ML-For-Beginners/translations/uk

🌐 Підтримка кількох мов

Підтримується через GitHub Action (Автоматично 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 | Канада | Корейська | Литовська | Малайська | Малаялам | Маратхі | Непальська | Нігерійський піджин | Норвезька | Перська (фарсі) | Польська | Португальська (Бразилія) | Португальська (Португалія) | Пенджабі (грумухі) | Румунська | Російська | Сербська (кирилиця) | Словацька | Словенська | Іспанська | Суахілі | Шведська | Тагалог (філіппінська) | Тамільська | Телугу | Тайська | Турецька | Українська | Урду | В’єтнамська

Віддаєте перевагу клонувати локально?

Цей репозиторій містить понад 50 перекладів мовами, що значно збільшує розмір завантаження. Щоб клонувати без перекладів, використовуйте оновлений вибірковий чек-аут:

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 надає все необхідне для проходження курсу значно швидше.

Приєднуйтесь до нашої спільноти

Ми проводимо серію навчань у Discord "Learn with AI", дізнайтеся більше та приєднуйтеся на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та хитрощі використання GitHub Copilot для Data Science.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте навколо світу, досліджуючи Машинне навчання через культури світу 🌍

Аналітики хмарних технологій Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків про Машинне навчання. У цій навчальній програмі ви дізнаєтесь про те, що іноді називають класичним машинним навчанням, переважно використовуючи бібліотеку Scikit-learn та уникаючи глибокого навчання, яке розглядається в нашій навчальній програмі AI для початківців. Поєднуйте ці уроки з нашою навчальною програмою Data Science для початківців.

Подорожуйте з нами навколо світу, застосовуючи ці класичні методики до даних із різних куточків світу. Кожен урок містить тести до та після уроку, письмові інструкції для виконання уроку, розв’язок, завдання і не лише. Наша проєктно-орієнтована педагогіка дозволяє вам вчитись, одночасно створюючи проєкти — перевірений спосіб добре засвоїти нові навички.

✍️ Щирі подяки нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаззеррі, Томомі Імура, Кессі Бревіу, Дмитро Сошников, Кріс Норінг, Анірбан Мукерджі, Орнелла Алтунян, Рут Якубу та Емі Бойд

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

🙏 Особлива подяка 🙏 нашим студентським амбасадорам Microsoft, авторам, рецензентам та контент-співавторам, серед яких Рішит Даглі, Мухаммад Сакіб Хан Інан, Рохан Радж, Олександр Петреску, Абхішек Джайсвал, Наврін Табассум, Іоан Самуіла і Снігдха Агарвал

🤩 Особлива вдячність студентським амбасадорам Microsoft Ерік Ванджау, Джаслін Сонді та Відуші Гупта за уроки R!

Початок роботи

Дотримуйтесь цих кроків:

1. Відгалузіть репозиторій: Клікніть на кнопку "Fork" у верхньому правому куті цієї сторінки.
2. Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

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

🔧 Потрібна допомога? Перевірте наш Посібник з усунення неполадок для вирішення поширених проблем із встановленням, налаштуванням та запуском уроків.

Студенти, щоб скористатися цією навчальною програмою, відгалузіть весь репозиторій у свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:

• Розпочинайте з тесту перед лекцією.
• Читайте лекцію та виконуйте завдання, зупиняючись і розмірковуючи на кожній перевірці знань.
• Намагайтеся створювати проєкти, розуміючи уроки, а не просто запускаючи код розв’язку; однак цей код доступний у папках /solution у кожному уроці, орієнтованому на проєкти.
• Пройдіть тест після лекції.
• Виконайте виклик.
• Виконайте завдання.
• Після завершення групи уроків відвідайте Дискусійну дошку і "навчайтеся вголос", заповнюючи відповідну рубрику PAT. PAT — це інструмент оцінки прогресу, рубрика, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на PAT інших, щоб ми могли вчитися разом.

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

Вчителі, ми включили кілька пропозицій щодо використання цієї навчальної програми.

---

Відео огляди

Деякі уроки доступні у короткому відеоформаті. Ви можете знайти їх вбудованими у уроки або на плейлисті ML for Beginners на каналі Microsoft Developer YouTube, натиснувши на зображення нижче.

---

Знайомтесь із командою

Гіф від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб подивитися відео про проєкт і людей, які його створили!

---

Педагогіка

Ми обрали дві педагогічні засади при створенні цієї навчальної програми: щоб вона була практичною проєктно-орієнтованою та включала часті тести. Крім того, ця програма має спільну тематику для цілісності.

Забезпечуючи відповідність матеріалів проєктам, процес навчання стає більш захоплюючим для студентів і покращує засвоєння понять. Низькоцінні тести перед заняттям налаштовують студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення знань. Ця навчальна програма розроблена бути гнучкою та цікавою і може бути пройдена повністю або частково. Проєкти починаються з простих і поступово ускладнюються протягом 12-тижневого циклу. Також у цій програмі є післямовний розділ про застосування ML у реальному світі, який можна використати як додатковий бонус або як основу для обговорення.

Знайдіть наші правила Кодекс поведінки, Участь у проекті, Переклади та Усунення проблем. Ми вітаємо вашу конструктивну критику!

Кожен урок містить

• необов’язкову нотатку з ескізом
• необов’язкове додаткове відео
• відеоогляд (тільки деякі уроки)
• тест-розминку перед лекцією
• письмовий урок
• для уроків з проєктами – покрокові інструкції зі створення проєкту
• перевірки знань
• виклик
• додаткове читання
• завдання
• тест після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб завершити урок R, перейдіть у папку /solution та знайдіть уроки R. Вони мають розширення .rmd, що означає R Markdown файл, який можна просто визначити як вбудовування кодових блоків (на R чи інших мовах) та YAML-заголовка (який визначає форматування виводу, наприклад у PDF) у Markdown документі. Таким чином, це служить прикладом формату для створення матеріалів з науки про дані, оскільки дає змогу об’єднати код, його вивід і власні думки, записані в Markdown. Окрім того, документи R Markdown можна перетворювати на формати виводу, такі як PDF, HTML або Word. Примітка про вікторини: Усі вікторини містяться в папці Quiz App, загалом 52 вікторини по три питання в кожній. Вони пов’язані з уроками, але додаток для вікторин можна запускати локально; дотримуйтесь інструкцій у папці quiz-app для локального хостингу або розгортання на Azure.

Lesson Number	Тема	Група уроків	Навчальні цілі	Посилання на урок	Автор
01	Вступ до машинного навчання	Вступ	Вивчити основні концепції машинного навчання	Урок	Muhammad
02	Історія машинного навчання	Вступ	Вивчити історію цієї галузі	Урок	Jen and Amy
03	Справедливість та машинне навчання	Вступ	Які важливі філософські питання щодо справедливості слід враховувати під час створення і застосування моделей машинного навчання?	Урок	Tomomi
04	Техніки для машинного навчання	Вступ	Якими техніками користуються дослідники машинного навчання для побудови моделей?	Урок	Chris and Jen
05	Вступ до регресії	Регресія	Почати працювати з Python і Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Північноамериканські ціни на гарбузи 🎃	Регресія	Візуалізувати та очистити дані для підготовки до машинного навчання	Python • R	Jen • Eric Wanjau
07	Північноамериканські ціни на гарбузи 🎃	Регресія	Побудувати лінійні та поліноміальні регресійні моделі	Python • R	Jen and Dmitry • Eric Wanjau
08	Північноамериканські ціни на гарбузи 🎃	Регресія	Побудувати модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Веб-додаток	Побудувати веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Класифікація	Очистити, підготувати та візуалізувати дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачні азійські та індійські кухні 🍜	Класифікація	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачні азійські та індійські кухні 🍜	Класифікація	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачні азійські та індійські кухні 🍜	Класифікація	Побудувати веб-додаток-рекомендатор, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Кластеризація	Очистити, підготувати та візуалізувати дані; Вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних вподобань Нігерії 🎧	Кластеризація	Ознайомитись з методом кластеризації K-Середніх	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Обробка природної мови	Вивчити основи NLP, створюючи простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Обробка природної мови	Поглибити знання NLP, розуміючи загальні завдання, що вимагаються при роботі зі структурами мови	Python	Stephen
18	Переклад і аналіз сентименту ♥️	Обробка природної мови	Переклад і аналіз сентименту з Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз сентименту відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Обробка природної мови	Аналіз сентименту відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Часові ряди	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часового ряду з ARIMA	Часові ряди	Прогнозування часових рядів за допомогою ARIMA	Python	Francesca
23	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часового ряду з SVR	Часові ряди	Прогнозування часових рядів за допомогою регресії на опорних векторах	Python	Anirban
24	Вступ до навчання з підкріпленням	Навчання з підкріпленням	Вступ до навчання з підкріпленням з Q-навчанням	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Навчання з підкріпленням	Навчання з підкріпленням Gym	Python	Dmitry
Постскрипт	Сценарії та застосування ML у реальному світі	ML у природі	Цікаві й показові реальні приклади класичного машинного навчання	Урок	Команда
Постскрипт	Налагодження моделей ML за допомогою панелі RAI	ML у природі	Налагодження моделей машинного навчання за допомогою панелі Responsible AI	Урок	Ruth Yakubu

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

Офлайн-доступ

Ви можете запускати цю документацію офлайн, використовуючи Docsify. Відфоркніть це сховище, встановіть Docsify на свій локальний комп’ютер, а потім у кореневій папці сховища введіть docsify serve. Вебсайт буде доступний на порту 3000 локального сервера: localhost:3000.

PDF-файли

Знайдіть PDF з навчальною програмою з посиланнями тут.

🎒 Інші курси

Наша команда створює інші курси! Перегляньте:

LangChain

---

Azure / Edge / MCP / Agents

---

Генеративна AI Серія

---

Основне навчання

---

Серія Copilot

Отримання допомоги

Якщо ви застрягли або маєте запитання щодо створення AI-додатків. Приєднуйтесь до інших учнів та досвідчених розробників у обговореннях про MCP. Це підтримуюча спільнота, де вітаються запитання і знання вільно обмінюються.

Якщо у вас є відгуки про продукт або помилки під час розробки, відвідайте:

---

Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, просимо враховувати, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звернутися до професійного перекладу людиною. Ми не несемо відповідальності за будь-які непорозуміння чи неправильні тлумачення, що виникли внаслідок використання цього перекладу.