ML-For-Beginners/translations/uk

🌐 Підтримка багатомовності

Підтримується через GitHub Action (автоматично та завжди 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)

Приєднуйтесь до спільноти

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍

Команда Cloud Advocates у Microsoft рада запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибокого навчання, яке охоплюється в нашій навчальній програмі "AI для початківців". Поєднуйте ці уроки з нашою навчальною програмою 'Data Science для початківців', також!

Подорожуйте з нами світом, застосовуючи ці класичні техніки до даних з різних куточків світу. Кожен урок включає тести до і після уроку, письмові інструкції для виконання завдання, рішення, завдання та багато іншого. Наш підхід, заснований на проектах, дозволяє навчатися, створюючи, що є перевіреним способом закріплення нових навичок.

✍️ Щира подяка нашим авторам Джен Лупер, Стівену Ховеллу, Франчесці Лаццері, Томомі Імурі, Кассі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукерджі, Орнеллі Алтунян, Рут Якобу та Емі Бойд

🎨 Дякуємо також нашим ілюстраторам Томомі Імурі, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 нашим авторам, рецензентам та контриб'юторам контенту з числа студентських амбасадорів Microsoft, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігдхі Агарвал

🤩 Особлива вдячність студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за уроки з R!

Початок роботи

Виконайте наступні кроки:

1. Зробіть Fork репозиторію: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
2. Клонування репозиторію: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Студенти, щоб використовувати цю навчальну програму, зробіть fork усього репозиторію у свій власний обліковий запис GitHub і виконуйте вправи самостійно або в групі:

• Почніть із тесту перед лекцією.
• Прочитайте лекцію та виконайте завдання, зупиняючись і розмірковуючи на кожному етапі перевірки знань.
• Спробуйте створити проекти, розуміючи уроки, а не просто запускаючи код рішення; однак цей код доступний у папках /solution у кожному проектно-орієнтованому уроці.
• Пройдіть тест після лекції.
• Виконайте виклик.
• Виконайте завдання.
• Після завершення групи уроків відвідайте Дошку обговорень і "навчайтеся вголос", заповнюючи відповідний рубрикатор PAT. PAT — це інструмент оцінки прогресу, який ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли навчатися разом.

Для подальшого навчання ми рекомендуємо пройти ці модулі та навчальні шляхи Microsoft Learn.

Викладачі, ми включили кілька пропозицій щодо використання цієї навчальної програми.

---

Відео-огляди

Деякі уроки доступні у вигляді коротких відео. Ви можете знайти їх у самих уроках або на плейлисті ML для початківців на YouTube-каналі Microsoft Developer, натиснувши на зображення нижче.

---

Знайомство з командою

Gif створено Мохітом Джайсалом

🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт і людей, які його створили!

---

Педагогіка

Ми обрали два педагогічні принципи при створенні цієї навчальної програми: забезпечення того, щоб вона була практичною заснованою на проектах і включала часті тести. Крім того, ця програма має спільну тему, яка надає їй цілісності.

Забезпечуючи відповідність контенту проектам, процес стає більш захоплюючим для студентів, а засвоєння концепцій буде посилено. Крім того, тест перед заняттям з низькими ставками налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше засвоєння. Ця навчальна програма була розроблена як гнучка та цікава і може бути використана повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Ця програма також включає постскриптум про реальні застосування ML, який може бути використаний як додатковий кредит або як основа для обговорення.

Знайдіть наш Кодекс поведінки, Рекомендації щодо внесення змін та Рекомендації щодо перекладу. Ми вітаємо ваші конструктивні відгуки!

Кожен урок включає

• необов'язковий скетч
• необов'язкове додаткове відео
• відео-огляд (лише деякі уроки)
• тест перед лекцією
• письмовий урок
• для уроків, заснованих на проектах, покрокові інструкції щодо створення проекту
• перевірки знань
• виклик
• додаткове читання
• завдання
• тест після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть до папки /solution і знайдіть уроки на R. Вони включають розширення .rmd, яке представляє R Markdown файл, який можна просто визначити як вбудовування кодових блоків (R або інших мов) і YAML-заголовка (який визначає, як форматувати вихідні дані, наприклад PDF) у Markdown-документ. Таким чином, це служить зразковою авторською платформою для науки про дані, оскільки дозволяє вам комбінувати ваш код, його вихідні дані та ваші думки, дозволяючи записувати їх у Markdown. Крім того, документи R Markdown можуть бути перетворені у вихідні формати, такі як PDF, HTML або Word.

Примітка про тести: Усі тести містяться в папці Quiz App, всього 52 тести по три питання кожен. Вони пов'язані з уроками, але додаток для тестів можна запустити локально; дотримуйтесь інструкцій у папці quiz-app, щоб локально розмістити або розгорнути на Azure.

Номер уроку	Тема	Групування уроків	Навчальні цілі	Пов'язаний урок	Автор
01	Вступ до машинного навчання	Вступ	Дізнайтеся основні концепції машинного навчання	Урок	Мухаммад
02	Історія машинного навчання	Вступ	Дізнайтеся історію, що лежить в основі цієї галузі	Урок	Джен та Емі
03	Справедливість у машинному навчанні	Вступ	Які важливі філософські питання щодо справедливості студенти повинні враховувати при створенні та застосуванні моделей ML?	Урок	Томомі
04	Техніки машинного навчання	Вступ	Які техніки використовують дослідники для створення моделей машинного навчання?	Урок	Кріс і Джен
05	Вступ до регресії	Регресія	Почніть працювати з Python і Scikit-learn для моделей регресії	Python • R	Джен • Ерік Ванджа
06	Ціни на гарбузи в Північній Америці 🎃	Регресія	Візуалізація та очищення даних для підготовки до машинного навчання	Python • R	Джен • Ерік Ванджа
07	Ціни на гарбузи в Північній Америці 🎃	Регресія	Побудова лінійних і поліноміальних моделей регресії	Python • R	Джен і Дмитро • Ерік Ванджа
08	Ціни на гарбузи в Північній Америці 🎃	Регресія	Побудова моделі логістичної регресії	Python • R	Джен • Ерік Ванджа
09	Веб-додаток 🔌	Веб-додаток	Створення веб-додатку для використання вашої навченої моделі	Python	Джен
10	Вступ до класифікації	Класифікація	Очищення, підготовка та візуалізація даних; вступ до класифікації	Python • R	Джен і Кессі • Ерік Ванджа
11	Смачні азійські та індійські страви 🍜	Класифікація	Вступ до класифікаторів	Python • R	Джен і Кессі • Ерік Ванджа
12	Смачні азійські та індійські страви 🍜	Класифікація	Більше класифікаторів	Python • R	Джен і Кессі • Ерік Ванджа
13	Смачні азійські та індійські страви 🍜	Класифікація	Створення веб-додатку-рекомендації на основі вашої моделі	Python	Джен
14	Вступ до кластеризації	Кластеризація	Очищення, підготовка та візуалізація даних; вступ до кластеризації	Python • R	Джен • Ерік Ванджа
15	Дослідження музичних вподобань у Нігерії 🎧	Кластеризація	Дослідження методу кластеризації K-Means	Python • R	Джен • Ерік Ванджа
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчення основ NLP через створення простого бота	Python	Стівен
17	Типові завдання NLP ☕️	Обробка природної мови	Поглиблення знань про NLP через розуміння типових завдань, пов'язаних зі структурою мови	Python	Стівен
18	Переклад і аналіз настроїв ♥️	Обробка природної мови	Переклад і аналіз настроїв за допомогою творів Джейн Остін	Python	Стівен
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на основі відгуків про готелі (частина 1)	Python	Стівен
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз настроїв на основі відгуків про готелі (частина 2)	Python	Стівен
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Франческа
22	⚡️ Використання електроенергії у світі ⚡️ - прогнозування з ARIMA	Часові ряди	Прогнозування часових рядів за допомогою ARIMA	Python	Франческа
23	⚡️ Використання електроенергії у світі ⚡️ - прогнозування з SVR	Часові ряди	Прогнозування часових рядів за допомогою Support Vector Regressor	Python	Анірбан
24	Вступ до навчання з підкріпленням	Навчання з підкріпленням	Вступ до навчання з підкріпленням за допомогою Q-Learning	Python	Дмитро
25	Допоможіть Пітеру уникнути вовка! 🐺	Навчання з підкріпленням	Навчання з підкріпленням у середовищі Gym	Python	Дмитро
Постскриптум	Реальні сценарії та застосування ML	ML у реальному світі	Цікаві та показові реальні приклади застосування класичного машинного навчання	Урок	Команда
Постскриптум	Налагодження моделей ML за допомогою RAI Dashboard	ML у реальному світі	Налагодження моделей машинного навчання за допомогою компонентів відповідального AI Dashboard	Урок	Рут Якубу

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Офлайн-доступ

Ви можете переглядати цю документацію офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на ваш локальний комп'ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 вашого localhost: localhost:3000.

PDF-файли

Знайдіть PDF-версію навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Ознайомтеся з:

• Генеративний AI для початківців
• Генеративний AI для початківців .NET
• Генеративний AI з JavaScript
• Генеративний AI з Java
• AI для початківців
• Наука про дані для початківців
• ML для початківців
• Кібербезпека для початківців
• Веб-розробка для початківців
• IoT для початківців
• Розробка XR для початківців
• Опановуємо GitHub Copilot для парного програмування
• Опановуємо GitHub Copilot для розробників C#/.NET
• Обирайте власну пригоду з Copilot

---

Відмова від відповідальності:
Цей документ був перекладений за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу.