ML-For-Beginners/translations/hr

🌐 Višejezična podrška

Podržano putem GitHub akcije (Automatski i uvijek ažurirano)

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 | 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 klonirati lokalno?

Ovaj repozitorij uključuje prijevode na više od 50 jezika što znatno povećava veličinu preuzimanja. Za kloniranje bez prijevoda koristite sparse checkout:

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 je potrebno za završetak tečaja uz znatno brže preuzimanje.

Pridružite se našoj zajednici

Imamo seriju "Uči s AI" na Discordu, saznajte više i pridružite 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 oko svijeta dok istražujemo Strojno učenje kroz kulture svijeta 🌍

Cloud Advocates u Microsoftu s ponosom nude 12-tjedni, 26-lekcijski kurikulum posvećen Strojnom učenju. U ovom kurikulumu ćete naučiti o onome što se ponekad naziva klasičnim strojnim učenjem, koristeći prvenstveno biblioteku Scikit-learn i izbjegavajući duboko učenje, koje je obrađeno u našem AI for Beginners' kurikulumu. Uparite ove lekcije i s našim 'Data Science for Beginners' kurikulumom.

Putujte s nama oko svijeta dok primjenjujemo ove klasične tehnike na podatke iz raznih dijelova svijeta. Svaka lekcija uključuje kvizove prije i nakon lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i još mnogo toga. Naša metodologija zasnovana na projektima omogućuje vam učenje kroz izgradnju, što je dokazano učinkovit način da nova znanja "ostanu".

✍️ Veliko hvala 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 i našim ilustratorima Tomomi Imura, Dasani Madipalli i Jen Looper

🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja, posebno Rishitu Dagliju, Muhammadu Sakib Khanu Inanu, Rohanu Raju, Alexandruu Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwalu

🤩 Posebna zahvalnost Microsoft Student Ambassadorima Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za naše R lekcije!

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 rješavanje problema za rješenja čestih problema s instalacijom, postavljanjem i izvođenjem lekcija.

Učenici, za korištenje ovog kurikuluma, forkajte cijeli repozitorij na vlastiti GitHub račun i dovršavajte vježbe samostalno ili u grupi:

• Počnite s kvizom prije predavanja.
• Pročitajte predavanje i dovršite aktivnosti, zaustavljajući se i razmišljajući na svakoj provjeri znanja.
• Pokušajte stvoriti projekte razumijevanjem lekcija, a ne samo pokretanjem rješenja; međutim, taj je kod dostupan u mapama /solution u svakoj lekciji usmjerenoj na projekte.
• Uradite kviz nakon predavanja.
• Dovršite izazov.
• Dovršite zadatak.
• Nakon završetka grupe lekcija, posjetite Diskusijski forum i "učite naglas" ispunjavanjem odgovarajućeg PAT obrasca. 'PAT' je alat za procjenu napretka koji ispunjavate za daljnje učenje. Također možete reagirati na druge PAT-ove kako bismo zajedno učili.

Za daljnje učenje preporučujemo praćenje ovih Microsoft Learn modula i obrazovnih putanja.

Nastavnici, uključili smo neke prijedloge o tome kako koristiti ovaj kurikulum.

---

Video vodiči

Neke lekcije dostupne su u obliku kratkih video zapisa. Sve ih možete pronaći unutar lekcija ili na ML for Beginners playlisti na Microsoft Developer YouTube kanalu klikom na donju sliku.

---

Upoznajte tim

Gif autora Mohit Jaisal

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

---

Pedagogija

Pri izradi ovog kurikuluma odabrali smo dva pedagoška principa: osigurati da je praktičan i zasnovan na projektima te da uključuje učestale kvizove. Osim toga, ovaj kurikulum ima zajedničku temu za koheziju.

Osiguravajući da se sadržaj uskladi s projektima, proces učenja postaje zanimljiviji za učenike i poboljšava zadržavanje pojmova. Uz to, kviz s niskim ulogom prije nastave usmjerava namjeru učenika ka učenju teme, dok drugi kviz nakon nastave osigurava dodatno usvajanje znanja. Ovaj je kurikulum osmišljen kao fleksibilan i zabavan te se može koristiti u cijelosti ili djelomično. Projekti počinju jednostavni i postaju sve složeniji do kraja 12-tjednog ciklusa. Kurikulum također uključuje epilog o stvarnim primjenama strojnog učenja, koji se može koristiti kao dodatni bodovi ili kao osnova za raspravu.

Pronađite naš Kodeks ponašanja, Pravila za doprinos, Prijevode i Vodič za rješavanje problema. Dobrodošao je vaš konstruktivan feedback!

Svaka lekcija uključuje

• neobaveznu skicu bilješki
• neobavezni dopunski video
• video vodič (samo neke lekcije)
• pripremni kviz prije predavanja
• pisanu lekciju
• za lekcije temeljene na projektima, vodiče korak-po-korak za izradu projekta
• provjere znanja
• izazov
• dodatno čitanje
• zadatak
• kviz nakon predavanja

Napomena o jezicima: Ove su lekcije prvenstveno napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršetak R lekcije, idite u mapu /solution i potražite R lekcije. One uključuju .rmd ekstenziju koja predstavlja R Markdown datoteku, što se može jednostavno definirati kao umetanje code chunks (R ili drugih jezika) i YAML zaglavlja (koje usmjerava kako formatirati izlaze kao PDF) u Markdown dokument. Kao takav, služi kao izvrstan okvir za autorstvo za data science jer vam dopušta kombinirati vaš kod, njegov izlaz i vaše misli pisanjem u Markdownu. Nadalje, R Markdown dokumenti mogu se izvesti u izlazne formate poput PDF, HTML ili Word. Napomena o kvizovima: Svi kvizovi su sadržani u Quiz App folderu, ukupno 52 kviza sa po tri pitanja. Linkani su unutar lekcija, no aplikaciju za kvizove moguće je pokrenuti lokalno; slijedite upute u quiz-app folderu za lokalno hostanje ili deploy na Azure.

Broj lekcije	Tema	Grupiranje lekcija	Ciljevi učenja	Povezana lekcija	Autor
01	Uvod u strojno učenje	Uvod	Naučiti osnovne pojmove strojnog učenja	Lekcija	Muhammad
02	Povijest strojnog učenja	Uvod	Naučiti povijest ovog područja	Lekcija	Jen i Amy
03	Pravednost i strojno učenje	Uvod	Koja su važna filozofska pitanja o pravednosti koja učenici trebaju razmotriti pri izgradnji i primjeni ML modela?	Lekcija	Tomomi
04	Tehnike za strojno učenje	Uvod	Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela?	Lekcija	Chris i Jen
05	Uvod u regresiju	Regresija	Početak rada s Pythonom i Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Vizualizirati i očistiti podatke kao pripremu za ML	Python • R	Jen • Eric Wanjau
07	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izraditi linearne i polinomijalne regresijske modele	Python • R	Jen i Dmitry • Eric Wanjau
08	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izraditi logistički regresijski model	Python • R	Jen • Eric Wanjau
09	Web aplikacija 🔌	Web App	Izgraditi web aplikaciju za upotrebu vašeg istreniranog modela	Python	Jen
10	Uvod u klasifikaciju	Klasifikacija	Očistiti, pripremiti i vizualizirati 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	Više klasifikatora	Python • R	Jen i Cassie • Eric Wanjau
13	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Izraditi web aplikaciju za preporuke koristeći vaš model	Python	Jen
14	Uvod u klasteriranje	Klasteriranje	Očistiti, pripremiti i vizualizirati podatke; uvod u klasteriranje	Python • R	Jen • Eric Wanjau
15	Istraživanje nigerijskih glazbenih ukusa 🎧	Klasteriranje	Istražiti K-Means metodu klasteriranja	Python • R	Jen • Eric Wanjau
16	Uvod u obradu prirodnog jezika ☕️	Obrada prirodnog jezika	Naučiti osnove NLP-a kroz izgradnju jednostavnog bota	Python	Stephen
17	Uobičajeni NLP zadaci ☕️	Obrada prirodnog jezika	Produbiti svoje znanje NLP-a razumijevanjem čestih zadataka u radu s jezičnim strukturama	Python	Stephen
18	Prevođenje i analiza sentimenta ♥️	Obrada prirodnog jezika	Prevođenje i analiza sentimenta s Jane Austen	Python	Stephen
19	Romantični hoteli Europe ♥️	Obrada prirodnog jezika	Analiza sentimenta s recenzijama hotela 1	Python	Stephen
20	Romantični hoteli Europe ♥️	Obrada prirodnog jezika	Analiza sentimenta s 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 vremenskih serija s ARIMA	Vremenske serije	Predviđanje vremenskih serija s ARIMA	Python	Francesca
23	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija sa SVR	Vremenske serije	Predviđanje vremenskih serija pomoću regresora s podrškom vektora	Python	Anirban
24	Uvod u učenje s pojačanjem	Učenje s pojačanjem	Uvod u učenje s pojačanjem pomoću Q-Learninga	Python	Dmitry
25	Pomozite Peteru izbjeći vuka! 🐺	Učenje s pojačanjem	Učenje s pojačanjem uz Gym	Python	Dmitry
Poslije	Scenariji i primjene stvarnog svijeta s ML	ML u stvarnom svijetu	Zanimljive i otkrivajuće stvarne primjene klasičnog strojnog učenja	Lekcija	Tim
Poslije	Debugiranje modela u ML s RAI dashboardom	ML u stvarnom svijetu	Debugiranje modela u strojnome učenju koristeći komponente Responsible AI dashboarda	Lekcija	Ruth Yakubu

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

Offline pristup

Ovu dokumentaciju možete pokrenuti offline koristeći Docsify. Forkajte ovaj repozitorij, instalirajte Docsify na svoj lokalni uređaj i u korijenskom direktoriju repozitorija upišite docsify serve. Web stranica će biti dostupna na portu 3000 na vašem localhostu: localhost:3000.

PDF-ovi

Pronađite pdf nastavnog plana s linkovima ovdje.

🎒 Drugi tečajevi

Naš tim proizvodi i druge tečajeve! Pogledajte:

LangChain

Azure / Edge / MCP / Agenti

---

Serija generativne umjetne inteligencije

---

Osnovno učenje

---

Serija Copilot

Dobivanje pomoći

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

Ako imate povratne informacije o proizvodu ili greške tijekom izrade, posjetite:

---

Odricanje od odgovornosti: Ovaj dokument preveden je korištenjem AI prevoditeljskog servisa Co-op Translator. Iako nastojimo postići točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku smatra se službenim i autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Nismo odgovorni za bilo kakve nesporazume ili kriva tumačenja koja proizlaze iz korištenja ovog prijevoda.