25 KiB

Raw Blame History Unescape Escape

🌐 Støtte for flere språk

Støttet via GitHub Action (Automatisk og alltid oppdatert)

Bli med i fellesskapet

Maskinlæring for nybegynnere - Et læreplan

🌍 Reis rundt i verden mens vi utforsker maskinlæring gjennom verdens kulturer 🌍

Cloud Advocates hos Microsoft er glade for å tilby en 12-ukers, 26-leksjons læreplan om maskinlæring. I denne læreplanen vil du lære om det som noen ganger kalles klassisk maskinlæring, hovedsakelig ved bruk av Scikit-learn som bibliotek og unngå dyp læring, som dekkes i vår AI for Beginners-læreplan. Kombiner disse leksjonene med vår 'Data Science for Beginners'-læreplan, også!

Reis med oss rundt i verden mens vi bruker disse klassiske teknikkene på data fra mange områder av verden. Hver leksjon inkluderer quiz før og etter leksjonen, skriftlige instruksjoner for å fullføre leksjonen, en løsning, en oppgave og mer. Vår prosjektbaserte pedagogikk lar deg lære mens du bygger, en bevist måte for nye ferdigheter å 'sitte fast'.

✍️ Stor takk til våre forfattere Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu og Amy Boyd

🎨 Takk også til våre illustratører Tomomi Imura, Dasani Madipalli og Jen Looper

🙏 Spesiell takk 🙏 til våre Microsoft Student Ambassador-forfattere, anmeldere og innholdsbidragsytere, spesielt Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila og Snigdha Agarwal

🤩 Ekstra takknemlighet til Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi og Vidushi Gupta for våre R-leksjoner!

Kom i gang

Følg disse trinnene:

Fork repoen: Klikk på "Fork"-knappen øverst til høyre på denne siden.
Klon repoen: git clone https://github.com/microsoft/ML-For-Beginners.git

finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling

Studenter, for å bruke denne læreplanen, fork hele repoen til din egen GitHub-konto og fullfør oppgavene alene eller med en gruppe:

Start med en quiz før leksjonen.
Les leksjonen og fullfør aktivitetene, ta pauser og reflekter ved hver kunnskapssjekk.
Prøv å lage prosjektene ved å forstå leksjonene i stedet for å kjøre løsningskoden; men den koden er tilgjengelig i /solution-mappene i hver prosjektorienterte leksjon.
Ta quiz etter leksjonen.
Fullfør utfordringen.
Fullfør oppgaven.
Etter å ha fullført en leksjonsgruppe, besøk Diskusjonsforumet og "lær høyt" ved å fylle ut den relevante PAT-rubrikken. En 'PAT' er et Progress Assessment Tool som er en rubrikk du fyller ut for å fremme læringen din. Du kan også reagere på andre PAT-er slik at vi kan lære sammen.

For videre studier anbefaler vi å følge disse Microsoft Learn modulene og læringsstiene.

Lærere, vi har inkludert noen forslag om hvordan du kan bruke denne læreplanen.

Videogjennomganger

Noen av leksjonene er tilgjengelige som korte videoer. Du finner alle disse i leksjonene, eller på ML for Beginners-spillelisten på Microsoft Developer YouTube-kanalen ved å klikke på bildet nedenfor.

Møt teamet

Gif av Mohit Jaisal

🎥 Klikk på bildet ovenfor for en video om prosjektet og folkene som skapte det!

Pedagogikk

Vi har valgt to pedagogiske prinsipper mens vi bygde denne læreplanen: å sikre at den er praktisk prosjektbasert og at den inkluderer hyppige quizer. I tillegg har denne læreplanen et felles tema for å gi den sammenheng.

Ved å sikre at innholdet er knyttet til prosjekter, blir prosessen mer engasjerende for studenter, og begrepsforståelsen vil bli styrket. I tillegg setter en lavterskel quiz før en klasse intensjonen til studenten mot å lære et emne, mens en andre quiz etter klassen sikrer ytterligere forståelse. Denne læreplanen ble designet for å være fleksibel og morsom og kan tas i sin helhet eller delvis. Prosjektene starter små og blir stadig mer komplekse mot slutten av den 12-ukers syklusen. Denne læreplanen inkluderer også et tillegg om virkelige applikasjoner av ML, som kan brukes som ekstra kreditt eller som grunnlag for diskusjon.

Finn vår Code of Conduct, Contributing, og Translation retningslinjer. Vi ønsker din konstruktive tilbakemelding velkommen!

Hver leksjon inkluderer

valgfri sketchnote
valgfri tilleggsvideo
videogjennomgang (kun noen leksjoner)
quiz før leksjonen
skriftlig leksjon
for prosjektbaserte leksjoner, trinnvise guider om hvordan du bygger prosjektet
kunnskapssjekker
en utfordring
tilleggslesing
oppgave
quiz etter leksjonen

En merknad om språk: Disse leksjonene er hovedsakelig skrevet i Python, men mange er også tilgjengelige i R. For å fullføre en R-leksjon, gå til /solution-mappen og se etter R-leksjoner. De inkluderer en .rmd-utvidelse som representerer en R Markdown-fil som enkelt kan defineres som en innbygging av kodeblokker (av R eller andre språk) og en YAML-header (som styrer hvordan utdata formateres, som PDF) i et Markdown-dokument. Som sådan fungerer det som et eksemplarisk forfatterrammeverk for dataanalyse siden det lar deg kombinere koden din, dens utdata og tankene dine ved å skrive dem ned i Markdown. Dessuten kan R Markdown-dokumenter gjengis til utdataformater som PDF, HTML eller Word.

En merknad om quizer: Alle quizer er inneholdt i Quiz App-mappen, for totalt 52 quizer med tre spørsmål hver. De er lenket fra leksjonene, men quiz-appen kan kjøres lokalt; følg instruksjonene i quiz-app-mappen for å kjøre lokalt eller distribuere til Azure.

Leksjonsnummer	Emne	Leksjonsgruppe	Læringsmål	Lenket leksjon	Forfatter
01	Introduksjon til maskinlæring	Introduksjon	Lær de grunnleggende konseptene bak maskinlæring	Leksjon	Muhammad
02	Historien til maskinlæring	Introduksjon	Lær historien bak dette feltet	Leksjon	Jen og Amy
03	Rettferdighet og maskinlæring	Introduksjon	Hva er de viktige filosofiske spørsmålene rundt rettferdighet som studenter bør vurdere når de bygger og bruker ML-modeller?	Leksjon	Tomomi
04	Teknikker for maskinlæring	Introduction	Hvilke teknikker bruker ML-forskere for å bygge ML-modeller?	Lesson	Chris og Jen
05	Introduksjon til regresjon	Regression	Kom i gang med Python og Scikit-learn for regresjonsmodeller	Python • R	Jen • Eric Wanjau
06	Nordamerikanske gresskarpriser 🎃	Regression	Visualiser og rengjør data som forberedelse til ML	Python • R	Jen • Eric Wanjau
07	Nordamerikanske gresskarpriser 🎃	Regression	Bygg lineære og polynomiske regresjonsmodeller	Python • R	Jen og Dmitry • Eric Wanjau
08	Nordamerikanske gresskarpriser 🎃	Regression	Bygg en logistisk regresjonsmodell	Python • R	Jen • Eric Wanjau
09	En webapp 🔌	Web App	Bygg en webapp for å bruke din trente modell	Python	Jen
10	Introduksjon til klassifisering	Classification	Rengjør, forbered og visualiser data; introduksjon til klassifisering	Python • R	Jen og Cassie • Eric Wanjau
11	Deilige asiatiske og indiske retter 🍜	Classification	Introduksjon til klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
12	Deilige asiatiske og indiske retter 🍜	Classification	Flere klassifikatorer	Python • R	Jen og Cassie • Eric Wanjau
13	Deilige asiatiske og indiske retter 🍜	Classification	Bygg en anbefalingswebapp ved hjelp av modellen din	Python	Jen
14	Introduksjon til klynging	Clustering	Rengjør, forbered og visualiser data; introduksjon til klynging	Python • R	Jen • Eric Wanjau
15	Utforsking av nigerianske musikksmaker 🎧	Clustering	Utforsk K-Means klyngemetoden	Python • R	Jen • Eric Wanjau
16	Introduksjon til naturlig språkbehandling ☕️	Natural language processing	Lær det grunnleggende om NLP ved å bygge en enkel bot	Python	Stephen
17	Vanlige NLP-oppgaver ☕️	Natural language processing	Fordyp deg i NLP ved å forstå vanlige oppgaver som kreves når man jobber med språkstrukturer	Python	Stephen
18	Oversettelse og sentimentanalyse ♥️	Natural language processing	Oversettelse og sentimentanalyse med Jane Austen	Python	Stephen
19	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotellanmeldelser 1	Python	Stephen
20	Romantiske hoteller i Europa ♥️	Natural language processing	Sentimentanalyse med hotellanmeldelser 2	Python	Stephen
21	Introduksjon til tidsserieprognoser	Time series	Introduksjon til tidsserieprognoser	Python	Francesca
22	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med ARIMA	Time series	Tidsserieprognoser med ARIMA	Python	Francesca
23	⚡️ Verdens strømforbruk ⚡️ - tidsserieprognoser med SVR	Time series	Tidsserieprognoser med Support Vector Regressor	Python	Anirban
24	Introduksjon til forsterkende læring	Reinforcement learning	Introduksjon til forsterkende læring med Q-Learning	Python	Dmitry
25	Hjelp Peter å unngå ulven! 🐺	Reinforcement learning	Forsterkende læring med Gym	Python	Dmitry
Postscript	Virkelige ML-scenarier og applikasjoner	ML in the Wild	Interessante og avslørende virkelige applikasjoner av klassisk ML	Lesson	Team
Postscript	Feilsøking av modeller i ML med RAI-dashboard	ML in the Wild	Feilsøking av maskinlæringsmodeller ved bruk av Responsible AI-dashboardkomponenter	Lesson	Ruth Yakubu

Finn alle tilleggsmaterialer for dette kurset i vår Microsoft Learn-samling

Offline tilgang

Du kan kjøre denne dokumentasjonen offline ved å bruke Docsify. Fork dette repoet, installer Docsify på din lokale maskin, og deretter i rotmappen av dette repoet, skriv docsify serve. Nettstedet vil bli servert på port 3000 på din localhost: localhost:3000.

PDF-er

Finn en PDF av pensum med lenker her.

🎒 Andre kurs

Teamet vårt produserer andre kurs! Sjekk ut:

Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi tilstreber nøyaktighet, vennligst vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.

25 KiB Raw Blame History Unescape Escape