You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
ML-For-Beginners/translations/uk/README.md

33 KiB

GitHub license
GitHub contributors
GitHub issues
GitHub pull-requests
PRs Welcome

GitHub watchers
GitHub forks
GitHub stars

🌐 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 нашої спільноти

Azure AI Discord

У нас триває серія навчання з AI у Discord. Дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі щодо використання GitHub Copilot для Data Science.

Learn with AI series

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍

Cloud Advocates у Microsoft раді 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".

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.

✍️ Щирі подяки нашим авторам Джен Лупер, Стівену Хауеллу, 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 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 завдання.
  • Виконайте домашнє 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 додали кілька пропозицій щодо використання цієї навчальної програми.


Відеоуроки

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

ML for beginners banner


Знайомство з командою

Promo video

Gif створено Мохітом Джайсалом

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


Педагогіка

Ми обрали два педагогічні принципи при створенні цієї навчальної програми: забезпечення її практичності через проектний підхід та включення частих тестів. Крім того, ця програма має спільну тему, яка надає їй цілісності.

Забезпечуючи відповідність контенту проектам, процес стає більш захоплюючим для студентів, а засвоєння концепцій посилюється. Крім того, тест перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення матеріалу. 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. Програма також включає постскриптум про реальні застосування ML, який може бути використаний як додатковий матеріал або 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 скетчноут
  • необов'язкове додаткове відео
  • відеоурок (лише для деяких уроків)
  • тест перед лекцією
  • письмовий урок
  • для проектно-орієнтованих уроків — покрокові інструкції щодо створення проекту
  • перевірки знань
  • завдання
  • додаткове читання
  • домашнє 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, що може бути просто визначений як вбудовування кодових блоків (на R або інших мовах) та YAML-заголовка (який визначає форматування вихідних даних, таких як PDF) у Markdown-документ. Таким чином, це є зразковою авторською платформою для науки про дані, оскільки дозволяє об'єднувати ваш код, його результати та ваші думки, записуючи 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 цієї галузі Урок Джен та Емі
03 Справедливість і машинне навчання Вступ Які важливі філософські питання щодо справедливості студенти повинні враховувати при створенні та застосуванні моделей ML? Урок Tomomi
04 Техніки машинного навчання Вступ Які техніки використовують дослідники ML для створення моделей ML? Урок Chris і Jen
05 Вступ до регресії Регресія Почніть з Python і Scikit-learn для моделей регресії PythonR Jen • Eric Wanjau
06 Ціни на гарбузи в Північній Америці 🎃 Регресія Візуалізуйте та очистіть дані для підготовки до ML PythonR Jen • Eric Wanjau
07 Ціни на гарбузи в Північній Америці 🎃 Регресія Створіть моделі лінійної та поліноміальної регресії PythonR Jen і Dmitry • Eric Wanjau
08 Ціни на гарбузи в Північній Америці 🎃 Регресія Створіть модель логістичної регресії PythonR Jen • Eric Wanjau
09 Веб-додаток 🔌 Веб-додаток Створіть веб-додаток для використання вашої навченої моделі Python Jen
10 Вступ до класифікації Класифікація Очистіть, підготуйте та візуалізуйте ваші дані; вступ до класифікації PythonR Jen і Cassie • Eric Wanjau
11 Смачні азійські та індійські страви 🍜 Класифікація Вступ до класифікаторів PythonR Jen і Cassie • Eric Wanjau
12 Смачні азійські та індійські страви 🍜 Класифікація Більше класифікаторів PythonR Jen і Cassie • Eric Wanjau
13 Смачні азійські та індійські страви 🍜 Класифікація Створіть веб-додаток рекомендацій, використовуючи вашу модель Python Jen
14 Вступ до кластеризації Кластеризація Очистіть, підготуйте та візуалізуйте ваші дані; вступ до кластеризації PythonR Jen • Eric Wanjau
15 Дослідження музичних уподобань у Нігерії 🎧 Кластеризація Дослідження методу кластеризації K-Means PythonR Jen • Eric Wanjau
16 Вступ до обробки природної мови Обробка природної мови Вивчіть основи NLP, створивши простого бота Python Stephen
17 Загальні завдання NLP Обробка природної мови Поглибте свої знання NLP, зрозумівши загальні завдання, необхідні для роботи з мовними структурами Python Stephen
18 Переклад і аналіз настроїв ♥️ Обробка природної мови Переклад і аналіз настроїв з Джейн Остін Python Stephen
19 Романтичні готелі Європи ♥️ Обробка природної мови Аналіз настроїв за відгуками про готелі 1 Python Stephen
20 Романтичні готелі Європи ♥️ Обробка природної мови Аналіз настроїв за відгуками про готелі 2 Python Stephen
21 Вступ до прогнозування часових рядів Часові ряди Вступ до прогнозування часових рядів Python Francesca
22 Використання енергії у світі - прогнозування часових рядів з ARIMA Часові ряди Прогнозування часових рядів з ARIMA Python Francesca
23 Використання енергії у світі - прогнозування часових рядів з SVR Часові ряди Прогнозування часових рядів з регресором опорних векторів Python Anirban
24 Вступ до навчання з підкріпленням Навчання з підкріпленням Вступ до навчання з підкріпленням за допомогою Q-Learning Python Dmitry
25 Допоможіть Пітеру уникнути вовка! 🐺 Навчання з підкріпленням Навчання з підкріпленням у Gym Python Dmitry
Постскриптум Реальні сценарії та застосування ML ML у реальному світі Цікаві та показові реальні застосування класичного ML Урок Команда
Постскриптум Налагодження моделей ML за допомогою панелі RAI ML у реальному світі Налагодження моделей машинного навчання за допомогою компонентів панелі відповідального AI Урок Ruth Yakubu

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

Офлайн-доступ

Ви можете використовувати цю документацію офлайн за допомогою 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:


Відмова від відповідальності:
Цей документ був перекладений за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, звертаємо вашу увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові 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.