ML-For-Beginners/translations/ru

🌐 Поддержка нескольких языков

Поддерживается через GitHub Action (автоматически и всегда актуально)

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)

Присоединяйтесь к сообществу

Машинное обучение для начинающих - учебный курс

🌍 Путешествуйте по миру, изучая машинное обучение через призму мировых культур 🌍

Команда Cloud Advocates в Microsoft рада предложить 12-недельный курс из 26 уроков, посвященный машинному обучению. В этом курсе вы узнаете о том, что иногда называют классическим машинным обучением, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашем курсе "Искусственный интеллект для начинающих". Также рекомендуем сочетать эти уроки с нашим курсом 'Наука о данных для начинающих'.

Путешествуйте с нами по миру, применяя классические методы к данным из разных уголков планеты. Каждый урок включает предварительные и итоговые тесты, письменные инструкции для выполнения задания, решение, домашнее задание и многое другое. Наш проектно-ориентированный подход позволяет учиться, создавая, что доказано способствует лучшему усвоению новых навыков.

✍️ Огромная благодарность нашим авторам: Джен Лупер, Стивен Хауэлл, Франческа Лаззери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтуньян, Рут Якобу и Эми Бойд

🎨 Благодарность нашим иллюстраторам: Томоми Имура, Дасани Мадипалли и Джен Лупер

🙏 Особая благодарность 🙏 нашим авторам, рецензентам и участникам контента из числа студенческих послов Microsoft, включая Ришита Дагли, Мухаммада Сакиба Хана Инана, Рохана Раджа, Александру Петреску, Абхишека Джайсвала, Наврин Табассум, Иоана Самуила и Снигдху Агарвал

🤩 Дополнительная благодарность студенческим послам Microsoft Эрику Ванджау, Джаслин Сонди и Видуши Гупта за уроки на R!

Начало работы

Следуйте этим шагам:

1. Сделайте форк репозитория: Нажмите кнопку "Fork" в правом верхнем углу этой страницы.
2. Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

Студенты, чтобы использовать этот курс, сделайте форк всего репозитория в свой аккаунт GitHub и выполняйте задания самостоятельно или в группе:

• Начните с предварительного теста.
• Прочитайте лекцию и выполните задания, делая паузы и размышляя на каждом этапе проверки знаний.
• Постарайтесь создать проекты, понимая уроки, а не просто запуская код решения; однако этот код доступен в папках /solution в каждом проектно-ориентированном уроке.
• Пройдите итоговый тест.
• Выполните вызов.
• Выполните домашнее задание.
• После завершения группы уроков посетите доску обсуждений и "учитесь вслух", заполняя соответствующую рубрику PAT. PAT — это инструмент оценки прогресса, который вы заполняете для углубления обучения. Вы также можете реагировать на другие PAT, чтобы учиться вместе.

Для дальнейшего изучения мы рекомендуем пройти эти модули и учебные пути Microsoft Learn.

Учителя, мы включили некоторые рекомендации о том, как использовать этот курс.

---

Видеоуроки

Некоторые уроки доступны в виде коротких видеороликов. Вы можете найти их в уроках или на плейлисте "ML для начинающих" на YouTube-канале Microsoft Developer, нажав на изображение ниже.

---

Знакомьтесь с командой

Gif создан Мохитом Джайсалом

🎥 Нажмите на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!

---

Педагогический подход

Мы выбрали два педагогических принципа при создании этого курса: обеспечение его практической проектной направленности и включение частых тестов. Кроме того, курс имеет общую тему, которая придает ему целостность.

Обеспечивая связь контента с проектами, процесс становится более увлекательным для студентов, а усвоение концепций усиливается. Кроме того, тест перед занятием задает намерение студента изучить тему, а второй тест после занятия обеспечивает дальнейшее закрепление материала. Курс был разработан как гибкий и увлекательный, его можно проходить полностью или частично. Проекты начинаются с простых и становятся все более сложными к концу 12-недельного цикла. Курс также включает постскриптум о реальных приложениях машинного обучения, который можно использовать как дополнительный материал или основу для обсуждения.

Найдите наш Кодекс поведения, Руководство по внесению изменений и Руководство по переводу. Мы приветствуем ваши конструктивные отзывы!

Каждый урок включает

• необязательный скетчноут
• необязательное дополнительное видео
• видеоруководство (только для некоторых уроков)
• предварительный тест
• письменный урок
• для проектных уроков — пошаговые инструкции по созданию проекта
• проверку знаний
• вызов
• дополнительное чтение
• домашнее задание
• итоговый тест

Примечание о языках: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы пройти урок на R, перейдите в папку /solution и найдите уроки на R. Они включают расширение .rmd, которое представляет собой R Markdown файл, который можно просто определить как объединение фрагментов кода (на R или других языках) и YAML-заголовка (который определяет формат вывода, например PDF) в Markdown-документе. Таким образом, это служит примерной авторской платформой для науки о данных, поскольку позволяет объединять ваш код, его вывод и ваши мысли, записывая их в Markdown. Кроме того, документы R Markdown можно преобразовать в форматы вывода, такие как PDF, HTML или Word.

Примечание о тестах: Все тесты содержатся в папке Quiz App, всего 52 теста по три вопроса каждый. Они связаны с уроками, но приложение для тестов можно запустить локально; следуйте инструкциям в папке quiz-app, чтобы развернуть локально или на Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Связанный урок	Автор
01	Введение в машинное обучение	Введение	Узнайте основные концепции машинного обучения	Урок	Мухаммад
02	История машинного обучения	Введение	Узнайте историю этой области	Урок	Джен и Эми
03	Справедливость и машинное обучение	Введение	Какие важные философские вопросы о справедливости должны учитывать студенты при создании и применении моделей машинного обучения?	Урок	Томоми
04	Техники машинного обучения	Введение	Какие техники используют исследователи ML для создания моделей машинного обучения?	Урок	Крис и Джен
05	Введение в регрессию	Регрессия	Начните работу с Python и Scikit-learn для моделей регрессии	Python • R	Джен • Эрик Ванжау
06	Цены на тыквы в Северной Америке 🎃	Регрессия	Визуализируйте и очистите данные для подготовки к ML	Python • R	Джен • Эрик Ванжау
07	Цены на тыквы в Северной Америке 🎃	Регрессия	Постройте модели линейной и полиномиальной регрессии	Python • R	Джен и Дмитрий • Эрик Ванжау
08	Цены на тыквы в Северной Америке 🎃	Регрессия	Постройте модель логистической регрессии	Python • R	Джен • Эрик Ванжау
09	Веб-приложение 🔌	Веб-приложение	Создайте веб-приложение для использования обученной модели	Python	Джен
10	Введение в классификацию	Классификация	Очистите, подготовьте и визуализируйте данные; введение в классификацию	Python • R	Джен и Кэсси • Эрик Ванжау
11	Вкусные азиатские и индийские блюда 🍜	Классификация	Введение в классификаторы	Python • R	Джен и Кэсси • Эрик Ванжау
12	Вкусные азиатские и индийские блюда 🍜	Классификация	Дополнительные классификаторы	Python • R	Джен и Кэсси • Эрик Ванжау
13	Вкусные азиатские и индийские блюда 🍜	Классификация	Создайте веб-приложение рекомендательной системы с использованием вашей модели	Python	Джен
14	Введение в кластеризацию	Кластеризация	Очистите, подготовьте и визуализируйте данные; введение в кластеризацию	Python • R	Джен • Эрик Ванжау
15	Исследование музыкальных вкусов Нигерии 🎧	Кластеризация	Изучите метод кластеризации K-Means	Python • R	Джен • Эрик Ванжау
16	Введение в обработку естественного языка ☕️	Обработка естественного языка	Узнайте основы NLP, создавая простого бота	Python	Стивен
17	Общие задачи NLP ☕️	Обработка естественного языка	Углубите свои знания NLP, изучая общие задачи, связанные с языковыми структурами	Python	Стивен
18	Перевод и анализ настроений ♥️	Обработка естественного языка	Перевод и анализ настроений с произведениями Джейн Остин	Python	Стивен
19	Романтические отели Европы ♥️	Обработка естественного языка	Анализ настроений на основе отзывов об отелях 1	Python	Стивен
20	Романтические отели Европы ♥️	Обработка естественного языка	Анализ настроений на основе отзывов об отелях 2	Python	Стивен
21	Введение в прогнозирование временных рядов	Временные ряды	Введение в прогнозирование временных рядов	Python	Франческа
22	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с ARIMA	Временные ряды	Прогнозирование временных рядов с использованием ARIMA	Python	Франческа
23	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR	Временные ряды	Прогнозирование временных рядов с использованием регрессора опорных векторов	Python	Анирбан
24	Введение в обучение с подкреплением	Обучение с подкреплением	Введение в обучение с подкреплением с использованием Q-Learning	Python	Дмитрий
25	Помогите Петру избежать волка! 🐺	Обучение с подкреплением	Обучение с подкреплением в Gym	Python	Дмитрий
Постскриптум	Реальные сценарии и приложения ML	ML в реальном мире	Интересные и показательные примеры реальных приложений классического ML	Урок	Команда
Постскриптум	Отладка моделей ML с использованием панели RAI	ML в реальном мире	Отладка моделей машинного обучения с использованием компонентов панели ответственного ИИ	Урок	Рут Якобу

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

Оффлайн-доступ

Вы можете запустить эту документацию оффлайн, используя Docsify. Форкните этот репозиторий, установите Docsify на вашем локальном компьютере, а затем в корневой папке этого репозитория введите docsify serve. Веб-сайт будет доступен на порту 3000 вашего локального хоста: localhost:3000.

PDF-файлы

Найдите PDF-версию учебного плана с ссылками здесь.

🎒 Другие курсы

Наша команда создает другие курсы! Ознакомьтесь:

• Generative AI for Beginners
• Generative AI for Beginners .NET
• Generative AI with JavaScript
• Generative AI with Java
• AI for Beginners
• Data Science for Beginners
• ML for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for Paired Programming
• Mastering GitHub Copilot for C#/.NET Developers
• Choose Your Own Copilot Adventure

---

Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.