ML-For-Beginners/translations/uk

🌐 Підтримка багатьох мов

Підтримується через GitHub Action (автоматизовано та завжди актуально)

Арабська | Бенгальська | Болгарська | Бірманська (М’янма) | Китайська (спрощена) | Китайська (традиційна, Гонконг) | Китайська (традиційна, Макао) | Китайська (традиційна, Тайвань) | Хорватська | Чеська | Данська | Голландська | Естонська | Фінська | Французька | Німецька | Грецька | Іврит | Гінді | Угорська | Індонезійська | Італійська | Японська | Каннада | Кхмерська | Корейська | Литовська | Малайська | Малаялам | Маратхі | Непальська | Нігерійський пігін | Норвезька | Перська (фарсі) | Польська | Португальська (Бразилія) | Португальська (Португалія) | Пенджабі (гурмукхі) | Румунська | Російська | Сербська (кирилиця) | Словацька | Словенська | Іспанська | Свахілі | Шведська | Тагальська (філіппінська) | Тамільська | Телугу | Тайська | Турецька | Українська | Урду | В’єтнамська

Віддаєте перевагу клонувати локально?

Цей репозиторій включає понад 50 перекладів мовами, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте 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"

Це дасть вам усе необхідне для проходження курсу з набагато швидшим завантаженням.

Приєднуйтесь до нашої спільноти

У нас триває серія Discord «Вчимося з AI», дізнайтеся більше та приєднуйтесь до нас на серію «Вчимося з AI» з 18 по 30 вересня 2025 року. Ви отримаєте поради та трюки щодо використання GitHub Copilot для Data Science.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍

Представники Cloud Microsoft із задоволенням пропонують 12-тижневу навчальну програму з 26 уроків, присвячених машинному навчанню. У цій програмі ви дізнаєтесь про те, що іноді називають класичним машинним навчанням, переважно використовуючи бібліотеку Scikit-learn і уникаючи глибокого навчання, яке висвітлюється у нашій навчальній програмі «AI для початківців». Поєднайте ці уроки також із нашою навчальною програмою «Data Science для початківців»!

Подорожуйте з нами світом, застосовуючи ці класичні методи до даних з різних куточків світу. Кожен урок включає тести до та після уроку, письмові інструкції для виконання завдання, розв’язок, завдання та багато іншого. Наша проектно-орієнтована методика дозволяє вчитися, створюючи проекти, що є перевіреним способом ефективного засвоєння нових навичок.

✍️ Щира подяка нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаццері, Томомі Імура, Кессі Бревіу, Дмитро Сошніков, Кріс Норінг, Анірбан Мукерджі, Орнелла Альтунян, Рут Якобу та Емі Бойд

🎨 Подяка також нашим ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 нашим послам Microsoft Student Ambassador, авторам, рецензентам та контентним учасникам, зокрема Рішиту Даглі, Мухаммаду Сакибу Хану Інан, Рогану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табаcсум, Іоану Самуїлі та Снігдха Агарвал

🤩 Особлива вдячність послам Microsoft Student Ambassadors Ерік Ванджау, Джаслін Сонді та Відуші Гупта за уроки з R!

Початок роботи

Виконайте ці кроки:

1. Створіть форк репозиторію: натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
2. Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Порада для швидкого старту: Хочете почати в браузері без налаштування Python локально? Використовуйте GitHub Codespaces, щоб створити хмарне середовище розробки для вашого форку. Відкрийте зелене меню Code, оберіть Codespaces, створіть Codespace, за потреби встановіть залежності для кожного уроку.

знайдіть всі додаткові ресурси для цього курсу у нашій збірці Microsoft Learn

🔧 Потрібна допомога? Перегляньте наш Посібник з усунення несправностей для розв’язання типових проблем з установкою, налаштуванням і запуском уроків.

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

• Починайте з опитування перед лекцією.
• Читайте лекцію і виконуйте завдання, зупиняючись і обдумуючи кожну перевірку знань.
• Намагайтеся створити проекти, розуміючи урок, а не просто запускаючи код рішення; проте цей код доступний у папках /solution для кожного уроку з проектом.
• Пройдіть тест після лекції.
• Виконайте виклик.
• Виконайте завдання.
• Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідну рубрику PAT. «PAT» — це інструмент оцінювання прогресу, рубрика, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.

Для подальшого вивчення радимо проходити ці модулі та навчальні шляхи Microsoft Learn.

Вчителі, ми додали деякі рекомендації щодо використання цієї навчальної програми.

---

Відео-огляди

Деякі уроки доступні у форматі коротких відео. Ви можете знайти всі ці відео вбудованими у уроки або на плейлисті ML for Beginners на каналі Microsoft Developer на YouTube, натиснувши на зображення нижче.

---

Знайомтесь з командою

Гіфка від Mohit Jaisal

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

---

Педагогіка

Під час створення цієї навчальної програми ми обрали два педагогічні принципи: вона повинна бути практичною, проєктно-орієнтованою, і містити часті тести. Крім того, програма має спільну тему для згуртування матеріалу.

Забезпечуючи відповідність контенту проєктам, процес стає більш захоплюючим для студентів, а засвоєння концептів — ефективнішим. Крім того, легкий тест перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує її кращу фіксацію у пам’яті. Цю навчальну програму розроблено гнучкою і цікавою — її можна пройти повністю або частинами. Проєкти починаються з простих і стають складнішими наприкінці 12-тижневого циклу. Програма також містить постскриптум про застосування ML у реальному світі, який можна використовувати як додаткові бали або для дискусії.

Ознайомтесь з нашими Правилами поведінки, Правилами внеску, Перекладами та Посібником з усунення несправностей. Ми вітаємо ваші конструктивні відгуки!

Кожен урок включає

• необов’язкову робочу замальовку
• необов’язкове додаткове відео
• відео-огляд (тільки деякі уроки)
• тест-розігрів перед лекцією
• письмовий урок
• для проєктно-орієнтованих уроків — покрокові інструкції зі створення проєкту
• перевірки знань
• виклик
• додаткове читання
• завдання
• тест після лекції

Зауваження про мови програмування: Основна мова уроків — Python, але багато уроків також доступні на R. Щоб пройти урок R, зайдіть у папку /solution і знайдіть уроки R. Вони мають розширення .rmd — це файл R Markdown, який можна визначити як документ Markdown, що містить впроваджені фрагменти коду (code chunks) (на R або інших мовах) та заголовок YAML, що керує форматуванням виводу, наприклад у PDF. Це чудовий інструмент для авторства, який дозволяє поєднувати код, його результат і власні коментарі, записані у Markdown. Документи R Markdown можна конвертувати у PDF, HTML або Word.

Зауваження про тести: Всі тести зберігаються в папці Quiz App; загалом 52 тести по три питання кожен. Вони зв’язані з уроками, але додаток для тестів можна запустити локально; дотримуйтесь інструкцій у папці quiz-app для локального хостингу або розгортання в Azure.

Номер уроку	Тема	Групування уроків	Навчальні цілі	Пов’язаний урок	Автор
01	Вступ до машинного навчання	Introduction	Вивчіть основні концепції машинного навчання	Lesson	Muhammad
02	Історія машинного навчання	Introduction	Дізнайтеся історію, що лежить в основі цієї галузі	Lesson	Jen and Amy
03	Справедливість та машинне навчання	Introduction	Які важливі філософські питання щодо справедливості слід враховувати при створенні та застосуванні моделей МН?	Lesson	Tomomi
04	Техніки машинного навчання	Introduction	Які техніки використовують дослідники МН для побудови моделей МН?	Lesson	Chris and Jen
05	Вступ до регресії	Regression	Почніть роботу з Python та Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи в Північній Америці 🎃	Regression	Візуалізуйте та очистіть дані для підготовки до МН	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи в Північній Америці 🎃	Regression	Побудуйте лінійні та поліноміальні регресійні моделі	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни на гарбузи в Північній Америці 🎃	Regression	Побудуйте модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-застосунок 🔌	Web App	Створіть веб-застосунок для використання своєї натренованої моделі	Python	Jen
10	Вступ до класифікації	Classification	Очистіть, підготуйте та візуалізуйте дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачні азійські та індійські кухні 🍜	Classification	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачні азійські та індійські кухні 🍜	Classification	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачні азійські та індійські кухні 🍜	Classification	Створіть рекомендований веб-застосунок, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Clustering	Очистіть, підготуйте та візуалізуйте свої дані; Вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних уподобань Нігерії 🎧	Clustering	Ознайомтеся з методом кластеризації K-середніх	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Natural language processing	Вивчіть основи обробки природної мови, створивши простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Natural language processing	Поглибте свої знання NLP, розуміючи загальні завдання, необхідні при роботі з мовними структурами	Python	Stephen
18	Переклад та аналіз настроїв ♥️	Natural language processing	Переклад та аналіз настроїв з Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв із відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв із відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Time series	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Використання електроенергії у світі ⚡️ - прогнозування з ARIMA	Time series	Прогнозування часових рядів за допомогою ARIMA	Python	Francesca
23	⚡️ Використання електроенергії у світі ⚡️ - прогнозування з SVR	Time series	Прогнозування часових рядів за допомогою регресора опорних векторів	Python	Anirban
24	Вступ до навчання з підкріпленням	Reinforcement learning	Вступ до навчання з підкріпленням із використанням Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Reinforcement learning	Відкрийте Gym для навчання з підкріпленням	Python	Dmitry
Постскрипт	Сценарії та застосування МН у реальному світі	ML in the Wild	Цікаві та розкриваючі реальні застосування класичного МН	Lesson	Team
Постскрипт	Відлагодження моделей МН за допомогою панелі RAI	ML in the Wild	Відлагодження моделей машинного навчання за допомогою компонентів інформаційної панелі Responsible AI	Lesson	Ruth Yakubu

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

Офлайн-доступ

Ви можете запускати цю документацію офлайн за допомогою Docsify. Форкніть цей репозиторій, встановіть Docsify на своєму локальному комп’ютері та в кореневій папці цього репозиторію введіть команду docsify serve. Вебсайт відкриється на порту 3000 на вашому localhost: localhost:3000.

PDF-файли

Знайдіть pdf навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Перегляньте:

LangChain

Azure / Edge / MCP / Агенти

---

Серія Generative AI

---

Основне навчання

---

Серія Copilot

Отримання допомоги

Якщо ви застрягли або маєте питання під час вивчення машинного навчання чи створення AI-застосунків, не хвилюйтеся — допомога доступна.

Ви можете приєднатися до обговорень з іншими учнями та розробниками, ставити питання та ділитися своїми ідеями з спільнотою.

• Приєднуйтесь до спільноти, щоб ставити питання та вчитися з іншими
• Обговорюйте концепції машинного навчання та ідеї проектів
• Отримуйте поради від досвідчених розробників

Підтримуюча спільнота — чудовий спосіб розвивати свої навички та швидше вирішувати проблеми.

Microsoft Foundry Discord Community

Якщо ви натрапите на баги, помилки або маєте пропозиції щодо покращень, також можете створити Issue у цьому репозиторії, щоб повідомити про проблему.

Для зворотного зв’язку щодо продукту або пошуку існуючих дописів у спільноті відвідайте Форум розробників:

Додаткові поради для навчання

• Переглядайте нотатки після кожного уроку для кращого розуміння.
• Практикуйтеся у реалізації алгоритмів самостійно.
• Досліджуйте реальні набори даних, використовуючи вивчені концепції.

---

Відмова від відповідальності: Цей документ було перекладено за допомогою сервісу штучного інтелекту для перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.