leestott
a23eca755c
|
8 months ago | |
|---|---|---|
| .. | ||
| 1-Introduction | 8 months ago | |
| 2-Regression | 8 months ago | |
| 3-Web-App | 8 months ago | |
| 4-Classification | 8 months ago | |
| 5-Clustering | 8 months ago | |
| 6-NLP | 8 months ago | |
| 7-TimeSeries | 8 months ago | |
| 8-Reinforcement | 8 months ago | |
| 9-Real-World | 8 months ago | |
| docs | 8 months ago | |
| quiz-app | 8 months ago | |
| sketchnotes | 8 months ago | |
| CODE_OF_CONDUCT.md | 8 months ago | |
| CONTRIBUTING.md | 8 months ago | |
| PyTorch_Fundamentals.ipynb | 8 months ago | |
| README.md | 8 months ago | |
| SECURITY.md | 8 months ago | |
| SUPPORT.md | 8 months ago | |
| for-teachers.md | 8 months ago | |
README.md
🌐 Sokongan Pelbagai Bahasa
Disokong melalui GitHub Action (Automatik & Sentiasa Terkini)
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)
Sertai Komuniti
Pembelajaran Mesin untuk Pemula - Kurikulum
🌍 Jelajah dunia sambil meneroka Pembelajaran Mesin melalui budaya dunia 🌍
Cloud Advocates di Microsoft dengan bangga menawarkan kurikulum selama 12 minggu, 26 pelajaran tentang Pembelajaran Mesin. Dalam kurikulum ini, anda akan mempelajari apa yang kadangkala disebut sebagai pembelajaran mesin klasik, menggunakan Scikit-learn sebagai perpustakaan utama dan mengelakkan pembelajaran mendalam, yang diliputi dalam kurikulum AI untuk Pemula. Padankan pelajaran ini dengan kurikulum 'Data Science untuk Pemula', juga!
Jelajah bersama kami ke seluruh dunia sambil kami menerapkan teknik klasik ini kepada data dari pelbagai kawasan dunia. Setiap pelajaran termasuk kuiz sebelum dan selepas pelajaran, arahan bertulis untuk melengkapkan pelajaran, penyelesaian, tugasan, dan banyak lagi. Pedagogi berasaskan projek kami membolehkan anda belajar sambil membina, cara yang terbukti untuk kemahiran baru 'melekat'.
✍️ Terima kasih kepada penulis kami Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu dan Amy Boyd
🎨 Terima kasih juga kepada ilustrator kami Tomomi Imura, Dasani Madipalli, dan Jen Looper
🙏 Terima kasih khas 🙏 kepada penulis, pengulas, dan penyumbang kandungan Microsoft Student Ambassador, terutamanya Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, dan Snigdha Agarwal
🤩 Terima kasih tambahan kepada Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, dan Vidushi Gupta untuk pelajaran R kami!
Memulakan
Ikuti langkah-langkah ini:
- Fork Repositori: Klik pada butang "Fork" di sudut kanan atas halaman ini.
- Clone Repositori:
git clone https://github.com/microsoft/ML-For-Beginners.git
temui semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
Pelajar, untuk menggunakan kurikulum ini, fork keseluruhan repo ke akaun GitHub anda sendiri dan lengkapkan latihan secara individu atau bersama kumpulan:
- Mulakan dengan kuiz pra-pelajaran.
- Baca pelajaran dan lengkapkan aktiviti, berhenti dan renungkan pada setiap semakan pengetahuan.
- Cuba buat projek dengan memahami pelajaran daripada menjalankan kod penyelesaian; walau bagaimanapun kod tersebut tersedia dalam folder
/solutiondalam setiap pelajaran berorientasikan projek. - Ambil kuiz selepas pelajaran.
- Lengkapkan cabaran.
- Lengkapkan tugasan.
- Selepas melengkapkan kumpulan pelajaran, lawati Papan Perbincangan dan "belajar dengan lantang" dengan mengisi rubrik PAT yang sesuai. 'PAT' ialah Alat Penilaian Kemajuan yang merupakan rubrik yang anda isi untuk meningkatkan pembelajaran anda. Anda juga boleh memberi reaksi kepada PAT lain supaya kita dapat belajar bersama.
Untuk kajian lanjut, kami mengesyorkan mengikuti modul dan laluan pembelajaran Microsoft Learn.
Guru, kami telah menyertakan beberapa cadangan tentang cara menggunakan kurikulum ini.
Panduan video
Beberapa pelajaran tersedia dalam bentuk video pendek. Anda boleh menemui semua ini dalam pelajaran, atau di senarai main ML untuk Pemula di saluran YouTube Microsoft Developer dengan mengklik imej di bawah.
Kenali Pasukan
Gif oleh Mohit Jaisal
🎥 Klik imej di atas untuk video tentang projek dan orang yang menciptanya!
Pedagogi
Kami telah memilih dua prinsip pedagogi semasa membina kurikulum ini: memastikan ia berasaskan projek praktikal dan bahawa ia termasuk kuiz yang kerap. Di samping itu, kurikulum ini mempunyai tema yang sama untuk memberikan kohesi.
Dengan memastikan kandungan sejajar dengan projek, proses ini menjadi lebih menarik untuk pelajar dan pengekalan konsep akan dipertingkatkan. Selain itu, kuiz berisiko rendah sebelum kelas menetapkan niat pelajar terhadap pembelajaran topik, manakala kuiz kedua selepas kelas memastikan pengekalan lanjut. Kurikulum ini direka bentuk untuk fleksibel dan menyeronokkan dan boleh diambil secara keseluruhan atau sebahagian. Projek bermula kecil dan menjadi semakin kompleks menjelang akhir kitaran 12 minggu. Kurikulum ini juga termasuk postscript tentang aplikasi dunia sebenar ML, yang boleh digunakan sebagai kredit tambahan atau sebagai asas untuk perbincangan.
Temui Kod Etika, Penyumbangan, dan garis panduan Terjemahan kami. Kami mengalu-alukan maklum balas membina anda!
Setiap pelajaran termasuk
- sketchnote pilihan
- video tambahan pilihan
- panduan video (beberapa pelajaran sahaja)
- kuiz pemanasan pra-pelajaran
- pelajaran bertulis
- untuk pelajaran berasaskan projek, panduan langkah demi langkah tentang cara membina projek
- semakan pengetahuan
- cabaran
- bacaan tambahan
- tugasan
- kuiz selepas pelajaran
Nota tentang bahasa: Pelajaran ini ditulis terutamanya dalam Python, tetapi banyak juga tersedia dalam R. Untuk melengkapkan pelajaran R, pergi ke folder
/solutiondan cari pelajaran R. Ia termasuk sambungan .rmd yang mewakili fail R Markdown yang boleh ditakrifkan secara ringkas sebagai penyisipancode chunks(R atau bahasa lain) danYAML header(yang membimbing cara memformat output seperti PDF) dalam dokumenMarkdown. Oleh itu, ia berfungsi sebagai rangka kerja penulisan yang cemerlang untuk sains data kerana ia membolehkan anda menggabungkan kod anda, outputnya, dan pemikiran anda dengan membolehkan anda menulisnya dalam Markdown. Selain itu, dokumen R Markdown boleh diberikan kepada format output seperti PDF, HTML, atau Word.
Nota tentang kuiz: Semua kuiz terkandung dalam folder Aplikasi Kuiz, untuk sejumlah 52 kuiz dengan tiga soalan setiap satu. Ia dipautkan dari dalam pelajaran tetapi aplikasi kuiz boleh dijalankan secara tempatan; ikuti arahan dalam folder
quiz-appuntuk menjadi tuan rumah secara tempatan atau melancarkan ke Azure.
| Nombor Pelajaran | Topik | Kumpulan Pelajaran | Objektif Pembelajaran | Pelajaran Berkaitan | Penulis |
|---|---|---|---|---|---|
| 01 | Pengenalan kepada pembelajaran mesin | Pengenalan | Pelajari konsep asas di sebalik pembelajaran mesin | Pelajaran | Muhammad |
| 02 | Sejarah pembelajaran mesin | Pengenalan | Pelajari sejarah di sebalik bidang ini | Pelajaran | Jen dan Amy |
| 03 | Keadilan dan pembelajaran mesin | Pengenalan | Apakah isu falsafah penting tentang keadilan yang perlu dipertimbangkan oleh pelajar semasa membina dan menggunakan model ML? | Pelajaran | Tomomi |
| 04 | Teknik untuk pembelajaran mesin | Introduction | Apakah teknik yang digunakan oleh penyelidik ML untuk membina model ML? | Lesson | Chris dan Jen |
| 05 | Pengenalan kepada regresi | Regression | Mulakan dengan Python dan Scikit-learn untuk model regresi |
- [Python](2-Regression/1-Tools/README.md)
- [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/2-Data/README.md)
- [R](../../2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](2-Regression/3-Linear/README.md)
- [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen dan Dmitry
- Eric Wanjau
- [Python](2-Regression/4-Logistic/README.md)
- [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/README.md)
- [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen dan Cassie
- Eric Wanjau
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen dan Cassie
- Eric Wanjau
- [Python](4-Classification/3-Classifiers-2/README.md)
- [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen dan Cassie
- Eric Wanjau
- [Python](5-Clustering/1-Visualize/README.md)
- [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](5-Clustering/2-K-Means/README.md)
- [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau
temui semua sumber tambahan untuk kursus ini dalam koleksi Microsoft Learn kami
Akses Luar Talian
Anda boleh menjalankan dokumentasi ini secara luar talian dengan menggunakan Docsify. Fork repo ini, pasang Docsify pada mesin tempatan anda, dan kemudian di folder root repo ini, taip
docsify serve. Laman web akan disediakan pada port 3000 di localhost anda:localhost:3000.PDF
Cari pdf kurikulum dengan pautan di sini.
🎒 Kursus Lain
Pasukan kami menghasilkan kursus lain! Lihat:
- Generative AI for Beginners
- Generative AI for Beginners .NET
- Generative AI with JavaScript
- Generative AI with Java
- AI for Beginners
- Data Science for Beginners
- ML for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.