ML-For-Beginners/translations/sl

🌐 Podpora za več jezikov

Podprto preko GitHub Action (avtomatizirano in vedno posodobljeno)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Hrvaški | Češki | Danski | Nizozemski | Estonski | Finski | Francoski | Nemški | Grški | Hebrejski | Hindi | Madžarski | Indonezijski | Italijanski | Japonski | Kannada | Kmerski | Korejski | Litvanski | Malajski | Malajalamski | Marathi | Nepalščina | Nigerijski pidžin | Norveški | Perzijski (Farsi) | Poljski | Portugalski (Brazilija) | Portugalski (Portugalska) | Punjabi (Gurmukhi) | Romunski | Ruski | Srbščina (cirilica) | Slovaški | Slovenski | Španščina | Svahili | Švedski | Tagalog (filipinski) | Tamilščina | Telugu | Tajski | Turški | Ukrajinski | Urdu | Vietnamščina

Raje klonirate lokalno?

Ta repozitorij vključuje prevode v več kot 50 jezikov, kar znatno poveča velikost prenosa. Za kloniranje brez prevodov uporabite 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"

S tem dobite vse, kar potrebujete za dokončanje tečaja, z veliko hitrejšim prenosom.

Pridružite se naši skupnosti

Imamo potekajočo serijo na Discordu o učenju z AI, izveste več in se pridružite na Learn with AI Series od 18. do 30. septembra 2025. Dobite nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.

Strojno učenje za začetnike – učni načrt

🌍 Potujte po svetu, ko raziskujemo strojno učenje skozi svetovne kulture 🌍

Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski učni načrt z 26 lekcijami, ki govorijo o strojni učenju. V tem učnem načrtu boste spoznali tisto, kar nekateri imenujejo klasično strojno učenje, z uporabo predvsem knjižnice Scikit-learn in brez poglobljenega učenja, ki je zajeto v našem učnem načrtu AI za začetnike. Združite te lekcije tudi z našim učnim načrtom 'Podatkovna znanost za začetnike'.

Potujte z nami po svetu, ko te klasične tehnike uporabljamo za podatke iz različnih delov sveta. Vsaka lekcija vključuje pred- in po- lekcijski kviz, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša pedagoška usmerjenost na podlagi projektov omogoča učenje skozi ustvarjanje, kar je dokazano učinkovit način, da nove veščine ostanejo.

✍️ Iskrena zahvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd

🎨 Zahvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper

🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador avtorjem, recenzentom in sodelavcem vsebine, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal

🤩 Dodatna hvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!

Začetek

Sledite tem korakom:

1. Razvežite repozitorij: Kliknite gumb "Fork" v zgornjem desnem kotu te strani.
2. Klonirajte repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

🔧 Potrebujete pomoč? Preverite naš Vodnik za odpravljanje težav za rešitve pogostih težav z namestitvijo, nastavitvijo in izvajanjem lekcij.

Študenti, za uporabo tega učnega načrta si razvežite celoten repozitorij na svoj GitHub račun in dokončajte vaje sami ali v skupini:

• Začnite s predpredavanjem kvizom.
• Preberite predavanje in opravite aktivnosti, med tem se ustavite in premislite ob vsaki preveritvi znanja.
• Poskusite ustvariti projekte s pomočjo razumevanja lekcij, namesto da samo poganjate kodo rešitve; koda je vendarle na voljo v mapah /solution pri vsaki projektno usmerjeni lekciji.
• Opravite po-predavanjski kviz.
• Opravite izziv.
• Opravite nalogo.
• Po zaključku skupine lekcij obiščite Forum za razprave in "učite se na glas" tako, da izpolnite ustrezno rubriko PAT. 'PAT' je orodje za ocenjevanje napredka, ki ga izpolnite za poglobitev učenja. Prav tako lahko reagirate na druge PAT-e, da se lahko skupaj učimo.

Za nadaljnje študije priporočamo, da sledite tem modulom in učnim potem Microsoft Learn.

Učitelji, vključili smo nekaj predlogov, kako uporabljati ta učni načrt.

---

Video vodiči

Nekatere lekcije so na voljo kot kratki video posnetki. Vse te lahko najdete v grafa lekcij ali na predvajalni seznam ML za začetnike na Microsoft Developer YouTube kanalu s klikom na spodnjo sliko.

---

Spoznajte ekipo

Gif avtor Mohit Jaisal

🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!

---

Pedagogika

Pri gradnji tega učnega načrta smo izbrali dva pedagoška načela: zagotoviti, da je praktičen in projektno usmerjen, ter da vključuje pogoste kvize. Poleg tega ima ta učni načrt skupno temo, ki mu daje povezljivost.

S tem, ko vsebina sovpada s projekti, je proces za študente bolj zanimiv, hkrati pa se izboljša zadrževanje konceptov. Poleg tega nizkorazredni kviz pred predavanjem usmeri namen študenta k učenju teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnje zadrževanje. Ta učni načrt je zasnovan tako, da je prilagodljiv in zabaven in ga lahko opravite v celoti ali delno. Projekti se začnejo majhni in postajajo vse bolj zapleteni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatek o praktičnih primerih uporabe ML, ki ga lahko uporabite za dodatne točke ali kot osnovo za razpravo.

Poiščite naš Kodeks obnašanja, Prispevke, Prevode in Odpravljanje težav. Veselimo se vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

• neobvezno skicirno beležko
• neobvezni dodatni video
• video vodič (le pri nekaterih lekcijah)
• pred-predavalni ogrevalni kviz
• pisno lekcijo
• pri projektno usmerjenih lekcijah, korak za korakom vodiče, kako zgraditi projekt
• preverjanje znanja
• izziv
• dodatno branje
• nalogo
• po-predavalni kviz

Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, vendar so mnoge na voljo tudi v R. Če želite opraviti lekcijo v R, pojdite v mapo /solution in poiščite R lekcije. Vsebujejo pripono .rmd, ki predstavlja R Markdown datoteko, kar lahko preprosto opredelimo kot vključitev code chunks (kose kode v R ali drugih jezikih) in YAML header (ki usmerja, kako oblikovati izhod, npr. PDF) v Markdown dokument. Kot tak služi kot odličen okvir za pisanje vsebin za podatkovno znanost, saj vam omogoča, da združite svojo kodo, njen izhod in svoje misli tako, da jih lahko zapišete v Markdown. Poleg tega je mogoče dokumente R Markdown pretvoriti v izhodne formate, kot so PDF, HTML ali Word.

Opomba o kvizih: Vsi kvizi so vsebovani v quiz-app mapi, skupaj 52 kvizov s po tremi vprašanji. Povezani so iz lekcij, vendar se kviz aplikacijo lahko zažene lokalno; sledite navodilom v mapi quiz-app za lokalno gostovanje ali namestitev na Azure.

Številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtor
01	Uvod v strojno učenje	Uvod	Naučite se osnovnih pojmov strojenega učenja	Lekcija	Muhammad
02	Zgodovina strojenega učenja	Uvod	Spoznajte zgodovino tega področja	Lekcija	Jen in Amy
03	Pravičnost in strojno učenje	Uvod	Katere so pomembne filozofske teme glede pravičnosti, ki jih morajo študenti upoštevati pri gradnji in uporabi ML modelov?	Lekcija	Tomomi
04	Tehnike strojenega učenja	Uvod	Katere tehnike uporabljajo raziskovalci ML za gradnjo ML modelov?	Lekcija	Chris in Jen
05	Uvod v regresijo	Regresija	Začnite z Python in Scikit-learn za modele regresije	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regresija	Vizualizirajte in očistite podatke v pripravi na ML	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regresija	Zgradite linearne in polinomske regresijske modele	Python • R	Jen in Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regresija	Zgradite logistični regresijski model	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Spletna aplikacija	Zgradite spletno aplikacijo za uporabo vašega izurjenega modela	Python	Jen
10	Uvod v klasifikacijo	Klasifikacija	Očistite, pripravite in vizualizirajte svoje podatke; uvod v klasifikacijo	Python • R	Jen in Cassie • Eric Wanjau
11	Okusne azijske in indijske kuhinje 🍜	Klasifikacija	Uvod v klasifikatorje	Python • R	Jen in Cassie • Eric Wanjau
12	Okusne azijske in indijske kuhinje 🍜	Klasifikacija	Več klasifikatorjev	Python • R	Jen in Cassie • Eric Wanjau
13	Okusne azijske in indijske kuhinje 🍜	Klasifikacija	Zgradite priporočilno spletno aplikacijo z uporabo vašega modela	Python	Jen
14	Uvod v gručenje	Gručenje	Očistite, pripravite in vizualizirajte svoje podatke; uvod v gručenje	Python • R	Jen • Eric Wanjau
15	Raziščite nigerijske glasbene okuse 🎧	Gručenje	Raziščite metodo K-Means gručenja	Python • R	Jen • Eric Wanjau
16	Uvod v obdelavo naravnega jezika ☕️	Obdelava naravnega jezika	Naučite se osnov NLP z gradnjo preprostega bota	Python	Stephen
17	Pogoste naloge NLP ☕️	Obdelava naravnega jezika	Poglobite svoje znanje NLP z razumevanjem pogostih nalog, potrebnih pri delu z jezikovnimi strukturami	Python	Stephen
18	Prevodi in analiza sentimenta ♥️	Obdelava naravnega jezika	Prevod in analiza sentimenta z Jane Austen	Python	Stephen
19	Romantični hoteli v Evropi ♥️	Obdelava naravnega jezika	Analiza sentimenta s pregledi hotelov 1	Python	Stephen
20	Romantični hoteli v Evropi ♥️	Obdelava naravnega jezika	Analiza sentimenta s pregledi hotelov 2	Python	Stephen
21	Uvod v napovedovanje časovnih vrst	Časovne vrste	Uvod v napovedovanje časovnih vrst	Python	Francesca
22	⚡️ Svetovna poraba električne energije ⚡️ - napovedovanje časovnih vrst z ARIMA	Časovne vrste	Napovedovanje časovnih vrst z ARIMA	Python	Francesca
23	⚡️ Svetovna poraba električne energije ⚡️ - napovedovanje časovnih vrst z SVR	Časovne vrste	Napovedovanje časovnih vrst s pomočjo Support Vector Regressor	Python	Anirban
24	Uvod v okrepitev učenja	Okrepitev učenja	Uvod v okrepitveno učenje z Q-Learning	Python	Dmitry
25	Pomagajte Petru, da se izogne volku! 🐺	Okrepitev učenja	Okrepitveno učenje z Gym	Python	Dmitry
Postscript	Praktični primeri in aplikacije ML	ML v praksi	Zanimive in poučne praktične uporabe klasičnega strojenega učenja	Lekcija	Ekipa
Postscript	Odpravljanje napak modelov v ML z uporabo RAI nadzorne plošče	ML v praksi	Odpravljanje napak modelov strojenega učenja z uporabo komponent nadzorne plošče Responsible AI	Lekcija	Ruth Yakubu

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

Dostop brez povezave

To dokumentacijo lahko poganjate brez povezave z uporabo Docsify. Razvejajte ta repozitorij, namestite Docsify na svoj lokalni računalnik, nato pa v korenski mapi tega repozitorija vnesite docsify serve. Spletna stran bo dosegljiva na vratih 3000 na vašem lokalnem gostitelju: localhost:3000.

PDF-ji

Najdite pdf učnega načrta s povezavami tukaj.

🎒 Drugi tečaji

Naša ekipa izdeluje tudi druge tečaje! Oglejte si:

LangChain

Azure / Edge / MCP / Agentje

---

Serija Generativne umetne inteligence

---

Osnovno učenje

---

Serija Copilot

Pridobivanje pomoči

Če se zataknete ali imate kakršnakoli vprašanja o izgradnji AI aplikacij, se pridružite drugim učencem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje prostodušno deli.

Če imate povratne informacije o izdelku ali napake med gradnjo, obiščite:

Dodatni nasveti za učenje

• Preglejte zvezke po vsakem lekciji za boljše razumevanje.
• Vadite samostojno izvajanje algoritmov.
• Raziščite podatke iz resničnega sveta z uporabo naučenih konceptov.

---

Omejitev odgovornosti: Ta dokument je bil preveden z uporabo AI prevajalske storitve Co-op Translator. Čeprav si prizadevamo za natančnost, upoštevajte, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v maternem jeziku velja za avtoritativni vir. Za ključne informacije priporočamo strokovni prevod s strani človeka. Ne odgovarjamo za kakršne koli nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.