ML-For-Beginners/translations/sr

🌐 Подршка за више језика

Подржано преко GitHub акције (аутоматизовано и увек ажурирано)

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

Волите да клонирате локално?

Ово складиште укључује више од 50 превода језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите 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"

Ово вам даје све што вам је потребно да завршите курс много брже преузимањем.

Придружите се нашој заједници

Имате текућу серију Learn with AI на Discord-у, сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot за Data Science.

Машинско учење за почетнике - Курикулум

🌍 Путујте око света док истражујемо машинско учење кроз културе света 🌍

Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни курикулум од 26 лекција у вези са машинским учењем. У овом курикулуму учићете о ономе што се понекад назива клasiчним машинским учењем, користећи углавном Scikit-learn као библиотеку и избегавајући дубоко учење које је обухваћено у нашем курикулуму AI for Beginners. Такође можете паровати ове лекције са нашим курсом 'Data Science for Beginners'.

Путујте с нама широм света док примењујемо ове класичне технике на податке из многих области света. Свака лекција укључује прегледне квизове пре и после лекције, упутства за извршење лекције, решење, задатак и више. Наша педагогија заснована на пројектима омогућава да учите док градите, а то је доказан начин да нове вештине 'остану'.

✍️ Велика захвалност нашим ауторима Јен Лупер, Стивен Хауел, Франческа Лазери, Томоми Имура, Кеси Бревију, Дмитриј Сошников, Крис Норинг, Анирбан Мукхерџи, Орнела Алтуњан, Рут Јакубу и Ејми Бојд

🎨 Хвала и нашим илустраторкама Томоми Имура, Дасани Мадипалли и Јен Лупер

🙏 Посебна захвалност 🙏 нашим Microsoft Student Ambassador ауторима, рецензентима и сарадницима, посебно Ришиту Даглију, Мухамаду Сакибу Хану Инану, Рохану Рају, Александру Петреску, Абишеку Џаисвалу, Наврин Табасум, Јоану Самуила и Снигдхи Агарвал

🤩 Посебне захвалности Microsoft Student Ambassadors Ерику Вањау, Јаслину Сонди и Видуши Гупта за наше Р лекције!

Почетак

Пратите ове кораке:

1. Извршите форк репозиторијума: Кликните на дугме "Fork" у горњем десном углу ове странице.
2. Клонирајте репозиторијум: git clone https://github.com/microsoft/ML-For-Beginners.git

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

🔧 Треба вам помоћ? Погледајте наш Водич за решавање проблема за решења уобичајених проблема са инсталацијом, подешавањем и извођењем лекција.

Студенти, да бисте користили овај курикулум, форкујте цео репо на свој GitHub налог и радите задатке сами или у групи:

• Почните са квизом пре предавања.
• Прочитајте предавање и завршите активности, правећи паузе за размишљање код сваке провере знања.
• Покушајте да креирате пројекте разумевањем лекција уместо само извршавањем кода решења; код решења је ипак доступан у /solution фолдерима у свакој пројектно оријентисаној лекцији.
• Урадите квиз после предавања.
• Завршите изазов.
• Испуните задатак.
• Након завршетка групе лекција, посетите Discussion Board и „учите наглас“ попуњавајући одговарајућу PAT рубрику. 'PAT' је алат за процену напретка која вам помаже да напредујете у учењу. Можете и реаговати на друге PAT-ове да учимо заједно.

За даље учење, препоручујемо праћење ових Microsoft Learn модула и путева учења.

Наставници, укључили смо неке предлоге о томе како да користите овај курикулум.

---

Видеоуроци

Неке лекције су доступне у форми кратких видео снимака. Све их можете пронаћи уграђено у лекцијама или на ML for Beginners списку песама на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Гиф од Mohit Jaisal

🎥 Кликните на слику горе за видео о пројекту и људима који су га створили!

---

Педагогија

Изабрали смо два педагошка принципа приликом изградње овог курикулума: да буде практичан и заснован на пројектима и да укључује често понављање кроз квизове. Поред тога, курикулум има заједничку тему која му даје кохерентност.

Обезбеђујући да садржај буде повезан са пројектима, процес постаје занимљивији за студенте и побољшава се задржавање концепата. Ниско ризични квиз пре предавања поставља циљ студента ка учењу теме, док други квиз после предавања обезбеђује додатно учвршћивање знања. Овај курикулум је дизајниран да буде флексибилан и забаван и може се пратити у целини или делимично. Пројекти почињу једноставно и постају све сложенији до краја 12-недељног циклуса. Курикулум такође укључује последњи део о реалним применама ML-а, који се може користити као додатни кредити или као основ за дискусију.

Пронађите наше Правило понашања, Упутство за допринос, Преводе и Решавање проблема. Добродошле су ваше конструктивне повратне информације!

Свaка лекцијa укључује

• опционални скицнот
• опционални додатни видео
• видео водич (само неке лекције)
• квиз за загревање пре предавања
• писани материјал за лекцију
• за лекције засноване на пројектима, корак-по-корак упутства како направити пројекат
• проверу знања
• изазов
• допунско читање
• задатак
• квиз после предавања

Напомена о језицима: Ове лекције су првенствено написане у Питону, али многе су такође доступне и у Р. Да бисте завршили Р лекцију, идите у фолдер /solution и потражите Р лекције. Оне имају проширење .rmd које представља Р Маркдаун фајл, који се једноставно може дефинисати као уграђивање код чипова (Р или других језика) и YAML заглавља (које води како форматирати излазе као што је ПДФ) у Маркдаун документу. Као такав, служи као пример оквира за ауторство у науци о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што ћете их записати у Маркдауну. Штавише, Р Маркдаун документи се могу рендеровати у формате излаза као што су ПДФ, ХТМЛ или Ворд.

Напомена о квизовима: Сви квизови се налазе у Quiz App фолдеру, укупно 52 квиза са по три питања у сваком. Они су повезани изнутра у лекцијама, али се квиз апликација може покренути и локално; пратите упутства у фолдеру quiz-app како бисте локално хостовали или депловали на Азуре.

Број лекције	Тема	Група лекције	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Увод	Научите основне концепте машинског учења	Лекција	Muhammad
02	Историја машинског учења	Увод	Научите историју овог поља	Лекција	Jen и Amy
03	Поравноправност и машинско учење	Увод	Која су важна филозофска питања о поравноправности која студенти треба да размотре када граде и примењују МЛ моделе?	Лекција	Tomomi
04	Технике машинског учења	Увод	Које технике МЛ истраживачи користе за израду МЛ модела?	Лекција	Chris и Jen
05	Увод у регресију	Регресија	Почните са Питоном и Scikit-learn за регресионе моделе	Python • R	Jen • Eric Wanjau
06	Северноамеричке цене бундеве 🎃	Регресија	Визуелизујте и очистите податке као припрему за МЛ	Python • R	Jen • Eric Wanjau
07	Северноамеричке цене бундеве 🎃	Регресија	Направите линеарне и полиномијалне регресионе моделе	Python • R	Jen и Dmitry • Eric Wanjau
08	Северноамеричке цене бундеве 🎃	Регресија	Направите логистичку регресију	Python • R	Jen • Eric Wanjau
09	Веб апликација 🔌	Веб апликација	Направите веб апликацију која користи ваш тренирани модел	Python	Jen
10	Увод у класификацију	Класификација	Очистите, припремите и визуализујте своје податке; увод у класификацију	Python • R	Jen и Cassie • Eric Wanjau
11	Укусне азијске и индијске кухиње 🍜	Класификација	Увод у класификаторе	Python • R	Jen и Cassie • Eric Wanjau
12	Укусне азијске и индијске кухиње 🍜	Класификација	Више класификатора	Python • R	Jen и Cassie • Eric Wanjau
13	Укусне азијске и индијске кухиње 🍜	Класификација	Направите препоручивачку веб апликацију користећи свој модел	Python	Jen
14	Увод у кластерисање	Кластерисање	Очистите, припремите и визуализујте податке; увод у кластерисање	Python • R	Jen • Eric Wanjau
15	Истраживање нигеријских музичких укуса 🎧	Кластерисање	Истражите К-Меанс методу кластерисања	Python • R	Jen • Eric Wanjau
16	Увод у обраду природног језика ☕️	Обрада природног језика	Научите основе НЛП-а правећи једноставног бота	Python	Stephen
17	Уобичајени НЛП задаци ☕️	Обрада природног језика	Продубите знање о НЛП-у разумевањем уобичајених задатака потребних у раду са језичким структурама	Python	Stephen
18	Превод и анализа сентимента ♥️	Обрада природног језика	Превод и анализа сентимента са Џејн Остин	Python	Stephen
19	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимента са рецензијама хотела 1	Python	Stephen
20	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимента са рецензијама хотела 2	Python	Stephen
21	Увод у предвиђање временских серија	Временске серије	Увод у предвиђање временских серија	Python	Francesca
22	⚡️ Светска потрошња електричне енергије ⚡️ - предвиђање временских серија са АРИМА	Временске серије	Предвиђање временских серија помоћу АРИМА модели	Python	Francesca
23	⚡️ Светска потрошња електричне енергије ⚡️ - предвиђање временских серија са СВР	Временске серије	Предвиђање временских серија помоћу модела Регресије вектора подршке (SVR)	Python	Anirban
24	Увод у учење ојачања	Учење ојачања	Увод у учење ојачања помоћу Q-Learning-а	Python	Dmitry
25	Помозите Петеру да избегне вука! 🐺	Учење ојачања	Учење ојачања у Gym окружењу	Python	Dmitry
Постскрипт	Реални сценарији и примене МЛ	Машинско учење у пракси	Интересантне и откривајуће реалне примене класичног МЛ	Лекција	Тим
Постскрипт	Отказивање модела у МЛ користећи РАИ инструмент	Машинско учење у пракси	Отказивање модела у машинском учењу користећи компоненте РАИ контролне табле	Лекција	Ruth Yakubu

нађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

Оффлине приступ

Можете да покренете ову документацију офлајн користећи Docsify. Форкујте овај репозиторијум, инсталирајте Docsify на свој локални рачунар, а затим у рута фолдеру овог репозиторијума укуцајте docsify serve. Вебсајт ће бити доступан на порту 3000 на вашој локалној машини: localhost:3000.

ПДФ фајлови

Пронађите ПДФ наставног плана са линковима овде.

🎒 Остали курсеви

Наш тим производи и друге курсеве! Погледајте:

LangChain

Azure / Edge / MCP / Agents

---

Серии генеративне вештачке интелигенције

---

Основно учење

---

Серии Copilot

Добијање помоћи

Ако заглавите или имате било каквих питања о изградњи AI апликација. Придружите се другим ученицима и искусним програмерима у расправама о MCP. То је подржавајућа заједница у којој су питања добро дошла и знање се слободно дели.

Ако имате повратне информације о производу или грешке током изградње, посетите:

Додатни савети за учење

• Прегледајте свеске након сваког часа ради бољег разумевања.
• Вежбајте самостално имплементацију алгоритама.
• Истражујте стварне скупове података користећи научене концепте.

---

Одрицање од одговорности: Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако се трудимо да превод буде тачан, молимо имајте у виду да аутоматизовани преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитетним извором. За критичне информације препоручује се професионални превод од стране човека. Нисмо одговорни за било каква неспоразуми или погрешне интерпретације настале коришћењем овог превода.