ML-For-Beginners/translations/sl

🌐 Podpora za več jezikov

Podprto preko GitHub Action (avtomatizirano in vedno posodobljeno)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Raje lokalno klonirate?

Ta repozitorij vsebuje prevode v več kot 50 jezikih, kar znatno poveča velikost prenosa. Če želite klonirati brez prevodov, uporabite sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Tako pridobite vse, kar potrebujete za dokončanje tečaja, z veliko hitrejšim prenosom.

Pridružite se naši skupnosti

V okviru serije Discord learn with AI poteka učenje z umetno inteligenco, izveste več in se nam pridružite na Learn with AI Series od 18. do 30. septembra 2025. Dobili boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.

Strojno učenje za začetnike - učni načrt

🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje skozi svetovne kulture 🌍

Microsoftovi zagovorniki oblaka z veseljem ponujajo 12-tedenski, 26-lekcijski učni načrt, ki se osredotoča na strojno učenje. V tem učnem načrtu boste spoznali tisto, kar imenujemo klasično strojno učenje, kjer se večinoma uporablja knjižnica Scikit-learn, medtem ko globoko učenje pokrivamo v našem učnem načrtu AI for Beginners. Te lekcije lahko združite tudi z našim učnim načrtom Data Science for Beginners!

Potujte z nami po svetu, medtem ko klasične tehnike uporabljamo na podatkih iz različnih svetovnih področij. Vsaka lekcija vključuje pred- in po-lekcijske kvize, pisna navodila za dokončanje lekcije, rešitev, naloge in še več. Naša pedagoška zasnova, ki temelji na projektih, vam omogoča učenje skozi ustvarjanje, kar je dokazano učinkovit način za utrjevanje novih znanj.

✍️ Iskrena hvala 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

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

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

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

Začetek

Sledite tem korakom:

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

💡 Hiter začetek: Želite začeti v brskalniku brez nastavitve Pythona lokalno? Uporabite GitHub Codespaces za ustvarjanje oblačnega razvojnega okolja za vaš fork. Odprite zelen meni Code, izberite Codespaces in ustvarite codespace; po potrebi namestite potrebne odvisnosti za posamezne lekcije.

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

🔧 Potrebujete pomoč? Preverite naš Vodnik za odpravljanje težav za rešitve pogostih problemov z namestitvijo, nastavitvijo in izvajanjem lekcij.

Študenti, za uporabo tega učnega načrta razvejajte celoten repozitorij v svoj GitHub račun in rešitve naredite sami ali v skupini:

• Začnite s predpredavanjem kvizom.
• Preberite predavanje in dokončajte aktivnosti, občasno ustavite in premislite ob vsakem preverjanju znanja.
• Poskusite ustvariti projekte sami s pomočjo razumevanja lekcij, ne samo z izvajanjem kode rešitve; koda rešitve je na voljo v mapah /solution v vsakem lekcijskem modulu, usmerjenem v projekte.
• Opravite kviz po predavanju.
• Dokončajte izziv.
• Dokončajte domačo nalogo.
• Po zaključku skupine lekcij obiščite Discussion Board in "učite se na glas", tako da izpolnite ustrezno PAT lestvico. 'PAT' pomeni Orodje za ocenjevanje napredka, ki ga izpolnite za poglobitev učenja. Prav tako lahko reagirate na PAT-e drugih, da se skupaj učimo.

Za nadaljnje študijsko gradivo priporočamo spremljanje teh modulov in učnih poti na Microsoft Learn.

Učitelji, vključili smo nekaj predlogov, kako uporabljati ta učni načrt.

---

Video predstavitve

Nekatere lekcije so na voljo kot kratki videi. Vse jih lahko najdete vključene v lekcije ali na ML for Beginners seznamu predvajanja na YouTube kanalu Microsoft Developer s klikom na spodnjo sliko.

---

Spoznajte ekipo

Gif avtor: Mohit Jaisal

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

---

Pedagogika

Izbrali smo dva pedagoška principa pri gradnji tega učnega načrta: zagotoviti, da je praktično na projektih osnovano in da vključuje pogoste kvize. Poleg tega ima ta učni načrt skupno temo za kohezivnost.

Z zagotavljanjem, da je vsebina usklajena s projekti, je postopek bolj zanimiv za študente in izboljša se ohranjanje konceptov. Nizek vložek kviza pred predavanjem postavi namen študenta za učenje teme, medtem ko drugi kviz po predavanju zagotovi dodatno ohranitev znanja. Ta učni načrt je zasnovan kot prilagodljiv in zabaven ter ga lahko opravite v celoti ali delno. Projekti se začnejo majhni in postopoma postanejo bolj kompleksni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatno poglavje o praktičnih aplikacijah strojnega učenja, ki ga lahko uporabite kot dodatno oceno ali kot osnovo za razpravo.

Najdete naš Kodeks ravnanja, Prispevamo, Prevodi in Odpravljanje težav smernice. Veselimo se vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

• neobvezen skicirni zapisek
• neobvezen dopolnjujoči video
• video predstavitev (samo pri nekaterih lekcijah)
• pripravni kviz pred predavanjem
• pisno predavanje
• pri lekcijah na osnovi projektov vodiči korak za korakom, kako zgraditi projekt
• preverjanja znanja
• izziv
• dopolnilno branje
• domača naloga
• kviz po predavanju

Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, vendar je veliko tudi v R. Za dokončanje R lekcije pojdite v mapo /solution in poiščite R lekcije. Vsebujejo .rmd pripono, ki predstavlja R Markdown datoteko, kar lahko enostavno definiramo kot vdelavo kodnih blokov (v R ali drugih jezikih) in YAML glave (ki vodi oblikovanje izhodov, kot je PDF) v Markdown dokument. Zato je to odlična avtorska platforma za podatkovno znanost, ker omogoča združevanje vaše kode, izhoda in misli, saj jih lahko zapisujete v Markdown. Poleg tega je mogoče dokumente R Markdown pretvoriti v izhodne formate, kot so PDF, HTML ali Word.

Opomba o kvizih: Vsi kvizi so v mapi Quiz App, skupno 52 kvizov, vsak s tremi vprašanji. Povezani so znotraj lekcij, vendar lahko quiz app zaženete lokalno; sledite navodilom v mapi quiz-app za lokalno gostovanje ali namestitev v Azure.

Številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtor
01	Uvod v strojno učenje	Introduction	Spoznajte osnovne pojme strojnega učenja	Lesson	Muhammad
02	Zgodovina strojnega učenja	Introduction	Spoznajte zgodovino tega področja	Lesson	Jen and Amy
03	Pravičnost in strojno učenje	Introduction	Kateri so pomembni filozofski vidiki pravičnosti, ki jih morajo študenti upoštevati pri gradnji in uporabi ML modelov?	Lesson	Tomomi
04	Tehnike za strojno učenje	Introduction	Katere tehnike uporabljajo raziskovalci ML za gradnjo ML modelov?	Lesson	Chris and Jen
05	Uvod v regresijo	Regression	Začnite z uporabo Pythona in Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regression	Vizualizirajte in očistite podatke v pripravi za ML	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regression	Izgradite linearne in polinomske regresijske modele	Python • R	Jen and Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regression	Izgradite logistični regresijski model	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Web App	Izdelajte spletno aplikacijo za uporabo vašega naučenega modela	Python	Jen
10	Uvod v klasifikacijo	Classification	Očistite, pripravite in vizualizirajte podatke; uvod v klasifikacijo	Python • R	Jen and Cassie • Eric Wanjau
11	Slastne azijske in indijske kuhinje 🍜	Classification	Uvod v klasifikatorje	Python • R	Jen and Cassie • Eric Wanjau
12	Slastne azijske in indijske kuhinje 🍜	Classification	Več klasifikatorjev	Python • R	Jen and Cassie • Eric Wanjau
13	Slastne azijske in indijske kuhinje 🍜	Classification	Izdelajte priporočilno spletno aplikacijo s svojim modelom	Python	Jen
14	Uvod v grozdenje	Clustering	Očistite, pripravite in vizualizirajte podatke; uvod v grozdenje	Python • R	Jen • Eric Wanjau
15	Raziskovanje nigerijskih glasbenih okusov 🎧	Clustering	Raziskujte metodo grozdenja K-sredin	Python • R	Jen • Eric Wanjau
16	Uvod v obdelavo naravnega jezika ☕️	Natural language processing	Naučite se osnov NLP s izdelavo 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	Prevodi in analiza čustev ♥️	Natural language processing	Prevodi in analiza čustev z Jane Austen	Python	Stephen
19	Romantični hoteli Evrope ♥️	Natural language processing	Analiza čustev z ocenami hotelov 1	Python	Stephen
20	Romantični hoteli Evrope ♥️	Natural language processing	Analiza čustev 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 s podporno vektorsko regresijo	Python	Anirban
24	Uvod v učenje s krepitvijo	Reinforcement learning	Uvod v učenje s krepitvijo s Q-læringom	Python	Dmitry
25	Pomagajte Petru, da se izogne volku! 🐺	Reinforcement learning	Učenje s krepitvijo v Gymu	Python	Dmitry
Postscript	Praktični scenariji in uporabe ML	ML in the Wild	Zanimive in razkrivajoče praktične uporabe klasičnega ML	Lesson	Team
Postscript	Odpravljanje napak v modelih ML z uporabo RAI nadzorne plošče	ML in the Wild	Odpravljanje napak v strojnih učnih modelih z uporabo komponent nadzorne plošče Responsible AI	Lesson	Ruth Yakubu

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

Dostop brez povezave

To dokumentacijo lahko uporabljate brez povezave z Docsify. Naredite fork tega repozitorija, namestite Docsify na vaš lokalni računalnik in nato v korenski mapi tega repozitorija zaženite docsify serve. Spletna stran bo na voljo na vratih 3000 na vašem lokalnem gostitelju: localhost:3000.

PDF-ji

Najdete pdf učnega načrta z povezavami tukaj.

🎒 Drugi tečaji

Naša ekipa pripravlja tudi druge tečaje! Oglejte si:

LangChain

Azure / Edge / MCP / Agentje

---

Serija o generativni umetni inteligenci

---

Osnove učenja

---

Serija Copilot

Pridobivanje pomoči

Če se zataknete ali imate vprašanja med učenjem strojnega učenja ali gradnjo AI aplikacij, ne skrbite — pomoč je na voljo.

Pridružite se lahko razpravam z drugimi udeleženci in razvijalci, postavljate vprašanja in delite svoje ideje z skupnostjo.

• Pridružite se skupnosti, da postavljate vprašanja in se učite z drugimi
• Razpravljajte o konceptih strojnega učenja in idejah projektov
• Pridobite usmeritve izkušenih razvijalcev

Podporna skupnost je odličen način za razvoj vaših veščin in hitrejše reševanje problemov.

Microsoft Foundry Discord skupnost

Če naletite na napake, hrošče ali imate predloge za izboljšave, lahko v tem repozitoriju odprete Issue za poročanje o težavi.

Za povratne informacije o izdelku ali iskanje obstoječih prispevkov v skupnosti obiščite razvijalski forum:

Dodatni nasveti za učenje

• Po vsaki lekciji preglejte zapiske za boljše razumevanje.
• Vadite samostojno izvajanje algoritmov.
• Raziskujte realne podatkovne zbirke z uporabo naučenih konceptov.

---

Omejitev odgovornosti: Ta dokument je bil preveden z uporabo AI prevajalske storitve Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije je priporočljiv strokovni človeški prevod. Ne odgovarjamo za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda.