ML-For-Beginners/translations/sr

🌐 Подршка за више језика

Подржано преко GitHub Action (аутоматски 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 садржи преко 50 превода на језике 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 за завршетак курса са знатно бржим преузимањем.

Придружите се нашој заједници

Имамо текући Discord серијал „Learn with AI“, 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-а за Data Science.

Машинско учење за почетнике - Наставни план

🌍 Путујте широм света док истражујемо машинско учење кроз светске културе 🌍

Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни, 26-лекцијски наставни план који говори о машинском учењу. У овом курсу ћете научити о ономе што се понекад назива класично машинско учење, користећи углавном Scikit-learn као библиотеку и избегавајући дубоко учење, које је покривено у нашем AI for Beginners' курикулуму. Спојите ове лекције са нашим 'Data Science for Beginners' курикулумом, такође!

Путујте с нама широм света док примењујемо ове класичне технике на податке из разних делова света. Свака лекција укључује квизове пре и после лекције, писане инструкције за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам да учите док градите, што је доказани начин да нове вештине „заглаве“.

✍️ Велику захвалност ауторима Јен Лупер, Стивен Хауел, Франческа Лаззери, Томоми Имура, Кеси Бревиу, Дмитриј Сошников, Крис Норинг, Анирбан Мукерџи, Орнела Алтуњан, Рут Јакубу и Ејми Бојд

🎨 Захвалност и илустраторима Томоми Имура, Дасани Мадипали и Јен Лупер

🙏 Посебна захвалност 🙏 нашим Microsoft Student Ambassador ауторима, рецензентима и сарадницима на садржају, нарочито Ришиту Даглију, Мухамаду Сакибу Кхану Инану, Рохану Рају, Алексндру Петреску, Абхишеку Јаисвалу, Ноwрин Табасум, Јоану Самуила, и Снигдхи Агарвал

🤩 Посебна захвалност Microsoft Student Ambassadors Ерику Вањау, Јаслину Сонди и Видуши Гупти због наших лекција на R језику!

Почетак рада

Пратите ове кораке:

1. Форк репозиторијум: 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 покретањем лекција.

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

• Почните са квизом пре предавања.
• Прочитајте предавање и завршите активности, правећи паузе и размишљајући након сваке провере знања.
• Покушајте да направите пројекте разумејући лекције уместо да само покрећете код из решења; ипак, тај код је доступан у фасциклама /solution у свакој лекцији оријентисаној ка пројекту.
• Полажите квиз након предавања.
• Завршите изазов.
• Завршите задатак.
• Након завршетка групе лекција, посетите Discussion Board и „учи наглас“ попуњавајући одговарајући PAT (алат за оцену напретка). PAT је рубрика коју попуњавате како бисте додатно унапредили учење. Такође можете реаговати на друге PAT-ове како бисмо учили заједно.

За даље учење препоручујемо праћење ових Microsoft Learn модула и наставних путања.

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

---

Видео обиласци

Неке лекције су доступне у кратком видео формату. Све их можете пронаћи унутар лекција или на ML for Beginners плејлисти на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Гиф од Mohit Jaisal

🎥 Кликните на слику изнад за видео о пројекту и људима који су га креирали!

---

Педагогија

Одабрали смо два педагошка принципа док смо градили овај курикулум: да буде практичан, заснован на пројектима и да укључује честе квизове. Поред тога, овај курикулум има заједничку тему ради усклађености.

Омогућавајући да садржај буде повезан са пројектима, процес је привлачнији за студенте и задржавање концепата ће бити побољшано. Такође, квиз са малим залогом пре часа поставља намеру студента ка учењу теме, док други квиз после часа осигурава даље задржавање. Овај курикулум је дизајниран да буде флексибилан и забаван и може се радити у целини или делимично. Пројекти почињу једноставно и постају све сложенији током 12-недељног циклуса. Курикулум такође укључује постскриптум о стварној примени ML, који може служити као додатни кредит или као теме за дискусију.

Пронађите наше смернице за Code of Conduct, Contributing, Translations, и Troubleshooting. Добродошли су ваши конструктивни коментари!

Свака лекција садржи

• опциони скичнот
• опциони додатни видео
• видео обилазак (само неке лекције)
• тест припреме пре предавања
• писану лекцију
• за лекције засноване на пројекту, упутства корак по корак како направити пројекат
• провере знања
• изазов
• додатно читање
• задатак
• тест након предавања

Напомена о језицима: Ове лекције су углавном написане у Питону, али многе су доступне и на R-у. Да бисте завршили R лекцију, идите у фасциклу /solution и потражите R лекције. Оне укључују .rmd екстензију која представља R Markdown фајл који се једноставно може дефинисати као уграђивање кодних делова (на R-у или другим језицима) и YAML заглавља (које води како форматирати излазе као што су PDF) у Markdown документ. Као таква, служи као примерни оквир за аутора података јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што их пишете у Markdown. Штавише, R Markdown документи могу се конвертовати у формате као што су PDF, HTML или Word.

Напомена о квизовима: Сви квизови се налазе у Quiz App фасцикли, укупно 52 квиза са по три питања. Они су повезани изнутра лекција, али квиз апликација може да се покреће локално; пратите упутства у quiz-app фасцикли за локални хостинг или дејплој на Azure.

Број лекције	Тема	Груписање лекције	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Увод	Научите основне концепте машинског учења	Лекција	Мухаммад
02	Историја машинског учења	Увод	Научите историју која стоји иза ове области	Лекција	Џен и Еми
03	Праведност и машинско учење	Увод	Која су важна филозофска питања о праведности која ученици треба да узму у обзир приликом градње и примене ML модела?	Лекција	Томоми
04	Технике машинског учења	Увод	Које технике истраживачи ML користе за прављење ML модела?	Лекција	Крис и Џен
05	Увод у регресију	Регресија	Започните са Питоном и Scikit-learn за регресионе моделе	Python • R	Џен • Ерик Вањау
06	Цене бундеве у Северној Америци 🎃	Регресија	Визуализујте и очистите податке у припреми за ML	Python • R	Џен • Ерик Вањау
07	Цене бундеве у Северној Америци 🎃	Регресија	Направите линеарне и полиномијалне регресионе моделе	Python • R	Џен и Дмитри • Ерик Вањау
08	Цене бундеве у Северној Америци 🎃	Регресија	Направите логистичку регресију	Python • R	Џен • Ерик Вањау
09	Веб апликaција 🔌	Web App	Направите веб апликацију за коришћење свог обученог модела	Python	Џен
10	Увод у класификацију	Класификација	Очистите, припремите и визуализујте своје податке; увод у класификацију	Python • R	Џен и Каси • Ерик Вањау
11	Укусна азијска и индијска кухиња 🍜	Класификација	Увод у класификаторе	Python • R	Џен и Каси • Ерик Вањау
12	Укусна азијска и индијска кухиња 🍜	Класификација	Више класификатора	Python • R	Џен и Каси • Ерик Вањау
13	Укусна азијска и индијска кухиња 🍜	Класификација	Направите веб апликацију за препоруке користећи свој модел	Python	Џен
14	Увод у кластеризацију	Кластеризација	Очистите, припремите и визуализујте податке; увод у кластеризацију	Python • R	Џен • Ерик Вањау
15	Истраживање нигеријских музичких укуса 🎧	Кластеризација	Истражите K-Means методу кластеризације	Python • R	Џен • Ерик Вањау
16	Увод у обраду природног језика ☕️	Обрада природног језика	Научите основе NLP градећи једноставног бота	Python	Стивен
17	Уобичајени задаци у NLP-у ☕️	Обрада природног језика	Продубите своје NLP знање разумевањем уобичајених задатака потребних при раду са језичким структурама	Python	Стивен
18	Превод и анализа сентимената ♥️	Обрада природног језика	Превод и анализа сентимената са Џејн Остин	Python	Стивен
19	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимената уз рецензије хотела 1	Python	Стивен
20	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимената уз рецензије хотела 2	Python	Стивен
21	Увод у прогнозирање временских серија	Временске серије	Увод у прогнозирање временских серија	Python	Франческа
22	⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање временских серија помоћу ARIMA	Временске серије	Прогнозирање временских серија уз помоћ ARIMA	Python	Франческа
23	⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање временских серија помоћу SVR	Временске серије	Прогнозирање временских серија уз помоћ Support Vector Regressor	Python	Анирбан
24	Увод у учење појачањем	Учирење појачањем	Увод у учење појачањем користећи Q-Learning	Python	Дмитри
25	Помозите Питеру да избегне вука! 🐺	Учирење појачањем	Учење појачањем у Gym окружењу	Python	Дмитри
Постскрипт	Сценарији и примене ML у стварном свету	ML у природи	Интересантне и откривалачке примене класичног ML у стварном свету	Лекција	Тим
Постскрипт	Дебаговање модела у ML користећи RAI контролни панел	ML у природи	Дебаговање модела машинског учења користећи компоненте Responsible AI контролног панела	Лекција	Рут Јакубу

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

Приступ без везе (Offline access)

Можете покренути ову документацију без везе користећи Docsify. Форкујте овај репозиторијум, инсталирајте Docsify на својој локалној машини, а затим у коренској фасцикли овог репозиторијума покрените команду docsify serve. Вебсајт ће бити доступан на порту 3000 на вашој локалној машини: localhost:3000.

PDF-ови

Пронађите pdf наставног плана са линковима овде.

🎒 Остали курсеви

Наш тим производи и друге курсеве! Погледајте:

LangChain

Azure / Edge / MCP / Agents

---

Серја генеративне вештачке интелигенције

---

Основно учење

---

Серја Copilot

Добијање помоћи

Ако залутате или имате питања током учења Машинског учења или изградње AI апликација, не брините — помоћ је доступна.

Можете се придружити дискусијама са другим ученицима и програмерима, постављати питања и делити своје идеје са заједницом.

• Придружите се заједници да бисте постављали питања и учили с другима
• Разговарајте о појмовима Машинског учења и идејама пројеката
• Добите смернице од искусних програмера

Подршка заједнице је одличан начин да унапредите своје вештине и брже решавате проблеме.

Microsoft Foundry Discord Community

Ако наиђете на грешке, проблеме или имате предлоге за побољшања, можете такође отворити Issue у овом репозиторијуму да пријавите проблем.

За повратне информације о производу или за претрагу постојећих објава у заједници, посетите Форум програмера:

Додатни савети за учење

• Прегледајте белешке након сваке лекције ради бољег разумевања.
• Вежбајте имплементацију алгоритама самостално.
• Истражујте стварне скупове података користећи научене појмове.

---

Одрицање од одговорности: Овај документ је преведен помоћу AI услуге за превођење Co-op Translator. Иако се трудимо да превод буде прецизан, молимо вас да имате 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 обављен од стране људи. Ми нисмо одговорни за било каква неспоразума или погрешне тумачења настала коришћењем овог превода.