[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
> Questo repository include traduzioni in oltre 50 lingue che aumentano notevolmente la dimensione del download. Per clonare senza le traduzioni, usa il sparse checkout:
> Questo repository include oltre 50 traduzioni in varie lingue che aumentano notevolmente la dimensione del download. Per clonare senza traduzioni, usa lo sparse checkout:
Abbiamo una serie Discord "learn with AI" in corso, saperne di più e unirti a noi su [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.
Abbiamo una serie Discord "impara con AI" 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 consigli e trucchi per usare GitHub Copilot per la Data Science.
# Machine Learning per Principianti - Un Curriculum
> 🌍 Viaggia intorno al mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍
> 🌍 Viaggia in tutto il mondo mentre esploriamo il Machine Learning attraverso le culture del mondo 🌍
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane con 26 lezioni tutto dedicato al **Machine Learning**. In questo curriculum, imparerai ciò che a volte viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro [curriculum AI per principianti](https://aka.ms/ai4beginners). Abbina queste lezioni anche al nostro ['Data Science per principianti' curriculum](https://aka.ms/ds4beginners)!
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane con 26 lezioni, tutto incentrato sul **Machine Learning**. In questo curriculum, imparerai quello che a volte viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro curriculum [AI for Beginners](https://aka.ms/ai4beginners). Abbina queste lezioni anche al nostro curriculum ['Data Science for Beginners'](https://aka.ms/ds4beginners)!
Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche a dati provenienti da molteplici aree del mondo. Ogni lezione include quiz pre- e post-lezione, istruzioni scritte per completarla, una soluzione, un compito e altro ancora. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un modo comprovato per fissare nuove competenze.
Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche a dati provenienti da molte aree del mondo. Ogni lezione include quiz pre e post lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un modo comprovato per fissare meglio nuove competenze.
**✍️ 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 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 ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori, e collaboratori 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 agli 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
# Come Iniziare
Segui questi passaggi:
1. **Forka il 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`
1. **Fai il fork del repository**: Clicca sul bottone "Fork" in alto a destra di 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?** Controlla la nostra [Guida alla risoluzione problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, configurazione e esecuzione delle lezioni.
> 🔧 **Hai bisogno di aiuto?** Consulta la nostra [Guida alla Risoluzione dei Problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, configurazione e avvio delle lezioni.
**[Studenti](https://aka.ms/student-page)**, per utilizzare questo curriculum, fate un fork dell’intero repo sul vostro account GitHub e completate gli esercizi da soli o in gruppo:
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, forka l'intero repo nel tuo account GitHub e completa gli esercizi da solo o in gruppo:
- Iniziate con un quiz pre-lezione.
- Leggete la lezione e completate le attività, fermandovi e riflettendo ad ogni verifica di conoscenza.
- Cercate di creare i progetti comprendendo le lezioni piuttosto che 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 la relativa scheda PAT. Un 'PAT' è uno strumento di valutazione dei progressi che consiste in una griglia da compilare per approfondire il proprio apprendimento. Potete anche reagire alle schede PAT altrui così possiamo imparare insieme.
- Inizia con un quiz pre-lezione.
- Leggi la lezione e completa le attività, prendendoti pause per riflettere ad ogni verifica della conoscenza.
- Prova a creare i progetti comprendendo le lezioni piuttosto che eseguire direttamente il codice soluzione; tuttavia quel codice è 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 [Forum di discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e "impara ad alta voce" compilando la griglia PAT appropriata. Un 'PAT' è uno strumento di valutazione del progresso che compili per approfondire il tuo apprendimento. Puoi anche reagire ad altri PAT così da imparare insieme.
> Per studi successivi, consigliamo di seguire questi [moduli e percorsi di apprendimento Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Per ulteriori studi, ti consigliamo di seguire questi moduli e percorsi di apprendimento [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Insegnanti**, abbiamo [incluso alcune suggerimenti](for-teachers.md) su come utilizzare questo curriculum.
**Insegnanti**, abbiamo [incluso alcuni suggerimenti](for-teachers.md) su come utilizzare questo curriculum.
---
## Video esplicativi
## Video dimostrativi
Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti integrati nelle lezioni oppure nella [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 formato video breve. Puoi trovarle tutte inline nelle lezioni, oppure nella [playlist ML for Beginners sul canale Microsoft Developer di YouTube](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 l’hanno creato!
> 🎥 Clicca sull’immagine sopra per un video sul progetto e sulle persone che lo hanno creato!
---
## Pedagogia
Abbiamo scelto due principi pedagogici nella costruzione di questo curriculum: assicurare che sia hands-on**basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un tema comune per conferirgli coesione.
Abbiamo scelto due principi pedagogici nella costruzione di questo curriculum: assicurarci che sia pratico e**basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema comune** per conferirgli coesione.
Garantendo che il contenuto sia allineato ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti sarà migliorata. Inoltre, un quiz a basso rischio prima della lezione prepara l’intento dello studente all’apprendimento di un argomento, mentre un secondo quiz dopo la lezione ne assicura una ulteriore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito completamente o parzialmente. I progetti partono da semplici e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Il curriculum include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per discussioni.
Allineando i contenuti ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti viene aumentata. Inoltre, un quiz a basso stress prima della lezione pone l’intenzione dello studente verso l’apprendimento di un argomento, mentre un secondo quiz dopo la lezione ne assicura un’ulteriore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito tutto o in parte. I progetti partono da pochi elementi e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Questo curriculum 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 [Codice di condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzione](TRANSLATIONS.md) e [Risoluzione problemi](TROUBLESHOOTING.md). Accogliamo con piacere i tuoi feedback costruttivi!
> Trova le nostre linee guida su [Codice di Condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzioni](TRANSLATIONS.md), e [Risoluzione Problemi](TROUBLESHOOTING.md). Accogliamo con favore i tuoi feedback costruttivi!
## Ogni lezione include
- sketchnote opzionale
- video supplementare opzionale
- video esplicativo (solo alcune lezioni)
- video dimostrativo (solo alcune lezioni)
- [quiz di riscaldamento pre-lezione](https://ff-quizzes.netlify.app/en/ml/)
- lezione scritta
- per le lezioni basate su progetto, guide passo-passo su come costruire il progetto
- verifiche della conoscenza
- per le lezioni basate su progetti, guide passo-passo su come costruire il progetto
> **Una nota sulle lingue**: Queste lezioni sono scritte principalmente in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai nella cartella `/solution` e cerca le lezioni R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, definito semplicemente come un documento Markdown che incorpora `chunk di codice` (in R o altre lingue) e un `header YAML` (che guida la formattazione delle uscite, ad esempio PDF). In quanto tale, funge da eccellente framework di authoring per la data science poiché consente di combinare il codice, il suo output e i propri pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere resi 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.
| 01 | Introduzione al machine learning | [Introduction](1-Introduction/README.md) | Impara i concetti base dietro il machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduction](1-Introduction/README.md) | Scopri la storia alla base di questo campo | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Equità e machine learning | [Introduction](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull’equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduction](1-Introduction/README.md) | Quali tecniche utilizzano i ricercatori ML per costruire modelli ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduzione alla regressione | [Regression](2-Regression/README.md) | Inizia 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 delle zucche nordamericane 🎃 | [Regression](2-Regression/README.md) | Visualizza e pulisci i 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 delle zucche nordamericane 🎃 | [Regression](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 and Dmitry • Eric Wanjau |
| 08 | Prezzi delle zucche nordamericane 🎃 | [Regression](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 tuo modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classification](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 and Cassie • Eric Wanjau |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classification](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 and Cassie • Eric Wanjau |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classification](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 and Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classification](4-Classification/README.md) | Costruisci un'app web raccomandatrice 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 i 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 all'elaborazione del linguaggio naturale ☕️ | [Natural language processing](6-NLP/README.md) | Impara le basi dell'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 di serie temporali | [Time series](7-TimeSeries/README.md) | Introduzione alla previsione di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo mondiale di energia ⚡️ - previsione di serie temporali con ARIMA | [Time series](7-TimeSeries/README.md) | Previsione di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo mondiale di energia ⚡️ - previsione di serie temporali con SVR | [Time series](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 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenari e applicazioni ML nel mondo reale | [ML in the Wild](9-Real-World/README.md) | Applicazioni interessanti e rivelatrici nel mondo reale del ML classico | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debugging dei modelli ML usando la dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging dei modelli di Machine Learning usando componenti della dashboard Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **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**, che può essere definito come un embedding di `blocchi di codice` (in R o in altri linguaggi) e un `header YAML` (che guida il formato di output come PDF) in un `documento Markdown`. In quanto tale, serve come un eccellente framework per la scrittura per la data science, poiché permette di combinare il codice, il suo output e le proprie riflessioni scrivendole in Markdown. Inoltre, i documenti R Markdown possono essere resi 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 di tre domande ciascuno. Sono collegati all’interno delle lezioni, ma l’app quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure.
| Numero Lezione | Argomento | Raggruppamento Lezioni | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Impara i concetti base alla base del machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduzione](1-Introduction/README.md) | Impara 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 nella 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 ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md)| Inizia con Python e Scikit-learn per i 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 del Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizza e pulisci i 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 delle zucche del 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 del 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 tuo 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 | Cucine asiatiche e indiane deliziose 🍜 | [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 | Cucine asiatiche e indiane deliziose 🍜 | [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 | Cucine asiatiche e indiane deliziose 🍜 | [Classificazione](4-Classification/README.md) | Costruisci un’app web raccomandante 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 i 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 ☕️ | [Elaborazione del linguaggio naturale](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 di NLP ☕️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Approfondisci le tue conoscenze NLP comprendendo i compiti comuni necessari nella gestione delle strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Elaborazione del linguaggio naturale](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 ♥️ | [Elaborazione del linguaggio naturale](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 ♥️ | [Elaborazione del linguaggio naturale](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 energetico mondiale ⚡️ - previsione con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione delle serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo energetico mondiale ⚡️ - previsione con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione delle 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 Machine Learning | [ML in the Wild](9-Real-World/README.md) | Applicazioni reali interessanti e rivelatrici del machine learning classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debugging di modelli ML usando la dashboard RAI| [ML in the Wild](9-Real-World/README.md)| Debugging di modelli di 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 collezione 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 poi nella cartella root di questo repo digita `docsify serve`. Il sito sarà servito sulla porta 3000 sul tuo localhost: `localhost:3000`.
Puoi eseguire questa documentazione offline usando [Docsify](https://docsify.js.org/#/). Clona questo repository, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, quindi nella cartella principale di questo repo, digita `docsify serve`. Il sito web 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).
Trova un pdf del curriculum con i link [qui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Altri corsi
@ -167,47 +165,47 @@ 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://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/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)
---
### Generative AI Series
[](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)
### Serie AI Generativa
[](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)
---
### Serie 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)
Se rimani bloccato o hai domande su come costruire 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 su come costruire app di IA. Unisciti ad altri apprendisti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza viene condivisa liberamente.
@ -218,6 +216,6 @@ Se hai feedback sul prodotto o errori durante lo sviluppo visita:
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Avvertenza**:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Pur impegnandoci a garantire accuratezza, si prega di considerare 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 eseguita da un traduttore umano. Non ci assumiamo alcuna responsabilità per malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
**Avvertenza**:
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 l'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 consiglia una traduzione professionale umana. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall'uso di questa traduzione.
> To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobieranego pliku. Aby sklonować bez tłumaczeń, użyj sparse checkout:
> To repozytorium zawiera ponad 50 tłumaczeń językowych, co znacznie zwiększa rozmiar do pobrania. Aby sklonować bez tłumaczeń, użyj sparse checkout:
Mamy trwającą serię "Learn with AI" na Discordzie, 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 dotyczące używania 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) od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot do Data Science.
# Uczenie maszynowe dla początkujących - Program nauczania
# Uczenie maszynowe dla początkujących – program nauczania
> 🌍 Podróżuj po świecie, eksplorując Uczenie maszynowe poprzez kultury świata 🌍
> 🌍 Podróżuj po świecie, poznając uczenie maszynowe poprzez kultury świata 🌍
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program nauczania składający się z 26 lekcji całkowicie poświęconych **Uczeniu maszynowemu**. W tym programie nauczysz się, co czasem określa się jako **klasyczne uczenie maszynowe**, korzystając głównie z 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 ['Data Science for Beginners'](https://aka.ms/ds4beginners)!
Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program składający się z 26 lekcji o temacie **Uczenie maszynowe**. W tym programie nauczysz się tego, co czasem nazywa się **klasycznym uczeniem maszynowym**, używając głównie biblioteki Scikit-learn, unikając uczenia głębokiego, które jest omówione w naszym [programie „AI dla początkujących”](https://aka.ms/ai4beginners). Połącz te lekcje z naszym ['Data Science dla początkujących'](https://aka.ms/ds4beginners)!
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 wykonania lekcji, rozwiązanie, zadanie i więcej. Nasza pedagogika oparta na projektach pozwala uczyć się poprzez praktykę, 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 wykonania lekcji, rozwiązanie, zadanie i więcej. Nasza projekto-orientowana pedagogika pozwala ci uczyć się poprzez tworzenie, co jest sprawdzoną metodą na skuteczne przyswajanie 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 oraz Amy Boyd
**✍️ 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
**🎨 Podziękowania także dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli oraz Jen Looper
**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli i Jen Looper
**🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z Microsoft Student Ambassadors**, 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 ze społeczności Microsoft Student Ambassador**, zwłaszcza Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal
**🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi oraz Vidushi Gupta za nasze lekcje w R!**
**🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje R!**
# Rozpoczęcie
# Pierwsze kroki
Wykonaj następujące kroki:
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) dla rozwiązań typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.
> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami typowych problemów przy instalacji, konfiguracji i uruchamianiu 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, wykonaj fork całego repozytorium na własne konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:
- Zacznij od quizu przed wykładem.
- Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając się przy każdym sprawdzeniu wiedzy.
- Staraj się tworzyć projekty, rozumiejąc lekcje, zamiast tylko uruchamiać kod rozwiązania; jednakże kod ten jest dostępny w folderach `/solution` w każdej lekcji zorientowanej na projekt.
- Rozwiąż quiz po wykładzie.
- Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając nad każdym sprawdzeniem wiedzy.
- Staraj się tworzyć projekty rozumiejąc lekcje, a nie tylko uruchamiając gotowy kod; jednak kod jest dostępny w folderach `/solution` w każdej lekcji projektowej.
- Podejdź do quizu po wykładzie.
- Wykonaj wyzwanie.
- Wykonaj zadanie.
- Po ukończeniu grupy lekcji odwiedź [Tablicę dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i "ucząc się na głos", wypełnij odpowiednią rubrykę PAT. 'PAT' to narzędzie oceny postępów, które wypełniasz, by lepiej się uczyć. Możesz także reagować na inne PAT, abyśmy mogli uczyć się wspólnie.
- Po ukończeniu grupy lekcji odwiedź [Tablicę Dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucząc się na głos” wypełnij odpowiednią rubrykę PAT. 'PAT' to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz też reagować na PAT innych, abyśmy mogli uczyć się razem.
> Dla dalszej nauki zalecamy moduły i ścieżki nauki z [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Aby dalej się uczyć, polecamy kontynuowanie tych modułów i ścieżek nauki na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Nauczyciele**, [zamieściliśmy kilka sugestii](for-teachers.md) dotyczących wykorzystania tego programu.
**Nauczyciele**, zamieściliśmy [kilka sugestii](for-teachers.md) jak korzystać z tego programu.
---
## Filmy instruktażowe
## Przewodniki wideo
Niektóre lekcje są dostępne w formie krótkich filmów. Możesz je znaleźć bezpośrednio w lekcjach lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos) klikając obraz poniżej.
Niektóre lekcje dostępne są w formie krótkiego filmu. Możesz znaleźć wszystkie wbudowane w lekcje lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos) klikając obrazek poniżej.
[](https://aka.ms/ml-beginners-videos)
[](https://aka.ms/ml-beginners-videos)
> 🎥 Kliknij obraz powyżej, aby zobaczyć film o projekcie i osobach, które go stworzyły!
> 🎥 Kliknij powyższy obrazek, aby obejrzeć film o projekcie i jego twórcach!
---
## Pedagogika
Wybraliśmy dwie zasady pedagogiczne podczas tworzenia tego programu: zapewnienie, że jest on praktyczny i oparty na **projektach**, oraz że zawiera **częste quizy**. Ponadto program ma wspólny **motyw przewodni**, co nadaje mu spójność.
Podczas budowania tego programu wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest on praktyczny, **oparty na projektach** oraz że zawiera **częste quizy**. Ponadto program ma wspólny **motyw przewodni**, który nadaje mu spójność.
Dzięki powiązaniu treści z projektami proces nauki jest bardziej angażujący dla uczniów, a zapamiętywanie koncepcji zostaje wzmocnione. Dodatkowo quiz o niskim ryzyku przed zajęciami nastawia ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie wiedzy. Program zaprojektowano tak, aby był elastyczny i przyjemny, można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej skomplikowane do końca 12-tygodniowego cyklu. Program zawiera również postscriptum dotyczące zastosowań uczenia maszynowego w praktyce, które może służyć jako dodatkowy materiał lub podstawa do dyskusji.
Zapewnienie zgodności materiału z projektami sprawia, że proces staje się bardziej angażujący dla studentów, a przyswajanie koncepcji jest wzmocnione. Dodatkowo lekki quiz przed zajęciami nastawia ucznia na naukę tematu, a drugi po zajęciach zapewnia dalsze utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub w częściach. Projekty zaczynają się od prostych i stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera także posłowie dotyczące zastosowań ML w praktyce, które można wykorzystać jako dodatek lub bazę do dyskusji.
> Zapoznaj się z naszymi wytycznymi: [Kodeks postępowania](CODE_OF_CONDUCT.md), [Wkład do projektu](CONTRIBUTING.md), [Tłumaczenia](TRANSLATIONS.md) oraz [Rozwiązywanie problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię!
> Znajdź nasze wytyczne: [Kodeks postępowania](CODE_OF_CONDUCT.md), [Wkład](CONTRIBUTING.md), [Tłumaczenia](TRANSLATIONS.md) i [Rozwiązywanie problemów](TROUBLESHOOTING.md). Czekamy na twoją konstruktywną opinię!
## Każda lekcja zawiera
- opcjonalną notatkę szkicową
- opcjonalny film uzupełniający
- film instruktażowy (w niektórych lekcjach)
- opcjonalne notatki graficzne
- opcjonalne dodatkowe wideo
- przewodnik wideo (niektóre lekcje)
- [quiz rozgrzewkowy przed wykładem](https://ff-quizzes.netlify.app/en/ml/)
- lekcję pisaną
- w lekcjach projektowych przewodniki krok po kroku, jak zbudować projekt
- pisemną lekcję
- dla lekcji projektowych - przewodnik krok po kroku, jak stworzyć projekt
- sprawdzenia wiedzy
- wyzwanie
- uzupełniającą lekturę
- zadanie domowe
- [quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/)
> **Uwagi dotyczące języków**: Lekcje są głównie napisane w Pythonie, ale wiele z nich jest dostępnych również w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i znajdź lekcje w R. Mają rozszerzenie .rmd, które oznacza plik **R Markdown**, definiowany jako połączenie `kawałków kodu` (w R lub innych językach) oraz `nagłówka YAML` (który kieruje formatowaniem wyjść takich jak PDF) w dokumencie `Markdown`. Służy to jako wzorcowy framework dla nauki danych, ponieważ pozwala łączyć kod, jego wyniki i notatki poprzez zapis w Markdown. Ponadto pliki R Markdown mogą być renderowane do formatów wyjścia takich jak PDF, HTML lub Word.
> **Notatka o quizach**: Wszystkie quizy zawarte są w [folderze Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikacja quizowa może być uruchamiana lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor |
| 01 | Wprowadzenie do uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe pojęcia uczenia maszynowego | [Lekcja](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj historię tego obszaru | [Lekcja](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Sprawiedliwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć przy budowie i stosowaniu modeli ML? | [Lekcja](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Jakich technik używają badacze ML do tworzenia 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 dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Wizualizacja i oczyszczanie danych 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 dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Budowa modeli 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 dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Budowa modelu 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 🔌 | [Aplikacja webowa](3-Web-App/README.md) | Stwórz aplikację webową, która użyje twojego wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Wprowadzenie do klasyfikacji | [Klasyfikacja](4-Classification/README.md) | Oczyść, przygotuj i zwizualizuj 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 🍜 | [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 | Pyszne 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 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Stwórz aplikację webową rekomendacji używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do klasteryzacji | [Klasteryzacja](5-Clustering/README.md) | Oczyść, przygotuj i zwizualizuj 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 poprzez zrozumienie powszechnych zadań związanych ze strukturą 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 Europy ♥️ | [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 Europy ♥️ | [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 ARIMA| [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z użyciem ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z użyciem regresora wektorów nośnych (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomóż Piotrowi uniknąć wilka! 🐺 | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Ćwiczenia z uczenia ze wzmocnieniem w środowisku Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenariusze ML w rzeczywistym świecie | [ML w praktyce](9-Real-World/README.md) | Ciekawe i znaczące zastosowania klasycznego ML w praktyce | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół |
| Postscript | Debugowanie modeli ML za pomocą panelu RAI | [ML w praktyce](9-Real-World/README.md) | Debugowanie modeli uczenia maszynowego z wykorzystaniem komponentów panelu Responsible AI | [Lekcja](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Uwagi o językach**: Te lekcje są głównie napisane w Pythonie, ale wiele dostępnych jest również w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i znajdź lekcje R. Mają one rozszerzenie .rmd, które oznacza plik **R Markdown**, który można prosto zdefiniować jako osadzenie `fragmentów kodu` (w R lub innych językach) oraz `nagłówka YAML` (który wskazuje, jak formatuje się wyniki, np. PDF) w `dokumencie Markdown`. Służy on jako przykład ram autorskich dla data science, ponieważ pozwala łączyć kod, jego wyniki oraz Twoje komentarze, pisząc je w Markdown. Ponadto dokumenty R Markdown można renderować do formatów takich jak PDF, HTML lub Word.
> **Notatka o quizach**: Wszystkie quizy znajdują się w [folderze Quiz App](../../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 uruchomić ją lokalnie lub wdrożyć na Azure.
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autorzy |
| 01 | Wprowadzenie do uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe pojęcia związane z uczeniem maszynowym | [Lekcja](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Historia uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj historię stojącą za tą dziedziną | [Lekcja](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
| 03 | Sprawiedliwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć budując i stosując modele ML? | [Lekcja](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Techniki uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Jakie techniki stosują badacze uczenia maszynowego do tworzenia 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 | Północnoamerykańskie ceny dyni 🎃 | [Regresja](2-Regression/README.md) | Wizualizuj i oczyszczaj 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 | Północnoamerykańskie ceny dyni 🎃 | [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 | Północnoamerykańskie ceny dyni 🎃 | [Regresja](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 🔌 | [Aplikacja webowa](3-Web-App/README.md) | Zbuduj aplikację webową korzystającą z Twojego 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 | Pyszne kuchnie Azji i Indii 🍜 | [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 | Pyszne kuchnie Azji i Indii 🍜 | [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 | Pyszne kuchnie Azji i Indii 🍜 | [Klasyfikacja](4-Classification/README.md) | Zbuduj rekomendującą aplikację webową używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Wprowadzenie do klasteryzacji | [Klasteryzacja](5-Clustering/README.md)| Oczyść, przygotuj i wizualizuj swoje 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 budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Powszechne zadania NLP ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP rozumiejąc powszechne zadania wymagane przy pracy ze strukturą 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 Europy ♥️ | [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 Europy ♥️ | [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 użyciem 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 za pomocą regresji wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Pomóż Peterowi unikać wilka! 🐺 | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Gym dla uczenia ze wzmocnieniem | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenariusze i zastosowania ML w rzeczywistym świecie | [ML w praktyce](9-Real-World/README.md) | Ciekawe i pouczające zastosowania klasycznego ML w praktyce | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół |
| Postscript | Debugowanie modeli ML z użyciem panelu RAI | [ML w praktyce](9-Real-World/README.md) | Debugowanie modeli w uczeniu maszynowym z wykorzystaniem komponentów panelu 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 uruchomić tę dokumentację offline za pomocą [Docsify](https://docsify.js.org/#/). Sklonuj to repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w głównym folderze repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na twoim lokalnym hoście: `localhost:3000`.
Możesz uruchomić tę dokumentację offline korzystając z [Docsify](https://docsify.js.org/#/). Sklonuj to repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim komputerze lokalnym, a następnie w głównym folderze tego repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na twoim localhost: `localhost:3000`.
## PDF-y
Pobierz pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
Znajdź pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf).
## 🎒 Inne kursy
## 🎒 Inne kursy
Nasz zespół produkuje również inne kursy! Sprawdź:
Nasz zespół tworzy 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)
---
### 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/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Seria Generative AI
### Seria Generatywnej 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)
@ -207,7 +207,7 @@ Nasz zespół produkuje również inne kursy! Sprawdź:
## Uzyskiwanie pomocy
Jeśli utkniesz lub masz jakiekolwiek pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach na temat MCP. To wspierająca społeczność, gdzie 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.
@ -218,6 +218,6 @@ Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, o
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Zastrzeżenie**:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dążymy do dokładności, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym powinien być uznawany za oficjalne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonywanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z niniejszego tłumaczenia.
**Zastrzeżenie**:
Niniejszy dokument został przetłumaczony z wykorzystaniem usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako źródło wiarygodne. W przypadku informacji krytycznych zalecane jest 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 Kopyayı Tercih Ediyor Musunuz?**
> Bu depo 50’den fazla dil çevirisi içeriyor ve bu da indirme boyutunu önemli ölçüde artırır. Çeviriler olmadan klonlamak için sparse checkout kullanın:
> Bu depo, indirme boyutunu önemli ölçüde artıran 50+ dil çevirisini içerir. Çeviriler olmadan klonlamak için, seyrek checkout kullanın:
Bizim Discord'da AI ile öğrenme serimiz devam ediyor, daha fazlasını öğrenmek ve katılmak için [Learn with AI Series](https://aka.ms/learnwithai/discord) adresine 18 - 30 Eylül 2025 tarihleri arasında gelen davetimizi kabul edin. GitHub Copilot’u Veri Bilimi için kullanırken ipuçları ve püf noktaları edineceksiniz.
AI ile öğrenme serimiz Discord'da devam ediyor, daha fazla bilgi edinmek ve bize katılmak için 18 - 30 Eylül 2025 tarihlerinde [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord) adresine gidin. Veri Bilimi için GitHub Copilot kullanımı hakkında ipuçları ve püf noktaları elde edeceksiniz.
# Başlangıç Seviyesi Makine Öğrenimi - Müfredat
# Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat
> 🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünya turuna çıkın 🌍
> 🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı dolaşın 🌍
Microsoft’taki Cloud Advocates, tamamı**Makine Öğrenimi** hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan memnuniyet duyuyor. Bu müfredatta, çoğunlukla Scikit-learn kütüphanesi kullanılarak ve derin öğrenmeden (bu, bizim [AI for Beginners müfredatımızda](https://aka.ms/ai4beginners) ele alınıyor) kaçınılarak bazen **klasik makine öğrenimi** olarak adlandırılan şeyleri öğrenirsiniz. Bu dersleri bizim ['Başlangıç Seviyesi Veri Bilimi müfredatımızla'](https://aka.ms/ds4beginners) da eşleştirin!
Microsoft'taki Bulut Savunucuları, **Makine Öğrenimi** hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyuyor. Bu müfredatta, bazen **klasik makine öğrenimi** olarak adlandırılan konuyu öğreneceksiniz. Genellikle Scikit-learn kütüphanesi kullanılır ve derin öğrenmeden (bizim [AI for Beginners müfredatımızda](https://aka.ms/ai4beginners) ele alınan) kaçınılır. Bu dersleri ayrıca ['Yeni Başlayanlar için Veri Bilimi' müfredatımız](https://aka.ms/ds4beginners) ile birlikte kullanabilirsiniz!
Bu klasik teknikleri, dünyanın birçok bölgesinden veri üzerinde uygularken bizimle beraber seyahat edin. Her ders öncesinde ve sonrasında sınavlar, tamamlamanız için yazılı talimatlar, çözüm, bir görev ve daha fazlası bulunur. Proje temelli pedagojimiz, yeni becerilerin 'yerleşmesi' için kanıtlanmış bir yöntem olan yaparak öğrenmenizi sağlar.
Dünya çapından çeşitli verilerle bu klasik teknikleri uygularken bizimle seyahat edin. Her ders, ders öncesi ve sonrası sınavlar, dersi tamamlamak için yazılı talimatlar, bir çözüm, bir ödev ve daha fazlasını içerir. Proje temelli pedagojimiz, yeni becerilerin 'yerleşmesi' için kanıtlanmış bir yöntem olan öğrenirken inşa etmeyi sağlar.
**✍️ Şükranlarımızı sunarız 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 teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper
**🙏 Özel teşekkürlerimiz 🙏 Microsoft Öğrenci Elçileri yazarlarımıza, gözden geçirenlere ve içerik katkılarımıza**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🙏 Microsoft Öğrenci Elçileri yazarlarımıza, gözden geçirenlere ve içerik katkıcılarına özel teşekkürler**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal
**🤩 Ek teşekkürlerimiz Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya R derslerimiz için!**
**🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya ekstra minnettarız!**
# Başlarken
Bu adımları izleyin:
1. **Depoyu çatallayın (Fork)**: Bu sayfanın sağ üst köşesindeki "Fork" düğmesine tıklayın.
> [Bu kursla ilgili tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [Bu kurs 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, ayar ve ders çalıştırma ile ilgili sık karşılaşılan sorunlar için [Sorun Giderme Rehberi](TROUBLESHOOTING.md) sayfamıza bakın.
> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, ayar ve ders çalıştırma ile ilgili yaygın sorunlar için [Sorun Giderme Kılavuzumuza](TROUBLESHOOTING.md) bakın.
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için, tüm depoyu kendi GitHub hesabınıza fork edin ve alıştırmaları kendi başınıza veya bir grupla tamamlayın:
- Ders öncesi sınavla başlayın.
- Dersi okuyun ve etkinlikleri tamamlayın, her bilgi kontrolünde duraklayıp düşünün.
- Projeleri, çözüm kodunu çalıştırmak yerine dersleri anlayarak oluşturmaya çalışın; ancak bu kod her proje odaklı derste `/solution` klasörlerinde mevcuttur.
- Ders sonrası sınava girin.
**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza çatallayın ve ödevleri kendi başınıza veya bir grupla tamamlayın:
- Ders öncesi bir sınavla başlayın.
- Dersi okuyun ve bilgi kontrolü sırasında duraklayıp düşünerek etkinlikleri tamamlayın.
- Dersleri anlamaya çalışarak projeleri oluşturun, çözüm kodunu doğrudan çalıştırmak yerine anlamaya çalışın; ancak bu kod her proje odaklı dersin `/solution` klasöründe mevcuttur.
- Ders sonrası sınavı yapın.
- Meydan okumayı tamamlayın.
- Ödevi tamamlayın.
- Bir ders grubunu tamamladıktan sonra [Tartışma Panosu](https://github.com/microsoft/ML-For-Beginners/discussions) sayfasına gidin ve uygun PAT derecelendirmesini doldurarak "yüksek sesle öğrenin". 'PAT', öğrenmenizi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracıdır. Başka PAT’lere de tepki verebilirsiniz, böylece birlikte öğrenebiliriz.
- Bir ders grubunu tamamladıktan sonra [Tartışma Panosunu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT ölçeğini doldurarak "yüksek sesle öğrenin". 'PAT' (İlerleme Değerlendirme Aracı), öğreniminizi ilerletmek için doldurduğunuz bir değerlendirme formudur. Ayrıca diğer PAT'lere tepki verebilir, böylece birlikte öğrenebiliriz.
> Daha fazla çalışma için [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.
> 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 müfredatı nasıl kullanacağınıza dair [bazı öneriler sunduk](for-teachers.md).
**Öğretmenler**, bu müfredatı nasıl kullanacağınıza dair [birkaç öneriyi](for-teachers.md) dahil ettik.
---
## Video anlatımları
## Video Anlatımları
Bazı dersler kısa video formatında mevcuttur. Bu videoları derslerin içinde ya da Microsoft Developer YouTube kanalındaki [ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) aşağıdaki resme tıklayarak bulabilirsiniz.
Bazı dersler kısa video olarak mevcuttur. Bunların tümünü derslerin içinde veya [Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) aşağıdaki resme tıklayarak bulabilirsiniz.
[](https://aka.ms/ml-beginners-videos)
> 🎥 Proje ve onu yaratan kişiler hakkında bir video için yukarıdaki resme tıklayın!
> 🎥 Proje ve yaratan kişilerle ilgili video için yukarıdaki resme tıklayın!
---
## Pedagoji
Bu müfredatı oluştururken iki pedagojik ilke seçtik: öğrencinin doğrudan uygulayabileceği **proje tabanlı** olmasını ve **sık aralıklarla sınavlar** içermesini sağlamak. Ayrıca, birleştirici olması için ortak bir **tema** içeriyor.
Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı**proje tabanlı** olmasını sağlamak ve **sık sık quizler** içermek. Ayrıca, bu müfredatın bir bütünlük kazanması için ortak bir **tema** içerir.
İçeriğin projelerle hizalanmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların akılda kalıcılığı artırılır. Ayrıca, sınıf öncesi düşük riskli bir sınav öğrencinin öğrenme niyetini belirlerken, ders sonrası ikinci sınav öğrenmenin devamlılığını sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlandı, tamamı ya da parça parça alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Müfredatta gerçek dünyada ML uygulamaları hakkında bir sonraki bölüm de vardır, bu ek kredi veya tartışma temeli olarak kullanılabilir.
İçeriğin projelerle uyumlu olması, süreci öğrenciler için daha ilgi çekici kılar ve kavramların kalıcılığını artırır. Ek olarak, ders öncesi düşük riskli bir quiz öğrencinin öğrenme amacını belirlerken, ders sonrası ikinci quiz bilgilerin kalıcı olmasını sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamen ya da kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek karmaşıklaşır. Bu müfredat ayrıca gerçek dünya ML uygulamaları ile ilgili bir postscript içerir, bu ek kredi olarak veya tartışma temeli olarak kullanılabilir.
> [Davranış Kuralları](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviri](TRANSLATIONS.md) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildirimlerinize açığız!
> Bizim [Davranış Kurallarımız](CODE_OF_CONDUCT.md), [Katkı Kılavuzumuz](CONTRIBUTING.md), [Çeviri](TRANSLATIONS.md) ve [Sorun Giderme](TROUBLESHOOTING.md) yönergelerimizi bulun. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!
## Her derste şunlar bulunur
## Her ders şunları içerir
- isteğe bağlıeskiz notu
- isteğe bağlıtaslak notu
- isteğe bağlı destekleyici video
- video anlatım (sadece bazı derslerde)
- [ders öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/)
- video anlatımı (sadece bazı derslerde)
- [ders öncesi ısınma quizi](https://ff-quizzes.netlify.app/en/ml/)
- yazılı ders
- proje tabanlı derslerde, proje oluşturma adım adım kılavuzu
- proje tabanlı derslerde, projeyi adım adım oluşturma kılavuzları
> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidip R derslerine bakın. Bunlar `.rmd` uzantılıdır ve **R Markdown** dosyasını temsil eder. Bu, `kod parçacıklarının` (R veya diğer dillerde) ve `YAML başlığının` (PDF gibi çıktıların nasıl biçimlendirileceğini yönlendiren) Markdown belgesi içine gömülmesi olarak basitçe tanımlanabilir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown’da yazmanıza izin vererek veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktıformatlarına dönüştürülebilir.
> **Quizler hakkında bir not**: Tüm quizler, her biri üç sorudan oluşan toplam 52 quiz için [Quiz App klasöründe](../../quiz-app) bulunmaktadır. Derslerin içinde bağlantılıdırlar ancak quiz uygulaması yerel olarak çalıştırılabilir; `quiz-app` klasöründeki talimatları izleyerek yerel olarak barındırabilir veya Azure'a dağıtabilirsiniz.
| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğreniminin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğreniminin 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) | ML modelleri oluştururken ve uygularken öğrencilerin 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) | 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 kabak fiyatları 🎃 | [Regresyon](2-Regression/README.md) | ML 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) | Doğrusal ve polinom 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 App](3-Web-App/README.md) | Eğitilmiş modelinizi 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 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 bir 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 Zevklerini Keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Ortalamalar 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 işlemesine giriş ☕️ | [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 yapılarını kullanırken 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 |
| 19 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumlarıyla duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumlarıyla duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/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 Güç 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 Güç 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 | [Vahşi ML](9-Real-World/README.md) | Klasik makine öğreniminin ilginç ve açıklayıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Ekip |
| Son söz | Sorumlu AI pano bileşenleri kullanarak ML model hata ayıklama | [Vahşi ML](9-Real-World/README.md) | Sorumlu AI pano bileşenlerini kullanarak Makine Öğrenimi 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 çoğu ders aynı zamanda R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidin ve R derslerini arayın. Bunlar, `R Markdown` dosyası olan .rmd uzantısını içerir; bu, `kod parçacıklarının` (R veya diğer diller) ve çıktılarının nasıl biçimlendirileceğini yöneten bir `YAML başlığı`nın gömülmesiyle tanımlanabilir. Bu sayede, kodunuzu, çıktılarını 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 çıktıbiçimlerine dönüştürülebilir.
> **Sınavlarla ilgili bir not**: Tüm sınavlar, her biri üç sorudan oluşan toplam 52 sınav için [Quiz App klasöründe](../../quiz-app) bulunmaktadır. Bunlar derslerin içinde bağlantılıdır ancak quiz uygulaması yerel olarak çalıştırılabilir; `quiz-app` klasöründeki talimatları izleyerek yerel olarak barındırabilir veya Azure'a dağıtabilirsiniz.
| Ders Numarası | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlı Ders | Yazar |
| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğreniminin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | Makine öğreniminin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın tarihini 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 modelleri oluştururken ve uygularken dikkate alması gereken önemli adalet felsefi meseleleri 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 balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | ML 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 balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinom 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 App](3-Web-App/README.md) | Eğitilmiş modelinizi 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 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 bir 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 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 girişimi ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot yaparak 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 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 |
| 19 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Avrupa'nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/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 Söz | Gerçek dünya ML senaryoları ve uygulamaları | [Gerçek Dünya ML](9-Real-World/README.md) | Klasik ML'nin ilginç ve açıklayıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Takım |
| Son Söz | RAI panosu kullanarak ML modelleri hata ayıklama | [Gerçek Dünya ML](9-Real-World/README.md) | Sorumlu AI pano bileşenlerini 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 çevrimdışıkullanmak için [Docsify](https://docsify.js.org/#/) kullanabilirsiniz. Bu repoyu fork edin, yerel makinenize [Docsify](https://docsify.js.org/#/quickstart) yükleyin ve ardından bu repodaki kök klasörde `docsify serve` yazın. Web sitesi, localhost:3000 adresinde 3000 portunda sunulacaktır: `localhost:3000`.
Bu dokümantasyonu çevrimdışıolarak [Docsify](https://docsify.js.org/#/) kullanarak çalıştırabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify kurun](https://docsify.js.org/#/quickstart) ve ardından bu deponun kök klasöründe `docsify serve` komutunu yazın. Web sitesi localhostunuzda 3000 portunda yayınlanacaktır: `localhost:3000`.
## PDF'ler
Köprüler içeren müfredatın pdf'sini [buradan](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulun.
Bağlantılı müfredatın pdf dosyasını [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulabilirsiniz.
## 🎒 Diğer Kurslar
Ekibimiz başka kurslar üretiyor! Göz atın:
Ekibimiz başka kurslar da üretiyor! Göz atın:
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
### LangChain
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://aka.ms/langchain4j-for-beginners)
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
---
### Azure / Edge / MCP / Ajanlar
[](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)
---
### Üretken AI Serisi
### Yaratıcı AI Serisi
[](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
@ -187,8 +188,8 @@ Ekibimiz başka kurslar üretiyor! Göz atın:
---
### Temel Öğrenim
[](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
### Temel Öğrenme
[](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)
@ -199,24 +200,24 @@ Ekibimiz başka kurslar üretiyor! Göz atın:
---
### Copilot Serisi
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
Yapay zeka uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa, diğer öğrenenler ve deneyimli geliştiricilerle MCP hakkında tartışmalara katılın. Soruların hoş karşılandığı ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.
Eğer takılırsanız ya da yapay zeka uygulamaları geliştirme hakkında sorularınız varsa. MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Burası soruların memnuniyetle karşılandığı ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur.
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 yanlış anlamalar içerebileceğini lütfen unutmayınız. Orijinal belge, kendi yerel dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu oluşabilecek yanlış anlamalar veya yanlış yorumlamalardan sorumluluk kabul edilmemektedir.
**Feragatname**:
Bu belge, AI çeviri servisi [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstermemize rağmen, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu oluşabilecek yanlış anlamalar veya yanlış yorumlamalardan tarafımız sorumlu değildir.
localizeflow[bot]
3 months ago