ML-For-Beginners/translations/lt

🌐 Daugiakalbė parama

Palaikoma naudojant GitHub Action (automatizuota ir visada atnaujinama)

Prancūzų | Ispanų | Vokiečių | Rusų | Arabų | Persų (Farsi) | Urdu | Kinų (supaprastinta) | Kinų (tradicinė, Makao) | Kinų (tradicinė, Honkongas) | Kinų (tradicinė, Taivanas) | Japonų | Korėjiečių | Hindi | Bengalų | Marathi | Nepalų | Pandžabų (Gurmukhi) | Portugalų (Portugalija) | Portugalų (Brazilija) | Italų | Lenkų | Turkų | Graikų | Tajų | Švedų | Danų | Norvegų | Suomių | Olandų | Hebrajų | Vietnamiečių | Indoneziečių | Malajų | Tagalogų (Filipinų) | Svahilių | Vengrų | Čekų | Slovakų | Rumunų | Bulgarų | Serbų (kirilica) | Kroatų | Slovėnų | Ukrainiečių | Birmos (Mianmaras)

Prisijunkite prie bendruomenės

Mašininis mokymasis pradedantiesiems – mokymo programa

🌍 Keliaukite po pasaulį, tyrinėdami mašininį mokymąsi per pasaulio kultūras 🌍

Microsoft Cloud Advocates džiaugiasi galėdami pasiūlyti 12 savaičių, 26 pamokų mokymo programą apie mašininį mokymąsi. Šioje mokymo programoje sužinosite apie tai, kas kartais vadinama klasikiniu mašininiu mokymusi, daugiausia naudojant Scikit-learn biblioteką ir vengiant giluminio mokymosi, kuris aptariamas mūsų AI pradedantiesiems mokymo programoje. Šias pamokas taip pat galite derinti su mūsų 'Duomenų mokslas pradedantiesiems' mokymo programa.

Keliaukite su mumis po pasaulį, taikydami šiuos klasikinius metodus duomenims iš įvairių pasaulio regionų. Kiekviena pamoka apima prieš pamoką ir po jos pateikiamus testus, rašytines instrukcijas, kaip atlikti pamoką, sprendimą, užduotį ir dar daugiau. Mūsų projektinis mokymo metodas leidžia mokytis kuriant, o tai yra įrodytas būdas įtvirtinti naujus įgūdžius.

✍️ Nuoširdžiai dėkojame mūsų autoriams Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ir Amy Boyd

🎨 Taip pat dėkojame mūsų iliustratoriams Tomomi Imura, Dasani Madipalli ir Jen Looper

🙏 Ypatinga padėka 🙏 mūsų Microsoft Student Ambassador autoriams, recenzentams ir turinio kūrėjams, ypač Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ir Snigdha Agarwal

🤩 Papildoma padėka Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi ir Vidushi Gupta už mūsų R pamokas!

Pradžia

Atlikite šiuos veiksmus:

1. Fork'uokite saugyklą: Spustelėkite mygtuką „Fork“ šio puslapio viršutiniame dešiniajame kampe.
2. Klonuokite saugyklą: git clone https://github.com/microsoft/ML-For-Beginners.git

rasite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje

Studentai, norėdami naudoti šią mokymo programą, fork'uokite visą saugyklą į savo GitHub paskyrą ir atlikite pratimus savarankiškai arba su grupe:

• Pradėkite nuo testo prieš paskaitą.
• Perskaitykite paskaitą ir atlikite veiklas, sustodami ir apmąstydami kiekvieną žinių patikrinimą.
• Stenkitės kurti projektus suprasdami pamokas, o ne paleisdami sprendimo kodą; tačiau tas kodas yra prieinamas /solution aplankuose kiekvienoje projektinėje pamokoje.
• Atlikite testą po paskaitos.
• Atlikite iššūkį.
• Atlikite užduotį.
• Baigę pamokų grupę, apsilankykite Diskusijų lentoje ir „mokykitės garsiai“, užpildydami atitinkamą PAT rubriką. „PAT“ yra pažangos vertinimo įrankis, kurį užpildote, kad gilintumėte savo mokymąsi. Taip pat galite reaguoti į kitų PAT, kad mokytumėmės kartu.

Norėdami toliau mokytis, rekomenduojame sekti šiuos Microsoft Learn modulius ir mokymosi kelius.

Mokytojai, mes įtraukėme keletą pasiūlymų, kaip naudoti šią mokymo programą.

---

Vaizdo įrašų apžvalgos

Kai kurios pamokos yra prieinamos kaip trumpi vaizdo įrašai. Visus juos galite rasti pamokose arba ML pradedantiesiems grojaraštyje Microsoft Developer YouTube kanale, spustelėję žemiau esančią nuotrauką.

---

Susipažinkite su komanda

Gif autorius Mohit Jaisal

🎥 Spustelėkite aukščiau esančią nuotrauką, kad pamatytumėte vaizdo įrašą apie projektą ir jo kūrėjus!

---

Pedagogika

Kurdami šią mokymo programą pasirinkome du pedagoginius principus: užtikrinti, kad ji būtų praktiška projektinė ir kad joje būtų dažni testai. Be to, ši mokymo programa turi bendrą temą, suteikiančią jai nuoseklumo.

Užtikrinant, kad turinys atitiktų projektus, procesas tampa įdomesnis studentams, o koncepcijų įsisavinimas sustiprėja. Be to, mažos rizikos testas prieš pamoką nustato studento ketinimą mokytis temos, o antrasis testas po pamokos užtikrina tolesnį įsisavinimą. Ši mokymo programa buvo sukurta taip, kad būtų lanksti ir smagi, ją galima naudoti visą arba dalimis. Projektai prasideda nuo paprastų ir tampa vis sudėtingesni per 12 savaičių ciklą. Ši mokymo programa taip pat apima priedą apie ML realaus pasaulio taikymą, kurį galima naudoti kaip papildomą kreditą arba diskusijų pagrindą.

Rasite mūsų Elgesio kodeksą, Prisidėjimo ir Vertimo gaires. Laukiame jūsų konstruktyvios nuomonės!

Kiekviena pamoka apima

• pasirenkamą eskizą
• pasirenkamą papildomą vaizdo įrašą
• vaizdo įrašo apžvalgą (kai kurios pamokos)
• testą prieš paskaitą
• rašytinę pamoką
• projektinėms pamokoms – žingsnis po žingsnio vadovus, kaip sukurti projektą
• žinių patikrinimus
• iššūkį
• papildomą skaitymą
• užduotį
• testą po paskaitos

Pastaba apie kalbas: Šios pamokos daugiausia parašytos Python kalba, tačiau daugelis jų taip pat prieinamos R kalba. Norėdami atlikti R pamoką, eikite į /solution aplanką ir ieškokite R pamokų. Jos turi .rmd plėtinį, kuris reiškia R Markdown failą, kurį galima apibrėžti kaip kodo fragmentų (R arba kitų kalbų) ir YAML antraštės (nurodančios, kaip formatuoti išvestis, pvz., PDF) įterpimą į Markdown dokumentą. Todėl tai yra puikus autorių kūrimo pagrindas duomenų mokslui, nes leidžia derinti kodą, jo išvestį ir mintis, leidžiant jas užrašyti Markdown formatu. Be to, R Markdown dokumentai gali būti pateikiami kaip PDF, HTML arba Word formatai.

Pastaba apie testus: Visi testai yra Quiz App aplanke, iš viso 52 testai po tris klausimus. Jie yra susieti su pamokomis, tačiau testų programėlę galima paleisti vietoje; vadovaukitės instrukcijomis quiz-app aplanke, kad paleistumėte vietoje arba įdiegtumėte Azure.

Pamokos numeris	Tema	Pamokų grupavimas	Mokymosi tikslai	Susieta pamoka	Autorius
01	Įvadas į mašininį mokymąsi	Įvadas	Sužinokite pagrindines mašininio mokymosi sąvokas	Pamoka	Muhammad
02	Mašininio mokymosi istorija	Įvadas	Sužinokite šios srities istoriją	Pamoka	Jen ir Amy
03	Sąžiningumas ir mašininis mokymasis	Įvadas	Kokius svarbius filosofinius klausimus apie sąžiningumą studentai turėtų apsvarstyti kurdami ir taikydami ML modelius?	Pamoka	Tomomi
04	Mašininio mokymosi technikos	Introduction	Kokias technikas naudoja ML tyrėjai kurdami ML modelius?	Lesson	Chris ir Jen
05	Įvadas į regresiją	Regression	Pradėkite naudoti Python ir Scikit-learn regresijos modeliams

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Vizualizuokite ir išvalykite duomenis pasiruošimui ML |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Kurkite linijinius ir polinominius regresijos modelius |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen ir Dmitry
• Eric Wanjau

| | 08 | Šiaurės Amerikos moliūgų kainos 🎃 | [Regression](2-Regression/README.md) | Kurkite logistinės regresijos modelį |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | Internetinė programėlė 🔌 | [Web App](3-Web-App/README.md) | Sukurkite internetinę programėlę, kad galėtumėte naudoti savo išmokytą modelį | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Įvadas į klasifikaciją | [Classification](4-Classification/README.md) | Išvalykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasifikaciją |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen ir Cassie
  • Eric Wanjau
  | | 11 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Įvadas į klasifikatorius |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen ir Cassie
    • Eric Wanjau
    | | 12 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Daugiau klasifikatorių |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen ir Cassie
      • Eric Wanjau
      | | 13 | Skani Azijos ir Indijos virtuvė 🍜 | [Classification](4-Classification/README.md) | Sukurkite rekomendacijų internetinę programėlę naudodami savo modelį | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Įvadas į klasterizaciją | [Clustering](5-Clustering/README.md) | Išvalykite, paruoškite ir vizualizuokite savo duomenis; įvadas į klasterizaciją |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | Nigerijos muzikos skonių tyrinėjimas 🎧 | [Clustering](5-Clustering/README.md) | Tyrinėkite K-Means klasterizacijos metodą |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | Įvadas į natūralios kalbos apdorojimą ☕️ | [Natural language processing](6-NLP/README.md) | Sužinokite pagrindus apie NLP kurdami paprastą botą | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Dažnos NLP užduotys ☕️ | [Natural language processing](6-NLP/README.md) | Gilinkite savo NLP žinias suprasdami dažnas užduotis, susijusias su kalbos struktūromis | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Vertimas ir nuotaikų analizė ♥️ | [Natural language processing](6-NLP/README.md) | Vertimas ir nuotaikų analizė su Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantiški Europos viešbučiai ♥️ | [Natural language processing](6-NLP/README.md) | Nuotaikų analizė su viešbučių apžvalgomis 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantiški Europos viešbučiai ♥️ | [Natural language processing](6-NLP/README.md) | Nuotaikų analizė su viešbučių apžvalgomis 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Įvadas į laiko eilučių prognozavimą | [Time series](7-TimeSeries/README.md) | Įvadas į laiko eilučių prognozavimą | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Pasaulio energijos naudojimas ⚡️ - laiko eilučių prognozavimas su ARIMA | [Time series](7-TimeSeries/README.md) | Laiko eilučių prognozavimas su ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Pasaulio energijos naudojimas ⚡️ - laiko eilučių prognozavimas su SVR | [Time series](7-TimeSeries/README.md) | Laiko eilučių prognozavimas su palaikymo vektoriaus regresoriumi | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Įvadas į stiprinamąjį mokymą | [Reinforcement learning](8-Reinforcement/README.md) | Įvadas į stiprinamąjį mokymą su Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Padėkite Peteriui išvengti vilko! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Stiprinamasis mokymasis su Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Tikrojo pasaulio ML scenarijai ir taikymas | [ML in the Wild](9-Real-World/README.md) | Įdomūs ir atskleidžiantys klasikinio ML taikymo pavyzdžiai | [Lesson](9-Real-World/1-Applications/README.md) | Komanda | | Postscript | Modelio derinimas ML naudojant RAI prietaisų skydelį | [ML in the Wild](9-Real-World/README.md) | Modelio derinimas mašininio mokymosi srityje naudojant atsakingo AI prietaisų skydelio komponentus | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |

          raskite visus papildomus šio kurso išteklius mūsų Microsoft Learn kolekcijoje

          Prieiga neprisijungus

          Galite naudoti šią dokumentaciją neprisijungus naudodami Docsify. Fork'inkite šį repo, įdiekite Docsify savo vietiniame kompiuteryje, o tada repo šakniniame aplanke įveskite docsify serve. Svetainė bus pasiekiama 3000 prievade jūsų localhost: localhost:3000.

          PDF failai

          Raskite mokymo programos PDF su nuorodomis čia.

          🎒 Kiti kursai

          Mūsų komanda kuria kitus kursus! Peržiūrėkite:

          • Generatyvinis AI pradedantiesiems
          • Generatyvinis AI pradedantiesiems .NET
          • Generatyvinis AI su JavaScript
          • Generatyvinis AI su Java
          • AI pradedantiesiems
          • Duomenų mokslas pradedantiesiems
          • ML pradedantiesiems
          • Kibernetinis saugumas pradedantiesiems
          • Web kūrimas pradedantiesiems
          • IoT pradedantiesiems
          • XR kūrimas pradedantiesiems
          • GitHub Copilot įvaldymas poriniam programavimui
          • GitHub Copilot įvaldymas C#/.NET programuotojams
          • Pasirinkite savo Copilot nuotykį

          ---

          Atsakomybės apribojimas:
          Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo.