ML-For-Beginners/translations/hr

🌐 Višejezična podrška

Podržano putem GitHub akcije (automatski i uvijek ažurno)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Radije želite klonirati lokalno?

Ovaj repozitorij uključuje prijevode na više od 50 jezika što značajno povećava veličinu preuzimanja. Da biste klonirali bez prijevoda, koristite sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Ovo vam daje sve što vam treba za završetak tečaja uz mnogo brže preuzimanje.

Pridružite se našoj zajednici

Ima tekući Discord serijal "učiti s AI", saznajte više i pridružite nam se na Learn with AI Series od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilot za Data Science.

Strojno učenje za početnike - Kurikulum

🌍 Putujte svijetom dok istražujemo Strojno učenje kroz kulture svijeta 🌍

Cloud Advocates u Microsoftu sretni su ponuditi 12-tjedni, 26-predmetni kurikulum u cijelosti posvećen Strojnom učenju. U ovom kurikulumu naučit ćete o onome što se često naziva klasičnim strojnim učenjem, koristeći prvenstveno Scikit-learn kao biblioteku i izbjegavajući dubinsko učenje, koje je obrađeno u našem kurikulumu AI za početnike. Također spojite ove lekcije s našim kurikulom 'Data Science for Beginners'!

Putujte s nama svijetom dok primjenjujemo ove klasične tehnike na podatke iz mnogih krajeva svijeta. Svaka lekcija uključuje pred i post kvizove, pisane upute za dovršetak lekcije, rješenje, zadatak i još. Naša pedagoška metoda temeljena na projektima omogućuje vam učenje kroz gradnju, dokazani način da nove vještine 'zapnu'.

✍️ Iskrene zahvale našim autorima Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd

🎨 Zahvale također našim ilustratorima Tomomi Imura, Dasani Madipalli i Jen Looper

🙏 Posebna hvala 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima na sadržaju, posebno Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal

🤩 Dodatna zahvala Microsoft Student Ambassadorima Ericu Wanjauu, Jasleen Sondhi i Vidushi Gupti za naše lekcije u R!

Početak rada

Slijedite ove korake:

1. Forkajte repozitorij: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
2. Klonirajte repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji

🔧 Trebate pomoć? Pogledajte naš Vodič za otklanjanje poteškoća za rješenja uobičajenih problema oko instalacije, postavljanja i pokretanja lekcija.

Studenti, za korištenje ovog kurikuluma, forknite cijeli repozitorij u svoj vlastiti GitHub račun i dovršavajte vježbe sami ili u grupi:

• Počnite s pred-izazovnim kvizom.
• Pročitajte lekciju i dovršite aktivnosti, zastajte i razmislite na svakom provjeravanja znanja.
• Pokušajte sami kreirati projekte razumijevanjem lekcija umjesto samo izvođenja rješenja, no kod rješenja dostupan je u mapama /solution u svakoj lekciji fokusiranoj na projekt.
• Odgovorite na post-izazovni kviz.
• Izvršite izazov.
• Dovršite zadatak.
• Nakon završetka grupe lekcija, posjetite Discussion Board i "učite naglas" popunjavanjem odgovarajuće PAT ocjene. 'PAT' je alat za procjenu napretka koji ispunjavate kako biste unaprijedili svoje učenje. Također možete reagirati na druge PAT-ove da učimo zajedno.

Za daljnje učenje preporučujemo da pratite ove Microsoft Learn module i putanje učenja.

Nastavnici, imamo neke prijedloge o tome kako koristiti ovaj kurikulum.

---

Video vodiči

Neke lekcije dostupne su u kratkim videozapisima. Sve ih možete pronaći unutar lekcija ili na ML for Beginners playlisti na Microsoft Developer YouTube kanalu klikom na sliku ispod.

---

Upoznajte tim

Gif by Mohit Jaisal

🎥 Kliknite gore na sliku za video o projektu i ljudima koji su ga stvorili!

---

Pedagogija

Odabrali smo dva pedagoška načela dok smo gradili ovaj kurikulum: osigurati da je praktičan i projektno orijentiran te da uključuje česte kvizove. Osim toga, ovaj kurikulum ima zajedničku temu za povezanost.

Osiguravajući da sadržaj prati projekte, proces učenja postaje zanimljiviji za studente i poboljšava zadržavanje koncepata. Osim toga, kviz s niskim ulozima prije predavanja usmjerava studenta na učenje teme, dok drugi kviz nakon predavanja osigurava bolje zadržavanje. Ovaj je kurikulum dizajniran da bude fleksibilan i zabavan, može se pohađati u cijelosti ili djelomično. Projekti započinju mali i postaju složeniji do kraja 12-tjednog ciklusa. Kurikulum također uključuje post skriptu o stvarnim primjenama strojnog učenja, koja se može koristiti kao dodatni bodovi ili kao osnova za raspravu.

Pronađite naš Kodeks ponašanja, Pravila za doprinos, Prijevode i Vodič za otklanjanje poteškoća. Veselimo se vašim konstruktivnim povratnim informacijama!

Svaka lekcija uključuje

• opcionalnu skicu (sketchnote)
• opcionalni video dodatak
• video vodič (samo neke lekcije)
• kviz za zagrijavanje prije lekcije
• pisanu lekciju
• za lekcije temeljene na projektima, korak-po-korak vodiče kako napraviti projekt
• provjere znanja
• izazov
• dodatno čitanje
• zadatak
• kviz nakon lekcije

Napomena o jezicima: Ove lekcije su prvenstveno napisane u Pythonu, ali mnoge su također dostupne u R. Za dovršetak R lekcije, idite u mapu /solution i potražite R lekcije. One sadrže ekstenziju .rmd koja predstavlja R Markdown datoteku što se može jednostavno definirati kao ugrađivanje code chunks (kôd blokova) (iz R ili drugih jezika) i YAML header (koji vodi kako formatirati izlaze poput PDF-a) u Markdown dokumentu. Kao takav, služi kao uzorni okvir za autorstvo u znanosti o podacima jer vam omogućuje da kombinirate svoj kôd, njegov izlaz i svoje misli dopuštajući vam da ih zapišete u Markdownu. Štoviše, R Markdown dokumenti mogu se prikazati u izlaznim formatima poput PDF-a, HTML-a ili Word-a.

Napomena o kvizovima: Svi su kvizovi sadržani u Mapi kviz aplikacije, ukupno 52 kviza sa po tri pitanja. Povezani su unutar lekcija, ali se kviz aplikacija može pokrenuti lokalno; slijedite upute u mapi quiz-app da lokalno pokrenete ili implementirate na Azure.

Broj lekcije	Tema	Grupiranje lekcija	Ciljevi učenja	Povezana lekcija	Autor
01	Uvod u strojarno učenje	Uvod	Naučite osnovne pojmove iza strojnog učenja	Lekcija	Muhammad
02	Povijest strojnog učenja	Uvod	Naučite povijest ovog područja	Lekcija	Jen i Amy
03	Pravednost i strojno učenje	Uvod	Koja su važna filozofska pitanja o pravednosti koja bi studenti trebali razmotriti pri izgradnji i primjeni ML modela?	Lekcija	Tomomi
04	Tehnike strojnog učenja	Uvod	Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela?	Lekcija	Chris i Jen
05	Uvod u regresiju	Regresija	Počnite s Pythonom i Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cijene tikvi u Sjevernoj Americi 🎃	Regresija	Vizualizirajte i očistite podatke u pripremi za ML	Python • R	Jen • Eric Wanjau
07	Cijene tikvi u Sjevernoj Americi 🎃	Regresija	Izgradite linearne i polinomske regresijske modele	Python • R	Jen i Dmitry • Eric Wanjau
08	Cijene tikvi u Sjevernoj Americi 🎃	Regresija	Izgradite logistički regresijski model	Python • R	Jen • Eric Wanjau
09	Web aplikacija 🔌	Web App	Izgradite web aplikaciju za korištenje vašeg istreniranog modela	Python	Jen
10	Uvod u klasifikaciju	Klasifikacija	Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju	Python • R	Jen i Cassie • Eric Wanjau
11	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Uvod u klasifikatore	Python • R	Jen i Cassie • Eric Wanjau
12	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Još klasifikatora	Python • R	Jen i Cassie • Eric Wanjau
13	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Izgradite preporučiteljsku web aplikaciju koristeći svoj model	Python	Jen
14	Uvod u klasteriranje	Klasteriranje	Očistite, pripremite i vizualizirajte svoje podatke; Uvod u klasteriranje	Python • R	Jen • Eric Wanjau
15	Istraživanje glazbenih ukusa Nigerije 🎧	Klasteriranje	Istražite K-means metodu klasteriranja	Python • R	Jen • Eric Wanjau
16	Uvod u obradu prirodnog jezika ☕️	Obrada prirodnog jezika	Naučite osnove NLP-a gradeći jednostavnog bota	Python	Stephen
17	Uobičajeni NLP zadaci ☕️	Obrada prirodnog jezika	Produbite svoje NLP znanje razumijevanjem uobičajenih zadataka potrebnih za rad s jezičnim strukturama	Python	Stephen
18	Prevod i analiza sentimenta ♥️	Obrada prirodnog jezika	Prijevod i analiza sentimenta s Jane Austen	Python	Stephen
19	Romantični hoteli Europe ♥️	Obrada prirodnog jezika	Analiza sentimenta na recenzijama hotela 1	Python	Stephen
20	Romantični hoteli Europe ♥️	Obrada prirodnog jezika	Analiza sentimenta na recenzijama hotela 2	Python	Stephen
21	Uvod u predviđanje vremenskih serija	Vremenske serije	Uvod u predviđanje vremenskih serija	Python	Francesca
22	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje s ARIMA	Vremenske serije	Predviđanje vremenskih serija s ARIMA	Python	Francesca
23	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje s SVR	Vremenske serije	Predviđanje vremenskih serija s Support Vector Regressorom	Python	Anirban
24	Uvod u pojačano učenje	Pojačano učenje	Uvod u pojačano učenje s Q-Learningom	Python	Dmitry
25	Pomozi Peteru izbjeći vuka! 🐺	Pojačano učenje	Pojačano učenje u Gym okruženju	Python	Dmitry
Postscript	Scenariji i primjene strojnog učenja u stvarnom svijetu	ML u stvarnom svijetu	Zanimljive i otkrivajuće primjene klasičnog strojnog učenja	Lekcija	Tim
Postscript	Debugiranje modela u strojnog učenja korištenjem RAI nadzorne ploče	ML u stvarnom svijetu	Debugiranje modela u strojnog učenja koristeći Responsible AI nadzorne ploče komponente	Lekcija	Ruth Yakubu

pronađi sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji

Pristup bez interneta

Možete koristiti ovu dokumentaciju offline pomoću Docsify. Forkajte ovaj repozitorij, instalirajte Docsify na svojem računalu i zatim u korijenskoj mapi ovog repozitorija unesite docsify serve. Web stranica će biti dostupna na portu 3000 na vašem lokalnom računalu: localhost:3000.

PDF-ovi

Pronađite PDF nastavnog plana s povezanim linkovima ovdje.

🎒 Ostali tečajevi

Naš tim proizvodi i druge tečajeve! Pogledajte:

LangChain

Azure / Edge / MCP / Agents

---

Serija generativne umjetne inteligencije

---

Osnovno učenje

---

Serija Copilot

Dobivanje pomoći

Ako zapnete ili imate pitanja o izradi AI aplikacija. Pridružite se kolegama učenicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica gdje su pitanja dobrodošla, a znanje se slobodno dijeli.

Ako imate povratne informacije o proizvodu ili pogreške tijekom izrade posjetite:

Dodatni savjeti za učenje

• Pregledavajte bilježnice nakon svakog sata radi boljeg razumijevanja.
• Vježbajte implementaciju algoritama sami.
• Istražujte stvarne skupove podataka koristeći naučene koncepte.

---

Odricanje od odgovornosti: Ovaj dokument preveden je uz pomoć AI usluge za prijevod Co-op Translator. Iako se trudimo biti točni, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na njegovom izvornom jeziku treba smatrati autoritativnim izvorom. Za važne informacije preporučuje se profesionalni ljudski prijevod. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.