25 KiB

Raw Permalink Blame History Unescape Escape

🌐 Stöd för flera språk

Stöds via GitHub Action (Automatiserat & Alltid Uppdaterat)

Gå med i gemenskapen

Maskininlärning för nybörjare - En kursplan

🌍 Res runt i världen medan vi utforskar maskininlärning genom världens kulturer 🌍

Cloud Advocates på Microsoft är glada att erbjuda en 12-veckors, 26-lektions kursplan om maskininlärning. I denna kursplan kommer du att lära dig om det som ibland kallas klassisk maskininlärning, främst med hjälp av Scikit-learn som bibliotek och undvika djupinlärning, vilket täcks i vår AI för nybörjare-kursplan. Kombinera dessa lektioner med vår 'Data Science för nybörjare-kursplan', också!

Res med oss runt i världen när vi tillämpar dessa klassiska tekniker på data från många delar av världen. Varje lektion innehåller quiz före och efter lektionen, skriftliga instruktioner för att slutföra lektionen, en lösning, en uppgift och mer. Vår projektbaserade pedagogik låter dig lära dig genom att bygga, ett beprövat sätt för nya färdigheter att fastna.

✍️ Stort tack till våra författare Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu och Amy Boyd

🎨 Tack också till våra illustratörer Tomomi Imura, Dasani Madipalli och Jen Looper

🙏 Speciellt tack 🙏 till våra Microsoft Student Ambassador-författare, granskare och innehållsbidragare, särskilt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila och Snigdha Agarwal

🤩 Extra tacksamhet till Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi och Vidushi Gupta för våra R-lektioner!

Kom igång

Följ dessa steg:

Forka repot: Klicka på "Fork"-knappen längst upp till höger på denna sida.
Klona repot: git clone https://github.com/microsoft/ML-For-Beginners.git

hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling

Studenter, för att använda denna kursplan, forka hela repot till ditt eget GitHub-konto och slutför övningarna själv eller med en grupp:

Börja med ett quiz före lektionen.
Läs lektionen och slutför aktiviteterna, pausa och reflektera vid varje kunskapskontroll.
Försök att skapa projekten genom att förstå lektionerna snarare än att köra lösningskoden; dock finns den koden tillgänglig i /solution-mapparna i varje projektorienterad lektion.
Ta quizet efter lektionen.
Slutför utmaningen.
Slutför uppgiften.
Efter att ha slutfört en lektionsgrupp, besök Diskussionsforumet och "lär högt" genom att fylla i den relevanta PAT-mallen. En 'PAT' är ett Progress Assessment Tool som är en mall du fyller i för att fördjupa ditt lärande. Du kan också reagera på andra PATs så att vi kan lära oss tillsammans.

För vidare studier rekommenderar vi att följa dessa Microsoft Learn moduler och lärvägar.

Lärare, vi har inkluderat några förslag på hur man använder denna kursplan.

Videogenomgångar

Vissa av lektionerna finns tillgängliga som korta videor. Du hittar alla dessa in-line i lektionerna, eller på ML för nybörjare spellista på Microsoft Developer YouTube-kanal genom att klicka på bilden nedan.

Möt teamet

Gif av Mohit Jaisal

🎥 Klicka på bilden ovan för en video om projektet och personerna som skapade det!

Pedagogik

Vi har valt två pedagogiska principer när vi byggde denna kursplan: att säkerställa att den är praktisk projektbaserad och att den innehåller frekventa quiz. Dessutom har denna kursplan ett gemensamt tema för att ge den sammanhållning.

Genom att säkerställa att innehållet är kopplat till projekt görs processen mer engagerande för studenter och koncepten blir lättare att komma ihåg. Dessutom sätter ett låginsatsquiz före en klass studentens intention mot att lära sig ett ämne, medan ett andra quiz efter klassen säkerställer ytterligare retention. Denna kursplan är designad för att vara flexibel och rolig och kan tas i sin helhet eller delvis. Projekten börjar små och blir alltmer komplexa i slutet av den 12-veckors cykeln. Kursplanen inkluderar också ett efterord om verkliga tillämpningar av ML, som kan användas som extra kredit eller som grund för diskussion.

Hitta vår Uppförandekod, Bidragsriktlinjer och Översättningsriktlinjer. Vi välkomnar din konstruktiva feedback!

Varje lektion innehåller

valfri sketchnote
valfri kompletterande video
videogenomgång (vissa lektioner endast)
quiz före lektionen
skriftlig lektion
för projektbaserade lektioner, steg-för-steg guider om hur man bygger projektet
kunskapskontroller
en utmaning
kompletterande läsning
uppgift
quiz efter lektionen

En notering om språk: Dessa lektioner är främst skrivna i Python, men många är också tillgängliga i R. För att slutföra en R-lektion, gå till /solution-mappen och leta efter R-lektioner. De inkluderar en .rmd-fil som representerar en R Markdown-fil som enkelt kan definieras som en inbäddning av kodblock (av R eller andra språk) och en YAML-header (som styr hur man formaterar utdata som PDF) i ett Markdown-dokument. Som sådan fungerar det som en exemplifierande författarram för datavetenskap eftersom det låter dig kombinera din kod, dess utdata och dina tankar genom att låta dig skriva ner dem i Markdown. Dessutom kan R Markdown-dokument renderas till utdataformat som PDF, HTML eller Word.

En notering om quiz: Alla quiz finns i Quiz App-mappen, totalt 52 quiz med tre frågor vardera. De är länkade från lektionerna men quiz-appen kan köras lokalt; följ instruktionerna i quiz-app-mappen för att köra lokalt eller distribuera till Azure.

Lektionsnummer	Ämne	Lektionsgruppering	Lärandemål	Länkad lektion	Författare
01	Introduktion till maskininlärning	Introduktion	Lär dig de grundläggande koncepten bakom maskininlärning	Lektion	Muhammad
02	Maskininlärningens historia	Introduktion	Lär dig historien bakom detta område	Lektion	Jen och Amy
03	Rättvisa och maskininlärning	Introduktion	Vilka är de viktiga filosofiska frågorna kring rättvisa som studenter bör överväga när de bygger och tillämpar ML-modeller?	Lektion	Tomomi
04	Tekniker för maskininlärning	Introduction	Vilka tekniker använder ML-forskare för att bygga ML-modeller?	Lesson	Chris och Jen
05	Introduktion till regression	Regression	Kom igång med Python och Scikit-learn för regressionsmodeller	Python • R	Jen • Eric Wanjau
06	Nordamerikanska pumpapriser 🎃	Regression	Visualisera och städa data inför ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanska pumpapriser 🎃	Regression	Bygg linjära och polynomiska regressionsmodeller	Python • R	Jen och Dmitry • Eric Wanjau
08	Nordamerikanska pumpapriser 🎃	Regression	Bygg en logistisk regressionsmodell	Python • R	Jen • Eric Wanjau
09	En webbapp 🔌	Web App	Bygg en webbapp för att använda din tränade modell	Python	Jen
10	Introduktion till klassificering	Classification	Städa, förbered och visualisera din data; introduktion till klassificering	Python • R	Jen och Cassie • Eric Wanjau
11	Utsökta asiatiska och indiska rätter 🍜	Classification	Introduktion till klassificerare	Python • R	Jen och Cassie • Eric Wanjau
12	Utsökta asiatiska och indiska rätter 🍜	Classification	Fler klassificerare	Python • R	Jen och Cassie • Eric Wanjau
13	Utsökta asiatiska och indiska rätter 🍜	Classification	Bygg en rekommendationswebbapp med din modell	Python	Jen
14	Introduktion till klustring	Clustering	Städa, förbered och visualisera din data; introduktion till klustring	Python • R	Jen • Eric Wanjau
15	Utforska nigerianska musiksmaker 🎧	Clustering	Utforska K-Means klustringsmetod	Python • R	Jen • Eric Wanjau
16	Introduktion till naturlig språkbehandling ☕️	Natural language processing	Lär dig grunderna i NLP genom att bygga en enkel bot	Python	Stephen
17	Vanliga NLP-uppgifter ☕️	Natural language processing	Fördjupa dina kunskaper i NLP genom att förstå vanliga uppgifter vid hantering av språkstrukturer	Python	Stephen
18	Översättning och sentimentanalys ♥️	Natural language processing	Översättning och sentimentanalys med Jane Austen	Python	Stephen
19	Romantiska hotell i Europa ♥️	Natural language processing	Sentimentanalys med hotellrecensioner 1	Python	Stephen
20	Romantiska hotell i Europa ♥️	Natural language processing	Sentimentanalys med hotellrecensioner 2	Python	Stephen
21	Introduktion till tidsserieprognoser	Time series	Introduktion till tidsserieprognoser	Python	Francesca
22	⚡️ Världens energiförbrukning ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Världens energiförbrukning ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduktion till förstärkningsinlärning	Reinforcement learning	Introduktion till förstärkningsinlärning med Q-Learning	Python	Dmitry
25	Hjälp Peter undvika vargen! 🐺	Reinforcement learning	Förstärkningsinlärning Gym	Python	Dmitry
Postscript	Verkliga ML-scenarier och applikationer	ML in the Wild	Intressanta och avslöjande verkliga applikationer av klassisk ML	Lesson	Team
Postscript	Modellfelsökning i ML med RAI-dashboard	ML in the Wild	Modellfelsökning i maskininlärning med komponenter från Responsible AI-dashboard	Lesson	Ruth Yakubu

hitta alla ytterligare resurser för denna kurs i vår Microsoft Learn-samling

Offlineåtkomst

Du kan köra denna dokumentation offline med hjälp av Docsify. Forka detta repo, installera Docsify på din lokala dator och skriv sedan docsify serve i root-mappen av detta repo. Webbplatsen kommer att serveras på port 3000 på din localhost: localhost:3000.

PDF:er

Hitta en pdf av kursplanen med länkar här.

🎒 Andra kurser

Vårt team producerar andra kurser! Kolla in:

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.

25 KiB Raw Permalink Blame History Unescape Escape