ML-For-Beginners/translations/sr

🌐 Подршка за више језика

Подржано преко GitHub акције (аутоматски и увек актуелно)

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 | 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

Више волите да клонирате локално?

Овај репозиторијум укључује преводе на преко 50 језика што значајно повећава величину преузимања. Да бисте клонирали без превода, користите sparse checkout:

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'

Ово вам даје све што вам је потребно да завршите курс много брже.

Придружите се нашој заједници

Имамо текућу серију „Учите са вештачком интелигенцијом“ на Discord-у, сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. године. Добићете савете и трикове за коришћење GitHub Copilot-а за Data Science.

Машинско учење за почетнике - Наставни програм

🌍 Путујте око света док истражујемо Машинско учење кроз светске културе 🌍

Облачно одељење у Microsoft-у са задовољством нуди 12-недељни, 26-часовни наставни програм у вези са Машинским учењем. У овом програму учићете о нечему што се понекад назива класично машинско учење, користећи углавном Scikit-learn библиотеку и избегавајући дубоко учење, које је обухваћено у нашем AI за почетнике наставном програму. Такође, можете упарити ове лекције са нашим 'Data Science за почетнике' наставним програмом.

Путујте са нама широм света док примењујемо ове класичне технике на податке из различитих делова света. Свака лекција укључује квиз пре и после лекције, писана упутства за завршетак лекције, решење, задатак и још много тога. Наша педагогија заснована на пројектима омогућава вам учење кроз рад, проверен начин да нове вештине остану у сећању.

✍️ Велика захвалност нашим ауторима Џен Лупер, Стивен Хауел, Франческа Лаззери, Томоми Имура, Кеси Бревију, Дмитријј Сошников, Крис Норинг, Анирбан Мукхерџи, Орнела Алтуњан, Рут Јакубу и Ејми Бојд

🎨 Захвалност илустраторима Томоми Имура, Дасани Мадипали и Џен Лупер

🙏 Посебна захвалност 🙏 нашим Microsoft студент амбасадорима – ауторима, рецензентима и сарадницима, посебно Ришиту Даљију, Мухамаду Сакибу Кхану Инану, Рохану Рају, Александру Петреску, Абхишеку Џаисвалу, Наврин Табасум, Јоану Самуила и Снигдхи Агарвал

🤩 Посебна захвалност Microsoft студент амбасадорима Ерику Вањау, Јаслину Сонди и Вудуши Гупти за наше R лекције!

Почетак рада

Пратите ове кораке:

1. Fork-ујте репозиторијум: Кликните на дугме „Fork“ у горњем десном углу ове странице.
2. Клонирајте репозиторијум: git clone https://github.com/microsoft/ML-For-Beginners.git

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

🔧 Треба вам помоћ? Погледајте наш Водич за решавање проблема за решења за честа питања о инсталацији, подешавању и покретању лекција.

Студенти, да бисте користили овај наставни програм, форкајте цео репозиторјум на свој GitHub налог и решавајте задатке сами или у групи:

• Започните квизом пре предавања.
• Прочитајте предавање и завршите активности, правећи паузе и размишљајући о сваком проверавању знања.
• Покушајте да направите пројекте разумевањем лекција, уместо покретањем решења; ипак, тај код је доступан у папкама /solution у свакој лекцији усмереној на пројекте.
• Попуните квиз након предавања.
• Завршите изазов.
• Попуните задатак.
• Након завршетка групе лекција, посетите Discussion Board и „учите наглас“ попуњавајући одговарајућу PAT скалу. PAT је алат за процену напретка који се попуњава ради интензивирања учења. Такође можете реаговати на друге PAT-ове како бисмо заједно учили.

За даље студирање препоручујемо пратеће Microsoft Learn модуле и путеве учења.

Наставници, укључили смо неке предлоге о коришћењу овог наставног програма.

---

Видео водичи

Неке лекције су доступне као кратки видео записи. Сви се могу пронаћи интегрисани у лекције или на ML for Beginners плейлисти на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Гиф од Mohit Jaisal

🎥 Кликните на слику горе за видео о пројекту и људима који су га креирали!

---

Педагогија

Изабрали смо два педагошка начела у изградњи овог наставног програма: обезбеђивање практичне, пројектно оријентисане наставе и укључивање честих квизова. Поред тога, овај наставни програм има заједничку тему ради кохезије.

Обезбеђивање усаглашености садржаја са пројектима повећава ангажовање студената и појачава задржавање концепата. Поред тога, квиз са малом важношћу пре часа усмерава студента ка учењу теме, док други квиз након часа осигурава додатно задржавање знања. Овај програм је дизајниран да буде флексибилан и забаван и може се похађати у целости или делимично. Пројекти почињу једноставно и постају све сложенији до краја 12-недељног циклуса. У програму је такође укључен послепис о примени машинског учења у стварном свету, који се може користити као додатни бод или као тема за дискусију.

Пронађите наша упутства за Правила понашања, Допринос, Превод и Решавање проблема. Добро су дошли ваши конструктивни предлози!

Свака лекција укључује

• опциони скицнoт
• опциони додатни видео
• видео водич (само неке лекције)
• квиз за загревање пре предавања
• писану лекцију
• за пројектно оријентисане лекције, корак-по-корак упутства како направити пројекат
• провере знања
• изазов
• додатно читање
• задатак
• квиз након предавања

Напомена о језицима: Ове лекције су углавном написане на Питону, али многе су доступне и на R-у. Да бисте завршили R лекцију, идите у /solution фолдер и потражите R лекције. Оне укључују .rmd екстензију која представља R Markdown фајл, који се једноставно може дефинисати као уградња кодних делова (R или других језика) и YAML заглавља (које води како да се форматирају излази као ПДФ) у Markdown документ. Као такав, он служи као изванредан систем за ауторство за науку о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли записане у Markdown-у. Штавише, R Markdown документи могу бити преведени у излазне формате као што су PDF, HTML или Word. Напомена о квизовима: Сви квизови се налазе у фолдеру Quiz App, укупно 52 квизова са по три питања. Они су повезани из унутар лекција али апликацију за квизове можете покренути локално; пратите упутство у фолдеру quiz-app за локално хостовање или деплој на Azure.

Број лекције	Тема	Груписање лекција	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Увод	Научите основне појмове машинског учења	Лекција	Muhammad
02	Историја машинског учења	Увод	Научите историју ове области	Лекција	Jen и Amy
03	Праведност и машинско учење	Увод	Која су важна филозофска питања о праведности која студенти треба да размотре приликом израде и примене ML модела?	Лекција	Tomomi
04	Технике машинског учења	Увод	Које технике истраживачи машинског учења користе за израду ML модела?	Лекција	Chris и Jen
05	Увод у регресију	Регресија	Започните са Python и Scikit-learn за регресионе моделе	Python • R	Jen • Eric Wanjau
06	Цене бундеве у Северној Америци 🎃	Регресија	Визуелизујте и очистите податке у припреми за ML	Python • R	Jen • Eric Wanjau
07	Цене бундеве у Северној Америци 🎃	Регресија	Изградите линеарне и полиномне регресионе моделе	Python • R	Jen и Dmitry • Eric Wanjau
08	Цене бундеве у Северној Америци 🎃	Регресија	Израдите логистички регресионни модел	Python • R	Jen • Eric Wanjau
09	Веб апликација 🔌	Веб апликација	Израдите веб апликацију за коришћење вашег обученог модела	Python	Jen
10	Увод у класификацију	Класификација	Очистите, припремите и визуелизујте своје податке; увод у класификацију	Python • R	Jen и Cassie • Eric Wanjau
11	Укусна азијска и индијска кухиња 🍜	Класификација	Увод у класификаторе	Python • R	Jen и Cassie • Eric Wanjau
12	Укусна азијска и индијска кухиња 🍜	Класификација	Више класификатора	Python • R	Jen и Cassie • Eric Wanjau
13	Укусна азијска и индијска кухиња 🍜	Класификација	Израдите препоручиву веб апликацију користећи свој модел	Python	Jen
14	Увод у кластеризацију	Кластеризација	Очистите, припремите и визуелизујте своје податке; увод у кластеризацију	Python • R	Jen • Eric Wanjau
15	Истраживање нигеријских музичких утисака 🎧	Кластеризација	Истражите K-Means методу кластеризације	Python • R	Jen • Eric Wanjau
16	Увод у обраду природног језика ☕️	Обрада природног језика	Научите основе NLP израдом једноставног бота	Python	Stephen
17	Чести задаци NLP-а ☕️	Обрада природног језика	Продубите своје знање NLP-а разумевањем уобичајених задатака потребних за рад са структурама језика	Python	Stephen
18	Превод и анализа сентимента ♥️	Обрада природног језика	Превод и анализа сентимента са Jane Austen	Python	Stephen
19	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимента помоћу рецензија хотела 1	Python	Stephen
20	Романтични хотели Европе ♥️	Обрада природног језика	Анализа сентимента помоћу рецензија хотела 2	Python	Stephen
21	Увод у прогнозирање временских серија	Временске серије	Увод у прогнозирање временских серија	Python	Francesca
22	⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање са ARIMA	Временске серије	Прогнозирање временских серија са ARIMA	Python	Francesca
23	⚡️ Потрошња електричне енергије у свету ⚡️ - прогнозирање са SVR	Временске серије	Прогнозирање временских серија са Support Vector Regressor	Python	Anirban
24	Увод у појачајно учење	Појачајно учење	Увод у појачајно учење са Q-учењем	Python	Dmitry
25	Помози Петру да избегне вука! 🐺	Појачајно учење	Gym за појачајно учење	Python	Dmitry
Послепис	Сценарији и примене машинског учења у свету	ML у природи	Интересантне и откривајуће примене класичног машинског учења	Лекција	Тим
Послепис	Дебаговање модела машинског учења коришћењем RAI контролног панела	ML у природи	Дебаговање модела машинског учења коришћењем компоненти одговорног AI контролног панела	Лекција	Ruth Yakubu

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

Офлајн приступ

Ову документацију можете користити офлајн помоћу Docsify. Форкујте овај репозиторијум, инсталирајте Docsify на свом рачунару, и затим у коренском фолдеру овог репозиторијума укуцајте docsify serve. Веб сајт ће бити доступан на порт 3000 на вашем локалхосту: localhost:3000.

PDF-ови

Пронађите PDF наставног плана са линковима овде.

🎒 Остали курсеви

Наш тим производи и друге курсеве! Погледајте:

LangChain

---

Azure / Edge / MCP / Агенти

---

Серијал генеративне вештачке интелигенције

---

Основно учење

---

Сертификат серија

Добијање помоћи

Ако запнете или имате било каквих питања о креирању AI апликација, придружите се другим ученицима и искусним програмерима у дискусијама о MCP-у. То је подржавајућа заједница где су питања добродошла и знање се слободно дели.

Ако имате повратне информације о производу или наиђете на грешке током израде, посетите:

---

Одрицање од одговорности: Овај документ је преведен помоћу AI сервиса за превођење Co-op Translator. Иако се трудимо да превод буде тачан, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитетним извором. За критичне информације препоручује се професионални превод од стране људског стручњака. Нисмо одговорни за било каква непоразумевања или погрешна тумачења која произилазе из коришћења овог превода.