[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) [![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) [![](https://dcbadge.vercel.app/api/server/ByRwuEEgH4)](https://discord.gg/zxKYvhSnVp?WT.mc_id=academic-000002-leestott) # Машинное обучение для начинающих - Учебная программа > 🌍 Путешествуйте по миру, изучая машинное обучение через призму культур разных стран 🌍 Облачные адвокаты Microsoft рады представить 12-недельную учебную программу из 26 уроков, посвященную **машинному обучению**. В этой программе вы узнаете о том, что иногда называют **классическим машинным обучением**, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей [программе для начинающих по ИИ](https://aka.ms/ai4beginners). Также сочетайте эти уроки с нашей программой ['Наука о данных для начинающих'](https://aka.ms/ds4beginners)! Путешествуйте с нами по миру, применяя эти классические методы к данным из разных уголков планеты. Каждый урок включает в себя тесты до и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наша проектная методика обучения позволяет вам учиться, создавая, что является проверенным способом закрепления новых навыков. **✍️ Огромная благодарность нашим авторам** Джен Лупер, Стивену Хауэллу, Франческе Лаццери, Томоми Имура, Кэсси Бревиу, Дмитрию Сошникову, Крису Норингу, Анирбану Мукерджи, Орнелле Алтунян, Рут Якубу и Эми Бойд **🎨 Также благодарим наших иллюстраторов** Томоми Имура, Дасани Мадипалли и Джен Лупер **🙏 Особая благодарность 🙏 нашим авторам, рецензентам и контрибьюторам Microsoft Student Ambassador**, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джаисвалу, Наурину Табассу, Иоану Самуила и Снигдхе Агарвал **🤩 Дополнительная благодарность Microsoft Student Ambassadors Эрику Ванджау, Джаслин Сонди и Видуши Гупте за наши уроки по R!** # Начало работы Следуйте этим шагам: 1. **Создайте форк репозитория**: Нажмите на кнопку "Fork" в правом верхнем углу этой страницы. 2. **Клонируйте репозиторий**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[Студенты](https://aka.ms/student-page)**, чтобы использовать эту учебную программу, создайте форк всего репозитория на своем аккаунте GitHub и выполняйте задания самостоятельно или в группе: - Начните с теста перед лекцией. - Прочитайте лекцию и выполните задания, останавливаясь и размышляя на каждом этапе проверки знаний. - Постарайтесь создать проекты, понимая уроки, а не просто запуская код решения; однако этот код доступен в папках `/solution` в каждом проектном уроке. - Пройдите тест после лекции. - Выполните задание. - После завершения группы уроков посетите [Доску обсуждений](https://github.com/microsoft/ML-For-Beginners/discussions) и "учитесь вслух", заполнив соответствующую рубрику PAT. 'PAT' — это инструмент оценки прогресса, который представляет собой рубрику, которую вы заполняете для дальнейшего обучения. Вы также можете реагировать на другие PAT, чтобы мы могли учиться вместе. > Для дальнейшего изучения мы рекомендуем следовать этим модулям и учебным путям [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). **Учителя**, мы [включили некоторые рекомендации](for-teachers.md) о том, как использовать эту учебную программу. --- ## Видеоуроки Некоторые уроки доступны в формате коротких видео. Вы можете найти все эти видео в уроках или на [плейлисте ML для начинающих на канале Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos), кликнув на изображение ниже. [![ML для начинающих баннер](../../translated_images/ml-for-beginners-video-banner.279f2a268d2130758668f4044f8c252d42f7c0a141c2cb56294c1ccc157cdd1c.ru.png)](https://aka.ms/ml-beginners-videos) --- ## Знакомьтесь с командой [![Промо-видео](../../ml.gif)](https://youtu.be/Tj1XWrDSYJU "Промо-видео") **Gif от** [Мохита Джайсала](https://linkedin.com/in/mohitjaisal) > 🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и о людях, которые его создали! --- ## Методология При создании этой учебной программы мы выбрали два педагогических принципа: обеспечить практическое **проектное** обучение и включить **частые тесты**. Кроме того, в этой программе есть общая **тематика**, которая придает ей связность. Обеспечивая соответствие содержания проектам, процесс становится более увлекательным для студентов, а усвоение концепций усиливается. Кроме того, тест с низкими ставками перед занятием задает намерение студента к изучению темы, в то время как второй тест после занятия обеспечивает дальнейшее усвоение. Эта программа была разработана, чтобы быть гибкой и увлекательной, и ее можно проходить полностью или частично. Проекты начинаются с простых и становятся все более сложными к концу 12-недельного цикла. Эта программа также включает постскриптум о реальных приложениях машинного обучения, который можно использовать как дополнительный кредит или как основу для обсуждения. > Найдите наш [Кодекс поведения](CODE_OF_CONDUCT.md), [Руководство по участию](CONTRIBUTING.md) и [Руководство по переводу](TRANSLATIONS.md). Мы приветствуем вашу конструктивную обратную связь! ## Каждый урок включает - необязательная схема - необязательное дополнительное видео - видеопроход (только некоторые уроки) - разминка перед лекцией - письменный урок - для проектных уроков пошаговые инструкции по созданию проекта - проверки знаний - задание - дополнительное чтение - домашнее задание - тест после лекции > **Примечание о языках**: Эти уроки в основном написаны на Python, но многие из них также доступны на R. Чтобы завершить урок по R, перейдите в папку `/solution` и найдите уроки по R. Они имеют расширение .rmd, которое представляет собой файл **R Markdown**, который можно просто определить как встраивание `code chunks` (на R или других языках) и `YAML header` (который указывает, как форматировать выходные данные, такие как PDF) в `Markdown document`. Таким образом, он служит образцовым фреймворком для написания для науки о данных, поскольку позволяет вам комбинировать ваш код, его выходные данные и ваши мысли, позволяя записывать их в Markdown. Более того, документы R Markdown могут быть преобразованы в форматы вывода, такие как PDF, HTML или Word. > **Примечание о тестах**: Все тесты содержатся в [папке Quiz App](../../quiz-app), всего 52 теста по три вопроса каждый. Они связаны с уроками, но приложение для тестирования можно запустить локально; следуйте инструкциям в папке `quiz-app`, чтобы локально разместить или развернуть в Azure. | Номер урока | Тема | Группировка уроков | Цели обучения | Связанный урок | Автор | | :---------: | :------------------------------------------------------------: | :-----------------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | Введение в машинное обучение | [Введение](1-Introduction/README.md) | Узнать основные концепции машинного обучения | [Урок](1-Introduction/1-intro-to-ML/README.md) | Мухаммад | | 02 | История машинного обучения | [Введение](1-Introduction/README.md) | Узнать историю, лежащую в основе этой области | [Урок](1-Introduction/2-history-of-ML/README.md) | Джен и Эми | | 03 | Справедливость и машинное обучение | [Введение](1-Introduction/README.md) | Какие важные философские вопросы о справедливости студенты должны учитывать при создании и применении моделей ML? | [Урок](1-Introduction/3-fairness/README.md) | Томоми | | 04 | Техники машинного обучения | [Введение](1-Introduction/README.md) | Какие техники используют исследователи машинного обучения для построения моделей? | [Урок](1-Introduction/4-techniques-of-ML/README.md) | Крис и Джен | | 05 | Введение в регрессию | [Регрессия](2-Regression/README.md) | Начните работать с Python и Scikit-learn для регрессионных моделей | | | | 06 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Визуализируйте и очистите данные в подготовке к машинному обучению | | | | 07 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Постройте линейные и полиномиальные регрессионные модели | | | | 08 | Цены на тыквы в Северной Америке 🎃 | [Регрессия](2-Regression/README.md) | Постройте логистическую регрессионную модель | | | | 09 | Веб-приложение 🔌 | [Веб-приложение](3-Web-App/README.md) | Создайте веб-приложение для использования вашей обученной модели | [Python](3-Web-App/1-Web-App/README.md) | Джен | | 10 | Введение в классификацию | [Классификация](4-Classification/README.md) | Очистите, подготовьте и визуализируйте ваши данные; введение в классификацию |