33 KiB
🌐 Поддръжка на много езици
Поддържани чрез GitHub Action (Автоматизирано и винаги актуално)
French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)
Присъединете се към общността
Машинно обучение за начинаещи - учебна програма
🌍 Пътувайте по света, докато изследваме машинното обучение чрез културите на различни народи 🌍
Екипът на Cloud Advocates в Microsoft с удоволствие ви предлага 12-седмична учебна програма с 26 урока, посветена на машинното обучение. В тази програма ще научите за това, което понякога се нарича класическо машинно обучение, като основно използвате библиотеката Scikit-learn и избягвате дълбокото обучение, което е разгледано в нашата учебна програма "AI за начинаещи". Съчетайте тези уроци с нашата учебна програма 'Наука за данни за начинаещи'!
Пътувайте с нас по света, докато прилагаме тези класически техники към данни от различни региони. Всеки урок включва тестове преди и след урока, писмени инструкции за изпълнение на урока, решение, задача и други. Нашият подход, базиран на проекти, ви позволява да учите, докато създавате, доказан метод за усвояване на нови умения.
✍️ Сърдечни благодарности на нашите автори Джен Лупър, Стивън Хауъл, Франческа Лазери, Томоми Имура, Каси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнела Алтунян, Рут Якобу и Ейми Бойд
🎨 Благодарности и на нашите илюстратори Томоми Имура, Дасани Мадипали и Джен Лупър
🙏 Специални благодарности 🙏 на нашите автори, рецензенти и сътрудници от програмата Microsoft Student Ambassador, включително Ришит Дагли, Мухамад Сакиб Хан Инан, Рохан Радж, Александру Петреску, Абишек Джайсвал, Наврин Табасум, Йоан Самуила и Снигдха Агарвал
🤩 Допълнителна благодарност към Microsoft Student Ambassadors Ерик Ванджау, Джаслийн Сонди и Видуши Гупта за уроците по R!
Започнете
Следвайте тези стъпки:
- Fork на хранилището: Кликнете върху бутона "Fork" в горния десен ъгъл на тази страница.
- Клонирайте хранилището:
git clone https://github.com/microsoft/ML-For-Beginners.git
намерете всички допълнителни ресурси за този курс в нашата колекция Microsoft Learn
Студенти, за да използвате тази учебна програма, направете fork на цялото хранилище във вашия собствен GitHub акаунт и изпълнете упражненията самостоятелно или в група:
- Започнете с тест преди лекцията.
- Прочетете лекцията и изпълнете дейностите, като правите паузи и размишлявате при всяка проверка на знанията.
- Опитайте се да създадете проектите, като разбирате уроците, вместо да изпълнявате предоставения код; въпреки това този код е наличен в папките
/solutionза всеки проектно-ориентиран урок. - Направете тест след лекцията.
- Завършете предизвикателството.
- Завършете задачата.
- След като завършите група уроци, посетете Дискусионния форум и "учете на глас", като попълните съответния PAT рубрик. PAT е инструмент за оценка на напредъка, който представлява рубрика, която попълвате, за да задълбочите обучението си. Можете също така да реагирате на други PAT, за да учим заедно.
За допълнително обучение препоръчваме да следвате тези модули и учебни пътеки в Microsoft Learn.
Учители, включили сме някои предложения за това как да използвате тази учебна програма.
Видео уроци
Някои от уроците са налични като кратки видеа. Можете да намерите всички тях в самите уроци или в плейлиста "ML за начинаещи" в YouTube канала на Microsoft Developer, като кликнете върху изображението по-долу.
Запознайте се с екипа
Gif от Мохит Джайсал
🎥 Кликнете върху изображението по-горе за видео за проекта и хората, които го създадоха!
Педагогика
Избрахме два педагогически принципа при създаването на тази учебна програма: да бъде практическа базирана на проекти и да включва чести тестове. Освен това, учебната програма има обща тема, която ѝ придава сплотеност.
Чрез осигуряване на съдържание, което е свързано с проекти, процесът става по-ангажиращ за учениците, а запазването на концепциите се увеличава. Освен това, тест с нисък риск преди урока насочва вниманието на ученика към изучаването на дадена тема, докато втори тест след урока осигурява допълнително запазване на знанията. Тази учебна програма е проектирана да бъде гъвкава и забавна и може да бъде взета изцяло или частично. Проектите започват с малки задачи и стават все по-сложни до края на 12-седмичния цикъл. Учебната програма включва и постскрипт за реални приложения на машинното обучение, който може да се използва като допълнителен кредит или като основа за дискусия.
Намерете нашите Правила за поведение, Насоки за принос и Насоки за превод. Очакваме вашата конструктивна обратна връзка!
Всеки урок включва
- опционална скица
- опционално допълнително видео
- видео урок (само за някои уроци)
- тест за загряване преди лекцията
- писмен урок
- за уроци, базирани на проекти, ръководства стъпка по стъпка за изграждане на проекта
- проверки на знанията
- предизвикателство
- допълнително четиво
- задача
- тест след лекцията
Бележка за езиците: Тези уроци са основно написани на Python, но много от тях са налични и на R. За да завършите урок на R, отидете в папката
/solutionи потърсете уроци на R. Те включват разширение .rmd, което представлява R Markdown файл, който може да бъде просто дефиниран като вграждане накодови блокове(на R или други езици) иYAML заглавие(което насочва как да се форматират изходите като PDF) вMarkdown документ. По този начин той служи като примерна рамка за авторство в науката за данни, тъй като ви позволява да комбинирате вашия код, неговия изход и вашите мисли, като ви позволява да ги записвате в Markdown. Освен това, R Markdown документи могат да бъдат рендирани в изходни формати като PDF, HTML или Word.
Бележка за тестовете: Всички тестове са включени в папката Quiz App, за общо 52 теста с по три въпроса всеки. Те са свързани от самите уроци, но приложението за тестове може да бъде стартирано локално; следвайте инструкциите в папката
quiz-app, за да го хоствате локално или да го разположите в Azure.
| Номер на урок | Тема | Групиране на уроци | Цели на обучението | Свързан урок | Автор |
|---|---|---|---|---|---|
| 01 | Въведение в машинното обучение | Въведение | Научете основните концепции зад машинното обучение | Урок | Мухамад |
| 02 | История на машинното обучение | Въведение | Научете историята, която стои зад тази област | Урок | Джен и Ейми |
| 03 | Справедливост и машинно обучение | Въведение | Какви са важните философски въпроси относно справедливостта, които учениците трябва да обмислят при изграждането и прилагането на ML модели? | Урок | Томоми |
| 04 | Техники за машинно обучение | Въведение | Какви техники използват изследователите на машинно обучение за създаване на ML модели? | Урок | Крис и Джен |
| 05 | Въведение в регресия | Регресия | Започнете с Python и Scikit-learn за модели на регресия |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Джен
- Ерик Уанджау
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Джен
- Ерик Уанджау
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Джен и Дмитрий
- Ерик Уанджау
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Джен
- Ерик Уанджау
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Джен и Каси
- Ерик Уанджау
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Джен и Каси
- Ерик Уанджау
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Джен и Каси
- Ерик Уанджау
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Джен
- Ерик Уанджау
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Джен
- Ерик Уанджау
намерете всички допълнителни ресурси за този курс в нашата колекция в Microsoft Learn
Офлайн достъп
Можете да използвате тази документация офлайн, като използвате Docsify. Форкнете този репо, инсталирайте Docsify на вашата локална машина и след това в основната папка на този репо напишете
docsify serve. Уебсайтът ще бъде достъпен на порт 3000 на вашия localhost:localhost:3000.PDFs
Намерете PDF на учебната програма с линкове тук.
🎒 Други курсове
Нашият екип създава и други курсове! Вижте:
- Генеративен AI за начинаещи
- Генеративен AI за начинаещи .NET
- Генеративен AI с JavaScript
- Генеративен AI с Java
- AI за начинаещи
- Наука за данни за начинаещи
- ML за начинаещи
- Киберсигурност за начинаещи
- Уеб разработка за начинаещи
- IoT за начинаещи
- XR разработка за начинаещи
- Овладяване на GitHub Copilot за съвместно програмиране
- Овладяване на GitHub Copilot за C#/.NET разработчици
- Изберете своето приключение с Copilot
Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.