[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> Questo repository include oltre 50 traduzioni linguistiche che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa sparse checkout:
> Questo repository include oltre 50 traduzioni che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa il sparse checkout:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,172 +33,172 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Questo ti fornisce tutto il necessario per completare il corso con un download molto più veloce.
> Questo ti fornirà tutto il necessario per completare il corso con un download molto più veloce.
Abbiamo una serie Discord "impara con l'IA" in corso, scopri di più e unisciti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per usare GitHub Copilot per la Data Science.
Abbiamo una serie Discord "learn with AI" in corso, per saperne di più e unirti visita [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per utilizzare GitHub Copilot per Data Science.
# Machine Learning for Beginners - Un Curriculum
# Machine Learning per Principianti - Un Curriculum
> 🌍 Viaggia per il mondo mentre esploriamo il Machine Learning attraverso le culture del mondo 🌍
> 🌍 Viaggia nel mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane, 26 lezioni, dedicato interamente al **Machine Learning**. In questo curriculum, imparerai quello che talvolta viene chiamato **machine learning classico**, utilizzando principalmente la libreria Scikit-learn ed evitando il deep learning, che è trattato nel nostro [curriculum AI for Beginners](https://aka.ms/ai4beginners). Abbina queste lezioni anche con il nostro ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners).
Gli Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane, 26 lezioni, tutto incentrato sul **Machine Learning**. In questo curriculum, imparerai quello che a volte viene chiamato **machine learning classico**, usando principalmente Scikit-learn come libreria ed evitando il deep learning, che è invece trattato nel nostro [curriculum AI per Principianti](https://aka.ms/ai4beginners). Abbina queste lezioni al nostro ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners), inoltre!
Viaggia con noi per il mondo mentre applichiamo queste tecniche classiche su dati provenienti da molte aree del globo. Ogni lezione include quiz prima e dopo la lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro. La nostra metodologia didattica basata su progetti ti permette di imparare costruendo, un metodo provato per fissare nuove competenze.
Viaggia con noi nel mondo mentre applichiamo queste tecniche classiche a dati di varie parti del mondo. Ogni lezione include quiz prima e dopo, istruzioni scritte per completare la lezione, una soluzione, un compito e altro ancora. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un modo comprovato perché nuove competenze si fissino.
**✍️ Un sentito ringraziamento ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
**✍️ Grazie di cuore ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
**🎨 Ringraziamo anche i nostri illustratori** Tomomi Imura, Dasani Madipalli e Jen Looper
**🎨 Grazie anche ai nostri illustratori** Tomomi Imura, Dasani Madipalli, e Jen Looper
**🙏 Un ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e contributori di contenuti**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🙏 Un grazie speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e contributori di contenuto**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🤩 Ulteriore gratitudine ai Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni R!**
**🤩 Ulteriore gratitudine ai Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni in R!**
# Iniziare
Segui questi passaggi:
1. **Fork del Repository**: Clicca sul pulsante "Fork" nell'angolo in alto a destra di questa pagina.
2. **Clona il Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Fork del Repository**: Clicca sul pulsante "Fork" in alto a destra in questa pagina.
2. **Clona il Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Hai bisogno di aiuto?**Consulta la nostra [Guida alla Risoluzione dei Problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, impostazione e esecuzione delle lezioni.
> 🔧 **Hai bisogno di aiuto?**Dai un’occhiata alla nostra [Guida alla Risoluzione dei Problemi](TROUBLESHOOTING.md) per soluzioni comuni a problemi di installazione, configurazione e esecuzione delle lezioni.
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, fai un fork dell'intero repo nel tuo account GitHub e completa gli esercizi da solo o in gruppo:
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, forkate l’intero repo nel vostro account GitHub e completate gli esercizi da soli o in gruppo:
- Inizia con un quiz pre-lezione.
- Leggi la lezione e completa le attività, fermandoti e riflettendo ad ogni verifica della conoscenza.
- Cerca di creare i progetti comprendendo le lezioni piuttosto che eseguire direttamente il codice della soluzione; quel codice è comunque disponibile nelle cartelle `/solution` di ogni lezione orientata al progetto.
- Fai il quiz post-lezione.
- Completa la sfida.
- Completa il compito.
- Dopo aver completato un gruppo di lezioni, visita il [Discussion Board](https://github.com/microsoft/ML-For-Beginners/discussions) e "impara ad alta voce" compilando l'apposita rubric PAT. Un 'PAT' è uno strumento di valutazione dei progressi che compili per approfondire l'apprendimento. Puoi anche reagire agli altri PAT per imparare insieme.
- Iniziate con un quiz pre-lezione.
- Leggete la lezione e completate le attività, fermandovi a riflettere a ogni verifica di conoscenza.
- Provate a costruire i progetti comprendendo le lezioni invece di eseguire direttamente il codice soluzione; tuttavia quel codice è disponibile nelle cartelle `/solution` di ogni lezione orientata al progetto.
- Fate il quiz post-lezione.
- Completate la sfida.
- Completate il compito.
- Dopo aver completato un gruppo di lezioni, visitate il [Forum di Discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e "imparate ad alta voce" compilando l’apposita rubrica PAT. Un 'PAT' è uno strumento di valutazione dei progressi, una rubrica che compilate per approfondire l’apprendimento. Potete anche reagire ad altri PAT per imparare insieme.
> Per approfondimenti, consigliamo di seguire questi moduli e percorsi di apprendimento di [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Per approfondire, consigliamo di seguire questi moduli e percorsi di apprendimento su [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Insegnanti**, abbiamo [inserito alcuni suggerimenti](for-teachers.md) su come usare questo curriculum.
**Insegnanti**, abbiamo [incluso alcuni suggerimenti](for-teachers.md) su come usare questo curriculum.
---
## Video esplicativi
Alcune lezioni sono disponibili in brevi video. Puoi trovarli integrati nelle lezioni, oppure sulla [playlist ML for Beginners sul canale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) cliccando sull’immagine qui sotto.
Alcune lezioni sono disponibili in video brevi. Puoi trovarli integrati nelle lezioni oppure nella [playlist ML for Beginners sul canale YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos) cliccando sull’immagine qui sotto.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Clicca sull'immagine sopra per un video sul progetto e le persone che lo hanno creato!
> 🎥 Clicca l’immagine sopra per un video sul progetto e sulle persone che lo hanno creato!
---
## Pedagogia
Abbiamo scelto due principi pedagogici durante la creazione di questo curriculum: assicurare che sia pratico e **basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune per dargli coesione.
Abbiamo scelto due principi pedagogici durante la realizzazione di questo curriculum: assicurarci che sia pratico e **basato su progetti** e che includa **quiz frequenti**. Inoltre, il curriculum ha un **tema** comune per garantirne la coesione.
Garantendo che i contenuti siano allineati con i progetti, il processo diventa più coinvolgente per gli studenti e migliora la ritenzione dei concetti. Inoltre, un quiz a bassa pressione prima di una lezione orienta lo studente verso l'apprendimento di un argomento, mentre un secondo quiz dopo la lezione ne assicura un’ulteriore memorizzazione. Questo curriculum è stato progettato per essere flessibile e divertente, e può essere seguito completamente o parzialmente. I progetti partono da semplici e diventano via via più complessi al termine del ciclo di 12 settimane. Questo curriculum include anche un post-scriptum sulle applicazioni reali di ML, che può essere usato come credito extra o come base per una discussione.
Garantendo che i contenuti si allineino ai progetti, il processo diventa più coinvolgente per gli studenti e la memorizzazione dei concetti sarà migliorata. Inoltre, un quiz a bassa posta prima di una lezione prepara l’intenzione dello studente sull’apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito interamente o in parte. I progetti iniziano piccoli e diventano progressivamente più complessi alla fine del ciclo di 12 settimane. Include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per discussioni.
> Trova le nostre linee guida su [Codice di condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzioni](TRANSLATIONS.md) e [Risoluzione dei Problemi](TROUBLESHOOTING.md). Accogliamo con piacere il tuo feedback costruttivo!
> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzioni](..) e linee guida su [Come Risolvere i Problemi](TROUBLESHOOTING.md). Accogliamo con favore i tuoi feedback costruttivi!
## Ogni lezione include
- sketchnote opzionale
- video supplementare opzionale
- video esplicativo (solo alcune lezioni)
- [quiz di riscaldamento pre-lezione](https://ff-quizzes.netlify.app/en/ml/)
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai alla cartella `/solution` e cerca le lezioni in R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, il quale può essere semplicemente definito come un incapsulamento di `code chunks` (di R o altre lingue) e un `intestazione YAML` (che guida la formattazione delle uscite come PDF) in un `documento Markdown`. Di conseguenza, serve come un esempio di framework per l’autore di data science poiché consente di combinare il codice, il suo output e i propri pensieri, permettendo di scriverli in Markdown. Inoltre, i documenti R Markdown possono essere renderizzati in formati di output come PDF, HTML o Word.
> **Una nota sui quiz**: Tutti i quiz sono contenuti nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz con tre domande ciascuno. Sono collegati all’interno delle lezioni, ma l’app dei quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure.
| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Impara i concetti base dietro il machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduzione](1-Introduction/README.md) | Comprendi la storia alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche riguardo all’equità che gli studenti dovrebbero considerare durante la costruzione e applicazione di modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche usano i ricercatori di ML per costruire modelli di ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Inizia a usare Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizza e pulisci i dati in preparazione per ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau |
| 08 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Un’app Web 🔌 | [Web App](3-Web-App/README.md) | Costruisci un’app web per usare il modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulisci, prepara e visualizza i tuoi dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruisci un’app web recommender usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulisci, prepara e visualizza i tuoi dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Esplorando gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplora il metodo di clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduzione al natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Impara le basi del NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondisci le tue conoscenze NLP comprendendo i compiti comuni richiesti quando si lavora con strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Natural language processing](6-NLP/README.md) | Traduzione e analisi del sentiment con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantici d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alla previsione delle serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alla previsione delle serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo mondiale di energia ⚡️ - previsione con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo mondiale di energia ⚡️ - previsione con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione di serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduzione al reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduzione al reinforcement learning con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning con Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenari e applicazioni reali di ML | [ML nel mondo reale](9-Real-World/README.md) | Applicazioni reali interessanti e rivelatrici del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debugging dei modelli ML usando dashboard RAI | [ML nel mondo reale](9-Real-World/README.md) | Debugging dei modelli di Machine Learning usando componenti del dashboard Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono anche disponibili in R. Per completare una lezione in R, vai nella cartella `/solution` e cerca le lezioni in R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, definibile come un incapsulamento di `code chunks` (di R o altri linguaggi) e un `header YAML` (che guida come formattare output come PDF) in un `documento Markdown`. Pertanto, rappresenta un framework esemplare per l’autore di data science in quanto consente di combinare codice, output e pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere renderizzati in formati di output quali PDF, HTML o Word.
> **Una nota sui quiz**: Tutti i quiz sono contenuti nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz di tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app per i quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure.
| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Imparare i concetti base dietro il machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La Storia del machine learning | [Introduzione](1-Introduction/README.md) | Imparare la storia alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull'equità che gli studenti dovrebbero considerare costruendo e applicando modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche usano i ricercatori di ML per costruire modelli di ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Iniziare con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prezzi della zucca in Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizzare e pulire dati in preparazione al ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prezzi della zucca in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruire modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau |
| 08 | Prezzi della zucca in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruire un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Un'app Web 🔌 | [Web App](3-Web-App/README.md) | Costruire un'app web per usare il modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulire, preparare e visualizzare i dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruire un'app web di raccomandazione usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulire, preparare e visualizzare i dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Esplorazione dei gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplorare il metodo di clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduzione all'elaborazione del linguaggio naturale ☕️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Imparare le basi dell'NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni di NLP ☕️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Approfondire la conoscenza NLP comprendendo i compiti comuni richiesti nella gestione delle strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentimento ♥️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Traduzione e analisi del sentimento con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici d'Europa ♥️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Analisi del sentimento con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantici d'Europa ♥️ | [Elaborazione linguaggio naturale](6-NLP/README.md) | Analisi del sentimento con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alle previsioni di serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alle previsioni di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo energetico mondiale ⚡️ - previsioni con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsioni di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo energetico mondiale ⚡️ - previsioni con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsioni di serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduzione all'apprendimento per rinforzo | [Apprendimento per rinforzo](8-Reinforcement/README.md) | Introduzione all'apprendimento per rinforzo con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Apprendimento per rinforzo](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Casi d'uso e applicazioni reali dell'ML | [ML nel mondo reale](9-Real-World/README.md) | Applicazioni interessanti e rivelatrici nel mondo reale del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debug del modello in ML usando la dashboard RAI | [ML nel mondo reale](9-Real-World/README.md) | Debug del modello in Machine Learning usando i componenti della dashboard Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Accesso offline
Puoi eseguire questa documentazione offline utilizzando [Docsify](https://docsify.js.org/#/). Fai un fork di questo repo, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, e quindi nella cartella root di questo repo, digita `docsify serve`. Il sito web sarà servito sulla porta 3000 del tuo localhost: `localhost:3000`.
Puoi eseguire questa documentazione offline usando [Docsify](https://docsify.js.org/#/). Fai il fork di questo repository, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, poi nella cartella radice di questo repo digita `docsify serve`. Il sito sarà servito sulla porta 3000 sul tuo localhost: `localhost:3000`.
## PDF
Trova un pdf del curriculum con link [qui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Altri corsi
## 🎒 Altri Corsi
Il nostro team produce altri corsi! Dai un’occhiata a:
Il nostro team produce altri corsi! Dai un'occhiata:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/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)
---
### Serie AI Generativa
[](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)
---
### Apprendimento Base
### Apprendimento Core
[](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)
@ -217,7 +217,7 @@ Il nostro team produce altri corsi! Dai un’occhiata a:
## Ottenere Aiuto
Se rimani bloccato o hai domande sulla creazione di app AI. Unisciti ad altri studenti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza è condivisa liberamente.
Se rimani bloccato o hai domande sulla creazione di app AI. Unisciti ad altri studenti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza viene condivisa liberamente.
- Rivedi i quaderni dopo ogni lezione per una migliore comprensione.
- Esercitati a implementare gli algoritmi da solo.
- Esplora dataset reali usando i concetti appresi.
- Rivedi i notebook dopo ogni lezione per una migliore comprensione.
- Esercitati a implementare algoritmi da solo.
- Esplora set di dati reali usando i concetti appresi.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Disclaimer**:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Pur impegnandoci per garantire accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un umano. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
**Avvertenza**:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Pur impegnandoci per garantire la massima accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua originale deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un esperto umano. Non ci assumiamo alcuna responsabilità per eventuali fraintendimenti o interpretazioni errate derivanti dall’uso di questa traduzione.
Prowadzimy serię Discord „Learn with AI”, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18 do 30 września 2025. Otrzymasz wskazówki i triki korzystania z GitHub Copilot w Data Science.
Prowadzimy serię „Learn with AI” na Discordzie, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science.
# Machine Learning dla początkujących - Program nauczania
> 🌍 Podróżuj po świecie, eksplorując uczenie maszynowe poprzez kultury świata 🌍
> 🌍 Podróżuj po świecie, odkrywając uczenie maszynowe w kontekście kultur świata 🌍
Cloud Advocates z Microsoft mają przyjemność zaoferować 12-tygodniowy program nauczania składający się z 26 lekcji na temat **uczenia maszynowego**. W tym programie nauczysz się o tym, co czasem nazywa się **klasycznym uczeniem maszynowym**, używając głównie biblioteki Scikit-learn i unikając głębokiego uczenia, które jest objęte naszym [programem AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym ['Data Science dla początkujących'](https://aka.ms/ds4beginners)!
Specjaliści Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program nauczania składający się z 26 lekcji na temat **Uczenia Maszynowego**. W tym programie nauczysz się tego, co czasami nazywa się **klasycznym uczeniem maszynowym**, używając głównie biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane w naszym programie [AI for Beginners](https://aka.ms/ai4beginners). Połącz te lekcje z naszym programem ['Data Science dla początkujących'](https://aka.ms/ds4beginners) również!
Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu regionów świata. Każda lekcja zawiera quizy przed- i po-lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie oraz więcej. Nasza metoda oparta na projektach pozwala uczyć się przez tworzenie, co jest sprawdzonym sposobem na utrwalenie nowych umiejętności.
Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do ukończenia, rozwiązanie, zadanie i więcej. Nasza pedagogika oparta na projektach pozwala uczyć się podczas tworzenia, co jest sprawdzoną metodą utrwalenia nowych umiejętności.
**✍️ Serdeczne podziękowania dla naszych autorów** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd
**✍️ Gorące podziękowania dla naszych autorów** Jen Looper, Stephena Howella, Francescy Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chrisa Noringa, Anirbana Mukherjee, Ornelli Altunyan, Ruth Yakubu i Amy Boyd
**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli oraz Jen Looper
**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassador**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila oraz Snigdha Agarwal
**🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassadorów**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje R!**
**🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!**
# Rozpoczęcie
Postępuj według tych kroków:
1. **Rozgałęź repozytorium**: Kliknij przycisk „Fork” w prawym górnym rogu tej strony.
> [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
**[Uczniowie](https://aka.ms/student-page)**, aby korzystać z tego programu, rozgałęź całe repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu nauczania, utwórz rozwidlenie całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia indywidualnie lub w grupie:
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj aktywności, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
- Staraj się tworzyć projekty poprzez zrozumienie lekcji, zamiast uruchamiać kod z rozwiązania; jednak kod jest dostępny w folderach `/solution` w każdej lekcji zorientowanej na projekt.
- Rozwiąż quiz po wykładzie.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź [Tablicę dyskusji](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. „PAT” to Narzędzie Oceny Postępu, które wypełniasz, by pogłębić naukę. Możesz też reagować na inne PAT-y, abyśmy mogli uczyć się razem.
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
- Staraj się tworzyć projekty samodzielnie, rozumiejąc lekcje, zamiast od razu uruchamiać kod z rozwiązania; jednak kod ten jest dostępny w folderach `/solution` w każdej lekcji opartej na projekcie.
- Rozwiąż quiz po wykładzie.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź [Tablicę Dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubricę PAT. 'PAT' to narzędzie do oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz również reagować na rubryki innych, dzięki czemu uczymy się razem.
> Do dalszej nauki zalecamy wybrane [moduły i ścieżki nauki Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Do dalszej nauki zalecamy realizację tych [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modułów i ścieżek edukacyjnych.
**Nauczyciele**, przygotowaliśmy [kilka sugestii](for-teachers.md), jak korzystać z tego programu.
**Nauczyciele**, przygotowaliśmy [kilka sugestii](for-teachers.md) dotyczących korzystania z tego programu nauczania.
---
## Wideoprzewodniki
Niektóre lekcje dostępne są w formie krótkich filmów. Znajdziesz je osadzone bezpośrednio w lekcjach lub na [playliście ML dla początkujących na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos) przez kliknięcie obrazka poniżej.
Niektóre lekcje dostępne są jako krótkie filmy. Możesz je znaleźć w liniach lekcji lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos), klikając poniższy obraz.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kliknij powyższy obraz, aby zobaczyć wideo o projekcie i osobach, które go stworzyły!
> 🎥 Kliknij powyższy obraz, aby zobaczyć film o projekcie i osobach, które go stworzyły!
---
## Pedagogika
W trakcie tworzenia tego programu kierowaliśmy się dwoma zasadami pedagogicznymi: zapewnieniem że jest on praktyczny i oparty na **projektach** oraz że zawiera **częste quizy**. Ponadto program ma wspólny **motyw przewodni**, by nadać mu spójność.
Wybraliśmy dwa założenia pedagogiczne przy tworzeniu tego programu: zapewnienie, że jest on praktyczny i oparty na **projektach**, oraz że zawiera **częste quizy**. Dodatkowo, program ma wspólny **motyw przewodni**, który nadaje mu spójność.
Zapewnienie zgodności treści z projektami sprawia, że proces jest angażujący dla uczniów, a zapamiętywanie pojęć zostaje zwiększone. Dodatkowo quiz o niskiej stawce przed zajęciami ustawia intencję ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program ten jest zaprojektowany jako elastyczny i zabawny, i może być realizowany w całości lub częściowo. Projekty zaczynają się od małych, a kończą na coraz bardziej złożonych pod koniec 12-tygodniowego cyklu. Program zawiera również posłowie dotyczące rzeczywistych zastosowań ML, które można wykorzystać jako dodatkową pracę lub bazę do dyskusji.
Zapewnienie, że treści są powiązane z projektami, sprawia, że proces nauki jest bardziej angażujący dla uczniów, a utrzymanie koncepcji zostanie wzmocnione. Ponadto, quiz o minimalnym ryzyku przed zajęciami ustawia intencję ucznia do nauki danego tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program nauczania został zaprojektowany jako elastyczny i przyjemny, można go ukończyć w całości lub częściowo. Projekty zaczynają się od małych i stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera również postscriptum o zastosowaniach ML w rzeczywistym świecie, które może być użyte jako dodatkowa nagroda lub podstawa do dyskusji.
> Znajdź nasze [Zasady zachowania](CODE_OF_CONDUCT.md), [Wkład](CONTRIBUTING.md), [Tłumaczenia](..) oraz wytyczne dotyczące [Rozwiązywania problemów](TROUBLESHOOTING.md). Czekamy na Twoje konstruktywne opinie!
## Każda lekcja zawiera
- opcjonalną notatkę graficzną
- opcjonalne wideo uzupełniające
- wideoprzewodnik (tylko niektóre lekcje)
- [quiz rozgrzewkowy przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
- pisemną lekcję
- dla lekcji opartych na projektach, przewodniki krok po kroku jak zbudować projekt
- sprawdzian wiedzy
- wyzwanie
- dodatkowe materiały do czytania
- zadanie
- opcjonalne notatki wizualne (sketchnote)
- opcjonalny film uzupełniający
- wideoprzewodnik (tylko niektóre lekcje)
- [quiz rozgrzewający przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
- pisemną lekcję
- w lekcjach opartych na projektach, krok po kroku przewodniki jak zbudować projekt
- sprawdzenia wiedzy
- wyzwanie
- uzupełniającą lekturę
- zadanie
- [quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
> **Informacja o językach**: Te lekcje są napisane głównie w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje plik **R Markdown**, który można po prostu zdefiniować jako osadzenie `fragmentów kodu` (R lub innych języków) oraz `nagłówka YAML` (który wskazuje, jak formatować wyniki, np. PDF) w `dokumencie Markdown`. W ten sposób służy jako wzorcowe środowisko autorskie dla nauki o danych, ponieważ pozwala łączyć Twój kod, jego wyniki i przemyślenia, umożliwiając ich zapisywanie w Markdown. Ponadto dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML lub Word.
> **Informacja o quizach**: Wszystkie quizy znajdują się w folderze [Quiz App folder](../../quiz-app), łącznie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby hostować lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj podstawowe koncepcje uczenia maszynowego | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj historię stojącą za tą dziedziną | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Sprawiedliwość a uczenie maszynowe | [Introduction](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które powinni rozważyć uczniowie przy budowaniu i stosowaniu modeli ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki uczenia maszynowego | [Introduction](1-Introduction/README.md) | Jakich technik używają badacze ML do budowania modeli ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Wprowadzenie do regresji | [Regression](2-Regression/README.md) | Zacznij z Pythonem i Scikit-learn dla modeli regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Wizualizuj i czyść dane przygotowując je do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj liniowe i wielomianowe modele regresji | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikacja Webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową do wykorzystania wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Wprowadzenie do klasyfikacji | [Classification](4-Classification/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Więcej klasyfikatorów | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Zbuduj rekomendacyjną aplikację webową używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do klasteryzacji | [Clustering](5-Clustering/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Natural language processing](6-NLP/README.md) | Naucz się podstaw NLP budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Popularne zadania NLP ☕️ | [Natural language processing](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP poznając typowe zadania związane z analizą struktur językowych | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tłumaczenie i analiza sentymentu ♥️ | [Natural language processing](6-NLP/README.md) | Tłumaczenie i analiza sentymentu na podstawie Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantyczne hotele w Europie ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie opinii o hotelach 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantyczne hotele w Europie ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie opinii o hotelach 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | [Time series](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie ARIMA | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie SVR | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych za pomocą Regresora Wektorów Wspierających | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Reinforcement learning](8-Reinforcement/README.md) | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Posłowie | Scenariusze i zastosowania ML w praktyce | [ML in the Wild](9-Real-World/README.md) | Interesujące i pouczające realne zastosowania klasycznego uczenia maszynowego | [Lesson](9-Real-World/1-Applications/README.md) | Zespół |
| Posłowie | Debugowanie modeli ML przy użyciu pulpitu RAI | [ML in the Wild](9-Real-World/README.md) | Debugowanie modeli w uczeniu maszynowym przy wykorzystaniu komponentów pulpitu Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Uwaga dotycząca języków**: Lekcje te są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, wejdź do folderu `/solution` i poszukaj lekcji R. Zawierają one rozszerzenie .rmd, które reprezentuje plik **R Markdown**, który można w uproszczeniu zdefiniować jako osadzenie `fragmentów kodu` (R lub innych języków) oraz `nagłówka YAML` (sterującego formatowaniem outputu np. PDF) w dokumencie `Markdown`. W ten sposób stanowi on znakomite narzędzie do tworzenia treści dla data science, pozwalając łączyć kod, jego output i notatki, które można zapisywać w Markdown. Dodatkowo, dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML czy Word.
> **Uwaga dotycząca quizów**: Wszystkie quizy znajdują się w folderze [Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania każdy. Są one podlinkowane w ramach lekcji, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Połączona lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe koncepcje uczenia maszynowego | [Lekcja](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj historię leżącą u podstaw tej dziedziny | [Lekcja](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Uczciwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne związane z uczciwością, które uczniowie powinni rozważyć, tworząc i stosując modele ML? | [Lekcja](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Jakich technik używają badacze ML do budowy modeli ML? | [Lekcja](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
| 05 | Wprowadzenie do regresji | [Regresja](2-Regression/README.md) | Zacznij pracę z Pythonem i Scikit-learn przy modelach regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dyń w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Wizualizuj i oczyść dane w przygotowaniu do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dyń w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Buduj modele regresji liniowej i wielomianowej | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau |
| 08 | Ceny dyń w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Zbuduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Aplikacja Webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową korzystającą z wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Wprowadzenie do klasyfikacji | [Klasyfikacja](4-Classification/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau |
| 11 | Przepyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau |
| 12 | Przepyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Więcej klasyfikatorów | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau |
| 13 | Przepyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Zbuduj aplikację rekomendacyjną korzystając z modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do klasteryzacji | [Klasteryzacja](5-Clustering/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Poznaj podstawy NLP, tworząc prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Typowe zadania NLP ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane ze strukturami języka | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tłumaczenie i analiza sentymentu ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Tłumaczenie i analiza sentymentu z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantyczne hotele w Europie ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantyczne hotele w Europie ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Wprowadzenie do prognozowania szeregów czasowych | [Szeregi czasowe](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z ARIMA | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z zastosowaniem ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z użyciem regresora wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia przez wzmacnianie | [Uczenie przez wzmacnianie](8-Reinforcement/README.md) | Wprowadzenie do uczenia przez wzmacnianie z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomóż Piotrowi unikać wilka! 🐺 | [Uczenie przez wzmacnianie](8-Reinforcement/README.md) | Ćwiczenia z uczenia przez wzmacnianie w Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Posłowie | Realne scenariusze i zastosowania ML | [ML w praktyce](9-Real-World/README.md) | Interesujące i odkrywcze zastosowania klasycznego uczenia maszynowego | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół |
| Posłowie | Debugowanie modeli ML z użyciem pulpitu RAI | [ML w praktyce](9-Real-World/README.md) | Debugowanie modeli uczenia maszynowego z komponentami pulpitu Responsible AI | [Lekcja](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Dostęp offline
Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Rozgałęź to repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona zostanie udostępniona na porcie 3000 na localhost: `localhost:3000`.
Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Rozgałęź ten repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim komputerze, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na lokalnym hoście: `localhost:3000`.
## PDF-y
## Pliki PDF
Pobierz pdf z programem nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Znajdź wersję pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Inne kursy
Nasz zespół tworzy także inne kursy! Sprawdź:
Nasz zespół tworzy również inne kursy! Sprawdź:
<!-- 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 / Agenci
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Seria Sztucznej Inteligencji Generatywnej
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Seria generatywnej sztucznej inteligencji
[](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)
@ -199,40 +199,40 @@ Nasz zespół tworzy także inne kursy! Sprawdź:
---
### Podstawowa nauka
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Seria Copilot
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, w której pytania są mile widziane, a wiedza jest swobodnie dzielona.
Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI, dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.
Dokument ten został przetłumaczony przy użyciu usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że staramy się zapewnić dokładność, prosimy mieć na uwadze, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym należy uważać za wiarygodne źródło informacji. W przypadku ważnych informacji zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
**Zastrzeżenie**:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako autorytatywne źródło informacji. W przypadku istotnych informacji zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.
> **Yerel olarak Klonlamayı mı Tercih Edersiniz?**
> **Yerel olarak mıKlonlamayı Tercih Edersiniz?**
>
> Bu depo, indirme boyutunu önemli ölçüde artıran 50'den fazla dil çevirisini içerir. Çevirileri olmadan klonlamak için özelleştirilmiş (sparse) çekme işlemi kullanın:
> Bu depo, indirme boyutunu önemli ölçüde artıran 50+ dil çevirisi içerir. Çeviriler olmadan klonlamak için sparse checkout kullanın:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,63 +33,63 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Bu, kursu tamamlamak için gereken her şeyi çok daha hızlı bir indirme ile size sağlar.
> Bu, kursu tamamlamak için ihtiyacınız olan her şeyi çok daha hızlı bir indirme ile size verir.
Bir Discord üzerinde AI ile öğrenme serimiz devam ediyor, daha fazla bilgi almak ve bize katılmak için [Learn with AI Series](https://aka.ms/learnwithai/discord) adresini ziyaret edin, 18 - 30 Eylül 2025 arasında. GitHub Copilot'u Veri Bilimi için kullanmanın ipuçları ve püf noktaları sizleri bekliyor.
AI ile öğrenme serimiz devam ediyor, daha fazla bilgi edinin ve 18 - 30 Eylül 2025 tarihleri arasında bize katılın [Learn with AI Series](https://aka.ms/learnwithai/discord). GitHub Copilot'u Veri Bilimi için kullanırken ipuçları ve püf noktaları alacaksınız.
# Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat
# Yeni Başlayanlar İçin Makine Öğrenmesi - Bir Müfredat
> 🌍 Makine Öğrenimini dünya kültürleri aracılığıyla keşfederken dünya turuna çıkın 🌍
> 🌍 Dünya kültürleri üzerinden Makine Öğrenmesini keşfederken dünyayı dolaşın 🌍
Microsoft'taki Bulut Savunucuları, tamamen **Makine Öğrenimi** üzerine odaklanmış 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta çoğunlukla Scikit-learn kütüphanesi kullanarak bazen klasik makine öğrenimi olarak adlandırılan yöntemi öğreneceksiniz ve derin öğrenmeden kaçınacaksınız; derin öğrenme bizim [Yeni Başlayanlar için Yapay Zeka müfredatımızda](https://aka.ms/ai4beginners) ele alınmaktadır. Bu dersleri ayrıca ['Yeni Başlayanlar için Veri Bilimi' müfredatımızla](https://aka.ms/ds4beginners) birleştirebilirsiniz!
Microsoft'taki Bulut Savunucuları, tamamen **Makine Öğrenmesi** ile ilgili 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen **klasik makine öğrenmesi** olarak adlandırılan şeyler, öncelikle Scikit-learn kütüphanesi kullanılarak ve bizim [Yapay Zeka için Yeni Başlayanlar müfredatımızda](https://aka.ms/ai4beginners) ele alınan derin öğrenmeden kaçınarak öğrenilecektir. Bu dersleri ayrıca ['Yeni Başlayanlar için Veri Bilimi müfredatıyla'](https://aka.ms/ds4beginners) eşleştirebilirsiniz!
Bu klasik teknikleri dünyanın birçok bölgesinden elde edilen veriler üzerinde uygularken bizimle dünya turuna çıkın. Her derste öncesinde ve sonrasında quizler, dersin tamamlanması için yazılı talimatlar, çözümler, ödevler ve daha fazlası bulunmaktadır. Proje tabanlı pedagojimiz, yeni becerilerin sağlam şekilde öğrenilmesini sağlayan bir yöntem olarak inşa edilir.
Bu klasik teknikleri dünyanın birçok bölgesinden gelen verilere uygularken bizimle birlikte yolculuk yapın. Her ders öncesinde ve sonrasında quizler, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlası bulunmaktadır. Proje tabanlı öğretim yöntemimiz, yeni becerilerin 'yerleşmesi' için kanıtlanmış bir yol olarak, öğrenirken inşa etmenizi sağlar.
**✍️ Samimi teşekkürler yazarlarımıza** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd
**✍️ Yazarlarımıza içten teşekkürler** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd
**🎨 Teşekkürler ayrıca illüstratörlerimize** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🎨 İllüstratörlerimize ayrıca teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımıza, inceleyicilerimize ve içerik katkıda bulunanlara**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🙏 Microsoft Öğrenci Elçileri yazarlarına, gözden geçirenlerine ve içerik katkı sağlayanlarına özel teşekkürler**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🤩 Ekstra teşekkürler Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya R derslerimiz için!**
**🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya R dersleri için ekstra teşekkürler!**
# Başlarken
Aşağıdaki adımları takip edin:
1. **Depoyu Forklayın**: Bu sayfanın sağ üstündeki "Fork" butonuna tıklayın.
Bu adımları izleyin:
1. **Depoyu Forklayın**: Bu sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın.
> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Bu ders için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, yapılandırma ve derslerin çalıştırılmasıyla ilgili yaygın sorunların çözümleri için [Sorun Giderme Rehberimize](TROUBLESHOOTING.md) bakın.
> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, ayar ve ders çalıştırma ile ilgili yaygın sorunların çözümleri için [Sorun Giderme Kılavuzumuzu](TROUBLESHOOTING.md) kontrol edin.
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için, tüm depoyu kendi GitHub hesabınıza forklayın ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm repoyu kendi GitHub hesabınıza fork yapın ve egzersizleri tek başınıza veya bir grupla tamamlayın:
- Ön ders sınavı ile başlayın.
- Dersi okuyun ve bilgiyi kontrol etmek için her bilgi kontrolünde durup düşünerek aktiviteleri tamamlayın.
- Çözümleri çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak her proje odaklı dersin `/solution` klasöründe bu çözümler mevcuttur.
- Ders sonrasısınavı yapın.
- Ders öncesi quiz ile başlayın.
- Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın.
- Çözüm kodunu çalıştırmak yerine dersleri anlayarak projeleri oluşturmaya çalışın; ancak çözüm kodu her proje odaklı dersin `/solution` klasörlerinde mevcuttur.
- Ders sonrasıquiz'i yapın.
- Mücadeleyi tamamlayın.
- Ödevi tamamlayın.
- Bir ders grubunu tamamladıktan sonra, [Tartışma Panosu](https://github.com/microsoft/ML-For-Beginners/discussions)'nu ziyaret edin ve uygun PAT (İlerleme Değerlendirme Aracı) rubric'ini doldurarak "yüksek sesle öğrenme" yapın. Ayrıca diğer PAT'lere tepki vererek birlikte öğrenebiliriz.
- Bir ders grubunu tamamladıktan sonra, [Tartışma Panosunu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT rubriğini doldurarak "sesli öğrenme" yapın. 'PAT' bir İlerleme Değerlendirme Aracı olup, öğreniminizi ilerletmek için doldurulan bir rubriktir. Ayrıca diğer PAT'lere tepki gösterebilir böylece birlikte öğrenebiliriz.
> Daha fazla çalışma için, bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenim yollarını takip etmenizi öneririz.
> Daha ileri çalışmalar için bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenme yollarını takip etmenizi öneririz.
**Öğretmenler**, bu müfredatın nasıl kullanılacağına dair [bazı öneriler](for-teachers.md) ekledik.
**Öğretmenler**, bu müfredatın nasıl kullanılacağına dair bazı[önerilerimizi](for-teachers.md) ekledik.
---
## Video anlatımları
## Video anlatımlar
Bazı dersler kısa form videolar olarak mevcuttur. Tüm videoları derslerde satır içi olarak veya [ML for Beginners oynatma listesinde Microsoft Developer YouTube kanalında](https://aka.ms/ml-beginners-videos) aşağıdaki görsele tıklayarak bulabilirsiniz.
Bazı dersler kısa video formatında mevcuttur. Bunların tümünü derslerin içinde veya Microsoft Developer YouTube kanalındaki [Yeni Başlayanlar için ML oynatma listesinde](https://aka.ms/ml-beginners-videos) aşağıdaki görsele tıklayarak bulabilirsiniz.
[](https://aka.ms/ml-beginners-videos)
@ -99,81 +99,81 @@ Bazı dersler kısa form videolar olarak mevcuttur. Tüm videoları derslerde sa
> 🎥 Proje ve yaratan kişiler hakkında video için yukarıdaki görsele tıklayın!
> 🎥 Proje ve yaratan kişiler hakkında bir video için yukarıdaki görsele tıklayın!
---
## Pedagoji
Bu müfredatı oluştururken iki pedagojik ilkeyi seçtik: uygulamalı**proje tabanlı** olmasını ve **sık quizler** içermesini sağlamak. Ayrıca, bu müfredat bütünlük kazandırmak için ortak bir **tema** içeriyor.
Bu müfredatı oluştururken iki pedagojik ilkeye karar verdik: pratik yapmaya dayalı**proje tabanlı** olması ve **sık quizler** içermesi. Ayrıca, müfredatın birleşikliğini sağlamak için ortak bir **tema** bulunmaktadır.
İçeriğin projelerle uyumlu olması, öğrencilerin sürece daha fazla dahil olmalarını ve kavramların kalıcılığını artırır. Ders öncesinde yapılan düşük riskli quiz, öğrencinin öğrenmeye yönelik amacını belirlerken, ders sonrası yapılan ikinci quiz öğrenmenin pekişmesini sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamen veya kısmen tamamlanabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Ayrıca müfredat, gerçek dünyadaki Makine Öğrenimi uygulamaları üzerine bir postskript içerir; bu ekstra kredi olarak veya tartışma temeli olarak kullanılabilir.
İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, ders öncesi düşük riskli bir quiz öğrencinin bir konuyu öğrenmeye yönelik niyetini belirlerken, ders sonrası ikinci quiz kavramların daha iyi pekişmesini sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmış olup, tümü veya bir kısmı takip edilebilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek karmaşıklaşır. Bu müfredat ayrıca, ek kredi veya tartışma temeli olarak kullanılabilecek ML'nin gerçek dünyadaki uygulamalarına dair bir son söz içermektedir.
> [Davranış Kurallarımızı](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviri](TRANSLATIONS.md) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildiriminizi memnuniyetle karşılıyoruz!
> [Davranış Kurallarımızı](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviriler](..) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!
## Her ders şunları içerir
## Her ders içeriği
- isteğe bağlıeskiz notu
- isteğe bağlıek video
- video anlatımı (bazı derslerde)
- [ders öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/)
- isteğe bağlıçizim notu
- isteğe bağlıtamamlayıcı video
- video anlatımı (sadece bazı derslerde)
- [ders öncesi ısınma quiz'i](https://ff-quizzes.netlify.app/en/ml/)
- yazılı ders
- proje tabanlı derslerde, projenin adım adım nasıl oluşturulacağına dair rehber
- proje tabanlı derslerde, projeyi nasıl oluşturacağınıza dair adım adım rehberler
> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için, `/solution` klasörüne gidin ve R derslerini arayın. Bunlar, R veya diğer dillerdeki `kod parçacıkları` ve çıktıların (örneğin PDF gibi) nasıl biçimlendirileceğini yönlendiren bir `YAML başlığı` içeren bir **R Markdown** dosyasını temsil eden .rmd uzantısına sahiptir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak, veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
> **Quizler hakkında bir not**: Tüm quizler [Quiz App klasöründe](../../quiz-app) bulunur, her biri üç sorudan oluşan toplam 52 quiz içerir. Quizler dersler içinde bağlantılıdır ancak quiz uygulaması yerel olarak çalıştırılabilir; yerel barındırma veya Azure'a dağıtım için `quiz-app` klasöründeki talimatları takip edin.
| Ders Numarası | Konu | Ders Grubu | Öğrenim Hedefleri | Bağlantılı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın tarihçesini öğrenin | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy |
| 03 | Adalet ve makine öğrenimi | [Giriş](1-Introduction/README.md) | Öğrencilerin ML modellerini oluştururken ve uygularken göz önünde bulundurması gereken önemli felsefi adalet konuları nelerdir? | [Ders](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Makine öğrenimi teknikleri | [Giriş](1-Introduction/README.md) | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen |
| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Kuzey Amerika kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Makine öğrenmesi için veri görselleştirme ve temizleme | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Kuzey Amerika kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lineer ve polinomiyal regresyon modelleri kurun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ve Dmitry • Eric Wanjau |
| 08 | Kuzey Amerika kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli kurun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğittiğiniz modelle bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ve Cassie • Eric Wanjau |
| 11 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ve Cassie • Eric Wanjau |
| 12 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ve Cassie • Eric Wanjau |
| 13 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak öneri yapan bir web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nijerya’nın müzik zevklerini keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Doğal dil işleme giriş ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP temel bilgilerini öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | [Doğal dil işleme](6-NLP/README.md) | Dil yapıları ile çalışırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Çeviri ve duygu analizi ♥️ | [Doğal dil işleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 21 | Zaman serisi tahminine giriş | [Zaman Serisi](7-TimeSeries/README.md) | Zaman serisi tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | [Zaman Serisi](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini | [Zaman Serisi](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Son Not | Gerçek Dünya ML Senaryoları ve Uygulamaları | [Doğada ML](9-Real-World/README.md) | Klasik ML’nin ilginç ve öğretici gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Ekip |
| Son Not | RAI panosu kullanarak ML’de Model Hata Ayıklama | [Doğada ML](9-Real-World/README.md) | Responsible AI pano bileşenleri kullanarak Makine Öğreniminde Model Hata Ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Bu kursun tüm ek kaynaklarını Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidin ve R derslerini arayın. Bunlar, bir **R Markdown** dosyasını temsil eden .rmd uzantısına sahiptir; bu, `kod parçacıkları` (R veya diğer dillerde) ve `YAML başlığı` (PDF gibi çıktı biçimlerinin nasıl formatlanacağını yönlendirir) içeren bir `Markdown belgeleri` gömme dosyası olarak basitçe tanımlanabilir. Dolayısıyla, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza izin vererek veri bilimi için örnek bir oluşturma çerçevesi sunar. Dahası, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.
> **Sınavlar hakkında bir not**: Tüm sınavlar [Quiz App klasöründe](../../quiz-app) bulunmakta olup, her biri üç sorudan oluşan toplam 52 sınav vardır. Derslerin içinde bağlantıları verilmiştir ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerel olarak barındırmak veya Azure’a dağıtmak için `quiz-app` klasöründeki talimatları izleyin.
| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğren | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alandaki tarihsel gelişmeleri öğren | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy |
| 03 | Adalet ve makine öğrenimi | [Giriş](1-Introduction/README.md) | Öğrencilerin ML modelleri oluştururken ve uygularken dikkate almaları gereken önemli adalet felsefi meselelerini anlamak | [Ders](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Makine öğrenimi teknikleri | [Giriş](1-Introduction/README.md) | Makine öğrenimi araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen |
| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Makine öğrenimi için veri görselleştirin ve temizleyin | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinomiyal regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ve Dmitry • Eric Wanjau |
| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ve Cassie • Eric Wanjau |
| 11 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ve Cassie • Eric Wanjau |
| 12 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ve Cassie • Eric Wanjau |
| 13 | Lezzetli Asya ve Hint mutfağı 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak öneri web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nijerya Müzik Tatlarını Keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Doğal dil işleme tanıtımı ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP'nin temellerini öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Yaygın NLP Görevleri ☕️ | [Doğal dil işleme](6-NLP/README.md) | Dil yapılarıyla uğraşırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Çeviri ve duygu analizi ♥️ | [Doğal dil işleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 21 | Zaman serileri tahminine giriş | [Zaman Serisi](7-TimeSeries/README.md) | Zaman serileri tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Dünya Elektrik Kullanımı ⚡️ - ARIMA ile zaman serileri tahmini | [Zaman Serisi](7-TimeSeries/README.md) | ARIMA ile zaman serileri tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Dünya Elektrik Kullanımı ⚡️ - SVR ile zaman serileri tahmini | [Zaman Serisi](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serileri tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| Son Söz | Gerçek dünya ML senaryoları ve uygulamaları | [Doğada ML](9-Real-World/README.md) | Klasik ML’nin ilginç ve açıklayıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Ekip |
| Son Söz | RAI dashboard kullanarak ML model hata ayıklama | [Doğada ML](9-Real-World/README.md) | Responsible AI dashboard bileşenleri kullanarak Makine Öğreniminde Model Hata Ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Çevrimdışı erişim
Bu dokümantasyonu çevrimdışı olarak [Docsify](https://docsify.js.org/#/) kullanarak çalıştırabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify'ı yükleyin](https://docsify.js.org/#/quickstart) ve ardından bu deponun kök klasöründe `docsify serve` yazın. Web sitesi, yerel makinenizde 3000 numaralı portta `localhost:3000` adresinde sunulacaktır.
[Docsify](https://docsify.js.org/#/) kullanarak bu dokümantasyonu çevrimdışıçalıştırabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify yükleyin](https://docsify.js.org/#/quickstart) ve ardından bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost’unuzda 3000 numaralı portta hizmet verecektir: `localhost:3000`.
Bağlantılarla birlikte müfredatın pdf’sini [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulun.
## 🎒 Diğer Kurslar
## 🎒 Diğer Kurslar
Ekibimiz başka kurslar da üretiyor! Göz atın:
Ekibimiz başka kurslar da üretiyor! Şunlara göz atın:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -191,48 +191,48 @@ Ekibimiz başka kurslar da üretiyor! Göz atın:
---
### Üretken AI Serisi
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Copilot Serisi
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
AI uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa, diğer öğrenenler ve deneyimli geliştiricilerle MCP hakkında tartışmalara katılın. Soruların hoş karşılandığı ve bilgi paylaşımının serbest olduğu destekleyici bir topluluktur.
Yapay zeka uygulamaları geliştirme sürecinde takılırsanız veya herhangi bir sorunuz olursa, MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Soruların hoş karşılandığı ve bilgilerin özgürce paylaşıldığı destekleyici bir topluluktur.
- Daha iyi anlamak için her dersten sonra not defterlerini gözden geçirin.
- Algoritmaları kendi başınıza uygulama pratiği yapın.
- Öğrenilen kavramlarıgerçek dünya veri setlerinde keşfedin.
- Algoritmaları kendi başınıza uygulayarak pratik yapın.
- Öğrenilen kavramlarıkullanarak gerçek dünya veri setlerini keşfedin.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Feragatname**:
Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen göz önünde bulundurun. Orijinal belge, kendi ana dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu oluşabilecek herhangi bir yanlış anlama veya yorumdan sorumlu değiliz.
Bu belge, [Co-op Translator](https://github.com/Azure/co-op-translator) adlı yapay zeka çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerde hatalar veya yanlışlıklar bulunabilir. Orijinal belge, kendi dilinde yetkili ve kesin kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda doğabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz.
localizeflow[bot]
1 week ago