> Tento repozitář obsahuje více než 50 překladů jazyků, což výrazně zvětšuje velikost stažení. Pro klonování bez překladů použijte sparse checkout:
> Tento repozitář obsahuje překlady do více než 50 jazyků, což výrazně zvětšuje velikost ke stažení. Chcete-li klonovat bez překladů, použijte sparse checkout:
Máme probíhající sérii Discord uč se s AI, dozvíte se více a přidejte se k nám na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro Data Science.
Máme probíhající Discord sérii Learn with AI, dozvíte se více a můžete se připojit na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18. do 30. září 2025. Získáte tipy a triky, jak používat GitHub Copilot pro Data Science.
# Strojové učení pro začátečníky – Kurikulum
# Strojové učení pro začátečníky - Osnova
> 🌍 Cestujte po celém světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍
> 🌍 Cestujte po světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍
Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní, 26lekcí kurikulum zaměřené na **strojové učení**. V tomto kurikulu se naučíte to, co se někdy nazývá **klasické strojové učení**, primárně s využitím knihovny Scikit-learn, přičemž se vyhnete hlubokému učení, které je zahrnuto v našem [kurikulu AI pro začátečníky](https://aka.ms/ai4beginners). Kombinujte tyto lekce s naším [kurikulem 'Data Science pro začátečníky'](https://aka.ms/ds4beginners)!
Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní osnovu se 26 lekcemi zaměřenými na **strojové učení**. V této osnově se naučíte něco, co se někdy nazývá **klasické strojové učení**, používající především knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem [kurzu AI pro začátečníky](https://aka.ms/ai4beginners). Tyto lekce můžete také skvěle kombinovat s naší osnovou ['Data Science pro začátečníky'](https://aka.ms/ds4beginners)!
Cestujte s námi po světě, když aplikujeme tyto klasické techniky na data z různých oblastí světa. Každá lekce obsahuje před- a po-lekční kvízy, písemné instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožní učit se během tvorby, což je osvědčený způsob, jak si nové dovednosti lépe osvojit.
Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých oblastí světa. Každá lekce zahrnuje před a po lekci testy, psané instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika umožňuje učit se při vytváření projektu, což je osvědčený způsob, jak nové dovednosti opravdu "zůstanou".
**✍️ Srdečné díky našim autorům** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
**✍️ Srdečné poděkování autorům** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd
**🎨 Díky také našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🎨 Poděkování také našim ilustrátorům** Tomomi Imura, Dasani Madipalli a Jen Looper
**🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z řad Microsoft Student Ambassador, zejména Rishitu Dalgimu, Muhammad Sakib Khan Inanovi, Rohanu Rajovi, Alexandru Petrescovi, Abhishek Jaiswalovi, Nawrin Tabassum, Ioanu Samuilaovi a Snigdha Agarwalovi**
**🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu ze studentského ambasádorského programu Microsoftu**, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal
**🤩 Další díky Microsoft Student Ambassadors Ericu Wanjauovi, Jasleen Sondhimu a Vidushi Gupta za naše lekce R!**
**🤩 Extra poděkování Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!**
# Začínáme
Postupujte podle těchto kroků:
1. **Vytvořte forknutí repozitáře**: Klikněte na tlačítko "Fork" vpravo nahoře na této stránce.
1. **Vytvořte Fork repozitáře**: Klikněte na tlačítko „Fork“ v pravém horním rohu této stránky.
> [všechny další zdroje pro tento kurz najdete v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [najdete zde všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Potřebujete pomoc?** Podívejte se na náš [Průvodce řešením problémů](TROUBLESHOOTING.md) pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.
> 🔧 **Potřebujete pomoc?** Podívejte se na náš [Průvodce řešením problémů](TROUBLESHOOTING.md) pro běžné problémy při instalaci, nastavení a spuštění lekcí.
**[Studenti](https://aka.ms/student-page)**, pro použití této osnovy, vytvořte fork celého repozitáře do svého GitHub účtu a vypracujte cvičení sami nebo ve skupině:
**[Studenti](https://aka.ms/student-page)**, pro použití tohoto kurikula vytvořte forknutí celého repozitáře na váš GitHub účet a cvičení dokončujte sami nebo ve skupině:
- Začněte testem před lekcí.
- Přečtěte si lekci a dokončete aktivity, při každé znalostní kontrole se zastavte a zamyslete.
- Snažte se vytvářet projekty pochopením lekcí místo pouhého spuštění řešení; kód je však dostupný ve složce `/solution` v každé projektově orientované lekci.
- Udělejte test po lekci.
- Dokončete výzvu.
- Dokončete zadání.
- Po dokončení skupiny lekcí navštivte [Diskusní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a "učte se nahlas" vyplněním příslušné PAT rubricy. 'PAT' je nástroj hodnocení pokroku, který vyplníte, abyste prohloubili své učení. Můžete také reagovat na jiné PAT a učit se společně.
- Začněte přednáškovým kvízem.
- Přečtěte si přednášku a dokončete aktivity, zastavujte se a přemýšlejte při každé znalostní kontrole.
- Snažte se vytvářet projekty pochopením lekcí místo pouhého spouštění řešení; toto řešení je však dostupné ve složkách `/solution` v každé lekci orientované na projekt.
- Udělejte po přednášce kvíz.
- Splňte výzvu.
- Splňte úkol.
- Po dokončení skupiny lekcí navštivte [Diskuzní fórum](https://github.com/microsoft/ML-For-Beginners/discussions) a „učte se nahlas“ vyplněním příslušné rubriky PAT. PAT je Nástroj pro hodnocení pokroku, kterým si zlepšíte své učení. Také můžete reagovat na PAT jiných, abychom se učili společně.
> Pro další studium doporučujeme sledovat tyto moduly a učební cesty na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Pro další studium doporučujeme sledovat tyto moduly a učební cesty [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Učitelé**, máme [několik návrhů](for-teachers.md), jak používat toto kurikulum.
**Učitelé**, přiložili jsme [několik doporučení](for-teachers.md), jak tuto osnovu využít.
---
## Video průvodci
Některé lekce jsou dostupné jako krátká videa. Všechny je najdete přímo v lekcích nebo na [playlistu ML pro začátečníky na YouTube kanálu Microsoft Developer](https://aka.ms/ml-beginners-videos) kliknutím na níže uvedený obrázek.
Některé lekce jsou dostupné jako krátká videa. Všechny najdete v lekcích přímo nebo na playlistu [ML for Beginners na YouTube kanálu Microsoft Developer](https://aka.ms/ml-beginners-videos) kliknutím na obrázek níže.
[](https://aka.ms/ml-beginners-videos)
@ -107,73 +106,73 @@ Některé lekce jsou dostupné jako krátká videa. Všechny je najdete přímo
## Pedagogika
Při tvorbě tohoto kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo praktické a **projektově orientované**, a aby obsahovalo **časté kvízy**. Dále má toto kurikulum společné **téma**, které mu dává soudržnost.
Při vytváření této osnovy jsme zvolili dva pedagogické principy: zajistit, aby byla praktická a projektově orientovaná, a zároveň obsahovala časté kvízy. Navíc má tato osnova společné **téma**, které jí dodává soudržnost.
Zajištěním souladu obsahu s projekty je proces pro studenty zajímavější a zvyšuje se udržení konceptů. Nízkorizikový kvíz před vyučováním nastaví záměr studenta učit se dané téma a druhý po vyučování zajistí další zapamatování. Toto kurikulum je navrženo tak, aby bylo flexibilní a zábavné a lze jej absolvovat celé nebo po částech. Projekty začínají malé a na konci 12týdenního cyklu jsou stále složitější. Kurikulum také obsahuje dodatek o reálných aplikacích ML, který lze využít jako bonusový úkol nebo základy pro diskusi.
Díky tomu, že obsah je sladěn s projekty, je proces pro studenty poutavější a zvyšuje se zapamatování konceptů. Nízkorizikový kvíz před lekcí nastavuje záměr studenta na učení tématu, zatímco druhý kvíz po lekci posiluje další zapamatování. Osnova byla navržena tak, aby byla flexibilní a zábavná, a lze ji absolvovat celou nebo po částech. Projekty začínají malé a koncem 12týdenního cyklu se stávají složitějšími. V osnově je také poscriptum o reálných aplikacích strojového učení, které může sloužit jako extra kredit nebo jako základ pro diskusi.
- [kvíz před lekcí](https://ff-quizzes.netlify.app/en/ml/)
- psanou lekci
- u projektově orientovaných lekcí krok za krokem návod, jak projekt vytvořit
- u projektově orientovaných lekcí podrobný návod, jak projekt vytvořit
- znalostní kontroly
- výzvu
- doplňující četbu
- doplňující čtení
- úkol
- [povolený kvíz po přednášce](https://ff-quizzes.netlify.app/en/ml/)
> **Poznámka o jazycích**: Tyto lekce jsou primárně psány v Pythonu, ale mnohé jsou dostupné také v jazyce R. Pro dokončení lekce v R přejděte do složky `/solution` a vyhledejte lekce v R. Ty obsahují příponu .rmd, která představuje **R Markdown** soubor, což lze jednoduše definovat jako vkládání `kódových bloků` (v R nebo jiných jazycích) a `YAML hlavičky` (která určuje, jak formátovat výstupy jako PDF) do `Markdown dokumentu`. Jako takový slouží jako příkladný autorovací rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstup a vaše poznámky tím, že vám dovoluje psát je v Markdownu. Navíc lze dokumenty R Markdown vyrenderovat do výstupních formátů, jako jsou PDF, HTML nebo Word.
> **Poznámka o kvízech**: Všechny kvízy jsou obsaženy ve [složce Quiz App](../../quiz-app), celkem 52 kvízů po třech otázkách každý. Jsou propojeny v jednotlivých lekcích, ale kvízová aplikace může být spuštěna lokálně; následujte instrukce ve složce `quiz-app` pro lokální hostování nebo nasazení na Azure.
| Číslo lekce | Téma | Skupina lekcí | Cíle učení | Propojená lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Naučit se základní koncepty strojového učení | [Lekce](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Seznámit se s historií tohoto oboru | [Lekce](1-Introduction/2-history-of-ML/README.md) | Jen a Amy |
| 03 | Spravedlnost a strojové učení | [Úvod](1-Introduction/README.md) | Jaké jsou důležité filozofické otázky týkající se spravedlnosti, které by studenti měli zvážit při tvorbě a aplikaci ML modelů? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky strojového učení | [Úvod](1-Introduction/README.md) | Jaké techniky využívají výzkumníci ML při tvorbě ML modelů? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regresní analýzy | [Regrese](2-Regression/README.md) | Začít s Pythonem a Scikit-learn pro regresní modely | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vizualizovat a vyčistit data pro ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Postavit lineární a polynomiální regresní modely | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Postavit logistický regresní model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)| Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Web App](3-Web-App/README.md) | Vytvořit webovou aplikaci k použití vašeho natrénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Vyčistit, připravit a vizualizovat data; úvod do klasifikace | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Úvod do klasifikátorů | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Další klasifikátory | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Vytvořit doporučující webovou aplikaci s použitím vašeho modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Úvod do shlukování | [Shlukování](5-Clustering/README.md) | Vyčistit, připravit a vizualizovat data; úvod do shlukování | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Zkoumání nigerijských hudebních vkusů 🎧 | [Shlukování](5-Clustering/README.md) | Prozkoumat metodu K-Means shlukování | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučit se základy NLP tvorbou jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Běžné úkoly NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohloubit znalosti NLP porozuměním běžných úkolů potřebných při práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Překlad a analýza sentimentu ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Překlad a analýza sentimentu s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 21 | Úvod do predikce časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do predikce časových řad | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Spotřeba světové energie ⚡️ - predikce časových řad s ARIMA | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Spotřeba světové energie ⚡️ - predikce časových řad s SVR | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí Support Vector Regressoru | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Úvod do posilovaného učení | [Posilované učení](8-Reinforcement/README.md) | Úvod do posilovaného učení s Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomozte Peterovi vyhnout se vlkovi! 🐺 | [Posilované učení](8-Reinforcement/README.md) | Posilované učení s Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Reálné scénáře a aplikace ML | [ML v praxi](9-Real-World/README.md) | Zajímavé a poučné reálné aplikace klasického ML | [Lekce](9-Real-World/1-Applications/README.md) | Tým |
| Postscript | Ladění modelů v ML pomocí RAI dashboardu | [ML v praxi](9-Real-World/README.md) | Ladění modelů v ML pomocí komponent dashboardu Responsible AI | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
- [kvíz po lekci](https://ff-quizzes.netlify.app/en/ml/)
> **Poznámka k jazykům**: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je dostupných i v R. Pro dokončení lekce v R přejděte do složky `/solution` a vyhledejte lekce v R. Obsahují příponu .rmd, která představuje **R Markdown** soubor, což lze jednoduše definovat jako kombinaci `kódových bloků` (v R nebo jiných jazycích) a `YAML hlavičky` (která určuje, jak formátovat výstupy jako PDF) v `Markdown dokumentu`. Díky tomu slouží jako vzorový autorský rámec pro datovou vědu, protože umožňuje kombinovat kód, jeho výstupy a vaše poznámky psané v Markdownu. R Markdown dokumenty lze navíc převádět do výstupních formátů jako PDF, HTML nebo Word.
> **Poznámka k kvízům**: Všechny kvízy jsou obsaženy ve složce [Quiz App](../../quiz-app), celkem 52 kvízů po třech otázkách. Jsou propojeny v lekcích, ale aplikaci kvízů lze spustit i lokálně; postupujte podle instrukcí ve složce `quiz-app`, abyste aplikaci spustili lokálně nebo nasadili na Azure.
| Číslo lekce | Téma | Skupina lekcí | Vzdělávací cíle | Propojená lekce | Autor |
| 01 | Úvod do strojového učení | [Úvod](1-Introduction/README.md) | Seznámení se základními koncepty strojového učení | [Lekce](1-Introduction/1-intro-to-ML/README.md) |Muhammad |
| 02 | Historie strojového učení | [Úvod](1-Introduction/README.md) | Naučit se historii, na které toto pole stojí | [Lekce](1-Introduction/2-history-of-ML/README.md) | Jen a Amy |
| 03 | Spravedlnost a strojové učení | [Úvod](1-Introduction/README.md) | Jaké jsou důležité filozofické otázky o spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci modelů ML? | [Lekce](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniky pro strojové učení | [Úvod](1-Introduction/README.md) | Jaké techniky používají vědci ML pro tvorbu modelů? | [Lekce](1-Introduction/4-techniques-of-ML/README.md) | Chris a Jen |
| 05 | Úvod do regresních modelů | [Regrese](2-Regression/README.md) | Začít s Pythonem a Scikit-learn pro regresní modely | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vizualizovat a vyčistit data před ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vybudovat lineární a polynomické regresní modely | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen a Dmitry • Eric Wanjau |
| 08 | Ceny dýní v Severní Americe 🎃 | [Regrese](2-Regression/README.md) | Vybudovat logistický regresní model | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webová aplikace 🔌 | [Web App](3-Web-App/README.md) | Vybudovat webovou aplikaci pro použití vašeho natrénovaného modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Úvod do klasifikace | [Klasifikace](4-Classification/README.md) | Vyčistit, připravit a vizualizovat data; úvod do klasifikace | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen a Cassie • Eric Wanjau |
| 11 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Úvod do klasifikátorů | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen a Cassie • Eric Wanjau |
| 12 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Další klasifikátory | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen a Cassie • Eric Wanjau |
| 13 | Lahodné asijské a indické kuchyně 🍜 | [Klasifikace](4-Classification/README.md) | Vybudovat doporučující webovou aplikaci pomocí vašeho modelu | [Python](4-Classification/4-Applied/README.md) |Jen |
| 14 | Úvod ke shlukování | [Shlukování](5-Clustering/README.md) | Vyčistit, připravit a vizualizovat data; úvod ke shlukování | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Průzkum nigerijských hudebních chutí 🎧 | [Shlukování](5-Clustering/README.md)| Prozkoumat metodu shlukování K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Úvod do zpracování přirozeného jazyka ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Naučit se základy NLP vytvořením jednoduchého bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) |Stephen |
| 17 | Běžné úkoly NLP ☕️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Prohloubit znalosti NLP porozuměním běžným úkolům požadovaným při práci s jazykovými strukturami | [Python](6-NLP/2-Tasks/README.md) |Stephen |
| 18 | Překlad a sentimentální analýza ♥️ | [Zpracování přirozeného jazyka](6-NLP/README.md) | Překlad a sentimentální analýza s Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md)| Stephen |
| 21 | Úvod do predikce časových řad | [Časové řady](7-TimeSeries/README.md) | Úvod do predikce časových řad | [Python](7-TimeSeries/1-Introduction/README.md)|Francesca |
| 22 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad ARIMA | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí ARIMA |[Python](7-TimeSeries/2-ARIMA/README.md) |Francesca |
| 23 | ⚡️ Světová spotřeba energie ⚡️ - predikce časových řad SVR | [Časové řady](7-TimeSeries/README.md) | Predikce časových řad pomocí Support Vector Regressoru | [Python](7-TimeSeries/3-SVR/README.md) |Anirban |
| 24 | Úvod do posilovaného učení | [Posilované učení](8-Reinforcement/README.md) | Úvod do posilovaného učení pomocí Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md)|Dmitry |
| 25 | Pomozte Petrovi vyhnout se vlkovi! 🐺 | [Posilované učení](8-Reinforcement/README.md) | Posilované učení s Gym |[Python](8-Reinforcement/2-Gym/README.md) |Dmitry |
| Posloupnost | Skutečné scénáře a aplikace ML | [ML ve světě](9-Real-World/README.md) | Zajímavé a poučné reálné aplikace klasického ML | [Lekce](9-Real-World/1-Applications/README.md)| Tým |
| Posloupnost | Ladění modelů v ML pomocí RAI dashboardu | [ML ve světě](9-Real-World/README.md) | Ladění modelů v ML pomocí komponent Responsible AI dashboardu | [Lekce](9-Real-World/2-Debugging-ML-Models/README.md)|Ruth Yakubu |
> [najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline přístup
Tuto dokumentaci můžete spustit offline pomocí [Docsify](https://docsify.js.org/#/). Forkněte si tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj počítač a poté v kořenové složce tohoto repozitáře spusťte příkaz `docsify serve`. Web bude dostupný na portu 3000 na vašem localhostu: `localhost:3000`.
Tuto dokumentaci můžete spustit offline pomocí [Docsify](https://docsify.js.org/#/). Zforkujte si tento repozitář, [nainstalujte Docsify](https://docsify.js.org/#/quickstart) na svůj počítač a potom v kořenové složce tohoto repozitáře zadejte příkaz `docsify serve`. Webová stránka poběží na portu 3000 na vašem localhostu: `localhost:3000`.
## PDF
Najděte pdf osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Najdete zde PDF osnovy s odkazy [zde](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Další kurzy
Náš tým vytváří i další kurzy! Podívejte se:
Náš tým vytváří i další kurzy! Podívejte se na:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
@ -185,54 +184,54 @@ Náš tým vytváří i další kurzy! Podívejte se:
### Azure / Edge / MCP / Agenti
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Séria generativní AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Série generativní AI
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Základní vzdělávání
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[](https://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)
### Základní učení
[](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)
---
### Séria 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)
Pokud se zaseknete nebo máte jakékoli otázky ohledně vytváření AI aplikací, připojte se k ostatním studentům a zkušeným vývojářům v diskuzích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti jsou sdíleny otevřeně.
Pokud uvíznete nebo máte jakékoli otázky ohledně vytváření AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům k diskuzím o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti jsou sdíleny volně.
- Po každé lekci si prohlédněte poznámkové bloky pro lepší pochopení.
- Procvičujte si implementaci algoritmů sami.
- Prozkoumejte reálné datové sady pomocí naučených konceptů.
- Po každé lekci si projděte zápisky pro lepší porozumění.
- Procvičujte si implementaci algoritmů samostatně.
- Prozkoumávejte reálné datasety pomocí naučených konceptů.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Prohlášení o vyloučení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). Přestože usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za závazný zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme odpovědni za případná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
**Prohlášení o vyloučení odpovědnosti**:
Tento dokument byl přeložen pomocí AI překladatelské služby [Co-op Translator](https://github.com/Azure/co-op-translator). I když usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za žádná nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.
> Ez a tároló több mint 50 nyelvi fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítás nélkül szeretnéd klónozni, használj sparse checkout-ot:
> Ez a tárház több mint 50 nyelvre készült fordítást tartalmaz, ami jelentősen megnöveli a letöltési méretet. Ha fordítások nélkül szeretnéd klónozni, használj sparse checkout-ot:
>
> **Bash / macOS / Linux:**
> ```bash
@ -33,163 +33,163 @@
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
> ```
>
> Ez minden szükséges dolgot megad, hogy el tudd végezni a kurzust sokkal gyorsabb letöltéssel.
> Ez mindent biztosít, amire szükséged van a tanfolyam elvégzéséhez, sokkal gyorsabb letöltéssel.
Folyamatban van egy Discord tanulási sorozat MI-vel, tudj meg többet és csatlakozz hozzánk a [Learn with AI Series](https://aka.ms/learnwithai/discord) oldalon 2025. szeptember 18-30. között. GitHub Copilot használatával kapcsolatos tippeket és trükköket kapsz az adat tudományhoz.
Folyamatban van egy Discord „Tanulj AI-val” sorozatunk, tudj meg többet és csatlakozz hozzánk a [Learn with AI Series](https://aka.ms/learnwithai/discord) oldalán 2025. szeptember 18. és 30. között. Tippeket és trükköket kapsz a GitHub Copilot adat tudományi használatához.
# Gépi Tanulás Kezdőknek – Tananyag
# Gépi tanulás kezdőknek – Tananyag
> 🌍 Utazz végig a világon, miközben a világ kultúráin keresztül fedezzük fel a Gépi Tanulást 🌍
> 🌍 Utazz velünk a világ körül, miközben a gépi tanulást a világ kultúráinak szemszögén keresztül fedezzük fel 🌍
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot a **Gépi Tanulásról**. Ebben a tananyagban az úgynevezett **klasszikus gépi tanulást** ismerheted meg, elsősorban a Scikit-learn könyvtár használatával, elkerülve a mélytanulást, amely az [AI kezdőknek tananyagunkban](https://aka.ms/ai4beginners) szerepel. Párosítsd ezt a leckéket a ['Data Science kezdőknek tananyagunkkal'](https://aka.ms/ds4beginners), is!
A Microsoft Cloud Advocates örömmel kínál egy 12 hetes, 26 leckéből álló tananyagot a **gépi tanulásról**. Ebben a tananyagban olyan klasszikus gépi tanulásról tanulsz, amely elsősorban a Scikit-learn könyvtárra épül, a mély tanulást pedig kihagyja, amit az [AI for Beginners tananyagunkban](https://aka.ms/ai4beginners) találhatsz meg. Ezt a tananyagot párosítsd a ['Data Science for Beginners' tananyagunkkal](https://aka.ms/ds4beginners) is!
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat sok világterület adatain alkalmazzuk. Minden lecke tartalmaz elő- és utó-leckekvízeket, írott utasításokat a lecke befejezéséhez, megoldást, feladatot és még sok mást. Projektalapú oktatásunk lehetővé teszi, hogy tanulj miközben építesz, amely kipróbált módszer az új készségek hatékony elsajátításához.
Utazz velünk a világ körül, miközben ezeket a klasszikus technikákat a világ számos adatforrására alkalmazzuk. Minden lecke elő- és utótesztet tartalmaz, írásos útmutatót a lecke teljesítéséhez, megoldást, feladatot és egyebeket. Projektalapú oktatásunk lehetővé teszi, hogy építés közben tanulj, ami bizonyítottan segíti az új készségek rögzülését.
**✍️ Őszinte köszönet szerzőinknek:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**✍️ Szívből köszönjük szerzőinknek:** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu és Amy Boyd
**🎨 Köszönet illusztrátorainknak:** Tomomi Imura, Dasani Madipalli, és Jen Looper
**🎨 Köszönet illusztrátorainknak is:** Tomomi Imura, Dasani Madipalli, és Jen Looper
**🙏 Külön köszönet 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, értékelőinknek és tartalom hozzájárulóinknak**, különösen Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila és Snigdha Agarwal
**🙏 Külön köszönet 🙏 Microsoft Hallgatói Nagykövet szerzőinknek, lektorainknak és tartalomközreműködőinknek**, kiemelten Rishit Daglinek, Muhammad Sakib Khan Inannak, Rohan Rajnak, Alexandru Petrescunak, Abhishek Jaiswalnak, Nawrin Tabassumnak, Ioan Samuilának és Snigdha Agarwalnak
**🤩 Plusz köszönet Microsoft Hallgatói Nagyköveteknek Eric Wanjau, Jasleen Sondhi, és Vidushi Gupta-nak a R leckékért!**
**🤩 Extra köszönet Microsoft Hallgatói Nagyköveteknek Eric Wanjau-nak, Jasleen Sondhi-nak és Vidushi Guptának az R leckéinkért!**
# Kezdés
Kövesd ezeket a lépéseket:
1. **Forkold le a tárolót**: Kattints a "Fork" gombra az oldal jobb felső sarkában.
2. **Klónozd a tárolót**:`git clone https://github.com/microsoft/ML-For-Beginners.git`
1. **Válaszd le a tárházat:** Kattints a jobb felső sarokban a "Fork" gombra.
2. **Klónozd a tárházat:**`git clone https://github.com/microsoft/ML-For-Beginners.git`
> [Minden további erőforrást megtalálsz az ezen tananyaghoz tartozó Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [a tanfolyam további erőforrásait megtalálod Microsoft Learn gyűjteményünkben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Segítségre van szükséged?** Nézd meg [Hibaelhárítási Útmutatónkat](TROUBLESHOOTING.md) az általános telepítési, beállítási és leckefuttatási problémák megoldásához.
> 🔧 **Segítségre van szükséged?** Nézd meg a [Hibaelhárítási útmutatónkat](TROUBLESHOOTING.md) a telepítési, beállítási és lecke lefuttatási problémák megoldásához.
**[Diákok](https://aka.ms/student-page)**, a tananyag használatához klónozd saját GitHub fiókodra az egész tárolót, és végezd el a feladatokat egyedül vagy csoportban:
**[Diákok](https://aka.ms/student-page)**, hogy használjátok ezt a tananyagot, fork-old le a teljes repo-t a saját GitHub fiókodra, és végezd el a feladatokat egyedül vagy csoportban:
- Kezdd egy előadás előtti kvízzel.
- Olvasd el az előadást, és végezd el a feladatokat, megállva és reflektálva minden tudásellenőrzésnél.
- Próbáld megérteni a leckéket és magadtól megalkotni a projekteket ahelyett, hogy egyszerűen lefuttatnád a megoldó kódot; azonban a kód elérhető a `/solution` mappákban minden projektalapú leckénél.
- Végezd el az előadás utáni kvízt.
- Kezdj az előadás előtti teszttel.
- Olvasd el az előadást és végezd el a feladatokat, megállva és átgondolva minden tudásellenőrzésnél.
- Próbáld megérteni a leckéket és a tanultak alapján megalkotni a projekteket, a megoldó kód futtatása helyett; azonban a kód elérhető a `/solution` mappákban minden projektorientált leckénél.
- Tedd meg az előadás utáni tesztet.
- Teljesítsd a kihívást.
- Teljesítsd a feladatot.
- Egy leckecsoport elvégzése után látogass el a [Vitatófelületre](https://github.com/microsoft/ML-For-Beginners/discussions), és "tanulj hangosan" a megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy előrehaladás értékelő eszköz, amely egy értékelőlap a tanulás elősegítésére. Más PAT-ekre is reagálhatsz, hogy együtt tanulhassunk.
- Egy leckecsoport befejezése után látogasd meg a [Vita fórumot](https://github.com/microsoft/ML-For-Beginners/discussions) és „tanulj hangosan” egy megfelelő PAT értékelőlap kitöltésével. A 'PAT' egy haladás értékelő eszköz, egy értékelőlap, amit kitöltve tovább mélyíted a tanulásod. Reagálhatsz más PAT-ekre is, így együttesen tanulhatunk.
> További tanuláshoz ajánljuk ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
> A további tanuláshoz javasoljuk, hogy kövesd ezeket a [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulokat és tanulási útvonalakat.
**Tanárként**, találhatsz [néhány javaslatot](for-teachers.md) arra, hogyan használd ezt a tananyagot.
**Tanárként** itt találsz néhány [javaslatot](for-teachers.md), hogyan használd ezt a tananyagot.
---
## Videós ismertetések
## Videós bemutatók
Néhány lecke rövid videó formájában is elérhető. Ezeket megtalálod beágyazva a leckékben, vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornán](https://aka.ms/ml-beginners-videos), ha a lenti képre kattintasz.
Néhány lecke rövid videó formájában is elérhető. Ezeket megtekintheted a leckékben közvetlenül vagy a [ML for Beginners lejátszási listán a Microsoft Developer YouTube csatornáján](https://aka.ms/ml-beginners-videos) a lenti képre kattintva.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kattints a fenti képre, hogy megnézd a projektet és a készítőket bemutató videót!
> 🎥 Kattints a fenti képre, hogy videót nézz meg a projektről és annak alkotóiról!
---
## Pedagógia
Két oktatási alapelvet választottunk e tananyag építése során: hogy gyakorlatias, **projektalapú** legyen, és hogy tartalmazzon **gyakori kvízeket**. Emellett a tananyag egy közös **témára** épül, hogy egységet alkosson.
Azáltal, hogy a tartalom projektekhez igazodik, az egész folyamat motiválóbbá válik a tanulók számára, és az ismeretek jobban rögzülnek. Az alacsony tétű kvíz az óra előtt segít a tanulónak a témára fókuszálni, míg az utólagos kvíz a további rögzítést biztosítja. A tananyag rugalmas és szórakoztató, egészben vagy részekben is végezhető. A projektek kis lépésekkel kezdődnek és fokozatosan összetettebbé válnak a 12 hetes ciklus végére. A tananyag végén egy utószó van valós világban alkalmazott ML példákról, ami plusz pontnak vagy vitaalapnak is használható.
> Találd meg a [Magatartási Kódexünket](CODE_OF_CONDUCT.md), a [Hozzájárulásról szóló útmutatót](CONTRIBUTING.md), a [Fordításról](TRANSLATIONS.md), és a [Hibaelhárítási útmutatót](TROUBLESHOOTING.md). Várjuk építő jellegű visszajelzésedet!
## Minden lecke tartalmaz
- opcionális skiccnote-ot
- opcionális kiegészítő videót
- videós ismertetőt (csak néhány leckénél)
- [előadás előtti bemelegítő kvízt](https://ff-quizzes.netlify.app/en/ml/)
- írott leckét
- projektalapú leckékhez lépésről lépésre útmutatót a projekt elkészítéséhez
- tudásellenőrző kérdéseket
- kihívást
- kiegészítő olvasmányt
- feladatot
- [előadás utáni kvízt](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Pythonban íródtak, de sok elérhető R-ben is. Egy R leckéhez a `/solution` mappába kell menni, és ott megkeresni az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** fájlt jelentenek, amit egyszerűen úgy lehet meghatározni, hogy beágyazott `kódblokkokat` (R vagy más nyelvek) és egy `YAML fejlécet` (ami meghatározza a kimenetek, például PDF formátum formázását) tartalmaz egy `Markdown dokumentumban`. Így mintaszerű szerkesztési keretet jelentenek az adatelemzéshez, mivel lehetővé teszik, hogy a kódot, annak kimenetét és a gondolataidat maradéktalanul Markdownban írd le. Ezenkívül az R Markdown dokumentumok PDF, HTML vagy Word kimeneti formátumokra is konvertálhatók.
> **Megjegyzés a kvízekről**: Az összes kvíz megtalálható a [Quiz App mappában](../../quiz-app), összesen 52 kvíz három kérdéssel. Ezek össze vannak kötve a leckékkel, de a kvíz alkalmazás helyileg is futtatható; kövesd a `quiz-app` mappában található utasításokat a helyi hosztoláshoz vagy Azure-ra való telepítéshez.
| Lecke száma | Téma | Lecke csoportosítása | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapfogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület mögötti történelmet | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Melyek a fontos filozófiai kérdések a méltányossággal kapcsolatban, amelyeket figyelembe kell venni ML modellek építésekor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat használnak a gépi tanulás kutatói modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekkel | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Vizualizáld és tisztítsd meg az adatokat a gépi tanulás előkészítéséhez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Készíts lineáris és polinomiális regressziós modelleket | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 09 | Egy webalkalmazás 🔌 | [Web App](3-Web-App/README.md) | Építs webalkalmazást a betanított modelled használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, készítsd elő és vizualizáld az adatodat; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Finom ázsiai és indiai ételek 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókhoz | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Finom ázsiai és indiai ételek 🍜 | [Osztályozás](4-Classification/README.md) | Több osztályozó | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Finom ázsiai és indiai ételek 🍜 | [Osztályozás](4-Classification/README.md) | Készíts ajánló webalkalmazást a modelled segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő és vizualizáld az adatodat; Bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Nigériai zenei ízlések felfedezése 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel a K-Means klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Ismerd meg az NLP alapjait egy egyszerű bot készítésével | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítsd el NLP ismereteidet olyan gyakori feladatok megértésével, amelyek a nyelvi struktúrákkal kapcsolatosak | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelemelemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austennel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szálloda véleményekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szálloda véleményekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Idősorok](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utóirat | Valós világ ML helyzetek és alkalmazások | [ML a gyakorlatban](9-Real-World/README.md) | Érdekes és feltáró valódi alkalmazások a klasszikus gépi tanulásban | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utóirat | Modellhibakeresés ML-ben az RAI dashboarddal | [ML a gyakorlatban](9-Real-World/README.md) | Modellhibakeresés gépi tanulásban a Responsible AI dashboard komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [itt találod a kurzus további erőforrásait a Microsoft Learn gyűjteményben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline hozzáférés
Ez a dokumentáció offline módban is futtatható a [Docsify](https://docsify.js.org/#/) segítségével. Készíts forkot erről a repóról, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépedre, majd a repo gyökér mappájában írd be a `docsify serve` parancsot. A weboldal a localhost 3000-es portján lesz elérhető: `localhost:3000`.
## Didaktika
Két oktatási elvet választottunk a tananyag kialakításakor: projekt alapú, gyakorlati jelleg biztosítása, illetve gyakori kvízek beiktatása. Emellett a tananyagnak közös **téma** ad koherenciát.
Az tartalom projektekhez való igazítása élvezetesebbé teszi a tanulók számára a folyamatot, és fokozza a fogalmak megtartását. Egy alacsony tétű kvíz az óra előtt beállítja a tanulók szándékát egy téma tanulására, míg a kicsivel később, az óra után tartott kvíz további megtartást szolgál. Ez a tananyag rugalmas és szórakoztató, egészben vagy részleteiben is elvégezhető. A projektek a kis kezdéstől fokozatosan egyre összetettebbé válik a 12 hetes ciklus végére. A tananyag egy utószót is tartalmaz, ami a gépi tanulás valódi alkalmazásairól szól, amely plusz kreditként vagy vitaalapként is használható.
> Találd meg a [Magatartási kódexünket](CODE_OF_CONDUCT.md), [Hozzájárulási](CONTRIBUTING.md), [Fordítási](..) és [Hibaelhárítási](TROUBLESHOOTING.md) útmutatóinkat. Várjuk építő jellegű visszajelzéseidet!
## Minden lecke tartalmazza
- választható vázlatjegyzet
- választható kiegészítő videó
- videós bemutató (csak néhány leckénél)
- [előadás előtti bemelegítő kvíz](https://ff-quizzes.netlify.app/en/ml/)
- írott lecke
- projekt alapú leckéknél lépésről lépésre útmutatók a projekt felépítéséhez
- tudásellenőrzések
- kihívás
- kiegészítő olvasmány
- feladat
- [előadás utáni kvíz](https://ff-quizzes.netlify.app/en/ml/)
> **Megjegyzés a nyelvekről**: Ezek a leckék elsősorban Python nyelven íródtak, de sokan elérhetők R nyelven is. Egy R lecke elvégzéséhez keresd meg az `/solution` mappában az R leckéket. Ezek .rmd kiterjesztésű fájlok, amelyek egy **R Markdown** dokumentumot jelentenek, ami egyszerűen olyan Markdown dokumentum, amelybe `kódblokkok` (R vagy más nyelvek) és egy `YAML fejléc` (ami meghatározza a kimenet formátumát, pl. PDF) van ágyazva. Ez egy kiváló szerzői keretrendszer az adat tudomány számára, mert lehetővé teszi, hogy a kódodat, annak outputját és gondolataidat egyszerre írd le Markdown formátumban. Ezen felül az R Markdown dokumentumok többféle kimeneti formátumba exportálhatók, például PDF, HTML vagy Word.
> **Megjegyzés a kvízekhez**: Az összes kvíz megtalálható a [Quiz App mappában](../../quiz-app), összesen 52 darab, mindegyik három kérdésből áll. Ezek kapcsolódnak az egyes leckékhez, de a kvíz alkalmazást helyileg is futtathatod; kövesd a `quiz-app` mappában található utasításokat a helyi hosztoláshoz vagy az Azure-ra történő telepítéshez.
| Lecke száma | Téma | Lecke csoportosítás | Tanulási célok | Kapcsolódó lecke | Szerző |
| 01 | Bevezetés a gépi tanulásba | [Bevezetés](1-Introduction/README.md) | Ismerd meg a gépi tanulás alapvető fogalmait | [Lecke](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | A gépi tanulás története | [Bevezetés](1-Introduction/README.md) | Ismerd meg a terület történetét | [Lecke](1-Introduction/2-history-of-ML/README.md) | Jen és Amy |
| 03 | Méltányosság és gépi tanulás | [Bevezetés](1-Introduction/README.md) | Milyen fontos filozófiai kérdéseket érdemes figyelembe venni a méltányosság vonatkozásában az ML modellek építésekor és alkalmazásakor? | [Lecke](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Gépi tanulási technikák | [Bevezetés](1-Introduction/README.md) | Milyen technikákat alkalmaznak a kutatók az ML modellek építéséhez? | [Lecke](1-Introduction/4-techniques-of-ML/README.md) | Chris és Jen |
| 05 | Bevezetés a regresszióba | [Regresszió](2-Regression/README.md) | Kezdj el dolgozni Python és Scikit-learn segítségével regressziós modellekhez | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Adatok megjelenítése és tisztítása az ML-re való felkészüléshez | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Lineáris és polinomiális regressziós modellek építése | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen és Dmitry • Eric Wanjau |
| 08 | Észak-amerikai tökárak 🎃 | [Regresszió](2-Regression/README.md) | Logisztikus regressziós modell építése | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Webalkalmazás 🔌 | [Web App](3-Web-App/README.md) | Építs webalkalmazást a betanított modell használatához | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Bevezetés az osztályozásba | [Osztályozás](4-Classification/README.md) | Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés az osztályozásba | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen és Cassie • Eric Wanjau |
| 11 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Bevezetés az osztályozókhoz | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen és Cassie • Eric Wanjau |
| 12 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Több osztályozó | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen és Cassie • Eric Wanjau |
| 13 | Ízletes ázsiai és indiai konyhák 🍜 | [Osztályozás](4-Classification/README.md) | Építs ajánló webalkalmazást a modell segítségével | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Bevezetés a klaszterezésbe | [Klaszterezés](5-Clustering/README.md) | Tisztítsd, készítsd elő és ábrázold az adataidat; bevezetés a klaszterezésbe | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Fedezd fel a nigériai zenei ízlést 🎧 | [Klaszterezés](5-Clustering/README.md) | Fedezd fel a K-Means klaszterezési módszert | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Bevezetés a természetes nyelvfeldolgozásba ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Tanuld meg az NLP alapjait egy egyszerű bot építésén keresztül | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Gyakori NLP feladatok ☕️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Mélyítsd el NLP tudásodat a nyelvi szerkezetek kezeléséhez szükséges gyakori feladatok megértésével | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Fordítás és érzelemelemzés ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Fordítás és érzelemelemzés Jane Austen műveivel | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Romantikus európai szállodák ♥️ | [Természetes nyelvfeldolgozás](6-NLP/README.md) | Érzelemelemzés szállodai értékelésekkel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Bevezetés az idősoros előrejelzésbe | [Idősorok](7-TimeSeries/README.md) | Bevezetés az idősoros előrejelzésbe | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| Utóirat | Valós világ ML forgatókönyvek és alkalmazások | [ML a mindennapokban](9-Real-World/README.md) | Érdekes és feltáró valódi világban alkalmazott klasszikus gépi tanulás | [Lecke](9-Real-World/1-Applications/README.md) | Csapat |
| Utóirat | Modell hibakeresése ML-ben RAI irányítópult segítségével | [ML a mindennapokban](9-Real-World/README.md) | Modellhibakeresés gépi tanulásban a Responsible AI irányítópult komponenseivel | [Lecke](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [minden további anyag megtalálható ebben a Microsoft Learn gyűjteményben](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Offline elérés
Ezt a dokumentációt offline is futtathatod a [Docsify](https://docsify.js.org/#/) használatával. Forkold a repót, [telepítsd a Docsify-t](https://docsify.js.org/#/quickstart) a helyi gépeden, majd a repó gyökérmappájában írd be, hogy `docsify serve`. Az oldal a localhost 3000-es portján lesz elérhető: `localhost:3000`.
## PDF-ek
A tanterv pdf formátumát linkekkel [itt találod](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
A tananyagról pdf változat, linkekkel [itt található](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/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)
---
### Generatív MI sorozat
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
@ -197,9 +197,9 @@ Csapatunk egyéb kurzusokat is készít! Nézd meg:
[-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
@ -217,22 +217,22 @@ Csapatunk egyéb kurzusokat is készít! Nézd meg:
## Segítségkérés
Ha elakadnál, vagy kérdésed van az MI alkalmazások fejlesztésével kapcsolatban, csatlakozz tanulótársaidhoz és tapasztalt fejlesztőkhöz a MCP közösségi beszélgetéseiben. Ez egy támogató közösség, ahol a kérdések mindig szívesen látottak, és a tudás önzetlenül megosztott.
Ha elakadnál vagy kérdésed van MI alkalmazások fejlesztésével kapcsolatban, csatlakozz tanulótársaidhoz és tapasztalt fejlesztőkhöz az MCP közösségi beszélgetéseiben. Ez egy támogató közösség, ahol szívesen fogadják a kérdéseket és a tudás szabadon megosztott.
- Tekintsd át a jegyzetfüzeteket minden egyes lecke után a jobb megértés érdekében.
- Gyakorold az algoritmusok megvalósítását önállóan.
- Fedezd fel valós adatkészleteket a tanult fogalmak alkalmazásával.
- Minden leckét követően nézd át az jegyzetfüzeteket a jobb megértés érdekében.
- Gyakorold az algoritmusok önálló megvalósítását.
- Fedezd fel a valós adatokat a megtanult fogalmak alkalmazásával.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Nyilatkozat**:
Ezt a dokumentumot az AI fordítási szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordítottuk le. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Kritikus információk esetén professzionális, emberi fordítást javasolunk. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy félreértelmezésekért.
**Felülvizsgálati nyilatkozat**:
Ezt a dokumentumot az AI fordító szolgáltatás, a [Co-op Translator](https://github.com/Azure/co-op-translator) segítségével fordítottuk. Bár igyekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti, anyanyelvi dokumentum tekintendő hiteles forrásnak. Fontos információk esetén szakmai, emberi fordítást javasolunk. Nem vállalunk felelősséget a fordítás használatából eredő félreértésekért vagy téves értelmezésekért.
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[](http://makeapullrequest.com)
[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Msaada wa Lugha Nyingi
#### Umahiri kupitia Hatua ya GitHub (Moja kwa Moja & Daima Imeboreshwa)
#### Inapatikana kupitia GitHub Action (Otomatiki & Daima Iliyosasishwa)
Tuna mfululizo wa kujifunza kwenye Discord na AI unaoendelea, jifunze zaidi na ujiunge nasi katika [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapokea vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Data.
Tuna mfululizo wa kujifunza kwenye Discord na AI unaoendelea, jifunze zaidi na jiunge nasi kwenye [Mfululizo wa Kujifunza na AI](https://aka.ms/learnwithai/discord) kuanzia 18 - 30 Septemba, 2025. Utapokea vidokezo na mbinu za kutumia GitHub Copilot kwa Sayansi ya Data.
# Kujifunza Mashine kwa Waanzilishi - Mtaala
> 🌍 Safari duniani kote tunapoangalia Kujifunza Mashine kupitia tamaduni za dunia 🌍
> 🌍 Tazama duniani tunapochunguza Mashine ya Kujifunza kupitia tamaduni za dunia 🌍
Wakili wa Wingu wa Microsoft wanafurahi kutoa mtaala wa wiki 12, saba wa masomo 26 kuhusu **Kujifunza Mashine**. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa wakati mwingine kama **kujifunza mashine ya kawaida**, ukitumia hasa maktaba ya Scikit-learn na kuepuka kujifunza kwa kina, ambacho kinashughulikiwa katika [mtaala wetu wa AI kwa Waanzilishi](https://aka.ms/ai4beginners). Pia sambaza masomo haya na mtaala wetu wa ['Sayansi ya Data kwa Waanzilishi'](https://aka.ms/ds4beginners)!
Watangazaji wa Cloud katika Microsoft wanafurahia kutoa mtaala wa wiki 12, somo 26 kuhusu **Mashine ya Kujifunza**. Katika mtaala huu, utajifunza kuhusu kile kinachoitwa wakati mwingine **mashine ya kujifunza ya kawaida**, kwa kutumia hasa maktaba ya Scikit-learn na kuepuka deep learning, ambayo imefunzwa katika [mtaala wetu wa AI kwa Waanzilishi](https://aka.ms/ai4beginners). Pia weka masomo haya pamoja na [mtaala wetu wa Sayansi ya Data kwa Waanzilishi](https://aka.ms/ds4beginners)!
Safiri nasi duniani kote tunapotumia mbinu hizi za kawaida kwa data kutoka sehemu nyingi za dunia. Kila somo lina maswali ya kabla na baada ya somo, maelekezo maandishi ya kukamilisha somo, suluhisho, kazi, na zaidi. Mbinu yetu ya kufundishakwa kupitia mradi inakuwezesha kujifunza ukiendelea kujenga, njia iliyothibitishwa ya kuimarisha ujuzi mpya.
Tukisafiri na sisi kote duniani tunapotumia mbinu hizi za kawaida kwenye data kutoka sehemu nyingi duniani. Kila somo lina vipimo vya kabla na baada ya somo, maelekezo yaliyoandikwa ya kukamilisha somo, suluhisho, kazi, na zaidi. Mbinu yetu inayojikita kwenye miradi inakuwezesha kujifunza wakati wa kujenga, njia iliyothibitishwa kuongeza uelewa wa ujuzi mpya.
**✍️ Shukrani kwa wapenzi wetu wa maandishi** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu na Amy Boyd
**✍️ Shukrani za dhati kwa waandishi wetu** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu na Amy Boyd
**🎨 Shukrani pia kwa wachora picha wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🎨 Pia shukrani kwa wachoraji wetu** Tomomi Imura, Dasani Madipalli, na Jen Looper
**🙏 Shukrani maalum 🙏 kwa waandishi, wakaguzi, na wachangiaji wa maudhui wa Microsoft Student Ambassador**, hasa Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, na Snigdha Agarwal
**🤩 Asante sana kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
**🤩 Shukrani za ziada kwa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, na Vidushi Gupta kwa masomo yetu ya R!**
# Kuanza
# Kuanzia
Fuata hatua hizi:
1. **Tengeneza Fork ya Repositori**: Bonyeza kitufe cha "Fork" kilicho kona ya juu kulia ya ukurasa huu.
> [pata rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Utatuzi wa Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo ya kawaida kuhusu usakinishaji, usanidi, na kuendesha masomo.
> 🔧 **Unahitaji msaada?** Angalia [Mwongozo wa Kutatua Matatizo](TROUBLESHOOTING.md) kwa suluhisho za matatizo ya kawaida kuhusu usakinishaji, usanidi, na kuendesha masomo.
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, tengeneza fork ya repo yote kwenye akaunti yako ya GitHub na maliza mazoezi mwenyewe au na kundi:
**[Wanafunzi](https://aka.ms/student-page)**, ili kutumia mtaala huu, fanya nakala nzima ya repo kwa akaunti yako ya GitHub na kamilisha mazoezi peke yako au na kikundi:
- Anza na mtihani wa kabla ya mihadhara.
- Soma mihadhara na maliza shughuli, simama na fikiria kila ukaguzi wa maarifa.
- Jaribu kuunda miradi kwa kuelewa masomo badala ya kuendesha msimbo wa suluhisho; hata hivyo msimbo huo upo katika folda `/solution` katika kila somo linalozunguka mradi.
- Soma mihadhara na kamilisha shughuli, simama na kutafakari kila ukaguzi wa maarifa.
- Jaribu kuunda miradi kwa kuelewa masomo badala ya kutumia msimbo wa suluhisho; hata hivyo msimbo huo upo katika folda za `/solution` za kila somo linalolenga mradi.
- Fanya mtihani wa baada ya mihadhara.
- Maliza changamoto.
- Maliza kazi.
- Baada ya kumaliza kundi la masomo, tembelea [Bodi ya Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "fundika kwa sauti" kwa kujaza rubriki ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini cha Maendeleo ambacho ni rubriki unayojaza ili kukuza mchakato wa kujifunza. Unaweza pia kutoa maoni kwa PAT za wengine ili tuiwezeshe kujifunza pamoja.
- Kamilisha changamoto.
- Kamilisha kazi.
- Baada ya kumaliza kundi la somo, tembelea [Jukwaa la Majadiliano](https://github.com/microsoft/ML-For-Beginners/discussions) na "jifunze kwa sauti" kwa kujaza rubrik ya PAT inayofaa. 'PAT' ni Chombo cha Tathmini ya Maendeleo ambalo ni rubrik unayojaza ili kuendeleza kujifunza kwako. Unaweza pia kutoa maoni kwa PAT za wengine ili tujifunze pamoja.
> Kwa masomo zaidi, tunapendekeza kufuata [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) moduli na njia za kujifunza.
**Walimu**, tumepakua baadhi ya mapendekezo [hapa](for-teachers.md) kuhusu jinsi ya kutumia mtaala huu.
**Walimu**, tumetoa [mapendekezo kadhaa](for-teachers.md) juu ya jinsi ya kutumia mtaala huu.
---
## Video za kufuatilia
## Video za kufundisha hatua kwa hatua
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kuyapata yote haya ndani ya masomo, au kwenye [mfuatiliaji wa ML kwa Waanzilishi kwenye akaunti ya Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) kwa kubonyeza picha chini.
Baadhi ya masomo yanapatikana kama video fupi. Unaweza kuyapata yote mtandaoni ndani ya masomo, au kwenye [orodha ya nyimbo ya ML kwa Waanzilishi kwenye kituo cha YouTube cha Microsoft Developer](https://aka.ms/ml-beginners-videos) kwa kubofya picha hapa chini.
[](https://aka.ms/ml-beginners-videos)
@ -97,7 +96,7 @@ Baadhi ya masomo yanapatikana kama video fupi. Unaweza kuyapata yote haya ndani
## Kutana na Timu
[](https://youtu.be/Tj1XWrDSYJU)
[](https://youtu.be/Tj1XWrDSYJU)
@ -105,70 +104,70 @@ Baadhi ya masomo yanapatikana kama video fupi. Unaweza kuyapata yote haya ndani
---
## Mbinu ya Kufundisha
## Mbinu ya kufundisha
Tumekuja na kanuni mbili za kielimu wakati wa kujenga mtaala huu: kuhakikisha kwamba ni wa vitendo na **unategemea mradi** na kwamba unajumuisha **maswali ya mara kwa mara**. Zaidi ya hayo, mtaala huu una **kauli mbiu** ya pamoja kutoa muunganiko.
Tumebaini kanuni mbili muhimu katika kuunda mtaala huu: kuhakikisha kuwa unazingatia **miradi ya vitendo** na kuwa na **mtihani wa mara kwa mara**. Aidha, mtaala huu una **kauli mbiu** ya pamoja inayotoa ulinganifu.
Kwa kuhakikisha maudhui yanaendana na miradi, mchakato unakuwa wa kuvutia kwa wanafunzi na kufanikisha kumbukumbu ya dhana. Zaidi ya hayo, mtihani wa chini wa hatari kabla ya darasa unaweka nia ya mwanafunzi kuelekea kujifunza mada, huku mtihani wa pili baada ya darasa unaongeza kumbukumbu zaidi. Mtaala huu umetengenezwa kuwa rahisi na wa kufurahisha na unaweza kuchukuliwa kikamilifu au kwa sehemu. Miradi huanza kwa urahisi na kuendelea kuwa magumu hatua kwa hatua mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia unajumuisha maandishi ya ziada kuhusu matumizi halisi ya ML, ambayo inaweza kutumika kama mkopo wa ziada au msingi wa majadiliano.
Kwa kuhakikisha maudhui yanahusiana na miradi, mchakato unakuwa wa kuvutia kwa wanafunzi na kuongeza kumbukumbu ya dhana. Pia, mtihani wa ukubwa mdogo kabla ya darasa huweka nia ya mwanafunzi kuelekea kujifunza mada, wakati mtihani wa pili baada ya darasa unahakikisha kumbukumbu zaidi. Mtaala huu umeundwa kuwa rahisi na wa kufurahisha na unaweza kuchukuliwa kwa jumla au sehemu. Miradi huanza midogo na kuongezeka kwa ugumu mwishoni mwa mzunguko wa wiki 12. Mtaala huu pia unajumuisha maelezo ya matumizi ya ML katika maisha halisi, ambayo inaweza kutumika kama mkopo wa ziada au msingi wa mjadala.
> Tafuta [Kanuni zetu za Maadili](CODE_OF_CONDUCT.md), [Michango](CONTRIBUTING.md), [Tafsiri](TRANSLATIONS.md), na [Utatuzi wa Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako ya kujenga!
> Pata [Kanuni zetu za Maadili](CODE_OF_CONDUCT.md), [Jinsi ya Kuchangia](CONTRIBUTING.md), [Tafsiri](..), na [Mwongozo wa Kutatua Matatizo](TROUBLESHOOTING.md). Tunakaribisha maoni yako ya ujenzi!
## Kila somo linajumuisha
- chaguo la sketchnote
- video ya ziada chaguo
- video ya kufuatilia (masomo mengine tu)
- [mtihani wa kuanzisha kabla ya mihadhara](https://ff-quizzes.netlify.app/en/ml/)
- chati ya hiari
- video ya ziada hiari
- video ya kufundisha hatua kwa hatua (masomo machache tu)
- [mtihani wa kujiandaa kabla ya somo](https://ff-quizzes.netlify.app/en/ml/)
- somo lililoandikwa
- kwa masomo yanayojikita kwenye mradi, maelekezo ya hatua kwa hatua ya jinsi ya kujenga mradi
- kwa masomo yanayotegemea mradi, viwango kwa hatua ya kujenga mradi
- ukaguzi wa maarifa
- changamoto
- usomaji wa ziada
- usomezi wa ziada
- kazi
- [mtihani baada ya mihadhara](https://ff-quizzes.netlify.app/en/ml/)
> **Kumbuka kuhusu lugha**: Masomo haya yameandikwa hasa kwa Python, lakini mengi pia yanapatikana kwa R. Ili kumaliza somo la R, nenda kwenye folda ya `/solution` na tafuta masomo ya R. Yanajumuisha kiambishi .rmd ambacho kinawakilisha faili la **R Markdown** ambalo linaweza kuelezwa kama kuingiza `vipande vya msimbo` (vya R au lugha nyingine) na `kichwa cha YAML` (ambacho kinaongoza jinsi ya kuunda matokeo kama PDF) katika `nyaraka za Markdown`. Kwa hivyo, hutumika kama fremu bora ya kuandika kwa sayansi ya data kwa sababu inakuwezesha kuunganisha msimbo wako, matokeo yake, na mawazo yako kwa kuweza kuyaandika kwa Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kutafsiriwa hadi katika aina mbalimbali za matokeo kama PDF, HTML, au Word.
> **Kumbuka kuhusu maswali ya mtihani**: Maswali yote ya mtihani yapo katika [folda ya Quiz App](../../quiz-app), kwa maswali 52 jumla yenye maswali matatu kila moja. Yameunganishwa ndani ya masomo lakini programu ya mtihani inaweza kutekelezwa ndani ya eneo lako; fuata maelekezo katika folda ya `quiz-app` kwa mwenyeji wa ndani au kupeleka kwa Azure.
| Nambari ya Somo | Mada | Kikundi cha Somo | Malengo ya Kujifunza | Somo Lililounganishwa | Mwandishi |
| 01 | Utangulizi wa ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze dhana msingi nyuma ya ujifunzaji wa mashine | [Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze historia inayohusiana na eneo hili | [Somo](1-Introduction/2-history-of-ML/README.md) | Jen na Amy |
| 03 | Usawa na ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Masuala muhimu ya kifalsafa kuhusu usawa ambayo wanafunzi wanapaswa kuyazingatia wanapojenga na kutumia mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za ujifunzaji wa mashine | [Utangulizi](1-Introduction/README.md) | Ni mbinu gani watafiti wa ML hutumia kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa regression | [Regression](2-Regression/README.md) | Anza kutumia Python na Scikit-learn kwa mifano ya regression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Bei za malenge Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Chora na safisha data kwa maandalizi ya ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Bei za malenge Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mifano ya regression ya mstari na polynomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen na Dmitry • Eric Wanjau |
| 08 | Bei za malenge Amerika Kaskazini 🎃 | [Regression](2-Regression/README.md) | Jenga mfano wa regression ya logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | App ya Mtandao 🔌 | [Web App](3-Web-App/README.md) | Jenga app ya mtandao kutumia mfano wako uliyoungwa | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa ugawaji (classification) | [Classification](4-Classification/README.md) | Safisha, andaa na chora data zako; utangulizi wa ugawaji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Vyakula tamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Utangulizi wa watoaji maamuzi | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen na Cassie • Eric Wanjau |
| 12 | Vyakula tamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Watoaji maamuzi zaidi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen na Cassie • Eric Wanjau |
| 13 | Vyakula tamu vya Asia na India 🍜 | [Classification](4-Classification/README.md) | Jenga app ya mtandao ya kupendekeza ukitumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa usambazaji (clustering) | [Clustering](5-Clustering/README.md) | Safisha, andaa na chora data zako; Utangulizi wa usambazaji | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Kuchunguza Ladha ya Muziki wa Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Chunguza mbinu ya usambazaji ya K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Natural language processing](6-NLP/README.md) | Jifunze misingi ya NLP kwa kujenga bot rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Kazi za kawaida za NLP ☕️ | [Natural language processing](6-NLP/README.md) | Zidisha maarifa yako ya NLP kwa kuelewa kazi za kawaida zinazohitajika kushughulikia miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Natural language processing](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia kwa Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia na maoni ya hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Natural language processing](6-NLP/README.md) | Uchambuzi wa hisia na maoni ya hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Utangulizi wa utabiri wa mfululizo wa nyakati | [Time series](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa nyakati | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa nyakati na ARIMA | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa nyakati kwa kutumia ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa nyakati na SVR | [Time series](7-TimeSeries/README.md) | Utabiri wa mfululizo wa nyakati kwa kutumia Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Utangulizi wa ujifunzaji wa kuimarisha | [Reinforcement learning](8-Reinforcement/README.md) | Utangulizi wa ujifunzaji wa kuimarisha kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaada kwa Peter kuhakikisha apelekwe mbali na mbwa mwitu! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Gym ya ujifunzaji wa kuimarisha | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Hali halisi na matumizi ya ML | [ML in the Wild](9-Real-World/README.md) | Matumizi ya kuvutia na wazi ya ML ya kawaida katika ulimwengu halisi | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Postscript | Kurekebisha mifano ya ML kwa kutumia dashibodi ya RAI | [ML in the Wild](9-Real-World/README.md) | Kurekebisha mifano ya Machine Learning kwa kutumia vipengele vya dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [tafuta rasilimali zote za ziada kwa kozi hii katika mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Upatikanaji bila mtandao
Unaweza kuendesha hati hii bila mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Fanya kopi ya repozitori hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye mashine yako ya nyumbani, kisha katika folda kuu ya repozitori hii, andika `docsify serve`. Tovuti itahudumiwa kwenye bandari 3000 kwenye localhost yako: `localhost:3000`.
- [mtihani baada ya somo](https://ff-quizzes.netlify.app/en/ml/)
> **Kuhusu lugha**: Masomo haya yameandikwa hasa kwa Python, lakini mengi pia yanapatikana kwa R. Ili kukamilisha somo la R, nenda kwenye folda ya `/solution` utafute masomo ya R. Yanajumuisha kiambatisho cha .rmd ambacho ni faili la **R Markdown** ambalo linaweza kufafanuliwa kama uingizaji wa `vipande vya msimbo` (R au lugha nyingine) na `kichwa cha YAML` (kinachoelekeza jinsi ya kuandaa matokeo kama PDF) katika `nyaraka ya Markdown`. Hivyo, ni mfumo bora wa uandishi kwa sayansi ya data kwa kuwa unakuwezesha kuunganishwa kwa msimbo wako, matokeo yake, na mawazo yako kwa kuweza kuyaandika kwa Markdown. Zaidi ya hayo, nyaraka za R Markdown zinaweza kubadilishwa kuwa aina za matokeo kama PDF, HTML, au Word.
> **Kumbuka kuhusu mitihani ya maswali**: Mitihani yote iko kwenye [folda ya Quiz App](../../quiz-app), ikiwa na jumla ya mitihani 52 yenye maswali matatu kila mmoja. Mitihani hii imeunganishwa kutoka ndani ya masomo lakini programu ya mitihani inaweza kuendeshwa eneo la kompyuta; fuata maelekezo katika folda ya `quiz-app` ili kuendesha eneo la kompyuta au kuitoa Azure.
| Nambari ya Somo | Mada | Uainishaji wa Somo | Malengo ya Kujifunza | Somo Lililounganishwa | Mwandishi |
| 01 | Utangulizi wa kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze dhana za msingi nyuma ya kujifunza kwa mashine | [Somo](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia ya kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Jifunze historia inayozunguka uwanja huu | [Somo](1-Introduction/2-history-of-ML/README.md) | Jen na Amy |
| 03 | Haki na kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Je, masuala gani muhimu ya kifalsafa kuhusu haki ambayo wanafunzi wanapaswa kuyazingatia wakati wa kujenga na kutumia mifano ya ML? | [Somo](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Mbinu za kujifunza kwa mashine | [Utangulizi](1-Introduction/README.md) | Ni mbinu gani wanafanyakazi wa ML hutumia kujenga mifano ya ML? | [Somo](1-Introduction/4-techniques-of-ML/README.md) | Chris na Jen |
| 05 | Utangulizi wa udhibiti wa mtiririko | [Udhibiti wa Mtiririko](2-Regression/README.md) | Anza na Python na Scikit-learn kwa mifano ya udhibiti wa mtiririko | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Bei za malenge ya Amerika Kaskazini 🎃 | [Udhibiti wa Mtiririko](2-Regression/README.md) | Onyesha na safisha data kama maandalizi kwa ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Bei za malenge ya Amerika Kaskazini 🎃 | [Udhibiti wa Mtiririko](2-Regression/README.md) | Tengeneza mifano ya udhibiti wa mstari na polinomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen na Dmitry • Eric Wanjau |
| 08 | Bei za malenge ya Amerika Kaskazini 🎃 | [Udhibiti wa Mtiririko](2-Regression/README.md) | Tengeneza mfano wa udhibiti wa logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Programu ya Mtandao 🔌 | [Programu ya Mtandao](3-Web-App/README.md) | Tengeneza programu ya mtandao kutumia mfano uliyofundishwa | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Utangulizi wa uainishaji | [Uainishaji](4-Classification/README.md) | Safisha, andaa, na onyesha data yako; utangulizi wa uainishaji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen na Cassie • Eric Wanjau |
| 11 | Mapishi ya Ladha za Kiazi na Kizina cha Asia 🍜 | [Uainishaji](4-Classification/README.md) | Utangulizi wa waainishaji | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen na Cassie • Eric Wanjau |
| 12 | Mapishi ya Ladha za Kiazi na Kizina cha Asia 🍜 | [Uainishaji](4-Classification/README.md) | Waainishaji zaidi | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen na Cassie • Eric Wanjau |
| 13 | Mapishi ya Ladha za Kiazi na Kizina cha Asia 🍜 | [Uainishaji](4-Classification/README.md) | Tengeneza programu ya mtandao ya kupendekeza ukitumia mfano wako | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Utangulizi wa kupanga kundi | [Kupanga Kundi](5-Clustering/README.md) | Safisha, andaa, na onyesha data yako; Utangulizi wa kupanga kundi | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Kuchunguza Ladha za Muziki wa Nigeria 🎧 | [Kupanga Kundi](5-Clustering/README.md) | Chunguza mbinu ya kupanga kundi kwa K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Utangulizi wa usindikaji wa lugha asilia ☕️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Jifunze misingi ya NLP kwa kutengeneza bot rahisi | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Kazi za kawaida za NLP ☕️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Zidi uelewa wako wa NLP kwa kuelewa kazi za kawaida zinazohitajika unapotumia miundo ya lugha | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Tafsiri na uchambuzi wa hisia ♥️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Tafsiri na uchambuzi wa hisia na Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hoteli za kimapenzi za Ulaya ♥️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Uchambuzi wa hisia kwa kupitia hakiki za hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hoteli za kimapenzi za Ulaya ♥️ | [Usindikaji wa lugha asilia](6-NLP/README.md) | Uchambuzi wa hisia kwa kupitia hakiki za hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Utangulizi wa utabiri wa mfululizo wa wakati | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utangulizi wa utabiri wa mfululizo wa wakati | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa ARIMA | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Matumizi ya Nguvu Duniani ⚡️ - utabiri wa mfululizo wa wakati kwa SVR | [Mfululizo wa Wakati](7-TimeSeries/README.md) | Utabiri wa mfululizo wa wakati kwa Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Utangulizi wa kujifunza kwa kuimarisha | [Kujifunza kwa kuimarisha](8-Reinforcement/README.md) | Utangulizi wa kujifunza kwa kuimarisha kwa kutumia Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Msaidie Peter kuepuka mbwa mwitu! 🐺 | [Kujifunza kwa kuimarisha](8-Reinforcement/README.md) | Gym ya kujifunza kwa kuimarisha | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Kidokezo cha Mwisho | Hali halisi na matumizi ya ML | [ML kwenye Ulimwengu Halisi](9-Real-World/README.md) | Matumizi ya kuvutia na ya wazi ya ML ya kawaida | [Somo](9-Real-World/1-Applications/README.md) | Timu |
| Kidokezo cha Mwisho | Utafutaji mdogo wa modeli za ML kwa kutumia dashibodi ya RAI | [ML kwenye Ulimwengu Halisi](9-Real-World/README.md) | Utafutaji mdogo wa modeli katika Kujifunza kwa Mashine kwa kutumia vitu vya dashibodi ya Responsible AI | [Somo](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [apata rasilimali zote za ziada za kozi hii kwenye mkusanyiko wetu wa Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Kupata nyaraka bila mtandao
Unaweza kuendesha nyaraka hii bila mtandao kwa kutumia [Docsify](https://docsify.js.org/#/). Nakili repo hii, [weka Docsify](https://docsify.js.org/#/quickstart) kwenye kompyuta yako, kisha katika folda ya mizizi ya repo hii, andika `docsify serve`. Tovuti itakuwa imetumika kwenye mlango wa bandari 3000 kwenye localhost yako: `localhost:3000`.
## PDFs
Tafuta pdf ya mitaala na viungo [hapa](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Pata faili la pdf la mtaala wa masomo yenye viungo [hapa](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Kozi Nyingine
@ -177,62 +176,62 @@ Timu yetu hutengeneza kozi nyingine! Angalia:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Wakala
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
### Azure / Edge / MCP / Agents
[](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Mfululizo wa AI Jenereta
[](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)
---
### Kujifunza Msingi
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/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)
### Mafunzo Msingi
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/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)
---
### Mfululizo wa 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://github.com/microsoft/CopilotAdventures?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)
Ikiwa unakwama au una maswali kuhusu kujenga programu za AI. Jiunge na wanafunzi wenzao na waendelezaji wenye uzoefu katika mijadala kuhusu MCP. Ni jamii inayounga mkono ambapo maswali yanakaribishwa na maarifa yanashirikiwa kwa uhuru.
Ikiwa unakumbwa na shida au una maswali yoyote kuhusu kujenga programu za AI. Jiunge na wenzako wanaojifunza na watengenezaji wenye uzoefu katika mijadala kuhusu MCP. Ni jamii yenye usaidizi ambapo maswali yanakaribishwa na maarifa yanashirikiwa kwa uhuru.
- Kagua dahari baada ya somo kila moja kwa kuelewa zaidi.
- Fanya mazoezi ya kutekeleza algorithms wewe mwenyewe.
- Pitia daftari la mazoezi baada ya kila somo kwa uelewa bora.
- Fanya mazoezi ya kutekeleza algoriti kwa ajili yako.
- Chunguza seti halisi za data ukitumia dhana ulizojifunza.
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Tangazo la Msamaha**:
Nyaraka hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatika zinaweza kuwa na makosa au taarifa zisizo sahihi. Nyaraka asilia katika lugha yake ya asili inapaswa kuchukuliwa kama chanzo halali. Kwa taarifa muhimu, tafsiri ya kitaalamu iliyofanywa na binadamu inapendekezwa. Hatuwajibiki kwa kutoelewana au tafsiri potofu zitokanazo na matumizi ya tafsiri hii.
**Angalizo la Kukataa**:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri kwa AI [Co-op Translator](https://github.com/Azure/co-op-translator). Ingawa tunajitahidi kufikia usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au upungufu wa usahihi. Hati ya asili katika lugha yake ya asili inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu na ya binadamu inashauriwa. Hatuna dhima kwa kutoelewana au tafsiri potofu zitokanazo na matumizi ya tafsiri hii.
localizeflow[bot]
4 months ago