natural language processing](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Time series](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utószó | Valós világ ML forgatókönyvek és alkalmazások | [ML in the Wild](9-Real-World/README.md) | Érdekes és szemléletes valós világban alkalmazott klasszikus gépi tanulási példák | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utószó | Modellhibakeresés gépi tanulásban az RAI irányítópulttal | [ML in the Wild](9-Real-World/README.md) | Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponensek használatával | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- feladatot
- [előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Egy R lecke elvégzéséhez keresd meg a `/solution` mappában az R leckéket. Ezek .rmd kiterjesztésűek, ami egy **R Markdown** fájlt jelent, amit egyszerűen definiálhatunk úgy, hogy egy `kódrészleteket` (R vagy más nyelvek) és egy `YAML fejlécet` (amely útmutatást ad a kimenetek, pl. PDF formázásához) ágyaz be egy `Markdown dokumentumba`. Így ez példamutató szerkesztési keretrendszer az adattudományhoz, mert lehetővé teszi kód, kimenet és gondolatok egyidejű dokumentálását Markdownban. Ezen felül az R Markdown dokumentumok PDF, HTML vagy Word kimeneti formátumokra is fordíthatók.
> **Megjegyzés a kvízekről**: Az összes kvíz megtalálható a [Kvíz alkalmazás mappában](../../quiz-app), összesen 52 kvíz három kérdéssel. Ezek be vannak linkelve a leckékből, de a kvíz alkalmazás helyileg is futtatható; a `quiz-app` mappában található utasításokat kövesd helyi hosztoláshoz vagy Azure-ra telepítéshez.
| Lecke száma | Téma | Lecke csoportosítása | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapfogalmait | [Tanóra](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület történetét | [Tanóra](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Melyek a fontos filozófiai kérdések a méltányosság kapcsán, amelyeket a diákoknak figyelembe kell venniük ML modellek építése és alkalmazása során? | [Tanóra](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat használnak a gépi tanulás kutatói ML modellek építésére? | [Tanóra](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióhoz | [Regresszió](2-Regression/README.md) | Kezdd el a regressziós modelleket Python és Scikit-learn segítségével | [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 meg az adatokat a gépi tanuláshoz | [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 polinom 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 webalkalmazás 🔌 | [Webalkalmazás](3-Web-App/README.md) | Építs egy webalkalmazást, amely használja a betanított modelled | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, készítsd elő 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 | 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) | További osztályozók | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Építs egy ajánló webalkalmazást a modelled segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezéshez | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő 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 | Felfedező túra a nigériai zenei ízlések 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel 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 nyelv feldolgozásba ☕️ | [Természetes nyelv feldolgozás](6-NLP/README.md) | Ismerd meg az NLP alapjait egy egyszerű bot építésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Természetes nyelv feldolgozás](6-NLP/README.md) | Mélyítsd el NLP ismereteidet a nyelvi struktúrákkal kapcsolatos gyakori feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelem elemzés ♥️ | [Természetes nyelv feldolgozás](6-NLP/README.md) | Fordítás és érzelem elemzés Jane Austen művei alapján | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai hotelek ♥️ | [Természetes nyelv feldolgozás](6-NLP/README.md) | Érzelem elemzés hotel értékelések alapján 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai hotelek ♥️ | [Természetes nyelv feldolgozás](6-NLP/README.md) | Érzelem elemzés hotel értékelések alapján 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősor előrejelzésbe | [Idősor](7-TimeSeries/README.md) | Bevezetés az idősor előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 24 | Bevezetés a megerősítéses tanulásba | [Megerősítéses tanulás](8-Reinforcement/README.md) | Bevezetés a Q-learning alapú megerősítéses tanulásba | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Segíts Péternek elkerülni a farkast! 🐺 | [Megerősítéses tanulás](8-Reinforcement/README.md) | Gym könyvtár használata megerősítéses tanuláshoz | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Utószó | Valós világ ML helyzetek és alkalmazások | [ML a gyakorlatban](9-Real-World/README.md) | Érdekes és tanulságos valós alkalmazások a klasszikus gépi tanulásban | [Tanóra](9-Real-World/1-Applications/README.md) | Csapat |
| Utószó | Modellhibakeresés ML-ben az RAI irányítópult használatával | [ML a gyakorlatban](9-Real-World/README.md) | Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel | [Tanóra](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [keresd meg az összes további erőforrást ehhez a tanfolyamhoz 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/#/) használatával. Forkold ezt a repo-t, telepítsd a Docsify-t ([Docsify telepítése](https://docsify.js.org/#/quickstart)) a helyi gépedre, majd a repo gyökérmappájában írd be a `docsify serve` parancsot. A weboldal a 3000-es porton lesz elérhető helyileg: `localhost:3000`.
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) segítségével. Forkold ezt a repo-t, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépeden, majd a repo gyökérmappájában írd be, hogy `docsify serve`. A weboldal a 3000-es porton lesz elérhető a localhostodon: `localhost:3000`.
## PDF-ek
A tananyag pdf változatát linkekkel [itt találod](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Találd meg a tananyag PDF változatát linkekkel [itt](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Egyéb tanfolyamok
## 🎒 Más tanfolyamok
Csapatunk további tanfolyamokat is készít! Nézd meg:
Csapatunk más tanfolyamokat is készít! Nézd meg:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://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/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Generatív AI sorozat
[](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)
---
### Alapvető tanulás
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
Ha hibákat, problémákat tapasztalsz, vagy fejlesztési javaslataid vannak, egy **Issue** megnyitásával jelezheted a problémát ebben a tárolóban.
Ha hibákat, problémákat tapasztalsz, vagy javaslataid vannak a fejlesztéshez, létrehozhatsz egy **Issue-t** ebben a repóban, hogy bejelentsd a problémát.
Termék visszajelzésekhez vagy meglévő közösségi bejegyzések kereséséhez látogass el a Fejlesztői Fórumra:
Termék visszajelzéshez vagy a meglévő közösségi bejegyzések kereséséhez látogass el a Fejlesztői Fórumra:
- Tekintsd át a jegyzetfüzeteket minden lecke után a jobb megértés érdekében.
- Gyakorold az algoritmusok önálló implementálását.
- Fedezz fel valós adatkészleteket a tanult koncepciók segítségével.
- Nézd át a jegyzetfüzeteket minden tanóra után a jobb megértésért.
- Gyakorold az algoritmusok önálló implementációját.
- Fedezz fel valós adatbázisokat a megtanult fogalmak segítségével.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Jogi nyilatkozat**:
Ez a dokumentum az [Co-op Translator](https://github.com/Azure/co-op-translator) AI fordító szolgáltatás használatával készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások tartalmazhatnak hibákat vagy pontatlanságokat. Az eredeti dokumentum anyanyelvi változata tekintendő hivatalos forrásnak. Fontos információk esetén szakmai, emberi fordítás használata javasolt. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy félreértelmezésekért.
**Jogi nyilatkozat**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.
Szeretné használni ezt a tananyagot az osztályában? Nyugodtan tegye meg!
Valójában a GitHub segítségével is használhatja, a GitHub Classroom funkcióval.
Tulajdonképpen a GitHub-on belül is használhatja a GitHub Classroom segítségével.
Ehhez forkolja ezt a repót. Minden egyes leckéhez létre kell hoznia egy külön repót, tehát ki kell emelnie minden mappát egy külön repóba. Így a [GitHub Classroom](https://classroom.github.com/classrooms) külön-külön tudja kezelni az egyes leckéket.
Ehhez fork-olja ezt a repót. Minden leckéhez külön repót kell létrehoznia, ezért ki kell bontania minden mappát külön repóba. Így a [GitHub Classroom](https://classroom.github.com/classrooms) külön-külön tudja kezelni az egyes leckéket.
Ezek az [részletes útmutatók](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) segítenek abban, hogyan állítsa be az osztálytermet.
Ezek az [átfogó útmutatók](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) megmutatják, hogyan állíthatja be az osztályát.
## A repó használata jelenlegi formájában
## A repo használata a jelenlegi formájában
Ha szeretné a repót úgy használni, ahogy most van, GitHub Classroom nélkül, az is lehetséges. Ebben az esetben kommunikálnia kell a diákokkal, hogy melyik leckén dolgozzanak együtt.
Ha a repót a jelenlegi állapotában szeretné használni, GitHub Classroom nélkül, az is megoldható. Kommunikálni kell a diákjaival, hogy melyik leckén menjenek végig együtt.
Online formátumban (Zoom, Teams vagy más platform) létrehozhat kisebb csoportokat a kvízekhez, és mentorálhatja a diákokat, hogy felkészüljenek a tanulásra. Ezután meghívhatja őket a kvízekre, és arra kérheti őket, hogy 'issues' formájában adják be válaszaikat egy meghatározott időpontban. Ugyanezt teheti a feladatokkal is, ha azt szeretné, hogy a diákok nyíltan, együttműködve dolgozzanak.
Online formátumban (Zoom, Teams vagy más) kialakíthat csoportszobákat a kvízekhez, és mentorálhatja a diákokat, hogy felkészüljenek a tanulásra. Ezután meghívhatja őket, hogy vegyenek részt a kvízekben, és egy bizonyos időpontban küldjék be a válaszaikat 'issues' formájában. Hasonlóan kezelheti a feladatokat is, ha azt szeretné, hogy a diákok nyíltan, együtt dolgozzanak.
Ha inkább privát formátumot szeretne, kérje meg a diákokat, hogy forkolják a tananyagot, leckéről leckére, saját privát GitHub repóikba, és adjanak Önnek hozzáférést. Így a kvízeket és feladatokat privát módon tudják elvégezni, és az Ön osztálytermi repóján keresztül issues formájában tudják benyújtani.
Ha inkább privát formátumot szeretne, kérje meg a diákokat, hogy leckénként forkolják a tananyagot saját, privát GitHub repóikba, és adjanak Önnek hozzáférést. Így a kvízeket és feladatokat privát módon oldhatják meg, és issues formájában küldhetik be Önnek a tantermi repo-ban.
Számos módja van annak, hogy ez működjön egy online osztálytermi formátumban. Kérjük, ossza meg velünk, hogy Önnek mi válik be a legjobban!
Sokféle módja van annak, hogy ez működjön egy online tantermi formátumban. Kérjük, ossza meg velünk, hogy Önnek mi működik a legjobban!
## Kérjük, ossza meg velünk a véleményét!
## Kérjük, ossza meg velünk véleményét!
Szeretnénk, hogy ez a tananyag az Ön és diákjai számára is jól működjön. Kérjük, ossza meg velünk [visszajelzését](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Azért szeretnénk, hogy ez a tananyag jól működjön Ön és diákjai számára. Kérjük, adjon [visszajelzést](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Felelősség kizárása**:
Ez a dokumentum az AI fordítási szolgáltatás [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Fontos információk esetén javasolt professzionális emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Jogi nyilatkozat**:
Ez a dokumentum az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével készült. Bár az pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén professzionális emberi fordítást javasolunk. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely ebből a fordításból ered.
> Sketchnote na [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Jaribio la kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
## [Mtihani kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
---
[](https://youtu.be/N6wxM4wZ7V0 "ML kwa wanaoanza - Historia ya Ujifunzaji wa Mashine")
[](https://youtu.be/N6wxM4wZ7V0 "ML kwa wanaoanza - Historia ya Kujifunza kwa Mashine")
> 🎥 Bonyeza picha hapo juu kwa video fupi inayopitia somo hili.
> 🎥 Bonyeza picha hapo juu kwa video fupi inayoelezea somo hili.
Katika somo hili, tutapitia hatua kuu katika historia ya ujifunzaji wa mashine na akili bandia.
Katika somo hili, tutaangalia hatua kubwa katika historia ya kujifunza kwa mashine na akili bandia.
Historia ya akili bandia (AI) kama uwanja inahusiana sana na historia ya ujifunzaji wa mashine, kwani algoriti na maendeleo ya kompyuta yanayosaidia ML yamechangia maendeleo ya AI. Ni muhimu kukumbuka kwamba, ingawa maeneo haya kama nyanja tofauti za uchunguzi yalianza kuimarika katika miaka ya 1950, [ugunduzi wa algoriti, takwimu, hesabu, kompyuta na kiufundi](https://wikipedia.org/wiki/Timeline_of_machine_learning) ulitangulia na kuingiliana na enzi hii. Kwa kweli, watu wamekuwa wakifikiria maswali haya kwa [mamia ya miaka](https://wikipedia.org/wiki/History_of_artificial_intelligence): makala hii inajadili misingi ya kihistoria ya wazo la 'mashine inayofikiria.'
Historia ya akili bandia (AI) kama taaluma imeunganishwa na historia ya kujifunza kwa mashine, kwani algorithms na maendeleo ya kompyuta yanayoiendesha ML yamechangia katika maendeleo ya AI. Ni muhimu kukumbuka kwamba, ingawa nyanja hizi zilianza kujitokeza kama maeneo tofauti ya uchunguzi miaka ya 1950, [uvumbuzi muhimu wa algorithm, takwimu, hisabati, kompyuta na kiufundi](https://wikipedia.org/wiki/Timeline_of_machine_learning) ulitokea kabla na kuchanganyika na kipindi hiki. Kwa kweli, watu wamekuwa wakifikiria maswali haya kwa [maelfu ya miaka](https://wikipedia.org/wiki/History_of_artificial_intelligence): makala hii inajadili misingi ya kihistoria ya wazo la 'mashine inayowezesha kufikiri.'
---
## Ugunduzi maarufu
## Uvumbuzi muhimu
- 1763, 1812 [Bayes Theorem](https://wikipedia.org/wiki/Bayes%27_theorem) na watangulizi wake. Theoremu hii na matumizi yake yanasaidia katika uamuzi, ikielezea uwezekano wa tukio kutokea kulingana na maarifa ya awali.
- 1805 [Least Square Theory](https://wikipedia.org/wiki/Least_squares) na mwanahisabati wa Kifaransa Adrien-Marie Legendre. Nadharia hii, ambayo utajifunza katika kitengo chetu cha Regression, husaidia katika kufaa data.
- 1913 [Markov Chains](https://wikipedia.org/wiki/Markov_chain), iliyopewa jina la mwanahisabati wa Kirusi Andrey Markov, hutumika kuelezea mfululizo wa matukio yanayowezekana kulingana na hali ya awali.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) ni aina ya kiongeza mstari kilichovumbuliwa na mwanasaikolojia wa Marekani Frank Rosenblatt ambacho kimechangia maendeleo ya ujifunzaji wa kina.
- 1763, 1812 [Theorem ya Bayes](https://wikipedia.org/wiki/Bayes%27_theorem) na waliotangulia. Theorem hii na matumizi yake yanaelezea uwezekano wa tukio kutokea kutokana na maarifa ya awali.
- 1805 [Nadharia ya Least Square](https://wikipedia.org/wiki/Least_squares) na mwanahisabati wa Kifaransa Adrien-Marie Legendre. Nadharia hii, ambayo utajifunza kuhusu katika sehemu yetu ya Regression, husaidia katika kufananisha data.
- 1913 [Minyororo ya Markov](https://wikipedia.org/wiki/Markov_chain), iliyopewa jina la mwanahisabati wa Kirusi Andrey Markov, hutumika kuelezea mfululizo wa matukio yanayowezekana kulingana na hali iliyopita.
- 1957 [Perceptron](https://wikipedia.org/wiki/Perceptron) ni aina ya mtambuzi wa mstari uliogunduliwa na mwanapsychologist wa Marekani Frank Rosenblatt ambao umesukuma mbele maendeleo katika kujifunza kwa kina.
---
- 1967 [Nearest Neighbor](https://wikipedia.org/wiki/Nearest_neighbor) ni algoriti iliyoundwa awali kwa ramani ya njia. Katika muktadha wa ML hutumika kutambua mifumo.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) hutumika kufundisha [mitandao ya neva ya feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Recurrent Neural Networks](https://wikipedia.org/wiki/Recurrent_neural_network) ni mitandao ya neva ya bandia inayotokana na mitandao ya neva ya feedforward ambayo huunda grafu za muda.
- 1967 [Jirani wa Karibu](https://wikipedia.org/wiki/Nearest_neighbor) ni algorithm iliyoundwa awali kwa ramani za njia. Katika muktadha wa ML hutumika kugundua mifumo.
- 1970 [Backpropagation](https://wikipedia.org/wiki/Backpropagation) hutumika kufundisha [mitandao ya neural ya feedforward](https://wikipedia.org/wiki/Feedforward_neural_network).
- 1982 [Mitandao ya Neura ya Kurudia](https://wikipedia.org/wiki/Recurrent_neural_network) ni mitandao ya neural bandia iliyotokana na mitandao ya neural ya feedforward inayounda michoro ya muda.
✅ Fanya utafiti kidogo. Ni tarehe gani nyingine zinazojitokeza kama muhimu katika historia ya ML na AI?
✅ Fanya utafiti kidogo. Ni tarehe zipi nyingine zinavutia kama za muhimu katika historia ya ML na AI?
---
## 1950: Mashine zinazofikiria
## 1950: Mashine zinazofikiri
Alan Turing, mtu wa kipekee ambaye alichaguliwa [na umma mwaka 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) kama mwanasayansi bora wa karne ya 20, anasifiwa kwa kusaidia kuweka msingi wa wazo la 'mashine inayoweza kufikiria.' Alikabiliana na wakosoaji na hitaji lake mwenyewe la ushahidi wa dhana hii kwa sehemu kwa kuunda [Mtihani wa Turing](https://www.bbc.com/news/technology-18475646), ambao utachunguza katika masomo yetu ya NLP.
Alan Turing, mtu wa ajabu sana aliyechaguliwa [na umma mwaka 2019](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century) kama mwanasayansi bora wa karne ya 20, anatambuliwa kwa kusaidia kuweka msingi wa wazo la 'mashine inayoweza kufikiri.' Alikabiliana na wakosoaji na haja yake mwenyewe ya ushahidi wa kitaalamu wa wazo hili kwa sehemu kwa kuunda [Mtihani wa Turing](https://www.bbc.com/news/technology-18475646), ambao utaufahamu katika masomo yetu ya NLP.
---
## 1956: Mradi wa Utafiti wa Majira ya Joto wa Dartmouth
## 1956: Mradi wa Utafiti wa Majira ya Joto Dartmouth
"Mradi wa Utafiti wa Majira ya Joto wa Dartmouth kuhusu akili bandia ulikuwa tukio muhimu kwa akili bandia kama uwanja," na hapa ndipo neno 'akili bandia' lilianzishwa ([chanzo](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
"Mradi wa Utafiti wa Majira ya Joto Dartmouth juu ya akili bandia ulikuwa tukio la msingi kwa akili bandia kama taaluma," na hapa ndipo neno 'akili bandia' lilipoundwa ([chanzo](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth)).
> Kila kipengele cha ujifunzaji au kipengele kingine chochote cha akili kinaweza kuelezewa kwa usahihi kiasi kwamba mashine inaweza kutengenezwa kuiga.
> Kila sehemu ya kujifunza au sifa nyingine yoyote ya akili inaweza kuelezwa kwa usahihi kiasi kwamba mashine inaweza kutengenezwa kuitengenezea mfano.
---
Mtafiti mkuu, profesa wa hisabati John McCarthy, alitarajia "kuendelea kwa msingi wa dhana kwamba kila kipengele cha ujifunzaji au kipengele kingine chochote cha akili kinaweza kuelezewa kwa usahihi kiasi kwamba mashine inaweza kutengenezwa kuiga." Washiriki walijumuisha mtu mwingine maarufu katika uwanja huo, Marvin Minsky.
Mtafiti mkuu, profesa wa hisabati John McCarthy, alitumaini "kuendelea kwa msingi wa dhana kwamba kila sehemu ya kujifunza au sifa nyingine ya akili inaweza kuelezwa kwa usahihi kiasi kwamba mashine inaweza kutengenezwa kuitengenezea mfano." Washiriki walijumuisha bingwa mwingine katika nyanja hii, Marvin Minsky.
Warsha hiyo inasifiwa kwa kuanzisha na kuhimiza mijadala kadhaa ikiwa ni pamoja na "kuibuka kwa mbinu za alama, mifumo inayolenga maeneo yaliyopunguzwa (mifumo ya wataalamu wa awali), na mifumo ya kuamua dhidi ya mifumo ya kuiga." ([chanzo](https://wikipedia.org/wiki/Dartmouth_workshop)).
Warsha hiyo inatambuliwa kwa kuanzisha na kuhamasisha mijadala kadhaa ikiwa ni pamoja na "kuibuka kwa mbinu za alama, mifumo inayolenga maeneo maalum (mifumo ya wataalamu ya mwanzo), na mifumo ya deduktivu dhidi ya mifumo ya induktivu." ([chanzo](https://wikipedia.org/wiki/Dartmouth_workshop)).
---
## 1956 - 1974: "Miaka ya dhahabu"
Kuanzia miaka ya 1950 hadi katikati ya miaka ya '70, matumaini yalikuwa makubwa kwamba AI inaweza kutatua matatizo mengi. Mnamo 1967, Marvin Minsky alitangaza kwa kujiamini kwamba "Ndani ya kizazi ... tatizo la kuunda 'akili bandia' litakuwa limetatuliwa kikamilifu." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Kuanzia miaka ya 1950 hadi katikati ya miaka ya 70, matumaini yalikuwa makubwa kwamba AI inaweza kutatua matatizo mengi. Mwaka 1967, Marvin Minsky alisema kwa uhakika kwamba "Ndani ya kizazi ... tatizo la kuunda 'akili bandia' litakuwa limefanywa kwa kiasi kikubwa." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Utafiti wa usindikaji wa lugha asilia ulifanikiwa, utafutaji ulirekebishwa na kufanywa kuwa na nguvu zaidi, na dhana ya 'micro-worlds' iliundwa, ambapo kazi rahisi zilifanywa kwa kutumia maagizo ya lugha rahisi.
Utafiti wa usindikaji wa lugha asilia ulizidi kukua, utafutaji uliboreshwa na kutoa nguvu zaidi, na dhana ya 'micro-worlds' iliumbwa, ambapo kazi rahisi zilifanywa kwa kutumia maelekezo ya lugha rahisi.
---
Utafiti ulifadhiliwa vizuri na mashirika ya serikali, maendeleo yalifanywa katika kompyuta na algoriti, na prototypes za mashine za akili zilijengwa. Baadhi ya mashine hizi ni pamoja na:
Utafiti ulifadhiliwa vizuri na mashirika ya serikali, maendeleo yalifanywa katika kompyuta na algorithms, na mifano ya mashine za akili ilijengwa. Baadhi ya mashine hizi ni:
* [Shakey the robot](https://wikipedia.org/wiki/Shakey_the_robot), ambaye angeweza kujiendesha na kuamua jinsi ya kutekeleza majukumu 'kwa akili'.
* [Shakey roboti](https://wikipedia.org/wiki/Shakey_the_robot), aliyekuwa na uwezo wa kusogeza na kuamua jinsi ya kutekeleza kazi kwa 'kiakili'.
> Shakey mwaka 1972
---
* Eliza, 'chatterbot' wa awali, angeweza kuzungumza na watu na kutenda kama 'mshauri' wa msingi. Utajifunza zaidi kuhusu Eliza katika masomo ya NLP.
* Eliza, 'chatterbot' wa mwanzo, aliweza kuzungumza na watu na kutenda kama 'mtaalamu wa tiba' wa mwanzo. Utajifunza zaidi kuhusu Eliza katika masomo ya NLP.
* "Blocks world" ilikuwa mfano wa micro-world ambapo vizuizi vinaweza kupangwa na kupangwa, na majaribio ya kufundisha mashine kufanya maamuzi yanaweza kufanyiwa majaribio. Maendeleo yaliyotengenezwa na maktaba kama [SHRDLU](https://wikipedia.org/wiki/SHRDLU) yalisaidia kusukuma usindikaji wa lugha mbele.
* "Dunia ya blocks" ilikuwa mfano wa micro-world ambapo blocks zingeweza kuwekewa na kupangwa, na majaribio katika kufundisha mashine kufanya maamuzi yangeweza kujaribiwa. Maendeleo yaliyojengwa kwa maktaba kama [SHRDLU](https://wikipedia.org/wiki/SHRDLU) yaliweza kusukuma mbele usindikaji wa lugha.
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "blocks world na SHRDLU")
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "dunia ya blocks na SHRDLU")
> 🎥 Bonyeza picha hapo juu kwa video: Blocks world na SHRDLU
> 🎥 Bonyeza picha hapo juu kwa video: Dunia ya blocks na SHRDLU
---
## 1974 - 1980: "Majira ya baridi ya AI"
## 1974 - 1980: "Baridi ya AI"
Kufikia katikati ya miaka ya 1970, ilionekana wazi kwamba ugumu wa kutengeneza 'mashine za akili' ulikuwa umepuuzwa na kwamba ahadi yake, ikizingatiwa nguvu ya kompyuta iliyopo, ilikuwa imezidishwa. Ufadhili ulipungua na imani katika uwanja ilipungua. Baadhi ya masuala yaliyopunguza imani ni pamoja na:
Katikati ya miaka ya 1970, ilibainika kuwa ugumu wa kutengeneza 'mashine za akili' ulikuwa umepungua thamani na ahadi yake, ikizingatiwa nguvu ya kompyuta iliyopo, ilizidi kutolewa kwa matumaini. Fedha zilikauka na imani katika taaluma ilipungua. Baadhi ya masuala yaliyoathiri imani ni pamoja na:
---
- **Vikwazo**. Nguvu ya kompyuta ilikuwa ndogo sana.
- **Mlupuko wa mchanganyiko**. Idadi ya vigezo vilivyohitajika kufundishwa ilikua kwa kasi kadri zaidi ilivyotakiwa kutoka kwa kompyuta, bila mabadiliko sambamba ya nguvu na uwezo wa kompyuta.
- **Upungufu wa data**. Kulikuwa na upungufu wa data uliokwamisha mchakato wa kupima, kuendeleza, na kuboresha algoriti.
- Mitihani ya Turing ilianza kuhojiwa kwa njia, miongoni mwa mawazo mengine, ya 'nadharia ya chumba cha Kichina' ambayo ilidai kwamba, "kuandika programu ya kompyuta ya kidijitali kunaweza kufanya ionekane kuelewa lugha lakini haiwezi kutoa uelewa wa kweli." ([chanzo](https://plato.stanford.edu/entries/chinese-room/))
- Maadili ya kuanzisha akili bandia kama "mshauri" ELIZA katika jamii yalipingwa.
- **Mara za mipaka**. Nguvu ya kompyuta ilikuwa ndogo mno.
- **Mlipuko wa mchanganyiko**. Idadi ya vigezo vinavyohitaji kufundishwa ilizidiwa kwa kasi kadri kompyuta zilivyoombwa zaidi, bila mabadiliko ya sambamba ya nguvu na uwezo wa kompyuta.
- **Ukosefu wa data**. Palikuwa na upungufu wa data uliosababisha matatizo katika mchakato wa kupima, kuendeleza, na kuboresha algorithms.
- Mitihani ya Turing ilizuiliwa kwa njia, miongoni mwa mawazo mengine, ya 'nadharia ya chumba cha Kichina' ambayo ilipendekeza kwamba, "kuprograma kompyuta ya kidijitali kunaweza kuifanya ionekane inaelewa lugha lakini haiwezi kutoa uelewa halisi." ([chanzo](https://plato.stanford.edu/entries/chinese-room/))
- Maadili ya kuingiza akili bandia kama "mtaalamu wa tiba" ELIZA katika jamii yalihojiwa.
---
Wakati huo huo, shule mbalimbali za mawazo ya AI zilianza kuunda. Mgawanyiko ulianzishwa kati ya mazoea ya ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies). Maabara _scruffy_ zilirekebisha programu kwa masaa hadi zilipata matokeo yanayotakiwa. Maabara _neat_ "zililenga mantiki na utatuzi rasmi wa matatizo". ELIZA na SHRDLU zilikuwa mifumo maarufu ya _scruffy_. Katika miaka ya 1980, wakati mahitaji yalipoibuka ya kufanya mifumo ya ML iweze kurudiwa, mbinu ya _neat_ ilianza kuchukua nafasi ya mbele kwani matokeo yake yanaelezeka zaidi.
Wakati huo huo, shule mbalimbali za fikra za AI zilianza kuundwa. Tofauti ilianzishwa kati ya mbinu za ["scruffy" vs. "neat AI"](https://wikipedia.org/wiki/Neats_and_scruffies). Maabara za _scruffy_ zilibadilisha programu kwa saa hadi walipata matokeo yanayotarajiwa. Maabara za _neat_ "ziliweka mkazo kwenye mantiki na utatuzi rasmi wa matatizo". ELIZA na SHRDLU zilikuwa mifumo maarufu ya _scruffy_. Katika miaka ya 1980, kadri ombi la kufanya mifumo ya ML iweze kurudiwa lilivyoibuka, mbinu ya _neat_ ilianza kuchukua kiongozi kwa kuwa matokeo yake ni rahisi kueleweka.
---
## Mifumo ya wataalamu ya miaka ya 1980
Kadri uwanja ulivyokua, manufaa yake kwa biashara yalionekana wazi, na katika miaka ya 1980 ndivyo ilivyokuwa kwa kuenea kwa 'mifumo ya wataalamu'. "Mifumo ya wataalamu ilikuwa miongoni mwa aina za kwanza za mafanikio ya kweli za programu ya akili bandia (AI)." ([chanzo](https://wikipedia.org/wiki/Expert_system)).
Kadiri taaluma ilivyozidi kukua, manufaa yake kwa biashara yalionekana wazi, na katika miaka ya 1980 pia kuenea kwa 'mifumo ya wataalamu'. "Mifumo ya wataalamu ilikuwa miongoni mwa aina za kwanza kabisa za programu za akili bandia (AI) zilizo na mafanikio ya kweli." ([chanzo](https://wikipedia.org/wiki/Expert_system)).
Aina hii ya mfumo ni _mseto_, ikijumuisha sehemu ya injini ya sheria inayofafanua mahitaji ya biashara, na injini ya uamuzi inayotumia mfumo wa sheria kutoa ukweli mpya.
Aina hii ya mfumo hasa ni _mchanganyiko_, ikiwa na sehemu ya injini ya kanuni inayobainisha mahitaji ya biashara, na injini ya hitimisho inayotumia mfumo wa kanuni kutoa taarifa mpya.
Enzi hii pia iliona kuongezeka kwa umakini kwa mitandao ya neva.
Enzi hii pia ilipata umakini mkubwa kwa mitandao ya neura.
---
## 1987 - 1993: 'Baridi' ya AI
## 1987 - 1993: AI 'Utulivu'
Kuenea kwa vifaa maalum vya mifumo ya wataalamu kulikuwa na athari mbaya ya kuwa maalum sana. Kuibuka kwa kompyuta binafsi pia kulishindana na mifumo hii kubwa, maalum, ya kati. Udemokrasia wa kompyuta ulikuwa umeanza, na hatimaye ulifungua njia kwa mlipuko wa kisasa wa data kubwa.
Kuenea kwa vifaa maalum vya mifumo ya wataalamu kulizalisha athari ya kuwa maalumu sana. Kuibuka kwa kompyuta za kibinafsi pia kulishindana na mifumo hii mikubwa, maalum, na ya kati. Uhalisia wa kompyuta ulianza, na hatimaye ulighitaa njia kwa mlipuko wa kisasa wa data kubwa.
---
## 1993 - 2011
Enzi hii iliona zama mpya kwa ML na AI kuwa na uwezo wa kutatua baadhi ya matatizo yaliyosababishwa awali na ukosefu wa data na nguvu ya kompyuta. Kiasi cha data kilianza kuongezeka kwa kasi na kupatikana zaidi, kwa bora na kwa mbaya, hasa na ujio wa simu mahiri karibu mwaka 2007. Nguvu ya kompyuta iliongezeka kwa kasi, na algoriti zilibadilika sambamba. Uwanja ulianza kupata ukomavu kadri siku za zamani za uhuru zilipoanza kuimarika kuwa nidhamu ya kweli.
Kipindi hiki kilibeba enzi mpya kwa ML na AI kuwa na uwezo wa kutatua baadhi ya matatizo yaliyosababishwa awali na ukosefu wa data na nguvu ya kompyuta. Kiasi cha data kilianza kuongezeka kwa kasi na kupatikana zaidi, kwa mema na mabaya, hasa na kuibuka kwa simu janja kuanzia 2007. Nguvu ya kompyuta ilipanuka kwa kasi, na algorithms zilibadilika sambamba. Nyingi zilianza kupata umri kama enzi za uhuru wa zamani zilianza kuwa taaluma halisi.
---
## Sasa
Leo ujifunzaji wa mashine na AI vinagusa karibu kila sehemu ya maisha yetu. Enzi hii inahitaji uelewa makini wa hatari na athari zinazowezekana za algoriti hizi kwa maisha ya binadamu. Kama Brad Smith wa Microsoft amesema, "Teknolojia ya habari inazua masuala yanayogusa msingi wa ulinzi wa haki za binadamu kama faragha na uhuru wa kujieleza. Masuala haya yanaongeza jukumu kwa kampuni za teknolojia zinazounda bidhaa hizi. Kwa mtazamo wetu, pia yanahitaji udhibiti wa serikali wenye mawazo na maendeleo ya kanuni kuhusu matumizi yanayokubalika" ([chanzo](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
Leo kujifunza kwa mashine na AI kunagusa karibu kila sehemu ya maisha yetu. Enzi hii inahitaji kuelewa kwa makini hatari na athari zinazowezekana za algorithms hizi katika maisha ya binadamu. Kama Brad Smith wa Microsoft amesema, "Teknolojia ya taarifa inaleta masuala yanayoingia katika msingi wa ulinzi wa haki za binadamu kama faragha na uhuru wa kuonyesha maoni. Masuala haya huongeza uwajibikaji kwa kampuni za teknolojia zinazozalisha bidhaa hizi. Kwetu, pia yanahitaji udhibiti wa serikali kwa busara na kwa maendeleo ya kanuni kuhusu matumizi yanayokubalika" ([chanzo](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/)).
---
Bado haijulikani nini siku zijazo zitakuwa, lakini ni muhimu kuelewa mifumo hii ya kompyuta na programu na algoriti wanazoendesha. Tunatumaini kwamba mtaala huu utakusaidia kupata uelewa bora ili uweze kuamua mwenyewe.
Bado inaonekana ni nini yaliyomo katika siku za usoni, lakini ni muhimu kuelewa mifumo hii ya kompyuta na software na algorithms zinazoiendesha. Tunatumaini kuwa mtaala huu utakusaidia kupata uelewa bora ili uweze kuamua mwenyewe.
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Historia ya ujifunzaji wa kina")
> 🎥 Bonyeza picha hapo juu kwa video: Yann LeCun anajadili historia ya ujifunzaji wa kina katika mhadhara huu
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "Historia ya kujifunza kwa kina")
> 🎥 Bonyeza picha hapo juu kwa video: Yann LeCun anajadili historia ya kujifunza kwa kina katika somo hili
---
## 🚀Changamoto
Chunguza moja ya matukio haya ya kihistoria na ujifunze zaidi kuhusu watu waliohusika. Kuna wahusika wa kuvutia, na hakuna ugunduzi wa kisayansi uliowahi kuundwa katika utupu wa kitamaduni. Unagundua nini?
Chunguza moja ya matukio haya ya kihistoria na ujifunze zaidi kuhusu watu waliomo nyuma yake. Kuna wahusika wa kuvutia, na hakuna ugunduzi wowote wa kisayansi uliotengenezwa katika utulivu wa kitamaduni. Unagundua nini?
## [Jaribio la baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
## [Mtihani baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
---
## Mapitio na Kujisomea
## Ukaguzi & Kujifunza kwa Kujitegemea
Hapa kuna vitu vya kutazama na kusikiliza:
[Podcast hii ambapo Amy Boyd anajadili mageuzi ya AI](http://runasradio.com/Shows/Show/739)
[Podcast hii ambapo Amy Boyd anajadili mabadiliko ya AI](http://runasradio.com/Shows/Show/739)
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Historia ya AI na Amy Boyd")
---
## Kazi
## Kazi ya nyumbani
[Unda ratiba ya matukio](assignment.md)
[Tengeneza mstari wa wakati](assignment.md)
---
**Kanusho**:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Kionyozo**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya 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. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.
# Kujenga suluhisho za Machine Learning kwa AI yenye uwajibikaji
# Kujenga suluhisho za Kujifunza kwa Mashine kwa AI yenye Uwajibikaji
> Sketchnote na [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Mtihani kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
## [Mtihani wa kabla ya mihadhara](https://ff-quizzes.netlify.app/en/ml/)
## Utangulizi
Katika mtaala huu, utaanza kugundua jinsi machine learning inavyoweza na inavyokuwa na athari katika maisha yetu ya kila siku. Hata sasa, mifumo na modeli zinahusiana na kazi za uamuzi wa kila siku, kama vile uchunguzi wa matibabu, idhini za mikopo au kugundua udanganyifu. Kwa hivyo, ni muhimu kwamba modeli hizi zifanye kazi vizuri ili kutoa matokeo yanayoaminika. Kama yoyote programu ya kompyuta, mifumo ya AI itakosa matarajio au kuwa na matokeo yasiyotarajiwa. Ndiyo maana ni muhimu kuelewa na kueleza tabia ya modeli ya AI.
Katika mtaala huu, utaanza kugundua jinsi kujifunza kwa mashine kunavyoweza na kuathiri maisha yetu ya kila siku. Hata sasa, mifumo na modeli zinahusika katika kazi za maamuzi ya kila siku, kama vile utambuzi wa matibabu, kuidhinisha mikopo au kugundua ulaghai. Kwa hivyo, ni muhimu kwamba modeli hizi zifanye kazi vizuri kutoa matokeo ambayo yanaaminika. Kama ilivyo kwa programu yoyote, mifumo ya AI itakosa matarajio au kupata matokeo yasiyotakikana. Ndio maana ni muhimu kuelewa na kueleza tabia ya mfano wa AI.
Fikiria kinachoweza kutokea wakati data unayotumia kujenga modeli hizi haijumuishi baadhi ya makundi ya watu, kama vile rangi, jinsia, mtazamo wa kisiasa, dini, au kuwakilisha kwa njia isiyo sawa makundi hayo. Nini kuhusu wakati matokeo ya modeli yanatafsiriwa kupendelea baadhi ya makundi? Ni matokeo gani kwa programu hiyo? Zaidi ya hayo, nini kinatokea wakati modeli inatoa matokeo mabaya na yenye madhara kwa watu? Nani anawajibika kwa tabia ya mifumo ya AI? Hivyo ni baadhi ya maswali tutakayachunguza katika mtaala huu.
Fikiria kinachoweza kutokea wakati data unayotumia kujenga modeli hizi haijumuishi makundi fulani ya watu, kama vile rangi, jinsia, mtazamo wa kisiasa, dini, au inawakilisha makundi hayo kwa njia isiyo ya usawa. Vipi kuhusu wakati matokeo ya mfano yanatafsiriwa kupendelea kundi fulani la watu? Ni madhara gani kwa matumizi yake? Zaidi ya hayo, nini kinapotokea wakati mfano unatoa matokeo mabaya na yanayoharibu watu? Nani anawajibika kwa tabia ya mifumo ya AI? Hizi ni baadhi ya maswali tutakayachambua katika mtaala huu.
Katika somo hili, utajifunza:
Katika somo hili, utajifunza:
- Kuongeza uelewa wako kuhusu umuhimu wa usawa katika machine learning na madhara yanayohusiana na usawa.
- Kufahamiana na mazoezi ya kuchunguza matukio ya kipekee na yasiyo ya kawaida ili kuhakikisha uaminifu na usalama.
- Kupata uelewa juu ya hitaji la kuwawezesha wote kwa kubuni mifumo jumuishi.
- Kuchunguza umuhimu wa kulinda faragha na usalama wa data na watu.
- Kuona umuhimu wa kuwa na njia ya uwazi kueleza tabia za modeli za AI.
- Kuwa makini na jinsi uwajibikaji unavyohitajika kujenga imani katika mifumo ya AI.
- Kuongeza uelewa wako kuhusu umuhimu wa usawa katika kujifunza kwa mashine na madhara yanayohusiana na usawa.
- Kufahamiana na mazoezi ya kuchunguza matukio yasiyo ya kawaida na waasi ili kuhakikisha uaminifu na usalama
- Kupata uelewa wa hitaji la kuwawezesha kila mtu kwa kubuni mifumo jumuishi
- Kuchunguza jinsi ilivyo muhimu kulinda faragha na usalama wa data na watu
- Kuona umuhimu wa kuwa na njia ya uwazi kueleza tabia za modeli za AI
- Kuwa makini jinsi uwajibikaji ulivyo muhimu kujenga imani katika mifumo ya AI
## Sharti la awali
## Mahitaji ya awali
Kama sharti la awali, tafadhali chukua Njia ya Kujifunza "Kanuni za AI yenye Uwajibikaji" na tazama video hii hapa chini kuhusu mada hii:
Kama hitaji la awali, tafadhali chukua Njia ya Kujifunza "Kanuni za AI yenye Uwajibikaji" na tazama video hapa chini kuhusu mada hiyo:
Jifunze zaidi kuhusu AI yenye uwajibikaji kwa kufuata [Njia ya Kujifunza](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
Jifunze zaidi kuhusu AI yenye Uwajibikaji kwa kufuata [Njia ya Kujifunza](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
[](https://youtu.be/dnC8-uUZXSc "Njia ya Microsoft kuelekea AI yenye Uwajibikaji")
> 🎥 Bonyeza picha hapo juu kwa video: Njia ya Microsoft kwa AI yenye Uwajibikaji
> 🎥 Bonyeza picha hapo juu kupata video: Njia ya Microsoft kuelekea AI yenye Uwajibikaji
## Usawa
Mifumo ya AI inapaswa kuwatendea watu wote kwa usawa na kuepuka kuathiri makundi sawa ya watu kwa njia tofauti. Kwa mfano, wakati mifumo ya AI inatoa mwongozo kuhusu matibabu ya afya, maombi ya mkopo, au ajira, inapaswa kutoa mapendekezo sawa kwa wote wenye dalili zinazofanana, hali za kifedha, au sifa za kitaalamu. Kila mmoja wetu kama wanadamu tunabeba upendeleo uliozalishwa ambao huathiri maamuzi na vitendo vyetu. Upendeleo huu unaweza kuonekana katika data tunayotumia kufundisha mifumo ya AI. Udanganyifu kama huo unaweza kutokea bila kusudi. Mara nyingi ni vigumu kwa makusudi kujua unapoweka upendeleo katika data.
Mifumo ya AI inapaswa kutenda kwa haki kwa kila mtu na kuepuka kuathiri makundi yanayofanana ya watu kwa njia tofauti. Kwa mfano, wakati mifumo ya AI inatoa mwongozo juu ya matibabu ya afya, maombi ya mikopo, au ajira, inapaswa kutoa mapendekezo sawa kwa kila mtu aliye na dalili, hali za kifedha, au sifa za kitaaluma zinazofanana. Kila mtu wetu kama binadamu tunabeba upendeleo ulio dhahiri ambao huathiri maamuzi na matendo yetu. Upendeleo huu unaweza kuonekana katika data tunayotumia kufundisha mifumo ya AI. Uendeshaji huu unaweza kutokea mara nyingine bila makusudi. Mara nyingi ni vigumu kwa makusudi kujua wakati unachangia upendeleo katika data.
**“Kutokuwa na usawa”** kunajumuisha athari mbaya, au “madhara”, kwa kundi la watu, kama vile zile zinazotamkwa kwa mujibu wa rangi, jinsia, umri, au hali ya ulemavu. Madhara makuu yanayohusiana na usawa yanaweza kugawanywa kama:
**“Kutokuwa na usawa”** kunajumuisha athari mbaya, au “madhara”, kwa kundi la watu, kama vile wale waliotajwa kwa misingi ya rangi, jinsia, umri, au hali ya ulemavu. Madhara makuu yanayohusiana na usawa yanaweza kugawanywa kama:
- **Ugawaji**, kama jinsia au kabila fulani linapendelewa zaidi ya lingine.
- **Ubora wa huduma**. Ikiwa unafundisha data kwa hali moja maalum lakini hali halisi ni ngumu zaidi, inasababisha huduma duni. Kwa mfano, kipakia sabuni cha mkono ambacho hakikuweza kugundua watu wenye ngozi nyeusi. [Rejea](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Kudhalilisha**. Kukosoa vibaya na kumtaja mtu au kitu vibaya. Kwa mfano, teknolojia ya kutamka picha ilikosea kutaja picha za watu wenye ngozi nyeusi kama gorila.
- **Uwawakilishi kupita kiasi au kupungukiwa**. Wazo ni kwamba kundi fulani halionekani katika taaluma fulani, na huduma au kazi yoyote inayojiendeleza hivyo inaongeza madhara.
- **Kuweka alama za kijadi**. Kuhusisha kundi fulani na sifa zilizowekwa kabla. Kwa mfano, mfumo wa tafsiri ya lugha kati ya Kiingereza na Kituruki unaweza kuwa na makosa kutokana na maneno yenye muktadha wa kijinsia.
- **Mgawanyo**, kama jinsia au kabila kwa mfano linafavored zaidi kuliko jingine.
- **Ubora wa huduma**. Ikiwa unafundisha data kwa hali moja maalum lakini uhalisia ni mgumu zaidi, husababisha huduma duni. Kwa mfano, kifaa cha kupeperusha sabuni mikononi kisichoweza kugundua watu wenye ngozi nyeusi. [Marejeleo](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773)
- **Kudharau**. Kukosoa kwa njia isiyo haki na kutilia sifa kitu au mtu. Kwa mfano, teknolojia ya kutambulisha picha ilitambulisha picha za watu wenye ngozi nyeusi kama gorila kwa ujinga.
- **Uwawakilishi kupita kiasi au wa chini**. Wazo ni kwamba kundi fulani halioniwi katika taaluma fulani, na huduma au kazi yoyote inayohamasisha hilo inachangia madhara.
- **Kuweka dhana potofu**. Kuunganisha kundi fulani na sifa zilizotengwa awali. Kwa mfano, mfumo wa kutafsiri lugha kati ya Kiingereza na Kituruki unaweza kuwa na makosa kutokana na maneno yenye muunganiko wa kijinsia.
Wakati wa kubuni na kujaribu mifumo ya AI, tunahitaji kuhakikisha kwamba AI ni ya haki na haijapangwa kufanya maamuzi ya upendeleo au ubaguzi, ambayo watu pia wanakamatwa kutofanya. Kuhakikisha usawa katika AI na machine learning bado ni changamoto tata ya kijamii na kiteknolojia.
Wakati wa kubuni na kujaribu mifumo ya AI, tunahitaji kuhakikisha kwamba AI ni ya haki na haipangi na kufanya maamuzi yenye ubaguzi au upendeleo, jambo ambalo binadamu pia wamefungwa kufanya. Kuhakikisha usawa katika AI na kujifunza kwa mashine ni changamoto ngumu za kijamii na kiteknolojia.
### Uaminifu na usalama
Ili kujenga imani, mifumo ya AI inahitaji kuwa ya kuaminika, salama, na thabiti chini ya hali za kawaida na zisizotarajiwa. Ni muhimu kujua jinsi mifumo ya AI itakavyoitikia katika hali tofauti, hasa wanapokuwa wa kipekee. Wakati wa kujenga suluhisho za AI, kuna haja ya kuelekeza sana jinsi ya kushughulikia hali mbalimbali ambazo suluhisho za AI zitakutana nazo. Kwa mfano, gari linalojiendesha lenyewe linahitaji kuweka usalama wa watu kipaumbele cha juu. Kwa hivyo, AI inayoendesha gari hilo inahitaji kuzingatia hali zote zinazowezekana kama usiku, radi au mvua kali, watoto wakikimbia barabarani, wanyama wa kipenzi, ujenzi wa barabara n.k. Jinsi mfumo wa AI unavyoweza kushughulikia hali mbalimbali kwa uaminifu na usalama unaonesha kiwango cha matarajio ambayo mwanasayansi wa data au mtaalamu wa AI alichukulia wakati wa kubuni au kujaribu mfumo.
Ili kujenga imani, mifumo ya AI inapaswa kuwa ya kuaminika, salama, na thabiti chini ya hali za kawaida na zisizotarajiwa. Ni muhimu kujua jinsi mifumo ya AI itakavyo jibu katika hali tofauti, hasa zile zisizo za kawaida. Wakati wa kujenga suluhisho za AI, inahitaji kuwepo na umakini mkubwa juu ya jinsi ya kushughulikia hali mbalimbali ambazo suluhisho la AI litakutana nazo. Kwa mfano, gari kinayotumia AI kinapaswa kuweka usalama wa watu kipaumbele cha juu. Katika matokeo, AI inayopatia gari hilo nguvu inapaswa kuzingatia hali zote zinazowezekana kama vile usiku, radi, mvua kubwa, watoto wakikimbia barabarani, wanyama wa kufugwa, ujenzi wa barabara n.k. Jinsi mfumo wa AI unavyoweza kushughulikia hali mbalimbali kwa uaminifu na usalama inaonyesha kiwango cha matarajio aliyochukulikiwa na mtaalamu wa data au mtaalamu wa AI wakati wa kubuni au kujaribu mfumo.
> [🎥 Bonyeza hapa kwa video: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
> [🎥 Bonyeza hapa kwa video: Uaminifu na usalama katika AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl)
### Ushirikiano
### Ushiriki jumuishi
Mifumo ya AI inapaswa kubuniwa kuwashirikisha na kuwawezesha wote. Wakati wa kubuni na kutekeleza mifumo ya AI, wanasayansi wa data na watengenezaji wa AI hutambua na kushughulikia vizingiti vinavyoweza kutojumuisha watu bila kusudi. Kwa mfano, kuna watu bilioni 1 wenye ulemavu duniani kote. Pamoja na maendeleo ya AI, wanaweza kupata taarifa na fursa mbalimbali kwa urahisi zaidi katika maisha yao ya kila siku. Kwa kushughulikia vizingiti hivi, kunaunda fursa za kubuni na kuendeleza bidhaa za AI zenye uzoefu bora zinazowafaidia wote.
Mifumo ya AI inapaswa kubuniwa kuwahusisha na kuwawezesha kila mtu. Wakati wa kubuni na kutekeleza mifumo ya AI, wataalamu wa data na waendelezaji wa AI hutambua na kushughulikia vizingiti vinavyoweza kuondoa watu kwa makusudi. Kwa mfano, kuna watu bilioni 1 wenye ulemavu duniani kote. Kwa maendeleo ya AI, wanaweza kupata taarifa na fursa mbalimbali kwa urahisi zaidi katika maisha yao ya kila siku. Kwa kushughulikia vizingiti, inaunda fursa za kuleta ubunifu na kuendeleza bidhaa za AI zenye uzoefu bora unaowanufaisha kila mtu.
> [🎥 Bonyeza hapa kwa video: ushirikishaji katika AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
> [🎥 Bonyeza hapa kwa video: Ushiriki jumuishi katika AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v)
### Usalama na faragha
### Usalama na faragha
Mifumo ya AI inapaswa kuwa salama na kuheshimu faragha ya watu. Watu hawana imani na mifumo inayoweka faragha yao, taarifa au maisha hatarini. Wakati wa kufundisha modeli za machine learning, tunategemea data kutoa matokeo bora. Kwa kufanya hivyo, asili ya data na uadilifu lazima uzingatiwe. Kwa mfano, je data ilitolewa na mtumiaji au ilikuwa inapatikana hadharani? Kisha, wakati wa kutumia data, ni muhimu kuendeleza mifumo ya AI inayoweza kulinda taarifa za siri na kuhimili mashambulio. Kadiri AI inavyozidi kutumika, kulinda faragha na kuhakikisha usalama wa taarifa muhimu za watu na biashara kunakuwa muhimu zaidi na changamoto kubwa. Masuala ya faragha na usalama wa data yanahitaji umakini wa karibu kwa AI kwa sababu upatikanaji wa data ni muhimu kwa mifumo ya AI kutoa utabiri sahihi na maamuzi ya taarifa kuhusu watu.
Mifumo ya AI inapaswa kuwa salama na kuheshimu faragha ya watu. Watu wana imani kidogo na mifumo inayoweka faragha yao, taarifa, au maisha yao hatarini. Wakati wa kufundisha modeli za kujifunza kwa mashine, tunategemea data kutoa matokeo bora zaidi. Katika kufanya hivyo, chanzo cha data na uadilifu lazima kuchukuliwe. Kwa mfano, data ilikuwa imetumwa na mtumiaji au inapatikana kwa umma? Kisha, wakati wa kufanya kazi na data, ni muhimu kuendeleza mifumo ya AI inayoweza kulinda taarifa za siri na kustahimili mashambulizi. AI inapokuwa maarufu zaidi, kulinda faragha na usalama wa taarifa muhimu za kibinafsi na biashara kunakuwa jambo muhimu na tata zaidi. Masuala ya faragha na usalama wa data yanahitaji umakini mkubwa hasa kwa AI kwa sababu upatikanaji wa data ni muhimu kwa mifumo ya AI kufanya utabiri na maamuzi sahihi na yenye taarifa kuhusu watu.
> [🎥 Bonyeza hapa kwa video: usalama katika AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Bonyeza hapa kwa video: Usalama katika AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Kama sekta tumefanya maendeleo makubwa katika Faragha na usalama, hasa kwa sheria kama GDPR (Regulation ya Ulinzi wa Data za Kawaida).
- Hata hivyo, kwa mifumo ya AI lazima tukiri mvutano kati ya hitaji la data binafsi zaidi kufanya mifumo kuwa za kibinafsi na zenye ufanisi – na faragha.
- Kama ilivyokuwa wakati wa kuzuka kwa kompyuta zilizo na mtandao, tunashuhudia ongezeko kubwa la masuala ya usalama yanayohusiana na AI.
- Wakati huo huo, tumeona AI ikitumiwa kuboresha usalama. Kwa mfano, wengi wa skana za kisasa za virusi vinaendeshwa na heuristics za AI leo.
- Tunahitaji kuhakikisha kuwa michakato yetu ya Sayansi ya Data inaendana vyema na mbinu mpya za faragha na usalama.
- Kama sekta tumeendelea sana katika Faragha & usalama, imechochewa sana na kanuni kama GDPR (Kanuni ya Ulinzi wa Data kwa Jumla).
- Hata hivyo kwa mifumo ya AI lazima tukiri mvutano kati ya hitaji la data za kibinafsi zaidi kufanya mifumo kuwa ya kibinafsi na yenye ufanisi – na faragha.
- Kama ilivyokuwa kwa kuzaliwa kwa kompyuta zilizounganishwa na intaneti, tunashuhudia pia ongezeko kubwa la masuala ya usalama yanayohusiana na AI.
- Wakati huo huo, tumeona AI ikitumika kuboresha usalama. Kwa mfano, scanna nyingi za kisasa za antivirus zinatumia heuristics za AI leo.
- Tunahitaji kuhakikisha kuwa michakato yetu ya Sayansi ya Data inaendana vizuri na mbinu za hivi karibuni za faragha na usalama.
### Uwazi
Mifumo ya AI inapaswa kueleweka. Sehemu muhimu ya uwazi ni kueleza tabia za mifumo ya AI na viunganishi vyake. Kuboresha uelewa wa mifumo ya AI kunahitaji wadau kuelewa jinsi na kwa nini inafanya kazi ili waweze kubaini matatizo ya utendaji, masuala ya usalama na faragha, upendeleo, mbinu za kuwatenga, au matokeo yasiyotakikana. Pia tunaamini kwamba wale wanaotumia mifumo ya AI wanapaswa kuwa waaminifu na waeleze wazi wakati, kwa nini, na jinsi wanavyotaka kuitumia. Kama vile vikwazo vya mifumo wanazotumia. Kwa mfano, ikiwa benki inatumia mfumo wa AI kusaidia maamuzi ya mikopo kwa wateja, ni muhimu kuchunguza matokeo na kuelewa data gani inayoathiri mapendekezo ya mfumo. Serikali zinaanza kuweka sheria za AI katika sekta mbalimbali, hivyo wanasayansi wa data na taasisi wanapaswa kueleza kama mfumo wa AI unakidhi masharti ya kisheria, hasa wakati kuna matokeo mabaya.
### Uwajibikaji
Mifumo ya AI inapaswa kueleweka. Sehemu muhimu ya uwazi ni kueleza tabia za mifumo ya AI na vipengele vyake. Kuboresha uelewa wa mifumo ya AI kunahitaji wadau kuelewa jinsi na kwa nini mifumo inafanya kazi ili waweze kubaini masuala ya utendaji, usalama, na faragha, upendeleo, mazoea ya kuwatenga wengine, au matokeo yasiyotakikana. Pia tunaamini wale wanaotumia mifumo ya AI wanapaswa kuwa waaminifu na wa wazi kuhusu wakati, kwanini, na jinsi wanavyosumbua au kutumia mifumo hiyo. Pamoja na vizuizi vya mifumo wanazotumia. Kwa mfano, ikiwa benki inatumia mfumo wa AI kusaidia maamuzi ya mikopo kwa wateja, ni muhimu kuchunguza matokeo na kuelewa ni data gani inaathiri mapendekezo ya mfumo. Serikali zinaanza kuweka kanuni kwa AI katika sekta mbalimbali, kwa hivyo wataalamu wa data na mashirika lazima waeleze kama mfumo wa AI unakidhi mahitaji ya kisheria, hasa wakati kuna matokeo mabaya.
> [🎥 Bonyeza hapa kwa video: uwazi katika AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
> [🎥 Bonyeza hapa kwa video: Uwazi katika AI](https://www.microsoft.com/videoplayer/embed/RE4voJF)
- Kwa sababu mifumo ya AI ni ngumu sana, ni vigumu kuelewa jinsi inavyofanya kazi na kutafsiri matokeo.
- Ukosefu huu wa uelewa huathiri jinsi mifumo hii inavyosimamiwa, kuendeshwa, na kuandikwa.
- Ukosefu huu wa uelewa hasa huathiri maamuzi yanayofanywa kwa kutumia matokeo yanayotolewa na mifumo hii.
- Kwa sababu mifumo ya AI ni ngumu mno, ni vigumu kuelewa jinsi inavyofanya kazi na kutafsiri matokeo.
- Ukosefu huu wa uelewa huathiri jinsi mifumo hii inavyosimamiwa, kuendeshwa, na kuripotiwa.
- Ukosefu huu wa uelewa muhimu zaidi huathiri maamuzi yanayofanywa kwa kutumia matokeo ambayo mifumo hii hutoa.
### Uwajibikaji
Watu wanaobuni na kuanzisha mifumo ya AI lazima wawe na uwajibikaji kwa jinsi mifumo yao inavyofanya kazi. Hitaji la uwajibikaji ni muhimu hasa kwa teknolojia nyeti kama utambuzi wa uso. Hivi karibuni, kumekuwa na ongezeko la mahitaji ya teknolojia ya utambuzi wa uso, hasa kutoka kwa mashirika ya utekelezaji wa sheria yanayoona uwezo wa teknolojia hiyo katika matumizi kama vile kutafuta watoto waliopotea. Hata hivyo, teknolojia hizi zinaweza kutumiwa na serikali kuweka hatarini uhuru wa msingi wa raia kwa mfano, kwa kuruhusu ufuatiliaji wa watu binafsi kwa muda mrefu. Hivyo, wanasayansi wa data na taasisi wanahitaji kuwajibika kwa jinsi mfumo wao wa AI unavyoathiri watu binafsi au jamii.
Watu wanaobuni na kuanzisha mifumo ya AI wanapaswa kuwajibika kwa jinsi mifumo yao inavyofanya kazi. Hitaji la uwajibikaji ni muhimu hasa kwa teknolojia zinazohusiana na matumizi nyeti kama utambuzi wa uso. Hivi karibuni, kumekuwa na mahitaji yanayoongezeka kwa teknolojia ya utambuzi wa uso, hasa kutoka kwa mashirika ya ulinzi wa sheria wanaoona uwezo wa teknolojia hiyo katika matumizi kama vile kutafuta watoto waliopotea. Hata hivyo, teknolojia hizi zinaweza kutumiwa na serikali kuweka hatarini uhuru wa msingi wa raia wao kwa mfano kwa kuwezesha uangalizi endelevu wa watu fulani. Hivyo, wataalamu wa data na mashirika wanapaswa kuwajibika kwa jinsi mfumo wao wa AI unavyoathiri watu binafsi au jamii.
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Njia ya Microsoft kuelekea AI yenye Uwajibikaji")
> 🎥 Bonyeza picha hapo juu kwa video: Onyo Kuhusu Ufuatiliaji Mkubwa Kupitia Utambuzi wa Uso
> 🎥 Bonyeza picha hapo juu kwa video: Onyo la Uangalizi Mkubwa Kupitia Utambuzi wa Uso
Mwisho, moja ya maswali makubwa kwa kizazi chetu, kama kizazi cha kwanza kinachowaleta AI kwa jamii, ni jinsi ya kuhakikisha kuwa kompyuta zitabaki kuwa na uwajibikaji kwa watu na jinsi ya kuhakikisha watu wanaobuni kompyuta wataendelea kuwa na uwajibikaji kwa kila mtu mwingine.
Hatimaye moja ya maswali makubwa kwa kizazi chetu, kama kizazi cha kwanza kinachowasilisha AI kwa jamii, ni jinsi ya kuhakikisha kompyuta zitabaki kuwajibika kwa watu na jinsi ya kuhakikisha watu wanaobuni kompyuta watabaki kuwajibika kwa kila mtu mwingine.
## Tathmini ya athari
## Tathmini ya athari
Kabla ya kufundisha modeli ya machine learning, ni muhimu kufanya tathmini ya athari ili kuelewa madhumuni ya mfumo wa AI; matumizi yaliyokusudiwa; mahali utakapowekwa; na nani atakayeshirikiana na mfumo. Hizi ni msaada kwa mkaguzi au mtathmini wa mfumo kujua mambo ya kuzingatia wakati wa kubaini hatari zinazowezekana na matokeo yanayotarajiwa.
Kabla ya kufundisha mfano wa kujifunza kwa mashine, ni muhimu kufanya tathmini ya athari ili kuelewa madhumuni ya mfumo wa AI; matumizi yanayokusudiwa; wapi utatumika; na nani atakayegusa na mfumo. Hizi ni muhimu kwa mkaguzi au mtendaji wa mitihani kuamua sababu za kuzingatia wakati wa kubaini hatari na matokeo yanayotarajiwa.
Hapa kuna maeneo ya kuzingatia wakati wa kufanya tathmini ya athari:
Hapa chini ni maeneo ya kuzingatia wakati wa kufanya tathmini ya athari:
* **Athari mbaya kwa watu binafsi**. Kuwa na ufahamu wa vikwazo au mahitaji, matumizi yasiyoidhinishwa au vikwazo vinavyoathiri utendaji wa mfumo ni muhimu kuhakikisha mfumo hautumiki kwa njia inayoweza kuua watu binafsi.
* **Mahitaji ya data**. Kupata uelewa wa jinsi na wapi mfumo utatumia data husaidia wakaguzi kuchunguza mahitaji yoyote ya data ambayo unapaswa kuzingatia (mfano, kanuni za GDPR au HIPAA). Zaidi ya hayo, angalia kama chanzo au kiasi cha data ni cha kutosha kwa mafunzo.
* **Muhtasari wa athari**. Kusanya orodha ya madhara yanayoweza kutokea kutokana na matumizi ya mfumo. Katika mzunguko wa ML, rudi kuona kama masuala yaliyobainishwa yamepunguzwa au kushughulikiwa.
* **Malengo yanayohusika** kwa kila kanuni kuu sita. Tathmini kama malengo ya kila kanuni yametimizwa na kama kuna mapengo.
* **Madhara mabaya kwa watu binafsi**. Kuwajua vikwazo vyovyote au mahitaji, matumizi yasiyo supported au vizingiti vinavyojulikana vinavyokwamisha utendaji wa mfumo ni muhimu kuhakikisha mfumo hautumiwi kwa njia inayoweza kuathiri watu binafsi.
* **Mahitaji ya data**. Kupata uelewa wa jinsi na wapi mfumo utakavyotumia data kunawasaidia wakaguzi kuchunguza mahitaji yoyote ya data yanayopaswa kuzingatiwa (mfano GDPR au kanuni za HIPAA). Zaidi, angalia kama chanzo au kiasi cha data ni cha kutosha kwa ajili ya kufundisha.
* **Muhtasari wa athari**. Kusanya orodha ya madhara yanayoweza kutokea kutokana na kutumia mfumo. Kwenye mzunguko wa maisha wa ML, angalia kama masuala yaliyoainishwa yamepunguzwa au kushughulikiwa.
* **Malengo yanayohusika** kwa kila kanuni kuu sita. Tathmini kama malengo ya kila kanuni yamekamilika na kama kuna mapungufu yoyote.
## Kutengeneza makosa na AI yenye uwajibikaji
## Kurekebisha tatizo kwa AI yenye Uwajibikaji
Kama vile kutengeneza makosa katika programu ya kompyuta, kutengeneza makosa katika mfumo wa AI ni mchakato unaohitajika wa kubaini na kutatua matatizo katika mfumo. Kuna sababu nyingi zinazoweza kufanya modeli isifanye kazi kama inavyotarajiwa au kwa uwajibikaji. Viwango vya utendaji vya modeli vya kawaida ni jumla za kiasi cha utendaji wa modeli, ambazo hazitoshi kuchambua jinsi modeli inavyoenda kinyume na kanuni za AI yenye uwajibikaji. Zaidi ya hayo, modeli ya machine learning ni boksi jeusi ambalo linafanya iwe vigumu kuelewa kinachosababisha matokeo yake au kutoa maelezo anapokosea. Baadaye katika kozi hii, tutaelewa jinsi ya kutumia dashibodi ya AI yenye Uwajibikaji kusaidia kutengeneza makosa katika mifumo ya AI. Dashibodi hutoa zana ya jumla kwa wanasayansi wa data na watengenezaji wa AI kufanya:
Kama vile kurekebisha programu za kompyuta, kurekebisha mfumo wa AI ni mchakato muhimu wa kubaini na kutatua matatizo kwenye mfumo. Kuna sababu nyingi zinazoathiri mfano usifanya kazi kama inavyotarajiwa au kwa uwajibikaji. Kipimo cha utendaji cha kawaida cha modeli ni jumla ya utendaji wa modeli, ambayo haitoshi kuchambua jinsi mfano unavyokiuka kanuni za AI yenye uwajibikaji. Zaidi ya hayo, mfano wa kujifunza kwa mashine ni kisanduku giza kinachofanya iwe vigumu kuelewa kinachosababisha matokeo yake au kutoa maelezo wakati unafanya kosa. Baadaye katika kozi hii, tuta jifunza jinsi ya kutumia dashibodi ya AI yenye Uwajibikaji kusaidia katika kurekebisha mifumo ya AI. Dashibodi hutoa zana kamili kwa wataalamu wa data na waendelezaji wa AI kufanya:
* **Uchambuzi wa makosa**. Kubaini mgawanyiko wa makosa wa modeli ambao unaweza kuathiri usawa au uaminifu wa mfumo.
* **Muhtasari wa modeli**. Kugundua ambapo kuna tofauti katika utendaji wa modeli kati ya makundi ya data.
* **Uchambuzi wa data**. Kuelewa mgawanyiko wa data na kubaini upendeleo wowote unaoweza kusababisha matatizo ya usawa, ushirikishaji, na uaminifu.
* **Ufafanuzi wa modeli**. Kuelewa kinacho athiri au kuathiri utabiri wa modeli. Hii husaidia kueleza tabia ya modeli, ambayo ni muhimu kwa uwazi na uwajibikaji.
* **Uchambuzi wa makosa**. Kubaini usambazaji wa makosa ya mfano ambayo inaweza kuathiri usawa au uaminifu wa mfumo.
* **Muhtasari wa mfano**. Kugundua wapi kuna tofauti katika utendaji wa mfano kati ya makundi ya data.
* **Uchambuzi wa data**. Kuelewa usambazaji wa data na kubaini upendeleo wowote unaoweza kusababisha masuala ya usawa, ushiriki jumuishi, na uaminifu.
* **Ufahamu wa mfano**. Kuelewa kinachoathiri au kuathiri utabiri wa mfano. Hii husaidia katika kueleza tabia ya mfano, jambo muhimu kwa uwazi na uwajibikaji.
## 🚀 Changamoto
## 🚀 Changamoto
Ili kuzuia madhara kutokea, tunapaswa:
Ili kuzuia madhara kutokea tangu mwanzo, tunapaswa:
- kuwa na utofauti wa asili na mitazamo miongoni mwa watu wanaofanya kazi kwenye mifumo
- kuwekeza katika seti za data zinazowakilisha utofauti wa jamii yetu
- kuendeleza mbinu bora katika mzunguko wa machine learning za kugundua na kurekebisha AI yenye uwajibikaji inapojitokeza
- kuwa na utofauti wa asili na mitazamo kati ya watu wanaofanya kazi kwenye mifumo
- kuwekeza katika seti za data zinazoakisi utofauti wa jamii yetu
- kuendeleza mbinu bora katika mzunguko wa maisha ya kujifunza kwa mashine kugundua na kurekebisha AI isiyo ya uwajibikaji inapojitokeza
Fikiria hali halisi ambapo kutokuwa na uaminifu kwa modeli kunadhihirika katika ujenzi na matumizi ya modeli. Ni nini kingine tunapaswa kuzingatia?
Fikiria hali halisi ambapo kutokuwa na uaminifu kwa mfano kunaonekana wazi katika ujenzi wa mfano na matumizi. Nini kingine tunapaswa kuzingatia?
## [Mtihani baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
## [Mtihani wa baada ya mihadhara](https://ff-quizzes.netlify.app/en/ml/)
## Mapitio & Kujifunza binafsi
## Mapitio & Kujifunza binafsi
Katika somo hili, umejifunza baadhi ya mambo ya msingi kuhusu dhana za haki na kutohaki katika kujifunza kwa mashine.
Katika somo hili, umejifunza baadhi ya misingi ya dhana za usawa na kutokuwa na usawa katika kujifunza kwa mashine.
Tazama warsha hii ili kuzama zaidi kwenye mada:
Tazama warsha hii ili kutaftia kwa undani zaidi mada hizi:
- Katika kujitahidi kwa AI yenye uwajibikaji: Kuleta kanuni katika vitendo na Besmira Nushi, Mehrnoosh Sameki na Amit Sharma
- Katika kuendeleza AI yenye Uwajibikaji: Kuleta kanuni kwenye mazoezi na Besmira Nushi, Mehrnoosh Sameki na Amit Sharma
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "Sanduku la Zana la RAI: Mwongozo wa chanzo huru wa kujenga AI yenye uwajibikaji")
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "Sanduku la Zana za RAI: Mfumo wa chanzo wazi wa kujenga AI zilizo na uwajibikaji")
> 🎥 Bonyeza picha hapo juu kwa video: Sanduku la Zana la RAI: Mwongozo wa chanzo huru wa kujenga AI yenye uwajibikaji na Besmira Nushi, Mehrnoosh Sameki, na Amit Sharma
> 🎥 Bonyeza picha hapo juu kwa video: Sanduku la Zana za RAI: Mfumo wa chanzo wazi wa kujenga AI zilizo na uwajibikaji na Besmira Nushi, Mehrnoosh Sameki, na Amit Sharma
Pia, soma:
- Kituo cha rasilimali cha RAI cha Microsoft: [Rasilimali za AI Yenye Uwajibikaji– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Kituo cha rasilimali cha RAI cha Microsoft: [Rasilimali za AI Zilizohakikisha– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- Kundi la utafiti la FATE la Microsoft: [FATE: Haki, Uwajibikaji, Uwazi, na Maadili katika AI - Utafiti wa Microsoft](https://www.microsoft.com/research/theme/fate/)
- Kikundi cha utafiti cha FATE cha Microsoft: [FATE: Haki, Uwajibikaji, Uw透明bazaji, na Maadili katika AI - Utafiti wa Microsoft](https://www.microsoft.com/research/theme/fate/)
Sanduku la Zana la RAI:
Sanduku la Zana za RAI:
- [Hifadhidata ya GitHub ya Sanduku la Zana la AI Yenye Uwajibikaji](https://github.com/microsoft/responsible-ai-toolbox)
- [Hifadhi ya GitHub ya Sanduku la Zana za AI Zilizohakikisha](https://github.com/microsoft/responsible-ai-toolbox)
Soma kuhusu zana za Azure Machine Learning kuhakikisha haki:
# Anza na Python na Scikit-learn kwa mifano ya urekebishaji
# Anza na Python na Scikit-learn kwa mifano ya regression
> Sketchnote na [Tomomi Imura](https://www.twitter.com/girlie_mac)
## [Mtihani wa kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
## [Mtihani kabla ya mihadhara](https://ff-quizzes.netlify.app/en/ml/)
> ### [Somo hili linapatikana kwa R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
> ### [Somu hii inapatikana kwa R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html)
## Utangulizi
Katika masomo manne haya, utagundua jinsi ya kujenga mifano ya urekebishaji. Tutajadili kwa nini hizi ni muhimu hivi karibuni. Lakini kabla hujafanya kitu chochote, hakikisha una vifaa sahihi tayari kuanza mchakato!
Katika mihadhara hii minne, utagundua jinsi ya kujenga mifano ya regression. Tutajadili kwa ajili ya nini hivi karibuni. Lakini kabla hujafanya chochote, hakikisha una zana sahihi tayari kuanza mchakato!
Katika somo hili, utajifunza jinsi ya:
Katika somu hii, utajifunza jinsi ya:
- Kusanidi kompyuta yako kwa kazi za kujifunza kwa mashine za ndani.
- Kufanya kazi na Jupyter Notebooks.
- Kutumia Scikit-learn, ikijumuisha usakinishaji.
- Kuchunguza urekebishaji wa mstari kwa zoezi la vitendo.
- Kutumia Scikit-learn, ikiwa ni pamoja na usakinishaji.
- Kuchunguza regression ya mstari kwa mazoezi ya vitendo.
## Usakinishaji na usanidi
[](https://youtu.be/-DfeD2k2Kj0 "ML kwa wanaoanzisha -Weka vifaa vyako tayari kujenga modeli za Kujifunza kwa Mashine")
[](https://youtu.be/-DfeD2k2Kj0 "ML kwa waanzilishi - Andaa zana zako tayari kujenga Mifano ya Kujifunza kwa Mashine")
> 🎥 Bonyeza picha hapo juu kwa video fupi inayofundisha jinsi ya kusanidi kompyuta yako kwa ML.
> 🎥 Bonyeza picha hapo juu kwa video fupi inayoelezea jinsi ya kusanidi kompyuta yako kwa ML.
1. **Sakinisha Python**. Hakikisha kwamba [Python](https://www.python.org/downloads/) imewekwa kwenye kompyuta yako. Utaweza kutumia Python kwa kazi nyingi za sayansi ya data na kujifunza kwa mashine. Mifumo mingi ya kompyuta tayari ina usakinishaji wa Python. Pia kuna [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) muhimu zinazopatikana kusaidia baadhi ya watumiaji kwa urahisi wa usanidi.
1. **Sakinisha Python**. Hakikisha kuwa [Python](https://www.python.org/downloads/) imesakinishwa kwenye kompyuta yako. Utatumia Python kwa kazi nyingi za sayansi ya data na kujifunza kwa mashine. Mifumo mingi ya kompyuta tayari ina usakinishaji wa Python. Kuna [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) muhimu pia, kusaidia kwa urahisi wa usanidi kwa baadhi ya watumiaji.
Matumizi kadhaa ya Python, hata hivyo, yanahitaji toleo moja la programu, wakati mengine yanahitaji toleo tofauti. Kwa sababu hii, ni muhimu kufanya kazi ndani ya [mazingira ya virtual](https://docs.python.org/3/library/venv.html).
Baadhi ya matumizi ya Python, hata hivyo, yanahitaji toleo moja la programu, wakati mengine yanahitaji toleo tofauti. Kwa sababu hiyo, ni muhimu kufanya kazi ndani ya [mazingira pepe](https://docs.python.org/3/library/venv.html).
2. **Sakinisha Visual Studio Code**. Hakikisha una Visual Studio Code imewekwa kwenye kompyuta yako. Fuata maelekezo haya ya [kusakinisha Visual Studio Code](https://code.visualstudio.com/) kwa usakinishaji wa msingi. Utatumia Python katika Visual Studio Code katika kozi hii, hivyo huenda utataka kujifunza jinsi ya [kusanidi Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) kwa maendeleo ya Python.
2. **Sakinisha Visual Studio Code**. Hakikisha unayo Visual Studio Code imesakinishwa kwenye kompyuta yako. Fuata maelekezo haya ya [kusakinisha Visual Studio Code](https://code.visualstudio.com/) kwa usakinishaji wa msingi. Utatumia Python ndani ya Visual Studio Code katika kozi hii, kwa hivyo unaweza kutaka kujifunza jinsi ya [kusanidi Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) kwa maendeleo ya Python.
> Jifunze vizuri Python kwa kufanya kazi kupitia mkusanyiko wa [moduli za Kujifunza](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
> Jifunze stadi za Python kwa kufanya kupitia mkusanyiko huu wa [Moduli za Kujifunza](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott)
>
> [](https://youtu.be/yyQM70vi7V8 "Weka Python na Visual Studio Code")
> [](https://youtu.be/yyQM70vi7V8 "Sanidi Python na Visual Studio Code")
>
> 🎥 Bonyeza picha hapo juu kwa video: kutumia Python ndani ya VS Code.
3. **Sakinisha Scikit-learn**, kwa kufuata [maelekezo haya](https://scikit-learn.org/stable/install.html). Kwa sababu unahitaji kuhakikisha unatumia Python 3, inashauriwa kutumia mazingira ya virtual. Kumbuka, kama unasakinisha maktaba hii kwenye M1 Mac, kuna maelekezo maalum kwenye ukurasa uliounganishwa hapo juu.
3. **Sakinisha Scikit-learn**, kwa kufuata [maelekezo haya](https://scikit-learn.org/stable/install.html). Kwa kuwa unataka kuhakikisha unatumia Python 3, inashauriwa kutumia mazingira pepe. Kumbuka, ikiwa unasakinisha maktaba hii kwenye Mac ya M1, kuna maelekezo maalum kwenye ukurasa ulioainishwa hapo juu.
1. **Sakinisha Jupyter Notebook**. Utahitaji [kusakinisha kifurushi cha Jupyter](https://pypi.org/project/jupyter/).
## Mazingira yako ya kuandika ML
## Mazingira yako ya uandishi wa ML
Utatumia **notebooks** kuendeleza msimbo wako wa Python na kuunda mifano ya kujifunza kwa mashine. Aina hii ya faili ni chombo cha kawaida kwa wanasayansi wa data, na zinaweza kutambuliwa kwa kiambishi kibadilisha`.ipynb`.
Utatumia **notebooks** kuendeleza msimbo wako wa Python na kuunda mifano ya kujifunza kwa mashine. Aina hii ya faili ni zana ya kawaida kwa wanasayansi wa data, na inaweza kutambuliwa kwa kiambishi au kiplugini chake`.ipynb`.
Notebooks ni mazingira ya mwingiliano yanayomruhusu mendelezaji kufanya msimbo na kuongeza maelezo na kuandika nyaraka kuhusu msimbo ambayo ni msaada mkubwa kwa miradi ya majaribio au utafiti.
Notebooks ni mazingira ya maingiliano yanayomruhusu mtengenezaji wa programu kuandika msimbo pamoja na kuongeza maelezo na kuandika nyaraka kuhusiana na msimbo, jambo ambalo ni msaada kwa miradi ya majaribio au ya utafiti.
[](https://youtu.be/7E-jC8FLA2E "ML kwa wanaoanzisha - Weka Jupyter Notebooks kuanza kujenga mifano ya urekebishaji")
[](https://youtu.be/7E-jC8FLA2E "ML kwa waanzilishi - Sanidi Jupyter Notebooks kuanza kujenga mifano ya regression")
> 🎥 Bonyeza picha hapo juu kwa video fupi inayofundisha zoezi hili.
> 🎥 Bonyeza picha hapo juu kwa video fupi inayoelezea mazoezi haya.
### Zoezi - fanya kazi na daftari
### Mazoezi - fanya kazi na notebook
Katika folda hii, utapata faili _notebook.ipynb_.
1. Fungua _notebook.ipynb_ katika Visual Studio Code.
Seva ya Jupyter itaanza na Python 3+ imeanzishwa. Utapata maeneo ya daftari inayoweza `kuwaendeshwa`, sehemu za msimbo. Unaweza kuendesha kipande cha msimbo, kwa kuchagua ikoni inayofanana na kitufe cha kucheza.
Seva ya Jupyter itaanza na Python 3+ imechaguliwa. Utaona maeneo katika notebook ambayo yanaweza `kukimbia`, vipande vya msimbo. Unaweza kuendesha blokki ya msimbo, kwa kuchagua ikoni inayofanana na kitufe cha kuendesha.
1. Chagua ikoni `md` na ongeza kidogo markdown, na maandishi yafuatayo **# Karibu kwenye daftari lako**.
1. Chagua ikoni ya `md` na ongeza kidogo cha markup, na maandishi yafuatayo **# Karibu kwenye notebook yako**.
Kisha, ongeza msimbo wa Python.
Baadaye, ongeza msimbo wa Python.
1. Andika **print('hello notebook')** katika kipande cha msimbo.
1. Andika **print('hello notebook')** katika blokki ya msimbo.
1. Chagua mshale kuendesha msimbo.
Utapaswa kuona tamko lililo chapishwa:
Unapaswa kuona taarifa iliyochapishwa:
```output
hello notebook
```
Unaweza kuingiza maelezo katika msimbo wako ili kujirekebisha wega kwenye daftari.
Unaweza kuingiza msimbo wako kwa maoni ili kujitayarisha nyaraka za notebook.
✅ Fikiria kwa muda mfupi jinsi mazingira ya kazi ya mtengenezaji wavuti yanavyotofautiana na ya mtaalamu wa sayansi ya data.
✅ Fikiria kwa dakika mmoja jinsi mazingira ya kazi ya mtaalamu wa wavuti yanavyotofautiana na yale ya mtaalamu wa sayansi ya data.
## Kuanzisha na kutumia Scikit-learn
## Anza kutumia Scikit-learn
Sasa Python imewekwa kwenye mazingira yako ya mkoa, na umezoea Jupyter Notebooks, hebu pia tujifunze vizuri Scikit-learn (taja kama`sci` kama katika `science`). Scikit-learn hutoa [API pana](https://scikit-learn.org/stable/modules/classes.html#api-ref) kusaidia kufanya kazi za ML.
Sasa Python imewekwa kwenye mazingira yako ya ndani, na umezoea Jupyter Notebooks, hebu tufurahie kwa usawa Scikit-learn (itisemwe`sci` kama katika `science`). Scikit-learn hutoa [API pana](https://scikit-learn.org/stable/modules/classes.html#api-ref) kusaidia kufanya kazi za ML.
Kulingana na [tovuti yao](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn ni maktaba ya chanzo huria ya kujifunza kwa mashine inayounga mkono kujifunza kwa usimamizi na usiokuwa na usimamizi. Pia hutumia zana mbalimbali za kufitisha modeli, usindikaji wa data, uchaguzi wa modeli na tathmini, na huduma nyingine nyingi."
Kulingana na [tovuti yao](https://scikit-learn.org/stable/getting_started.html), "Scikit-learn ni maktaba ya kujifunza kwa mashine iliyo wazi inayounga mkono kujifunza kwa usimamizi na bila usimamizi. Pia hutoa zana mbalimbali za kufitisha modeli, maandalizi ya data, kuchagua na kutathmini modeli, na huduma nyingine nyingi."
Katika kozi hii, utatumia Scikit-learn na zana nyingine kujenga mifano ya kujifunza kwa mashine kufanya kile tunachokiita 'kazi za jadi za kujifunza kwa mashine.' Tumewaepuka makusudi mitandao ya neva na ujifunzaji wa kina, kwani yanashughulikiwa vizuri zaidi katika mtaala wetu unaokuja wa 'AI kwa Wanaoanzisha.'
Katika kozi hii, utatumia Scikit-learn na zana nyingine kujenga mifano ya kujifunza kwa mashine kufanya kazi ambazo huitwa 'kazi za jadi za kujifunza kwa mashine'. Tumepuuza kwa makusudi mitandao ya neva na kujifunza kwa kina, kwani inashughulikiwa vizuri katika mtaala wetu unaokuja wa 'AI kwa Waanzilishi'.
Scikit-learn hufanya iwe rahisi kujenga mifano na kuipima kwa matumizi. Inazingatia hasa kutumia data ya nambari na ina seti kadhaa za data zilizotayarishwa tayari kwa zana za kujifunza. Pia inajumuisha mifano iliyojengwa tayari kwa wanafunzi kujaribu. Hebu tuchunguze mchakato wa kupakia data zilizoandaliwa na kutumia kipima kilichojengwa kwa mfano wa kwanza wa ML na Scikit-learn na data rahisi.
Scikit-learn hufanya iwe rahisi kujenga mifano na kuitathmini kwa matumizi. Inazingatia data ya nambari hasa na ina seti kadhaa za data tayari kwa matumizi kama zana za kujifunza. Pia ina mifano iliyojengwa tayari kwa wanafunzi kujaribu. Hebu tuchunguze mchakato wa kupakia data iliyopakiwa na kutumia makadirio yaliyojengwa kuunda mfano wako wa kwanza wa ML na Scikit-learn kwa data rahisi.
## Zoezi - daftari lako la kwanza la Scikit-learn
## Mazoezi - notebook yako ya kwanza ya Scikit-learn
> Mafunzo haya yamechukuliwa kutoka kwa [mfano wa urekebishaji wa mstari](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) kwenye tovuti ya Scikit-learn.
> Mafunzo haya yamechochewa na [mfano wa regression ya mstari](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) kwenye tovuti ya Scikit-learn.
[](https://youtu.be/2xkXL5EUpS0 "ML kwa wanaoanzisha - Mradi wako wa Kwanza wa Urekebishaji wa Mstari katika Python")
[](https://youtu.be/2xkXL5EUpS0 "ML kwa waanzilishi - Mradi wako wa Kwanza wa Linear Regression kwa Python")
> 🎥 Bonyeza picha hapo juu kwa video fupi inayofundisha zoezi hili.
> 🎥 Bonyeza picha hapo juu kwa video fupi inayoelezea mazoezi haya.
Katika faili la _notebook.ipynb_ linalohusiana na somo hili, safisha seli zote kwa kubonyeza ikoni ya 'mkaa taka'.
Katika faili la _notebook.ipynb_ lililohusiana na somu hii, futa seli zote kwa kubonyeza ikoni ya 'makopo ya takataka'.
Katika sehemu hii, utafanya kazi na seti ndogo ya data kuhusu kisukari ambayo imejengwa ndani ya Scikit-learn kwa madhumuni ya kujifunza. Fikiria kama ungetaka kujaribu tiba kwa wagonjwa wa kisukari. Mifano ya Kujifunza kwa Mashine inaweza kusaidia kuamua ni wagonjwa gani wangejibu vyema tiba hiyo, kwa msingi wa mchanganyiko wa vigezo. Hata mfano rahisi wa urekebishaji, ukionyeshwa picha, unaweza kuonyesha taarifa kuhusu vigezo ambavyo vitakusaidia kupanga majaribio ya nadharia ya kliniki.
Katika sehemu hii, utafanya kazi na dataset ndogo kuhusu ugonjwa wa kisukari uliyojengwa ndani ya Scikit-learn kwa madhumuni ya kujifunza. Fikiria ungependa kujaribu tiba kwa wagonjwa wa kisukari. Mifano ya Kujifunza kwa Mashine inaweza kusaidia kubainisha wagonjwa ambao wangeweza kuathirika vyema na tiba, kulingana na mchanganyiko wa vigezo. Hata mfano wa regression rahisi, ukiwa umeonyeshwa kwa kuona, unaweza kuonyesha habari kuhusu vigezo vitakavyosaidia kupanga majaribio yako ya kliniki.
✅ Kuna aina nyingi za mbinu za urekebishaji, na ipi utakayochagua inategemea jibu unalotafuta. Ikiwa unataka kutabiri urefu unaowezekana kwa mtu wa umri fulani, utatumia urekebishaji wa mstari, kwa sababu unatafuta **thamani ya nambari**. Ikiwa unavutiwa kugundua kama aina fulani ya chakula inapaswa kuzingatiwa kuwa vegan au la, unatafuta **ugawaji wa aina** kwa hivyo utatumia urekebishaji wa logistic. Utajifunza zaidi kuhusu urekebishaji wa logistic baadaye. Fikiria kidogo kuhusu maswali unayoweza kuuliza data, na ni mbinu gani kati ya hizi zingekuwa sahihi zaidi.
✅ Kuna aina nyingi za mbinu za regression, na ipi unachagua inategemea jibu unalotafuta. Ikiwa ungependa kutabiri urefu wa mtu fulani kwa umri fulani, utatumia regression ya mstari, kwa kuwa unatafuta **thamani ya nambari**. Ikiwa unavutiwa kugundua kama aina ya chakula inapaswa kuchukuliwa kama vegan au la, unatafuta **ugawaji wa kategoria** kwa hiyo utatumia logistic regression. Utajifunza zaidi kuhusu logistic regression baadaye. Fikiria kidogo kuhusu maswali unayoweza kuuliza data, na ni njia gani kati ya hizi ingekuwa bora zaidi.
Hebu tuanze kwenye kazi hii.
Hebu tuanze kazi hii.
### Ingiza maktaba
Kwa kazi hii tutatangaza baadhi ya maktaba:
Kwa kazi hii tutaunda maktaba kadhaa:
- **matplotlib**. Ni [chombo cha kuchora michoro](https://matplotlib.org/) kinachotumika kuunda mchoro wa mistari.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) ni maktaba muhimu kwa kushughulikia data ya nambari katika Python.
- **matplotlib**. Ni [zana ya kuchora grafu](https://matplotlib.org/) muhimu na tutaitumia kuunda mchoro wa mstari.
- **numpy**. [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) ni maktaba muhimu ya kushughulikia data za nambari katika Python.
- **sklearn**. Hii ni maktaba ya [Scikit-learn](https://scikit-learn.org/stable/user_guide.html).
Ingiza maktaba kusaidia kazi zako.
Ingiza maktaba ili kusaidia kazi zako.
1. Ongeza maingizo kwa kuandika msimbo ufuatao:
1. Ongeza ingizo kwa kuandika msimbo ufuatao:
```python
import matplotlib.pyplot as plt
@ -123,26 +123,26 @@ Ingiza maktaba kusaidia kazi zako.
from sklearn import datasets, linear_model, model_selection
```
Juu hapa unainua `matplotlib`, `numpy` na unainua `datasets`, `linear_model` na `model_selection` kutoka `sklearn`. `model_selection` hutumika kugawanya data katika makundi ya mafunzo na majaribio.
Juu unaunda ingizo la `matplotlib`, `numpy` na unaunda ingizo la `datasets`, `linear_model` na `model_selection` kutoka `sklearn`. `model_selection` hutumika kugawa data katika seti za mafunzo na za mtihani.
### Seti ya data ya kisukari
### Dataset ya ugonjwa wa kisukari
Seti ya data [ya kisukari](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) iliyojengwa ina sampuli 442 za data kuhusu kisukari, na vigezo 10, baadhi yao ni:
Dataset ya [ugonjwa wa kisukari iliyojengwa](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) ina sampuli 442 za data kuhusu kisukari, na vigezo 10 vya sifa, baadhi ni:
- umri: umri katika miaka
- umri: umri kwa miaka
- bmi: index ya uzito wa mwili
- bp: wastani wa shinikizo la damu
- s1 tc: T-Cells (aina ya seli nyeupe za damu)
- bp: shinikizo la damu wastani
- s1 tc: Seli T (aina ya seli nyeupe za damu)
✅ Seti hii ya data ina dhana ya 'jinsia' kama kigezo muhimu katika utafiti wa kisukari. Seti nyingi za data za matibabu zina aina hii ya mgawanyo wa binary. Fikiria kidogo jinsi malezo kama haya yanavyoweza kuondoa sehemu fulani za watu kutoka kwa matibabu.
✅ Dataset hii ina dhana ya ‘jinsia’ kama kigezo muhimu kwa utafiti kuhusu kisukari. Dataset nyingi za matibabu zina usahihishaji huu wa binary. Fikiria kidogo jinsi ugawaji kama huu unaweza kuondoa baadhi ya sehemu za watu kwenye matibabu.
Sasa, pakia data X na y.
Sasa, pakia data za X na y.
> 🎓 Kumbuka, hii ni kujifunza kwa usimamizi, na tunahitaji 'y' linaloitwa lengo.
> 🎓 Kumbuka, hii ni kujifunza kwa usimamizi, na tunahitaji lengo liitwalo 'y'.
Katika seli mpya ya msimbo, pakia seti ya data ya kisukari kwa kuitwa `load_diabetes()`. Kuingiza `return_X_y=True` kunaashiria kuwa `X` itakuwa matriki ya data, na `y` itakuwa lengo la urekebishaji.
Katika seli mpya ya msimbo, pakia dataset ya ugonjwa wa kisukari kwa kuita `load_diabetes()`. Ingizo la `return_X_y=True` linaonyesha kuwa `X` itakuwa matriisi ya data, na `y` itakuwa lengo la regression.
1. Ongeza baadhi ya amri za print ili kuonyesha umbo la matriki ya data na kipengele chake cha kwanza:
1. Ongeza amri za print kuonyesha umbo la matriisi ya data na kipengele chake cha kwanza:
```python
X, y = datasets.load_diabetes(return_X_y=True)
@ -150,9 +150,9 @@ Katika seli mpya ya msimbo, pakia seti ya data ya kisukari kwa kuitwa `load_diab
print(X[0])
```
Kile unachopata kama jibu ni tuple. Unachofanya ni kugawa vitu viwili vya kwanza vya tuple kwa `X` na `y` mtawalia. Jifunze zaidi [kuhusu tuple](https://wikipedia.org/wiki/Tuple).
Kile unachokipokea kama jibu, ni tuple. Unachofanya ni kugawia maadili mawili ya kwanza ya tuple kwa `X` na `y` kwa mtiririko. Jifunze zaidi [kuhusu tuples](https://wikipedia.org/wiki/Tuple).
Unaweza kuona kuwa data hii ina vitu 442 vilivyoumbwa katika safu za vitu 10:
Unaona data hii ina vitu 442 vilivyowekwa katika safu za vipengele 10:
```text
(442, 10)
@ -160,39 +160,39 @@ Katika seli mpya ya msimbo, pakia seti ya data ya kisukari kwa kuitwa `load_diab
-0.04340085 -0.00259226 0.01990842 -0.01764613]
```
✅ Fikiria kidogo kuhusu uhusiano kati ya data na lengo la urekebishaji. Urekebishaji wa mstari unasema mahusiano kati ya kipengele X na kigezo cha lengo y. Je, unaweza kupata [lengo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) la seti ya data ya kisukari katika nyaraka? Seti hii ya data inaonyesha nini ukizingatia lengo hilo?
✅ Fikiria kidogo kuhusu uhusiano kati ya data na lengo la regression. Linear regression hutabiri uhusiano kati ya kigezo X na kigezo lengo y. Je, unaweza kupata [lengo](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) la dataset ya ugonjwa wa kisukari katika nyaraka? Dataset hii inaonyesha nini, ikizingatia lengo hilo?
2. Ifuatayo, chagua sehemu ya seti hii ya data kwa kuchagua safu ya tatu ya dataset. Unaweza kufanya hivi kwa kutumia kiharusi cha `:` kuchagua mistari yote, kisha kuchagua safu ya 3 kutumia kiashiria (2). Pia unaweza kurekebisha data kuwa array ya 2D - kama inavyotakiwa kwa kuchora - kwa kutumia `reshape(n_rows, n_columns)`. Ikiwa parameta moja ni -1, kipimo kinacholingana kinakokotolewa kiotomatiki.
2. Kisha, chagua sehemu ya dataset hii kuchora kwa kuchagua safu ya 3 ya dataset. Unaweza kufanya hivi kwa kutumia mopereta `:` kuchagua safu zote, kisha kuchagua safu ya 3 kwa kutumia kiindiketa (2). Pia unaweza kuunda tena data kuwa array ya 2D - kama inavyohitajika kwa kuchora - kwa kutumia `reshape(n_rows, n_columns)`. Ikiwa moja ya vigezo ni -1, kipimo kinacholingana huhesabiwa kiotomatiki.
```python
X = X[:, 2]
X = X.reshape((-1,1))
```
✅ Wakati wowote, chapisha data ili kuangalia umbo lake.
✅ Wakati wowote, chapisha data kuona umbo lake.
3. Sasa una data tayari kuchorwa, unaweza kuona kama mashine inaweza kusaidia kuamua mgawanyiko wa maana kati ya nambari katika seti hii ya data. Kufanya hivyo, unahitaji kugawanya data zote (X) na lengo (y) katika seti za majaribio na mafunzo. Scikit-learn ina njia rahisi ya kufanya hili; unaweza kugawanya data zako za majaribio mahali fulani.
3. Sasa unayo data tayari kuchorwa, unaweza kuona kama mashine inaweza kusaidia kubainisha mgawanyiko wa mantiki kati ya nambari katika dataset hii. Kufanya hivi, unahitaji kugawanya data (X) na lengo (y) katika seti za mafunzo na mtihani. Scikit-learn ina njia rahisi ya kufanya hivi; unaweza kugawanya data zako za mtihani mahali fulani.
```python
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
```
4. Sasa uko tayari kufundisha mfano wako! Pakia mfano wa urekebishaji wa mstari na uufundishe kwa seti zako za mafunzo za X na y kwa kutumia `model.fit()`:
4. Sasa uko tayari kufundisha mfano wako! Pakia mfano wa regression ya mstari na ufundishe kwa seti zako za mafunzo za X na y kwa kutumia `model.fit()`:
```python
model = linear_model.LinearRegression()
model.fit(X_train, y_train)
```
✅ `model.fit()` ni kazi utakayoiwona katika maktaba nyingi za ML kama TensorFlow
✅ `model.fit()` ni kazi utakayokuta katika maktaba nyingi za ML kama TensorFlow
5. Kisha, tengeneza utabiri kwa kutumia data ya majaribio, kwa kutumia kazi`predict()`. Hii itatumika kuchora mstari kati ya makundi ya data
5. Kisha, tengeneza utabiri kwa kutumia data za mtihani, kwa kutumia kazi ya`predict()`. Hii itatumika kuchora mstari kati ya makundi ya data
```python
y_pred = model.predict(X_test)
```
6. Sasa ni wakati wa kuonyesha data kwenye mchoro. Matplotlib ni chombo muhimu sana kwa kazi hii. Tengeneza mchoro wa pointi zote za data za majaribio X na y, na tumia utabiri kuchora mstari mahali pazuri zaidi, kati ya makundi ya data ya mfano.
6. Sasa ni wakati wa kuonyesha data katika mchoro. Matplotlib ni zana muhimu sana kwa kazi hii. Unda mchoro wa alama za majaribio ya X na y zote, na tumia utabiri kuchora mstari mahali panapofaa zaidi, kati ya makundi ya data ya mfano.
```python
plt.scatter(X_test, y_test, color='black')
@ -203,28 +203,27 @@ Katika seli mpya ya msimbo, pakia seti ya data ya kisukari kwa kuitwa `load_diab
plt.show()
```
✅ Fikiria kidogo kinachotokea hapa. Mstari wa moja kwa moja unaendeshwa kati ya alama ndogo za data nyingi, lakini unafanya nini hasa? Unaona jinsi unavyoweza kutumia mstari huu kutabiri mahali pointi mpya ya data isiyoonekana itafaa kuhusiana na mhimili wa y wa mchoro? Jaribu kuweka maneno matumizi halisi ya mfano huu.
✅ Fikiria kidogo kuhusu kinachoendelea hapa. Mstari wa moja kwa moja unapitisha kwenye nukta nyingi ndogo za data, lakini unafanya nini hasa? Unaona jinsi unavyopaswa kutumia mstari huu kutabiri wapi nukta mpya ya data ambayo haijaonekana inapaswa kuwekwa kulingana na mhimili wa y wa mchoro? Jaribu kuweka kwa maneno matumizi halisi ya modeli hii.
Hongera, umejenga modeli yako ya kwanza ya usawa wa mstari, umeunda utabiri nayo, na kuionesha kwenye mchoro!
Hongera, umeunda mfano wako wa kwanza wa regression ya mstari, kutengeneza utabiri nao, na kuonyesha kwenye mchoro!
---
## 🚀Changamoto
Choroga kigezo kingine kutoka kwenye dataset hii. Wazo: rekebisha mstari huu: `X = X[:,2]`. Kulingana na lengo la dataset hii, unaweza kugundua nini kuhusu maendeleo ya ugonjwa wa kisukari?
## [Mtihani baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
Chora kigezo tofauti kutoka kwenye dataset hii. Vidokezo: hariri mstari huu: `X = X[:,2]`. Kutokana na lengo la dataset hii, ni nini unaweza kugundua kuhusu maendeleo ya ugonjwa wa kisukari?
## [Mtihani baada ya mihadhara](https://ff-quizzes.netlify.app/en/ml/)
## Mapitio & Kujifunza Binafsi
## Mapitio & Kujifunza binafsi
Katika mafunzo haya, ulifanya kazi na usawa wa mstari rahisi, badala ya usawa wa mstari wa kipengele kimoja au mwingi. Soma kidogo kuhusu tofauti kati ya mbinu hizi, au tazama [video hii](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Katika mafunzo haya, ulifanya kazi na regression rahisi ya mstari, badala ya regression ya mstari moja au mingi. Soma kidogo kuhusu tofauti kati ya mbinu hizi, au tazama [video hii](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)
Soma zaidi kuhusu dhana ya usawa wa mstari na fikiria ni aina gani za maswali yanaweza kujibiwa kwa mbinu hii. Fanya mafunzo haya [tutorial](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) kuongeza uelewa wako.
Soma zaidi kuhusu dhana ya regression na fikiria aina gani za maswali yanayoweza kujibiwa na mbinu hii. Chukua [mafunzo haya](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ili kuongeza uelewa wako.
# Modeli za kuunda makundi kwa ajili ya kujifunza kwa mashine
Klasta ni kazi ya kujifunza kwa mashine ambapo inatafuta vitu vinavyofanana na kuviweka katika vikundi vinavyoitwa klasta. Kinachotofautisha klasta na mbinu nyingine za kujifunza kwa mashine ni kwamba mambo hufanyika kiotomatiki; kwa kweli, ni sahihi kusema ni kinyume cha kujifunza kwa usimamizi.
Kuunda makundi ni kazi ya kujifunza kwa mashine ambapo inatafuta vitu vinavyofanana na kuviweka katika makundi yanayoitwa makundi. Kinachotofautisha kuunda makundi kutoka kwa mbinu nyingine za kujifunza kwa mashine, ni kwamba mambo hutokea kiotomatiki, kwa kweli, ni sahihi kusema ni kinyume cha kujifunza kwa usimamizi.
## Mada ya Kikanda: Miundo ya Klasta kwa Ladha ya Muziki ya Watazamaji wa Nigeria 🎧
## Mada ya kikanda: modeli za kuunda makundi kwa ladha ya muziki ya hadhira ya Nigeria 🎧
Watazamaji wa Nigeria wana ladha mbalimbali za muziki. Tukitumia data iliyokusanywa kutoka Spotify (iliyopata msukumo kutoka [makala hii](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)), hebu tuangalie baadhi ya muziki maarufu nchini Nigeria. Seti hii ya data inajumuisha taarifa kuhusu alama za 'danceability', 'acousticness', sauti, 'speechiness', umaarufu, na nishati ya nyimbo mbalimbali. Itakuwa ya kuvutia kugundua mifumo katika data hii!
Hadhira tofauti za Nigeria zina ladha tofauti za muziki. Kutumia data iliyokusanywa kutoka Spotify (imehamasishwa na [makala hii](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421), tuangalie baadhi ya muziki unaopendwa nchini Nigeria. Mkusanyiko huu wa data unajumuisha data kuhusu alama ya 'danceability' ya nyimbo mbalimbali, 'acousticness', ukali wa sauti, 'speechiness', umaarufu na nishati. Itakuwa ya kuvutia kugundua mifumo ndani ya data hii!
> Picha na <ahref="https://unsplash.com/@marcelalaskoski?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Marcela Laskoski</a> kwenye <ahref="https://unsplash.com/s/photos/nigerian-music?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
Katika mfululizo huu wa masomo, utagundua njia mpya za kuchambua data kwa kutumia mbinu za klasta. Klasta ni muhimu hasa pale ambapo seti yako ya data haina lebo. Ikiwa ina lebo, basi mbinu za uainishaji kama zile ulizojifunza katika masomo ya awali zinaweza kuwa na manufaa zaidi. Lakini katika hali ambapo unatafuta kuunda vikundi vya data isiyo na lebo, klasta ni njia nzuri ya kugundua mifumo.
Katika mfululizo huu wa masomo, utagundua njia mpya za kuchambua data kwa kutumia mbinu za kuunda makundi. Kuunda makundi ni muhimu hasa wakati mkusanyiko wako wa data huna lebo. Ikiwa una lebo, basi mbinu za uainishaji kama ulizojifunza katika masomo ya awali zinaweza kuwa na manufaa zaidi. Lakini katika hali ambapo unatafuta kuunda makundi ya data isiyo na lebo, kuunda makundi ni njia nzuri ya kugundua mifumo.
> Kuna zana za kiwango cha chini cha msimbo ambazo zinaweza kusaidia kujifunza kuhusu kufanya kazi na miundo ya klasta. Jaribu [Azure ML kwa kazi hii](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
> Kuna zana muhimu zisizo na msimbo mwingi zinazoweza kusaidia kujifunza kuhusu kufanya kazi na modeli za kuunda makundi. Jaribu [Azure ML kwa kazi hii](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott)
## Masomo
1. [Utangulizi wa klasta](1-Visualize/README.md)
2. [K-Means klasta](2-K-Means/README.md)
1. [Utangulizi wa kuunda makundi](1-Visualize/README.md)
2. [Kuunda makundi kwa K-Means](2-K-Means/README.md)
## Shukrani
## Mikopo
Masomo haya yaliandikwa kwa 🎶 na [Jen Looper](https://www.twitter.com/jenlooper) kwa msaada wa ukaguzi wa [Rishit Dagli](https://rishit_dagli) na [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Masomo haya yaliandikwa kwa 🎶 na [Jen Looper](https://www.twitter.com/jenlooper) na ukaguzi mzuri kutoka kwa [Rishit Dagli](https://rishit_dagli/) na [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan).
Seti ya data ya [Nyimbo za Nigeria](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ilitolewa kutoka Kaggle kama ilivyokusanywa kutoka Spotify.
Mkusanyiko wa data wa [Nyimbo za Nigeria](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ulitolewa kutoka Kaggle kama ulivyochukuliwa kutoka Spotify.
Mifano muhimu ya K-Means iliyosaidia kuunda somo hili ni pamoja na [uchambuzi wa iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [notebook ya utangulizi](https://www.kaggle.com/prashant111/k-means-clustering-with-python), na [mfano wa NGO wa kubuni](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
Mifano muhimu ya K-Means iliyosaidia kuunda somo hili ni pamoja na [uchunguzi wa iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [daftari la utangulizi](https://www.kaggle.com/prashant111/k-means-clustering-with-python), na mfano huu wa dhana wa NGO [hypothetical NGO example](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering).
---
**Kanusho**:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Kionyozo**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya 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. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.
Utabiri wa mfululizo wa muda ni nini? Ni kuhusu kutabiri matukio ya baadaye kwa kuchambua mwenendo wa zamani.
Utabiri wa mfululizo wa wakati ni nini? Ni kuhusu kutabiri matukio ya baadaye kwa kuchambua mwelekeo wa yaliyopita.
## Mada ya kikanda: matumizi ya umeme duniani ✨
## Mada ya kikanda: matumizi ya umeme duniani kote ✨
Katika masomo haya mawili, utatambulishwa kwenye utabiri wa mfululizo wa muda, eneo ambalo halijulikani sana katika ujifunzaji wa mashine lakini lina thamani kubwa sana kwa matumizi ya viwanda na biashara, pamoja na nyanja nyingine. Ingawa mitandao ya neva inaweza kutumika kuboresha matumizi ya mifano hii, tutazisoma katika muktadha wa ujifunzaji wa mashine wa jadi, ambapo mifano husaidia kutabiri utendaji wa baadaye kwa kuzingatia ya zamani.
Katika masomo haya mawili, utatambulishwa kwa utabiri wa mfululizo wa wakati, eneo ambalo linafahamika kidogo katika kujifunza mashine lakini ni muhimu sana kwa matumizi ya viwanda na biashara, miongoni mwa nyanja zingine. Wakati mitandao ya neva inaweza kutumika kuongeza ufanisi wa modeli hizi, tutaizunguza katika muktadha wa kujifunza mashine za jadi kwani modeli husaidia kutabiri utendaji wa baadaye kulingana na yaliyopita.
Mwelekeo wetu wa kikanda ni matumizi ya umeme duniani, seti ya data ya kuvutia kujifunza kuhusu utabiri wa matumizi ya nguvu za umeme za baadaye kwa kuzingatia mifumo ya mzigo wa zamani. Unaweza kuona jinsi aina hii ya utabiri inaweza kuwa na manufaa makubwa katika mazingira ya biashara.
Mwelekeo wetu wa kikanda ni matumizi ya umeme duniani, seti ya data ya kuvutia kujifunza kuhusu utabiri wa matumizi ya nguvu za baadaye kulingana na mifumo ya mzigo wa zamani. Unaweza kuona jinsi aina hii ya utabiri inaweza kusaidia sana katika mazingira ya biashara.
Picha na [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ya minara ya umeme barabarani huko Rajasthan kwenye [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
Picha na [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ya minara ya umeme kwenye barabara huko Rajasthan kwenye [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)
## Masomo
1. [Utangulizi wa utabiri wa mfululizo wa muda](1-Introduction/README.md)
2. [Kujenga mifano ya mfululizo wa muda ya ARIMA](2-ARIMA/README.md)
3. [Kujenga Support Vector Regressor kwa utabiri wa mfululizo wa muda](3-SVR/README.md)
1. [Utangulizi wa utabiri wa mfululizo wa wakati](1-Introduction/README.md)
2. [Ujenzi wa modeli za ARIMA za mfululizo wa wakati](2-ARIMA/README.md)
3. [Ujenzi wa Support Vector Regressor kwa utabiri wa mfululizo wa wakati](3-SVR/README.md)
## Credits
## Mikopo
"Utangulizi wa utabiri wa mfululizo wa muda" uliandikwa kwa ⚡️ na [Francesca Lazzeri](https://twitter.com/frlazzeri) na [Jen Looper](https://twitter.com/jenlooper). Noti za mafunzo zilionekana mtandaoni kwa mara ya kwanza katika [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) awali ziliandikwa na Francesca Lazzeri. Somo la SVR liliandikwa na [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
"Utangulizi wa utabiri wa mfululizo wa wakati" ulitengenezwa kwa ⚡️ na [Francesca Lazzeri](https://twitter.com/frlazzeri) na [Jen Looper](https://twitter.com/jenlooper). Vitabu vya kumbukumbu vilionekana mtandaoni katika [hifadhidata ya Azure "Deep Learning For Time Series"](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) iliyoandikwa awali na Francesca Lazzeri. Somo la SVR liliandikwa na [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)
---
**Kanusho**:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Kionyozo**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya 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. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Msaada wa Lugha Nyingi
### 🌐 Usaidizi wa Lugha Nyingi
#### Inatambuliwa kupitia Hatua ya GitHub (Otometi & Daima Ipo Hadi)
#### Unaungwa mkono kupitia Kitendo cha GitHub (Moja kwa Moja & Kila Wakati Kinaboresha)
Tuna mfululizo wa kujifunza kupitia Discord kuhusu AI unaoendelea, jifunze zaidi na jiunge nasi kwenye [Mfululizo wa Kujifunza na AI](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 kupitia Discord na AI unaoendelea, jifunze zaidi na ujiunge nasi kwenye [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia tarehe 18 - 30 Septemba, 2025. Utapata vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Takwimu.
# Kujifunza Mashine kwa Waanzilishi - Mtaala
> 🌍 Safiri ulimwenguni tunapochafulia Kujifunza Mashine kupitia tamaduni za dunia 🌍
> 🌍 Safari kote duniani tunapochunguza Kujifunza Mashine kupitia tamaduni za dunia 🌍
Watetezi wa Wingu Microsoft wanafurahia kutoa mtaala wa wiki 12, masomo 26 kuhusu **Kujifunza Mashine**. Katika mtaala huu, utajifunza kile kinachoitwa mara nyingine **kujifunza mashine cha kawaida**, ukitumia hasa maktaba ya Scikit-learn na kuepuka kujifunza kwa kina, ambayo inafunikwa katika mtaala wetu wa [AI kwa Waanzilishi](https://aka.ms/ai4beginners). Sambamba na masomo haya pia tumia mtaala wetu wa ['Sayansi ya Data kwa Waanzilishi'](https://aka.ms/ds4beginners)!
Wakili wa Wingu wa Microsoft wanafurahia kutoa mtaala wa wiki 12, masomo 26 yote kuhusu **Kujifunza Mashine**. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa mara nyingine **kujifunza mashine cha klasiki**, ukitumia hasa maktaba ya Scikit-learn na kuepuka kujifunza kwa kina, ambayo huhusishwa katika [mtaala wetu wa AI kwa Waanzilishi](https://aka.ms/ai4beginners). Sambaza masomo haya na mtaala wetu wa ['Sayansi ya Takwimu kwa Waanzilishi'](https://aka.ms/ds4beginners), pia!
Safiri nasi ulimwenguni kote tunapotumia mbinu hizi za kawaida kwa data kutoka maeneo mengi ya dunia. Kila somo lina vipimo kabla na baada ya somo, maelekezo ya maandishi ya kukamilisha somo, suluhisho, kazi, na zaidi. Njia yetu ya kufundisha inayotegemea mradi inakuwezesha kujifunza huku ukijenga, njia iliyothibitishwa ya kuimarisha ujuzi mpya.
Safiri pamoja nasi duniani tunapotumia mbinu hizi za klasiki kwa data kutoka sehemu nyingi za dunia. Kila funzo lina mitihani ya kabla na baada ya somo, maelekezo yaliyoandikwa ya kukamilisha somo, suluhisho, kazi ya nyumbani, na zaidi. Mbinu yetu inayotegemea miradi inakuwezesha kujifunza wakati wa kujenga, njia iliyo wazi ya kuweka ujuzi mpya 'ushikike'.
**✍️ Asante kubwa 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
**🎨 Asante pia kwa wachora picha wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🎨 Shukrani pia kwa wachora picha wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🙏 Shukrani maalum 🙏 kwa waandishi, wachunguzi, 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 maalum 🙏 kwa waandishi wetu wa Balozi wa Wanafunzi wa Microsoft, wakaguzi, na wachangiaji wa maudhui**, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal
**🤩 Shukrani za ziada kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
**🤩 Shukrani zaidi kwa Mabalozi wa Wanafunzi wa Microsoft Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
# Kuanzia
Fuata hatua hizi:
1. **Fungua Hifadhidata (Fork)**: Bonyeza kitufe cha "Fork" upande wa juu wa kulia wa ukurasa huu.
> [pata rasilimali zote za ziada kwa kozi hii kwenye mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 💡 **Kidokezo cha Kuanza Haraka:** Unataka kuanza katika kivinjari bila kusanidi Python ndani ya kompyuta yako? Tumia [GitHub Codespaces](https://github.com/features/codespaces) kuunda mazingira ya maendeleo ya wingu kwa fork yako. Fungua menyu ya kijani ya **Code**, chagua **Codespaces**, na unda codespace; sanidi viongezi vinavyohitajika kwa kila somo ndani yake kama inavyohitaji.
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Kushughulikia Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo ya kawaida ya usanikishaji, usanidi, na kuendesha masomo.
> [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 Matatizo](TROUBLESHOOTING.md) kwa suluhisho la masuala ya kawaida kuhusu usakinishaji, usanidi, na kuendesha masomo.
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, fanya fork yote ya repo kwenye akaunti yako ya GitHub na fanya mazoezi peke yako au na kikundi:
- Anza na kipimo kabla ya mafunzo.
- Soma mafunzo na fanya shughuli, simama na kutafakari kila ukaguzi wa maarifa.
- Jaribu kutengeneza miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; hata hivyo msimbo huo upo kwenye folda za `/solution` katika kila somo la mradi.
- Fanya kipimo baada ya mafunzo.
- Kamilisha changamoto.
- Kamilisha kazi.
- Baada ya kumaliza kundi la masomo, tembelea [Bodi ya Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunza kwa sauti" kwa kujaza rubriki ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambacho ni rubriki unayojaza kuendeleza ujifunzaji wako. Unaweza pia kutoa maoni kwa PAT nyingine ili tujifunze pamoja.
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, fanya fork ya hifadhi yote kwa akaunti yako ya GitHub na maliza mazoezi peke yako au na kikundi:
> Kwa mafunzo 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).
- Anza na mtihani wa kabla ya duru la somo.
- Soma duru na maliza shughuli, simama na fikiria kila ukaguzi wa maarifa.
- Jaribu kuunda miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; ingawa msimbo huo upo kwenye folda `/solution` katika kila somo lililolenga mradi.
- Chukua mtihani wa baada ya duru la somo.
- Maliza changamoto.
- Maliza kazi ya nyumbani.
- Baada ya kumaliza kundi la masomo, tembelea [Bodi ya Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunze kwa sauti" kwa kujaza rubrik ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambacho ni rubrik unayojaza ili kukuza ujifunzaji wako. Unaweza pia kutoa maoni kwa PAT nyingine ili tujifunze pamoja.
**Walimu**, tumejumuisha [mapendekezo kadhaa](for-teachers.md) juu ya jinsi ya kutumia mtaala huu.
> 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).
**Walimu**, tume [jumuisha mapendekezo](for-teachers.md) juu ya jinsi ya kutumia mtaala huu.
---
## Video za maelekezo
## Maelezo ya video
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata hizi zote ndani ya masomo, au kwenye [mfululizo wa ML kwa Waanzilishi kwenye chaneli ya Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kwa kubonyeza picha iliyo hapa chini.
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata hizi zote kwenye masomo, au kwenye [orodha ya ML kwa Waanzilishi kwenye kituo cha developer cha Microsoft YouTube](https://aka.ms/ml-beginners-videos) kwa kubofya picha iliyo hapa chini.
[](https://aka.ms/ml-beginners-videos)
@ -97,153 +99,154 @@ Baadhi ya masomo yanapatikana kama video fupi. Unaweza kupata hizi zote ndani ya
## Kutana na Timu
[](https://youtu.be/Tj1XWrDSYJU)
[](https://youtu.be/Tj1XWrDSYJU)
> 🎥 Bonyeza picha hapo juu kwa video kuhusu mradi na watu waliouunda!
---
## Mbinu ya Kufundisha
## Mbinu ya Kufundishia
Tumechagua kanuni mbili za kufundisha tunapojenga mtaala huu: kuhakikisha kuwa ni mkono-kwa-kazi **unaotegemea mradi** na kuwa na **vipimo mara kwa mara**. Zaidi ya hayo, mtaala huu una **kauli mbiu** ya pamoja kuipa umoja.
Tumebaini viwango viwili vya ufundishaji wakati wa kujenga mtaala huu: kuhakikisha kuwa ni mbinu ya **mradi-kuzingatia** na inajumuisha **mitihani mara kwa mara**. Zaidi ya hayo, mtaala huu una **kauli mbiu** moja kwa lengo la kutoa muunganiko.
Kwa kuhakikisha maudhui yanaendana na miradi, mchakato unakuwa wa kuvutia zaidi kwa wanafunzi na kuhifadhi dhana kutaboreshwa. Zaidi ya hayo, kipimo cha chini cha hatari kabla ya darasa kinaweka nia ya mwanafunzi ya kujifunza somo, wakati kipimo cha pili baada ya darasa kinahakikisha kuhifadhi zaidi. Mtaala huu umetengenezwa kuwa rahisi na wa kufurahisha na unaweza kuchukuliwa kwa jumla au sehemu. Miradi huanza midogo na kuwa ngumu zaidi kufikia mwisho wa mzunguko wa wiki 12. Mtaala huu pia una maelezo ya matumizi halisi ya ML, ambayo yanaweza kutumika kama mkopo wa ziada au kama msingi wa majadiliano.
Kwa kuhakikisha kuwa maudhui yanaendana na miradi, mchakato unakuwa wa kuvutia zaidi kwa wanafunzi na kumbukumbu ya dhana itaimarishwa. Zaidi ya hayo, mtihani wa kawaida kabla ya darasa unaweka nia ya mwanafunzi kuelekea kujifunza mada, huku mtihani wa pili baada ya darasa ukihakikisha kumbukumbu zaidi. Mtaala huu umeundwa kuwa rahisi kutumia na kufurahisha na unaweza kuchukuliwa kwa jumla au sehemu. Miradi huanza ndogo na kuwa ngumu zaidi mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia unajumuisha onyo la matumizi ya kweli ya ML, ambayo inaweza kutumika kama mkopo wa ziada au kama msingi wa majadiliano.
> Pata [Kanuni zetu za Maadili](CODE_OF_CONDUCT.md), [Michango](CONTRIBUTING.md), [Tafsiri](..), na [Mwongozo wa Kushughulikia Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako yenye kujenga!
> Pata [Kanuni za Maadili](CODE_OF_CONDUCT.md), [Michango](CONTRIBUTING.md), [Tafsiri](..), na [Mwongozo wa Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako ya kujenga!
## Kila somo linajumuisha
- sketchnote hiari
- video ya ziada kwa hiari
- video ya maelekezo (baadhi ya masomo tu)
- [kipimo cha kuamka kabla ya mafunzo](https://ff-quizzes.netlify.app/en/ml/)
- somo la maandishi
- kwa masomo yanayozingatia miradi, miongozo hatua kwa hatua jinsi ya kujenga mradi
- chati ya optional ya kuchora mawazo
- video ya ziada ya hiari
- maelekezo ya video (masomo machache tu)
- [mtihani wa kuandaa kabla ya duru](https://ff-quizzes.netlify.app/en/ml/)
- somo ambalo limeandikwa
- kwa masomo yanayolenga mradi, mwongozo wa hatua kwa hatua wa jinsi ya kujenga mradi
- ukaguzi wa maarifa
- changamoto
- kusoma kwa ziada
- kazi
- [kipimo cha baada ya mafunzo](https://ff-quizzes.netlify.app/en/ml/)
> **Kumbuka kuhusu lugha**: Masomo haya yameandikwa hasa kwa Python, lakini mengi pia yanapatikana kwa R. Ili kumaliza somo la R, nenda kwenye folda ya `/solution` na tafuta masomo ya R. Yana kiambatisho cha .rmd kinachoonyesha faili la **R Markdown** ambalo linaweza kufafanuliwa kama kuingiza `vipande vya msimbo` (cha R au lugha nyingine) na `kichwa cha YAML` (kinachoongoza jinsi ya kupanga matokeo kama PDF) katika `nyaraka ya Markdown`. Kwa hivyo, hutumika kama mfumo bora wa uandishi wa sayansi ya data kwa sababu hukuruhusu kuunganisha msimbo wako, matokeo yake, na mawazo yako kwa kuwaruhusu kuyaandika kwa Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kutolewa kwa muundo kama PDF, HTML, au Word.
> **Kumbuka kuhusu maswali ya mtihani**: Maswali yote yamo katika [folda ya Programu ya Mtihani](../../quiz-app), kwa jumla ya maswali 52 yenye maswali matatu kila moja. Yameunganishwa kutoka ndani ya masomo lakini programu ya mtihani inaweza kuendeshwa kwa ndani; fuata maelekezo katika folda ya `quiz-app` ili kuendesha kwa ndani au kuweka kwenye Azure.
| Nambari ya Somo | Mada | Ugawaji wa Somo | Malengo ya Kujifunza | Somo Linalounganishwa | Mwandishi |
| 01 | Utangulizi wa kujifunza mashine | [Intoduction](1-Introduction/README.md) | Jifunze dhana za msingi nyuma ya kujifunza mashine | [Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya kujifunza mashine | [Introduction](1-Introduction/README.md) | Jifunze historia iliyomo katika uwanja huu | [Somo](1-Introduction/2-history-of-ML/README.md) | Jen na Amy |
| 03 | Uadilifu na kujifunza mashine | [Introduction](1-Introduction/README.md) | Ni masuala gani muhimu ya kifalsafa kuhusu uadilifu ambayo wanafunzi wanapaswa kuyazingatia wanapojenga na kutumia mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za kujifunza mashine | [Introduction](1-Introduction/README.md) | Washauri wa ML hutumia mbinu gani kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa marejeleo | [Regression](2-Regression/README.md) | Anza na Python na Scikit-learn kwa mifano ya marejeleo | [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 ya Kaskazini 🎃 | [Regression](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 ya Kaskazini 🎃 | [Regression](2-Regression/README.md) | Tengeneza mifano ya marejeleo ya mstari na polinomial | [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 ya Kaskazini 🎃 | [Regression](2-Regression/README.md) | Tengeneza 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) | Tengeneza programu ya wavuti kutumia mfano wako uliopandishwa | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa upangaji | [Classification](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa upangaji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Vyakula tamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Utangulizi wa wachanganuzi | [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 | Vyakula tamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Wachanganuzi 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 | Vyakula tamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Tengeneza programu ya wavuti ya mapendekezo kwa kutumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa upangaji wa kundi | [Clustering](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; Utangulizi wa upangaji wa 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 Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Chunguza mbinu ya upangaji wa K-Maana | [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 mambo ya msingi kuhusu NLP kwa kutengeneza 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 ujuzi wako wa NLP kwa kuelewa kazi za kawaida zinazohitajika unaposhughulika na 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 hakiki za 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 hakiki za 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 kujifunza kwa uthibitisho | [Reinforcement learning](8-Reinforcement/README.md) | Utangulizi wa kujifunza kwa uthibitisho kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaidie Peter kuepuka MBWA! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym ya kujifunza kwa uthibitisho | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Mifano na matumizi halisi ya ML | [ML in the Wild](9-Real-World/README.md) | Matumizi ya kuvutia na ya kufichua ya ML ya kawaida | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Postscript | Utafutaji makosa ya modeli katika ML kwa kutumia dashibodi ya RAI | [ML in the Wild](9-Real-World/README.md) | Utafutaji makosa ya modeli katika kujifunza mashine kwa kutumia sehemu za dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [tafuta vyanzo vyote vya ziada vya kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Ufikiaji bila mtandao
Unaweza kuendesha nyaraka hizi bila mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Kopi hii ya repo, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye kompyuta yako, kisha kwenye folda kuu ya repo hii, andika `docsify serve`. Tovuti itahudumiwa kwenye bandari 3000 kwenye localhost yako: `localhost:3000`.
- usomaji wa ziada
- kazi ya nyumbani
- [mtihani baada ya duru](https://ff-quizzes.netlify.app/en/ml/)
> **Kumbuka kuhusu lugha**: Masomo haya yameandikwa hasa kwa Python, lakini mengi pia yamepatikana kwa R. Ili kumaliza somo la R, nenda kwenye folda ya `/solution` na tafuta masomo ya R. Yana kiambatisho .rmd kinachoashiria faili la **R Markdown** ambalo linaweza kufafanuliwa kama uingizaji wa vipande vya msimbo (R au lugha nyingine) na kichwa cha `YAML` (kinachoelekeza jinsi ya kuandaa matokeo kama PDF) katika `Hati ya Markdown`. Hivyo, hutumika kama mfumo bora wa kuandika kwa sayansi ya data kwa kuwa huruhusu kuunganisha msimbo wako, matokeo yake, na mawazo yako kwa kuandika kwa Markdown. Zaidi ya hayo, hati za R Markdown zinaweza kutafsiriwa hadi fomati kama PDF, HTML, au Word.
> **Kumbuka kuhusu mitihani**: Mitihani yote iko katika [folda ya Quiz App](../../quiz-app), ikiwa na jumla ya mitihani 52 ya maswali matatu kila moja. Inaunganishwa kutoka ndani ya masomo lakini programu ya mtihani inaweza kuendeshwa ndani ya kompyuta yako; fuata maelekezo katika folda ya `quiz-app` ili kuendesha kwa ndani au kupeleka kwenye Azure.
| Idadi 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 za 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 inayosimikia 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 ya kifalsafa muhimu kuhusu usawa yanayopaswa kuzingatiwa na wanafunzi 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) | Ni mbinu gani wasomi wa ML hutumia 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 za Amerika Kaskazini 🎃 | [Urekebishaji](2-Regression/README.md) | Onyesha na safisha data kama maandalizi kwa 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 za Amerika Kaskazini 🎃 | [Urekebishaji](2-Regression/README.md) | Jenga mifano ya urekebishaji wa mstari na polinomial | [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 za Amerika Kaskazini 🎃 | [Urekebishaji](2-Regression/README.md) | Jenga mfano wa urekebishaji wa logisti | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Programu ya Wavuti 🔌 | [Programu ya Wavuti](3-Web-App/README.md) | Jenga programu ya wavuti kutumia mfano wako uliobinafsishwa | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa kasha | [Kasha](4-Classification/README.md) | Safisha, andaa, naonyesha data yako; utangulizi wa kasha | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Vyakula vitamu vya Asia na India 🍜 | [Kasha](4-Classification/README.md) | Utangulizi wa vatasisi | [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 | Vyakula vitamu vya Asia na India 🍜 | [Kasha](4-Classification/README.md) | Zaidi ya vatasisi | [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 | Vyakula vitamu vya Asia na India 🍜 | [Kasha](4-Classification/README.md) | Jenga programu ya wavuti ya mapendekezo kutumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa kugawanya kundi | [Ugawaji Kundi](5-Clustering/README.md) | Safisha, andaa, naonyesha data yako; Utangulizi wa kugawanya 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 njia ya K-Means ya kugawanya kundi | [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) | Zidi kujua NLP kwa kuelewa kazi za kawaida zinazohitajika wakati wa kushughulikia 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 na hakiki za 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 na hakiki za 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 kwa ARIMA | [Mfululizo wa wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa SVR | [Mfululizo wa wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa 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 na Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaidizi Peter apewe usaidizi kuepuka wolf! 🐺 | [Ujifunzaji wa kuimarisha](8-Reinforcement/README.md) | Gym ya ujifunzaji wa kuimarisha | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Kumbukumbu ya Mwisho | Mabadiliko na matumizi halisi ya ML | [ML katika Porini](9-Real-World/README.md) | Matumizi ya ajabu na ya kufichua ya ML klasiki | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Kumbukumbu ya Mwisho | Utambuzi wa Makosa katika ML kwa kutumia dashibodi ya RAI | [ML katika Porini](9-Real-World/README.md) | Utambuzi wa makosa katika ujifunzaji wa mashine kwa kutumia vipengele vya dashibodi ya AI ya kuwajibika | [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 bila mtandao
Unaweza kuendesha hati hii bila mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Nakili hifadhi hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya karibu, kisha katika folda ya mzizi ya hifadhi hii, andika `docsify serve`. Tovuti itapatikana kwenye bandari 3000 kwenye localhost yako: `localhost:3000`.
## PDF
Pata pdf ya mtaala yenye viungo [hapa](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Kozi Nyingine
## 🎒 Kozi Nyingine
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://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / 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/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Mfululizo wa AI Inayotengeneza
[](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)
---
### Mafunzo ya Msingi
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### 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 unakwama au una maswali wakati unajifunza Machine Learning au kujenga programu za AI, usijali — msaada upo.
Ukikumbwa na shida au una maswali wakati wa kujifunza Ujifunzaji wa Mashine au kuunda programu za AI, usijali — msaada upo.
Unaweza kujiunga na mijadala na wanafunzi wengine na waendelezaji, kuuliza maswali, na kushiriki mawazo yako na jamii.
Unaweza kujiunga na mijadala na wanafunzi na watengenezaji wengine, kuuliza maswali, na kushiriki mawazo yako na jamii.
- Jiunge na jamii kuuliza maswali na kujifunza pamoja na wengine
- Jadili dhana za Machine Learning na mawazo ya miradi
- Pata mwongozo kutoka kwa waendelezaji wenye uzoefu
- Jiunge na jamii kuuliza maswali na kujifunza na wengine
- Jadili dhana za Ujifunzaji wa Mashine na mawazo ya miradi
- Pata mwongozo kutoka kwa watengenezaji wenye uzoefu
Jamii inayosaidia ni njia nzuri ya kukuza ujuzi wako na kutatua matatizo kwa haraka zaidi.
Jamii yenye msaada ni njia nzuri ya kukuza ujuzi wako na kutatua matatizo haraka.
[Jumuiya ya Microsoft Foundry Discord](https://discord.gg/nTYy5BXMWG)
Ikiwa unakutana na hitilafu, makosa, au una mapendekezo ya maboresho, unaweza pia kufungua **Tatizo** katika hifadhidata hii kuripoti tatizo.
Ukikuta dosari, makosa, au una mapendekezo ya maboresho, unaweza pia kufungua **Tatizo** katika hifadhi hii kuripoti tatizo.
Kwa maoni ya bidhaa au kutafuta machapisho yaliyopo ya jamii, tembelea Jukwaa la Waendelezaji:
Kwa mrejesho wa bidhaa au kutafuta machapisho yaliyopo ya jamii, tembelea Jukwaa la Watengenezaji:
[](https://aka.ms/foundry/forum)
[](https://aka.ms/foundry/forum)
## Vidokezo Zaidi vya Kujifunza
## Vidokezo vya Ziada vya Kujifunza
- Rudia daftari za mafunzo baada ya kila somo kwa uelewa bora.
- Fanya mazoezi ya kutekeleza algorithms mwenyewe.
- Chunguza seti halisi za data kwa kutumia dhana ulizojifunza.
- Kagua daftari baada ya kila somo kwa uelewa bora.
- Fanya mazoezi ya kutekeleza algoritimu peke yako.
- Chunguza seti za data za kweli kwa kutumia dhana ulizojifunza.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Kamba la Majadiliano**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kasoro. Hati asili katika lugha yake ya asili inapaswa kuzingatiwa kama chanzo chenye mamlaka. Kwa taarifa muhimu, tafsiri ya mtaalamu wa binadamu inashauriwa. Hatubeba wajibu wowote kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
**Kionyozo**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya 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. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.
Je, ungependa kutumia mtaala huu darasani kwako? Tafadhali jisikie huru!
Kwa kweli, unaweza kuutumia moja kwa moja ndani ya GitHub kwa kutumia GitHub Classroom.
Kwa kweli, unaweza kuutumia ndani ya GitHub yenyewe kwa kutumia GitHub Classroom.
Ili kufanya hivyo, fanya fork ya repo hii. Utahitaji kuunda repo kwa kila somo, kwa hivyo utahitaji kutoa kila folda na kuiweka kwenye repo tofauti. Kwa njia hiyo, [GitHub Classroom](https://classroom.github.com/classrooms) inaweza kuchukua kila somo moja kwa moja.
Ili kufanya hivyo, changia repo hii. Utahitaji kuunda repo kwa kila somo, kwa hivyo utahitaji kutoa kila folda kuwa repo tofauti. Kwa njia hiyo, [GitHub Classroom](https://classroom.github.com/classrooms) inaweza kuchukua kila somo tofauti.
Maelekezo haya [kamili](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) yatakupa mwongozo wa jinsi ya kuandaa darasa lako.
Hizi [maelekezo kamili](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) zitakupa wazo jinsi ya kuandaa darasa lako.
## Kutumia repo kama ilivyo
Ikiwa ungependa kutumia repo hii kama ilivyo sasa, bila kutumia GitHub Classroom, hilo linawezekana pia. Utahitaji kuwasiliana na wanafunzi wako kuhusu somo gani la kufanyia kazi pamoja.
Ikiwa ungependa kutumia repo hii kama ilivyo sasa, bila kutumia GitHub Classroom, hilo pia linaweza kufanywa. Utahitaji kuwasiliana na wanafunzi wako ni somo gani la kufanyia kazi pamoja.
Katika muundo wa mtandaoni (Zoom, Teams, au nyinginezo) unaweza kuunda vyumba vya vikundi kwa ajili ya maswali ya majaribio, na kuwaelekeza wanafunzi ili kuwasaidia kujiandaa kujifunza. Kisha waalike wanafunzi kushiriki kwenye maswali ya majaribio na kuwasilisha majibu yao kama 'issues' kwa wakati fulani. Unaweza kufanya vivyo hivyo na kazi za nyumbani, ikiwa ungependa wanafunzi wafanye kazi kwa kushirikiana waziwazi.
Katika muundo wa mtandaoni (Zoom, Teams, au mwingine) unaweza kuunda vyumba vya kujadili kwa ajili ya maswali ya mtihani, na kuwa mshauri wa wanafunzi kuwasaidia kujiandaa kujifunza. Kisha waalike wanafunzi kuchukua maswali ya mtihani na kuwasilisha majibu yao kama 'masuala' kwa wakati fulani. Unaweza pia kufanya hivyo kwa kazi za nyumbani, ikiwa unataka wanafunzi wafanye kazi pamoja waziwazi.
Ikiwa unapendelea muundo wa faragha zaidi, waombe wanafunzi wako kufanya fork ya mtaala, somo kwa somo, kwenye repos zao za GitHub kama repos za faragha, na wakupe ufikiaji. Kisha wanaweza kukamilisha maswali ya majaribio na kazi za nyumbani kwa faragha na kuwasilisha kwako kupitia issues kwenye repo ya darasa lako.
Ikiwa unapendelea muundo wa kibinafsi zaidi, waambie wanafunzi wako wauchanganue mtaala, somo kwa somo, kwa GitHub repos zao binafsi, na wakupe ufikiaji. Kisha wanaweza kumaliza maswali ya mtihani na kazi binafsi na kuyawasilisha kwako kupitia masuala kwenye repo yako ya darasa.
Kuna njia nyingi za kufanya hili lifanye kazi katika muundo wa darasa la mtandaoni. Tafadhali tujulishe ni njia gani inakufaa zaidi!
Kuna njia nyingi za kufanya hili lifanye kazi katika muundo wa darasa la mtandaoni. Tafadhali tujulishe nini kinakufaa zaidi!
## Tafadhali tupe maoni yako!
## Tafadhali tupa maoni yako!
Tunataka mtaala huu ufanye kazi kwa ajili yako na wanafunzi wako. Tafadhali tupe [maoni](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
Tunataka kufanya mtaala huu ufanye kazi kwa ajili yako na wanafunzi wako. Tafadhali tupa [maoni](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u).
---
**Kanusho**:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Kionyozo**:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya 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. Hati ya asili katika lugha yake halisi inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu inayofanywa na binadamu inapendekezwa. Hatutojibu kwa kuelewa vibaya au tafsiri potofu zinazotokea kutokana na matumizi ya tafsiri hii.
localizeflow[bot]
3 weeks ago