ML-For-Beginners/translations/uk

🌐 Підтримка багатьох мов

Підтримується через GitHub Action (автоматично та завжди актуально)

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

Віддаєте перевагу клонувати локально?

Цей репозиторій містить понад 50 перекладів мов, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте 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"

Це дасть вам все необхідне для проходження курсу з набагато швидшим завантаженням.

Приєднуйтесь до нашої спільноти

Ми проводимо серію Discord для навчання з AI, дізнайтеся більше і приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та прийоми використання GitHub Copilot для Data Science.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуємо навколо світу, досліджуючи машинне навчання через призму світових культур 🌍

Команда Cloud Advocates в Microsoft рада запропонувати 12-тижневу навчальну програму з 26 уроками, повністю присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn та уникаючи глибинного навчання, яке розглядається в нашій навчальній програмі «AI для початківців». Також поєднуйте ці уроки з нашою 'Data Science для початківців'!

Подорожуйте з нами по світу, застосовуючи ці класичні методи до даних з різних регіонів. Кожен урок містить опитування перед і після уроку, письмові інструкції для виконання завдання, розв’язок, домашнє завдання і більше. Наша проектно-орієнтована педагогіка дозволяє вчитися через створення проектів, що є доведеним способом закріплення нових навичок.

✍️ Величезна подяка нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаззер, Томомі Імура, Кессі Бревіу, Дмитру Сошникову, Кріса Норінга, Анірбану Мукерджі, Орнеллі Альтунян, Рут Якобу та Емі Бойд

🎨 Також дякуємо нашим ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 авторам, рецензентам та співробітникам Microsoft Student Ambassador, зокрема Рішиту Даглі, Мухаммеду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Навріну Табассум, Іоану Самуїлі та Снігдха Агарвал

🤩 Окрема подяка амбасадорам Microsoft Student Ambassadors Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки з R!

Початок роботи

Дотримуйтеся цих кроків:

1. Зробіть форк репозиторію: Натисніть кнопку «Fork» у верхньому правому куті цієї сторінки.
2. Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

🔧 Потрібна допомога? Перегляньте наш Посібник з усунення несправностей для розв’язання поширених проблем із встановленням, налаштуванням і запуском уроків.

Студенти, щоб користуватися цією навчальною програмою, форкніть увесь репозиторій до вашого акаунта на GitHub та виконуйте вправи самостійно або у групі:

• Почніть з опитування перед лекцією.
• Прочитайте лекцію і виконайте завдання, зупиняючись та рефлексуючи на кожній перевірці знань.
• Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язків; код доступний у папках /solution кожного проектно-орієнтованого уроку.
• Пройдіть опитування після лекції.
• Виконайте виклик.
• Виконайте домашнє завдання.
• Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідну рубрику PAT. PAT — це інструмент оцінки прогресу, тобто рубрика, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.

Для подальшого вивчення рекомендуємо слідкувати за цими модулями та навчальними шляхами Microsoft Learn.

Викладачі, ми додали кілька рекомендацій щодо використання цієї навчальної програми.

---

Відеоогляди

Деякі уроки доступні у вигляді коротких відео. Ви можете знайти всі їх у тексті уроків або на плейлисті ML for Beginners на YouTube-каналі Microsoft Developer, натиснувши на зображення нижче.

---

Знайомтесь із командою

Гіф від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб побачити відео про проект та людей, які його створили!

---

Педагогіка

Ми обрали два педагогічні принципи при створенні цієї програми: забезпечення практичної, проектно-орієнтованої форми навчання та включення частих опитувань. Крім того, ця програма має спільну тематичну лінію, що додає цілісності.

Забезпечуючи відповідність контенту проектам, процес стає більш захопливим для студентів і покращує запам’ятовування концепцій. Крім того, опитування з невисокою ставкою перед заняттям налаштовує студента на вивчення теми, а друге після заняття забезпечує подальше закріплення матеріалу. Ця програма спроектована бути гнучкою і цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. У програмі також є доповнення про реальні застосування машинного навчання, яке можна використати як додатковий бал або як основу для обговорення.

Ознайомтеся з нашим Кодексом поведінки, внесенням внеску, перекладами та посібником з усунення несправностей. Ми вітаємо ваші конструктивні відгуки!

Кожен урок включає

• опціональні замальовки
• опціональне додаткове відео
• відеоогляд (лише деякі уроки)
• опитування для розминки перед лекцією
• письмовий урок
• для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
• перевірки знань
• виклик
• додаткове читання
• домашнє завдання
• опитування після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб пройти урок з R, перейдіть у папку /solution і знайдіть уроки на R. Вони мають розширення .rmd, що означає файл R Markdown, який можна просто визначити як інтеграцію code chunks (R чи інших мов) та YAML header (який керує тим, як форматувати виводи, наприклад PDF) у Markdown документ. Відтак, це слугує зразковим фреймворком для авторства в галузі науки про дані, оскільки дозволяє комбінувати ваш код, його вивід і ваші думки, дозволяючи записувати їх у Markdown. Крім того, документи R Markdown можна рендерити у формати виводу, такі як PDF, HTML чи Word.

Примітка про вікторини: Усі вікторини містяться у папці Quiz App, всього 52 вікторини по три питання кожна. Вони пов’язані з уроками, але додаток для вікторин можна запускати локально; дотримуйтесь інструкцій у папці quiz-app, щоб запустити локально або розгорнути на Azure.

Номер уроку	Тема	Групування уроків	Навчальні цілі	Зв’язаний урок	Автор
01	Вступ до машинного навчання	Introduction	Вивчіть базові поняття машинного навчання	Lesson	Muhammad
02	Історія машинного навчання	Introduction	Дізнайтеся про історію цієї галузі	Lesson	Jen and Amy
03	Справедливість і машинне навчання	Introduction	Які важливі філософські питання щодо справедливості слід розглядати студентам при розробці та застосуванні моделей машинного навчання?	Lesson	Tomomi
04	Техніки машинного навчання	Introduction	Які техніки використовують дослідники машинного навчання для побудови моделей?	Lesson	Chris and Jen
05	Вступ до регресії	Regression	Почніть працювати з Python і Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни гарбузів Північної Америки 🎃	Regression	Візуалізуйте та очистьте дані у підготовці до машинного навчання	Python • R	Jen • Eric Wanjau
07	Ціни гарбузів Північної Америки 🎃	Regression	Побудуйте лінійні та поліноміальні моделі регресії	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни гарбузів Північної Америки 🎃	Regression	Побудуйте модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Web App	Побудуйте веб-додаток для використання вашої натренованої моделі	Python	Jen
10	Вступ до класифікації	Classification	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачна азійська та індійська кухні 🍜	Classification	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачна азійська та індійська кухні 🍜	Classification	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачна азійська та індійська кухні 🍜	Classification	Побудуйте рекомендатор у веб-додатку, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Clustering	Очистьте, підготуйте та візуалізуйте ваші дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Вивчення музичних смаків Нігерії 🎧	Clustering	Вивчіть метод кластеризації K-середніх	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Natural language processing	Вивчіть основи NLP, створивши простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Natural language processing	Поглибте свої знання NLP, зрозумівши загальні завдання, необхідні при роботі з мовними структурами	Python	Stephen
18	Переклад і аналіз сентименту ♥️	Natural language processing	Переклад та аналіз сентименту з Jane Austen	Python	Stephen
19	Романтичні готелі Європи ♥️	Natural language processing	Аналіз сентименту на основі відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Natural language processing	Аналіз сентименту на основі відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Time series	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Світове споживання електроенергії ⚡️ - прогноз з ARIMA	Time series	Прогнозування часових рядів з ARIMA	Python	Francesca
23	⚡️ Світове споживання електроенергії ⚡️ - прогноз з SVR	Time series	Прогнозування часових рядів за допомогою регресора опорних векторів (SVR)	Python	Anirban
24	Вступ до підкріплювального навчання	Reinforcement learning	Вступ до підкріплювального навчання з Q-навчанням	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Reinforcement learning	Підкріплювальне навчання Gym	Python	Dmitry
Постскрипт	Реальні сценарії та застосування ML	ML in the Wild	Цікаві та показові реальні застосування класичного машинного навчання	Lesson	Team
Постскрипт	Відлагодження моделей ML з використанням панелі RAI	ML in the Wild	Відлагодження моделей машинного навчання з використанням компонентів панелі Responsible AI	Lesson	Ruth Yakubu

знайдіть всі додаткові ресурси для цього курсу у нашій колекції Microsoft Learn

Офлайн-доступ

Ви можете запускати цю документацію офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на свій локальний комп’ютер, а потім у кореневій теці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому локальному хості: localhost:3000.

PDFs

Знайдіть pdf навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Перегляньте:

LangChain

Azure / Edge / MCP / Агенти

---

Серія по генеративному ШІ

---

Основне навчання

---

Серія Copilot

Отримання допомоги

Якщо ви застрягли або маєте питання щодо створення додатків зі ШІ, приєднуйтесь до спільноти інших учнів та досвідчених розробників у обговореннях MCP. Це підтримуюча спільнота, де вітаються питання і знання поширюються вільно.

Якщо у вас є відгуки про продукт або помилки під час розробки, відвідайте:

Додаткові поради для навчання

• Переглядайте блокноти після кожного уроку для кращого розуміння.
• Практикуйтесь у самостійному впровадженні алгоритмів.
• Досліджуйте реальні набори даних, використовуючи вивчені концепції.

---

Відмова від відповідальності: Цей документ був перекладений за допомогою сервісу AI-перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматизовані переклади можуть містити помилки або неточності. Оригінальний документ на рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний переклад людиною. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли через використання цього перекладу.