25 KiB

Raw Permalink Blame History Unescape Escape

🌐 Podpora za več jezikov

Podprto prek GitHub Action (samodejno in vedno posodobljeno)

Pridružite se skupnosti

Strojno učenje za začetnike - učni načrt

🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje skozi prizmo svetovnih kultur 🌍

Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski učni načrt s 26 lekcijami o strojnem učenju. V tem učnem načrtu se boste naučili o tem, kar se včasih imenuje klasično strojno učenje, pri čemer bomo večinoma uporabljali knjižnico Scikit-learn in se izognili globokemu učenju, ki je obravnavano v našem učnem načrtu "AI for Beginners". Te lekcije združite z našim učnim načrtom 'Data Science for Beginners', prav tako!

Potujte z nami po svetu, medtem ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša projektno usmerjena pedagogika vam omogoča učenje skozi ustvarjanje, kar je dokazano učinkovit način za utrjevanje novih veščin.

✍️ Iskrena zahvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd

🎨 Zahvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper

🙏 Posebna zahvala 🙏 našim avtorjem, recenzentom in prispevalcem vsebine iz vrst Microsoft Student Ambassador, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal

🤩 Dodatna zahvala Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!

Začetek

Sledite tem korakom:

Forkajte repozitorij: Kliknite gumb "Fork" v zgornjem desnem kotu te strani.
Klonirajte repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

Študenti, za uporabo tega učnega načrta forkajte celoten repozitorij v svoj GitHub račun in dokončajte vaje sami ali v skupini:

Začnite s kvizom pred predavanjem.
Preberite predavanje in dokončajte aktivnosti, pri čemer se ustavite in razmislite ob vsakem preverjanju znanja.
Poskusite ustvariti projekte z razumevanjem lekcij, namesto da bi samo zagnali rešitev; vendar je ta koda na voljo v mapah /solution v vsaki projektno usmerjeni lekciji.
Opravite kviz po predavanju.
Dokončajte izziv.
Dokončajte nalogo.
Po zaključku skupine lekcij obiščite Discussion Board in "učite se na glas" tako, da izpolnite ustrezno PAT rubriko. 'PAT' je orodje za ocenjevanje napredka, ki ga izpolnite za poglobitev svojega učenja. Prav tako lahko reagirate na druge PAT-je, da se učimo skupaj.

Za nadaljnje študije priporočamo, da sledite tem Microsoft Learn modulom in učnim potem.

Učitelji, vključili smo nekaj predlogov o tem, kako uporabiti ta učni načrt.

Video vodiči

Nekatere lekcije so na voljo kot kratki video posnetki. Vse te najdete v lekcijah ali na ML for Beginners playlist na Microsoft Developer YouTube kanalu s klikom na spodnjo sliko.

Spoznajte ekipo

Gif avtorja Mohit Jaisal

🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!

Pedagogika

Pri oblikovanju tega učnega načrta smo se odločili za dva pedagoška načela: zagotoviti, da je praktično projektno usmerjen in da vključuje pogoste kvize. Poleg tega ima ta učni načrt skupno temo, ki mu daje kohezijo.

Z zagotavljanjem, da vsebina ustreza projektom, je proces bolj privlačen za študente, koncepti pa se bolje ohranijo. Poleg tega nizko-stresni kviz pred predavanjem usmeri pozornost študenta na učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnjo utrditev. Ta učni načrt je zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče vzeti v celoti ali delno. Projekti se začnejo majhni in postajajo vse bolj kompleksni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatek o resničnih aplikacijah ML, ki ga je mogoče uporabiti kot dodatno nalogo ali kot osnovo za razpravo.

Poiščite naš Kodeks ravnanja, Prispevanje in Smernice za prevajanje. Veseli bomo vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

opcijsko sketchnote
opcijski dopolnilni video
video vodič (samo nekatere lekcije)
kviz za ogrevanje pred predavanjem
pisno lekcijo
za projektno usmerjene lekcije, vodnik po korakih za izdelavo projekta
preverjanje znanja
izziv
dopolnilno branje
nalogo
kviz po predavanju

Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, vendar so mnoge na voljo tudi v R. Za dokončanje lekcije v R pojdite v mapo /solution in poiščite lekcije v R. Te vključujejo razširitev .rmd, ki predstavlja R Markdown datoteko, ki jo lahko preprosto opišemo kot vdelavo code chunks (R ali drugih jezikov) in YAML header (ki usmerja, kako formatirati izhode, kot so PDF) v Markdown dokumentu. Tako služi kot odličen avtorski okvir za podatkovno znanost, saj vam omogoča kombiniranje kode, njenega izhoda in vaših misli z zapisovanjem v Markdown. Poleg tega je mogoče R Markdown dokumente upodobiti v izhodne formate, kot so PDF, HTML ali Word.

Opomba o kvizih: Vsi kvizi so vsebovani v mapi Quiz App, skupaj 52 kvizov s po tremi vprašanji. Povezani so znotraj lekcij, vendar je aplikacijo za kvize mogoče zagnati lokalno; sledite navodilom v mapi quiz-app za lokalno gostovanje ali namestitev na Azure.

Številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtor
01	Uvod v strojno učenje	Uvod	Spoznajte osnovne koncepte stroja za učenje	Lekcija	Muhammad
02	Zgodovina stroja za učenje	Uvod	Spoznajte zgodovino tega področja	Lekcija	Jen in Amy
03	Pravičnost in strojno učenje	Uvod	Katere so pomembne filozofske teme o pravičnosti, ki jih morajo študenti upoštevati pri gradnji in uporabi modelov ML?	Lekcija	Tomomi
04	Tehnike za strojno učenje	Introduction	Katere tehnike uporabljajo raziskovalci strojnega učenja za gradnjo modelov?	Lesson	Chris in Jen
05	Uvod v regresijo	Regression	Začnite s Pythonom in Scikit-learn za modele regresije	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regression	Vizualizirajte in očistite podatke za pripravo na strojno učenje	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regression	Zgradite linearne in polinomske regresijske modele	Python • R	Jen in Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regression	Zgradite logistični regresijski model	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Web App	Zgradite spletno aplikacijo za uporabo vašega treniranega modela	Python	Jen
10	Uvod v klasifikacijo	Classification	Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo	Python • R	Jen in Cassie • Eric Wanjau
11	Okusne azijske in indijske jedi 🍜	Classification	Uvod v klasifikatorje	Python • R	Jen in Cassie • Eric Wanjau
12	Okusne azijske in indijske jedi 🍜	Classification	Več klasifikatorjev	Python • R	Jen in Cassie • Eric Wanjau
13	Okusne azijske in indijske jedi 🍜	Classification	Zgradite spletno aplikacijo za priporočila z uporabo vašega modela	Python	Jen
14	Uvod v gručenje	Clustering	Očistite, pripravite in vizualizirajte podatke; uvod v gručenje	Python • R	Jen • Eric Wanjau
15	Raziskovanje nigerijskih glasbenih okusov 🎧	Clustering	Raziskovanje metode gručenja K-Means	Python • R	Jen • Eric Wanjau
16	Uvod v obdelavo naravnega jezika ☕️	Natural language processing	Spoznajte osnove NLP z gradnjo preprostega bota	Python	Stephen
17	Pogoste naloge NLP ☕️	Natural language processing	Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami	Python	Stephen
18	Prevajanje in analiza sentimenta ♥️	Natural language processing	Prevajanje in analiza sentimenta z Jane Austen	Python	Stephen
19	Romantični hoteli v Evropi ♥️	Natural language processing	Analiza sentimenta z ocenami hotelov 1	Python	Stephen
20	Romantični hoteli v Evropi ♥️	Natural language processing	Analiza sentimenta z ocenami hotelov 2	Python	Stephen
21	Uvod v napovedovanje časovnih vrst	Time series	Uvod v napovedovanje časovnih vrst	Python	Francesca
22	⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z ARIMA	Time series	Napovedovanje časovnih vrst z ARIMA	Python	Francesca
23	⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z SVR	Time series	Napovedovanje časovnih vrst z regresorjem podpornih vektorjev	Python	Anirban
24	Uvod v okrepljeno učenje	Reinforcement learning	Uvod v okrepljeno učenje z Q-Learning	Python	Dmitry
25	Pomagajte Petru, da se izogne volku! 🐺	Reinforcement learning	Okrepljeno učenje z Gym	Python	Dmitry
Postscript	Resnični scenariji in aplikacije ML	ML in the Wild	Zanimive in razkrivajoče resnične aplikacije klasičnega strojnega učenja	Lesson	Team
Postscript	Odpravljanje napak modelov ML z nadzorno ploščo RAI	ML in the Wild	Odpravljanje napak modelov strojnega učenja z uporabo komponent nadzorne plošče za odgovorno umetno inteligenco	Lesson	Ruth Yakubu

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

Dostop brez povezave

To dokumentacijo lahko zaženete brez povezave z uporabo Docsify. Forkajte to repozitorij, namestite Docsify na vaš lokalni računalnik, nato pa v korenski mapi tega repozitorija vnesite docsify serve. Spletna stran bo na voljo na portu 3000 na vašem lokalnem strežniku: localhost:3000.

PDF-ji

Najdite PDF učnega načrta s povezavami tukaj.

🎒 Drugi tečaji

Naša ekipa ustvarja tudi druge tečaje! Oglejte si:

Omejitev odgovornosti:
Ta dokument je bil preveden z uporabo storitve za strojno prevajanje Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da se zavedate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo strokovno človeško prevajanje. Ne prevzemamo odgovornosti za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.

25 KiB Raw Permalink Blame History Unescape Escape