ML-For-Beginners/translations/hr

🌐 Višejezična podrška

Podržano putem GitHub Action (Automatski i uvijek ažurno)

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

Više volite kloniranje lokalno?

Ovaj repozitorij uključuje prijevode na 50+ jezika što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda koristite 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"

Ovo vam daje sve što vam je potrebno za završetak tečaja s mnogo bržim preuzimanjem.

Pridružite se našoj zajednici

Imamo ongoing Discord seriju učimo s AI, saznajte više i pridružite se na Learn with AI Series od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za Data Science.

Strojno učenje za početnike - Nastavni plan

🌍 Putujte svijetom dok istražujemo Strojno učenje kroz svjetske kulture 🌍

Cloud Advocates u Microsoftu s ponosom nude 12-tjedni, 26-lekcijski nastavni plan sve o Strojnom učenju. U ovom nastavnom planu naučit ćete o onome što se ponekad naziva klasičnim strojnim učenjem, koristeći prvenstveno biblioteku Scikit-learn i izbjegavajući duboko učenje, koje je obuhvaćeno u našem nastavnom planu AI za početnike. Kombinirajte ove lekcije s našim nastavnim planom 'Data Science za početnike'!

Putujte s nama oko svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih područja svijeta. Svaka lekcija uključuje kviz prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i još mnogo toga. Naša pedagoška metoda temeljena na projektima omogućuje vam učenje dok gradite, što je dokazani način da nove vještine "zapnu".

✍️ 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

🙏 Posebne zahvale 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima, posebno Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal

🤩 Dodatna zahvalnost Microsoft Student Ambasadorima Ericu Wanjauu, Jasleen Sondhiju i Vidushi Gupti 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 Priručnik za rješavanje problema za rješenja uobičajenih problema s instalacijom, postavljanjem i izvođenjem lekcija.

Studenti, za korištenje ovog nastavnog plana, forkajte cijeli repozitorij na svoj GitHub račun i dovršite vježbe sami ili u grupi:

• Započnite kvizom prije predavanja.
• Pročitajte predavanje i dovršite aktivnosti, pauzirajte i razmišljajte na svakoj provjeri znanja.
• Pokušajte napraviti projekte razumijevanjem lekcija umjesto izvršavanja koda rješenja; kod rješenja je dostupan u mapama /solution u svakoj lekciji orijentiranoj na projekt.
• Polažite kviz nakon predavanja.
• Dovršite izazov.
• Dovršite zadatak.
• Nakon završetka grupe lekcija, posjetite Odbor za raspravu i "učite naglas" ispunjavanjem odgovarajuće PAT ljestvice. 'PAT' je alat za procjenu napretka koji ispunjavate radi daljnjeg učenja. Također možete reagirati na druge PAT-ove kako bismo učili zajedno.

Za daljnje učenje preporučujemo sljedeće Microsoft Learn module i obrazovne staze.

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

---

Video vodiči

Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći u lekcijama ili na ML for Beginners playlisti na Microsoft Developer YouTube kanalu klikom na sliku ispod.

---

Upoznajte tim

Gif od Mohit Jaisal

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

---

Pedagogija

Odabrali smo dva pedagoška načela prilikom izrade ovog nastavnog plana: osigurati da je praktičan i temeljen na projektima te da uključuje učestale kvizove. Osim toga, ovaj nastavni plan ima zajedničku temu koja mu daje koheziju.

Osiguravajući da je sadržaj usklađen s projektima, proces postaje zanimljiviji za učenike i pojačava zadržavanje pojmova. Uz to, kviz s niskim ulogom prije sata postavlja namjeru učenika prema učenju teme, dok drugi kviz nakon nastave osigurava dodatno zadržavanje. Ovaj je nastavni plan dizajniran da bude fleksibilan i zabavan i može se koristiti u cijelosti ili djelomično. Projekti počinju jednostavno i postaju sve složeniji do kraja 12-tjednog ciklusa. Nastavni plan također uključuje postscript o stvarnim primjenama strojnog učenja, koji se može koristiti kao dodatni bodovi ili kao osnova za raspravu.

Pronađite naše Kodeks ponašanja, Pravila doprinosa, Prijevode i Rješavanje problema. Otvoreni smo za vaše konstruktivne povratne informacije!

Svaka lekcija uključuje

• opcionalnu skicu
• opcionu dodatnu video snimku
• video vodič (samo neke lekcije)
• kviz za zagrijavanje prije predavanja
• pisanu lekciju
• za lekcije temeljene na projektima, detaljne vodiče korak-po-korak za izgradnju projekta
• provjere znanja
• izazov
• dodatno čitanje
• zadatak
• kviz nakon predavanja

Napomena o jezicima: Ove lekcije su 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 ekstenziju .rmd koja predstavlja R Markdown datoteku koja se može jednostavno definirati kao umetak code chunks (R ili drugih jezika) i YAML zaglavlja (koje usmjerava kako formatirati izlaze poput PDF-a) u Markdown dokumentu. Kao takav, služi kao izvrstan okvir za autorstvo u znanosti o podacima jer vam omogućuje da kombinirate svoj kod, njegov izlaz i svoje misli pišući ih u Markdownu. Nadalje, R Markdown dokumenti se mogu prikazati u izlaznim formatima poput PDF, HTML ili Word.

Napomena o kvizovima: Svi kvizovi se nalaze u Quiz App mapi, ukupno 52 kviza s po tri pitanja. Povezani su unutar lekcija, ali aplikaciju za kviz možete pokrenuti lokalno; slijedite upute u mapi quiz-app za lokalno hostanje ili postavljanje na Azure.

Broj lekcije	Tema	Skup lekcija	Ciljevi učenja	Povezana lekcija	Autor
01	Uvod u strojno učenje	Uvod	Naučite osnovne pojmove strojnog učenja	Lekcija	Muhammad
02	Povijest strojnog učenja	Uvod	Naučite povijest koja stoji iza ovog područja	Lekcija	Jen i Amy
03	Pravednost i strojno učenje	Uvod	Koja su važna filozofska pitanja o pravednosti koja studenti trebaju uzeti u obzir pri izradi 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	Počnite s Pythonom i Scikit-learnom za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Vizualizirajte i očistite podatke u pripremi za ML	Python • R	Jen • Eric Wanjau
07	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izgradite linearne i polinomijske regresijske modele	Python • R	Jen i Dmitry • Eric Wanjau
08	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izgradite logistički regresijski model	Python • R	Jen • Eric Wanjau
09	Web aplikacija 🔌	Web App	Izgradite web aplikaciju za korištenje vašeg treniranog modela	Python	Jen
10	Uvod u klasifikaciju	Klasifikacija	Očistite, pripremite i vizualizirajte svoje 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	Još klasifikatora	Python • R	Jen i Cassie • Eric Wanjau
13	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Izgradite preporučiteljsku web aplikaciju koristeći svoj model	Python	Jen
14	Uvod u klasteriranje	Klasteriranje	Očistite, pripremite i vizualizirajte svoje podatke; Uvod u klasteriranje	Python • R	Jen • Eric Wanjau
15	Istraživanje glazbenih ukusa Nigerije 🎧	Klasteriranje	Istražite metodu K-Means klasteriranja	Python • R	Jen • Eric Wanjau
16	Uvod u obradu prirodnog jezika ☕️	Obrada prirodnog jezika	Naučite osnove NLP-a izradom jednostavnog bota	Python	Stephen
17	Uobičajeni NLP zadaci ☕️	Obrada prirodnog jezika	Produbite svoje NLP znanje razumijevanjem uobičajenih 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 u Europi ♥️	Obrada prirodnog jezika	Analiza sentimenta uz recenzije hotela 1	Python	Stephen
20	Romantični hoteli u Europi ♥️	Obrada prirodnog jezika	Analiza sentimenta uz recenzije hotela 2	Python	Stephen
21	Uvod u vremenske serije i prognoze	Vremenske serije	Uvod u vremenske serije i prognoziranje	Python	Francesca
22	⚡️ Svjetska potrošnja električne energije ⚡️ - prognoza vremenskih serija s ARIMA	Vremenske serije	Prognozira vremenske serije korištenjem ARIMA modela	Python	Francesca
23	⚡️ Svjetska potrošnja električne energije ⚡️ - prognoza vremenskih serija s SVR	Vremenske serije	Prognoza vremenskih serija pomoću regresora potpornih vektora (SVR)	Python	Anirban
24	Uvod u učenje pojačanjem	Učenje pojačanjem	Uvod u učenje pojačanjem s Q-Learning metodom	Python	Dmitry
25	Pomozi Petru izbjeći vuka! 🐺	Učenje pojačanjem	Učenje pojačanjem Gym	Python	Dmitry
Dodatek	Scenariji i primjene ML u stvarnom svijetu	ML u divljini	Zanimljive i poučne primjene klasičnog strojnog učenja u stvarnom svijetu	Lekcija	Tim
Dodatek	Otklanjanje pogrešaka u ML pomoću RAI nadzorne ploče	ML u divljini	Otklanjanje pogrešaka u strojnim modelima korištenjem komponenti Responsible AI nadzorne ploče	Lekcija	Ruth Yakubu

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

Offline pristup

Ovu dokumentaciju možete pokrenuti offline pomoću Docsify. Forkajte ovaj repozitorij, instalirajte Docsify na svoje lokalno računalo, a zatim u korijenskoj mapi ovog repozitorija upišite docsify serve. Web stranica će se poslužiti na portu 3000 na vašem localhostu: localhost:3000.

PDF-ovi

Pronađite PDF kurikuluma s vezama ovdje.

🎒 Drugi tečajevi

Naš tim proizvodi i druge tečajeve! Pogledajte:

LangChain

Azure / Edge / MCP / Agenti

---

Serija Generativne AI

---

Osnovno učenje

---

Serija Copilot

Dobivanje pomoći

Ako zapnete ili imate pitanja dok učite Strojno učenje ili gradite AI aplikacije, ne brinite — pomoć je dostupna.

Možete se pridružiti raspravama s drugim učenicima i programerima, postavljati pitanja i dijeliti svoje ideje sa zajednicom.

• Pridružite se zajednici da postavljate pitanja i učite s drugima
• Raspravljajte o konceptima strojnog učenja i idejama projekata
• Dobijte smjernice od iskusnih programera

Podržavajuća zajednica je odličan način da razvijete svoje vještine i brže riješite probleme.

Microsoft Foundry Discord Community

Ako naiđete na greške, pogreške ili imate prijedloge za poboljšanja, također možete otvoriti Issue u ovom spremištu da prijavite problem.

Za povratne informacije o proizvodu ili pretraživanje postojećih objava zajednice, posjetite Forum za programere:

Dodatni savjeti za učenje

• Pregledajte bilježnice nakon svake lekcije za bolje razumijevanje.
• Vježbajte samostalnu implementaciju algoritama.
• Istražite stvarne skupove podataka koristeći naučene koncepte.

---

Odricanje od odgovornosti: Ovaj dokument preveden je korištenjem AI usluge za prijevod Co-op Translator. Iako nastojimo postići točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se stručni ljudski prijevod. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.