ML-For-Beginners/translations/ru

🌐 Многоязычная поддержка

Поддерживается через GitHub Action (Автоматически и всегда актуально)

Арабский | Бенгальский | Болгарский | Бирманский (Мьянма) | Китайский (упрощённый) | Китайский (традиционный, Гонконг) | Китайский (традиционный, Макао) | Китайский (традиционный, Тайвань) | Хорватский | Чешский | Датский | Нидерландский | Эстонский | Финский | Французский | Немецкий | Греческий | Иврит | Хинди | Венгерский | Индонезийский | Итальянский | Японский | Каннада | Кхмер | Корейский | Литовский | Малайский | Малаялам | Марати | Непальский | Нигерийский Пиджин | Норвежский | Персидский (Фарси) | Польский | Португальский (Бразилия) | Португальский (Португалия) | Панджаби (Гурмукхи) | Румынский | Русский | Сербский (кириллица) | Словацкий | Словенский | Испанский | Суахили | Шведский | Тагалог (Филиппины) | Тамильский | Телугу | Тайский | Турецкий | Украинский | Урду | Вьетнамский

Предпочитаете клонировать локально?

Этот репозиторий включает более 50 переводов, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте 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"

Это даст вам всё необходимое для прохождения курса с гораздо более быстрой загрузкой.

Присоединяйтесь к нашему сообществу

У нас продолжается серия в Discord «Учимся с ИИ», узнайте больше и присоединяйтесь к нам на Learn with AI Series с 18 по 30 сентября 2025 года. Вы получите советы и рекомендации по использованию GitHub Copilot для Data Science.

Машинное обучение для начинающих — учебная программа

🌍 Путешествуйте по миру, изучая машинное обучение через призму культур разных стран 🌍

Cloud Advocates в Microsoft рады предложить 12-недельную программу из 26 уроков, посвящённую Машинному обучению. В этой программе вы познакомитесь с тем, что иногда называют классическим машинным обучением, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе ИИ для начинающих. Сочетайте эти уроки с нашей программой 'Data Science для начинающих' для более полного обучения!

Путешествуйте с нами по миру, применяя классические методы к данным из разных регионов. Каждый урок включает предварительный и итоговый викторины, письменные инструкции по выполнению урока, решение, задание и многое другое. Наша проектно-ориентированная методика обучения позволяет учиться на практике — доказанный способ лучше усваивать новые навыки.

✍️ Сердечная благодарность нашим авторам: Джен Лупер, Стивен Хауэлл, Франческа Лазцери, Томоми Имура, Кэсси Брэвью, Дмитрий Сошников, Крис Норинг, Анирбан Мукхерджи, Орнелла Альтуньян, Рут Якобу и Эми Бойд

🎨 Спасибо также нашим иллюстраторам: Томоми Имура, Дасани Мадипалли и Джен Лупер

🙏 Особая благодарность 🙏 нашим студентам-амбассадорам Microsoft — авторам, рецензентам и участникам контента, особенно Ришиту Дагли, Мухаммеду Сакибу Хану Инану, Рохану Радж, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуила и Снигдхе Агарвал

🤩 Дополнительная благодарность студентам-амбассадорам Microsoft Эрику Ванджау, Джаслин Сонди и Видуши Гупте за уроки по R!

Начало работы

Выполните следующие шаги:

1. Форк репозитория: Нажмите кнопку «Fork» в правом верхнем углу страницы.
2. Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

найдите все дополнительные ресурсы курса в нашей коллекции Microsoft Learn

🔧 Нужна помощь? Обратитесь к нашему Руководству по устранению неполадок для решения распространённых проблем с установкой, настройкой и выполнением уроков.

Студенты, чтобы использовать эту программу, сделайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:

• Начинайте с предварительного опроса.
• Читайте лекцию и выполняйте задания, останавливаясь и размышляя на каждом пункте проверки знаний.
• Старайтесь создавать проекты, понимая уроки, а не просто запуская код решений; хотя код решений доступен в папках /solution каждого проектно-ориентированного урока.
• Пройдите итоговый опрос после лекции.
• Выполните challenge (сложное задание).
• Выполните домашнее задание.
• После завершения группы уроков посетите Доску обсуждений и "учитесь вслух", заполнив соответствующий рубрикатор PAT. PAT — это инструмент оценки прогресса в обучении, который вы заполняете для углубления учебы. Вы также можете отзываться на чужие PAT, чтобы учиться вместе.

Для дальнейшего изучения рекомендуем пройти следующие модули и учебные пути Microsoft Learn.

Преподаватели, мы включили некоторые рекомендации по использованию этой программы.

---

Видео-прохождение

Некоторые уроки доступны в формате коротких видео. Вы найдете их встроенными в уроки или на плейлисте ML for Beginners на YouTube-канале Microsoft Developer, нажав на изображение ниже.

---

Команда

Гифка от Mohit Jaisal

🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и создателях!

---

Педагогика

Мы выбрали два педагогических принципа при создании этой программы: обеспечение практико-ориентированного проектного обучения и включение частых викторин. Кроме того, программа объединена общей темой для связности.

Обеспечивая соответствие контента проектам, процесс становится более увлекательным для студентов, и усвоение концепций улучшается. К тому же предварительный низкоуровневый опрос перед занятием задаёт настрой на изучение темы, а итоговый опрос после класса закрепляет новые знания. Программа разработана так, чтобы быть гибкой и интересной, её можно проходить полностью или частично. Проекты начинаются с малого и растут по сложности к концу 12-недельного цикла. Программа также включает послесловие о реальных применениях МО, что может использоваться как дополнительный материал или основа для обсуждения.

Ознакомьтесь с нашим Кодексом поведения, Руководством для участников, Переводами и решением проблем. Мы приветствуем ваши конструктивные отзывы!

Каждый урок включает

• необязательные скетчноты
• необязательное дополнительное видео
• видео-прохождение (только некоторые уроки)
• викторину для разогрева перед лекцией
• письменный урок
• для проектных уроков — пошаговые инструкции по созданию проекта
• проверки знаний
• вызов (challenge)
• дополнительное чтение
• задание
• викторину после лекции

Примечание о языках: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку /solution и найдите уроки на R. Они имеют расширение .rmd, что представляет собой R Markdown файл, который можно просто определить как встраивание кодовых блоков (на R или других языках) и YAML заголовка (который управляет форматированием вывода, например, в PDF) в Markdown документ. Таким образом, он служит примером структуры для авторов в области науки о данных, поскольку позволяет комбинировать ваш код, его вывод 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 викторинах: Все викторины находятся в папке Quiz App, всего 52 викторины по три вопроса каждая. Они связаны с уроками, но приложение для викторин можно запускать локально; следуйте инструкциям в папке quiz-app, чтобы развернуть локально или в Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Связанный урок	Автор
01	Введение в машинное обучение	Введение	Изучить основные концепции машинного обучения	Урок	Muhammad
02	История машинного обучения	Введение	Узнать о истории, лежащей в основе этой области	Урок	Jen and Amy
03	Справедливость и машинное обучение	Введение	Какие важные философские вопросы о справедливости следует учитывать при построении и применении моделей машинного обучения?	Урок	Tomomi
04	Методы машинного обучения	Введение	Какие методы используют исследователи ML для построения моделей?	Урок	Chris and Jen
05	Введение в регрессию	Регрессия	Начать работу с Python и Scikit-learn для моделей регрессии	Python • R	Jen • Eric Wanjau
06	Цены на тыквы в Северной Америке 🎃	Регрессия	Визуализация и очистка данных в подготовке к ML	Python • R	Jen • Eric Wanjau
07	Цены на тыквы в Северной Америке 🎃	Регрессия	Построить линейные и полиномиальные модели регрессии	Python • R	Jen and Dmitry • Eric Wanjau
08	Цены на тыквы в Северной Америке 🎃	Регрессия	Построить модель логистической регрессии	Python • R	Jen • Eric Wanjau
09	Веб-приложение 🔌	Веб-приложение	Построить веб-приложение для использования обученной модели	Python	Jen
10	Введение в классификацию	Классификация	Очистка, подготовка и визуализация данных; введение в классификацию	Python • R	Jen and Cassie • Eric Wanjau
11	Вкусная азиатская и индийская кухни 🍜	Классификация	Введение в классификаторы	Python • R	Jen and Cassie • Eric Wanjau
12	Вкусная азиатская и индийская кухни 🍜	Классификация	Дополнительные классификаторы	Python • R	Jen and Cassie • Eric Wanjau
13	Вкусная азиатская и индийская кухни 🍜	Классификация	Построить рекомендательное веб-приложение с использованием вашей модели	Python	Jen
14	Введение в кластеризацию	Кластеризация	Очистка, подготовка и визуализация данных; введение в кластеризацию	Python • R	Jen • Eric Wanjau
15	Исследование музыкальных вкусов Нигерии 🎧	Кластеризация	Изучить метод кластеризации K-Means	Python • R	Jen • Eric Wanjau
16	Введение в обработку естественного языка ☕️	Обработка естественного языка	Изучить основы NLP, построив простого бота	Python	Stephen
17	Общие задачи NLP ☕️	Обработка естественного языка	Углубить знания о NLP, изучая общие задачи при работе с языковыми структурами	Python	Stephen
18	Перевод и анализ настроений ♥️	Обработка естественного языка	Перевод и анализ настроений с Джейн Остин	Python	Stephen
19	Романтические отели Европы ♥️	Обработка естественного языка	Анализ настроений на отзывах отелей 1	Python	Stephen
20	Романтические отели Европы ♥️	Обработка естественного языка	Анализ настроений на отзывах отелей 2	Python	Stephen
21	Введение в прогнозирование временных рядов	Временные ряды	Введение в прогнозирование временных рядов	Python	Francesca
22	⚡️ Использование электроэнергии в мире ⚡️ - прогнозирование временных рядов с ARIMA	Временные ряды	Прогнозирование временных рядов с помощью ARIMA	Python	Francesca
23	⚡️ Использование электроэнергии в мире ⚡️ - прогнозирование временных рядов с SVR	Временные ряды	Прогнозирование временных рядов методом опорных векторов	Python	Anirban
24	Введение в обучение с подкреплением	Обучение с подкреплением	Введение в обучение с подкреплением с использованием Q-Learning	Python	Dmitry
25	Помогите Питеру избежать волка! 🐺	Обучение с подкреплением	Обучение с подкреплением с Gym	Python	Dmitry
Послесловие	Реальные сценарии и применения ML	ML в действии	Интересные и показательныe реальные применения классического машинного обучения	Урок	Команда
Послесловие	Отладка моделей ML с помощью панели RAI	ML в действии	Отладка моделей машинного обучения с помощью компонентов панели Responsible AI	Урок	Ruth Yakubu

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

Оффлайн-доступ

Вы можете запускать эту документацию оффлайн, используя Docsify. Форкните этот репозиторий, установите Docsify на вашу локальную машину, а затем в корневой папке этого репозитория выполните команду docsify serve. Веб-сайт будет доступен на порту 3000 вашего локального хоста: localhost:3000.

PDF

Найдите PDF с учебной программой и ссылками здесь.

🎒 Другие курсы

Наша команда выпускает и другие курсы! Посмотрите:

LangChain

Azure / Edge / MCP / Агенты

---

Серия по генеративному ИИ

---

Основное обучение

---

Серия Copilot

Получение помощи

Если вы застряли или у вас есть вопросы по созданию ИИ-приложений. Присоединяйтесь к другим обучающимся и опытным разработчикам в обсуждениях MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно делятся.

Если у вас есть отзывы о продукте или вы столкнулись с ошибками при разработке, посетите:

Дополнительные советы по обучению

• Просматривайте блокноты после каждого урока для лучшего понимания.
• Практикуйтесь в самостоятельной реализации алгоритмов.
• Изучайте реальные наборы данных, применяя изученные концепции.

---

Отказ от ответственности:
Этот документ был переведен с использованием сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, пожалуйста, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется пользоваться профессиональным переводом, выполненным человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.