27 KiB

Raw Blame History Unescape Escape

🌐 Podpora za več jezikov

Podprto prek GitHub Action (Samodejno in vedno posodobljeno)

Pridružite se naši skupnosti

Imamo serijo učenja z AI na Discordu, več o tem pa si lahko preberete in se nam pridružite na Learn with AI Series od 18. do 30. septembra 2025. Naučili se boste nasvetov in trikov za uporabo GitHub Copilot za podatkovno znanost.

Strojno učenje za začetnike - Kurikulum

🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje skozi prizmo svetovnih kultur 🌍

Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski, 26-lekcijski kurikulum o strojnem učenju. V tem kurikulumu se boste naučili o tem, kar se včasih imenuje klasično strojno učenje, pri čemer bomo večinoma uporabljali knjižnico Scikit-learn in se izognili globokemu učenju, ki je obravnavano v našem kurikulumu AI za začetnike. Te lekcije lahko združite z našim kurikulom 'Podatkovna znanost za začetnike'.

Potujte z nami po svetu, medtem ko uporabljamo te klasične tehnike na podatkih iz različnih delov sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša projektno usmerjena pedagogika vam omogoča učenje skozi gradnjo, kar je dokazano učinkovit način za utrjevanje novih veščin.

✍️ Iskrena zahvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd

🎨 Zahvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper

🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador avtorjem, recenzentom in prispevalcem vsebine, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal

🤩 Dodatna zahvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!

Začetek

Sledite tem korakom:

Forkajte repozitorij: Kliknite gumb "Fork" v zgornjem desnem kotu te strani.
Klonirajte repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

🔧 Potrebujete pomoč? Preverite naš Vodnik za odpravljanje težav za rešitve pogostih težav pri namestitvi, nastavitvi in izvajanju lekcij.

Študenti, za uporabo tega kurikuluma, forkajte celoten repozitorij v svoj GitHub račun in dokončajte vaje sami ali v skupini:

Začnite s kvizom pred predavanjem.
Preberite predavanje in dokončajte aktivnosti, pri čemer se ustavite in razmislite ob vsakem preverjanju znanja.
Poskusite ustvariti projekte z razumevanjem lekcij, namesto da bi samo zagnali rešitev; vendar je ta koda na voljo v /solution mapah v vsaki projektno usmerjeni lekciji.
Opravite kviz po predavanju.
Dokončajte izziv.
Dokončajte nalogo.
Po zaključku skupine lekcij obiščite Diskusijsko ploščo in "učite na glas" tako, da izpolnite ustrezno PAT rubriko. 'PAT' je orodje za ocenjevanje napredka, ki je rubrika, ki jo izpolnite za poglobitev svojega učenja. Lahko se odzovete tudi na druge PAT-e, da se učimo skupaj.

Za nadaljnje študije priporočamo, da sledite tem Microsoft Learn modulom in učnim potem.

Učitelji, vključili smo nekaj predlogov o tem, kako uporabiti ta kurikulum.

Video vodiči

Nekatere lekcije so na voljo kot kratki video posnetki. Vse te najdete v lekcijah ali na ML za začetnike playlisti na Microsoft Developer YouTube kanalu s klikom na spodnjo sliko.

Spoznajte ekipo

Gif avtor Mohit Jaisal

🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!

Pedagogika

Pri gradnji tega kurikuluma smo izbrali dve pedagoški načeli: zagotoviti, da je praktično projektno usmerjeno in da vključuje pogoste kvize. Poleg tega ima ta kurikulum skupno temo, ki mu daje kohezijo.

Z zagotavljanjem, da se vsebina ujema s projekti, je proces bolj privlačen za študente, koncepti pa se bolje ohranijo. Poleg tega nizko-stresni kviz pred predavanjem usmeri študentovo pozornost na učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnjo ohranitev. Ta kurikulum je zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče jemati v celoti ali delno. Projekti se začnejo majhni in postajajo vse bolj kompleksni do konca 12-tedenskega cikla. Kurikulum vključuje tudi dodatek o resničnih aplikacijah strojnega učenja, ki ga je mogoče uporabiti kot dodatno nalogo ali kot osnovo za razpravo.

Najdite naš Kodeks ravnanja, Prispevanje, Prevajanje in Odpravljanje težav smernice. Veseli bomo vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

opcijsko sketchnote
opcijski dopolnilni video
video vodič (samo nekatere lekcije)
kviz za ogrevanje pred predavanjem
pisno lekcijo
za projektno usmerjene lekcije, korak-po-korak vodič za gradnjo projekta
preverjanje znanja
izziv
dopolnilno branje
nalogo
kviz po predavanju

Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, vendar so mnoge na voljo tudi v R. Za dokončanje lekcije v R pojdite v mapo /solution in poiščite lekcije v R. Te vključujejo .rmd razširitev, ki predstavlja R Markdown datoteko, ki jo lahko preprosto opišemo kot vdelavo kodnih delov (R ali drugih jezikov) in YAML glave (ki usmerja, kako formatirati izhode, kot je PDF) v Markdown dokument. Tako služi kot odličen avtorski okvir za podatkovno znanost, saj vam omogoča kombiniranje kode, njenega izhoda in vaših misli z zapisovanjem v Markdown. Poleg tega je mogoče R Markdown dokumente upodobiti v izhodne formate, kot so PDF, HTML ali Word.

Opomba o kvizih: Vsi kvizi so vsebovani v mapi Quiz App, skupaj 52 kvizov s tremi vprašanji vsak. Povezani so znotraj lekcij, vendar je aplikacijo za kvize mogoče zagnati lokalno; sledite navodilom v mapi quiz-app za lokalno gostovanje ali namestitev na Azure.

Številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtor
01	Uvod v strojno učenje	Uvod	Spoznajte osnovne koncepte strojnega učenja	Lekcija	Muhammad
02	Zgodovina strojnega učenja	Uvod	Spoznajte zgodovino tega področja	Lekcija	Jen in Amy
03	Pravičnost in strojno učenje	Uvod	Katere pomembne filozofske vidike pravičnosti bi morali študenti upoštevati pri gradnji in uporabi modelov strojnega učenja?	Lekcija	Tomomi
04	Tehnike za strojno učenje	Uvod	Katere tehnike uporabljajo raziskovalci strojnega učenja za gradnjo modelov strojnega učenja?	Lekcija	Chris in Jen
05	Uvod v regresijo	Regresija	Začnite s Python in Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regresija	Vizualizirajte in očistite podatke za pripravo na strojno učenje	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regresija	Zgradite linearne in polinomske regresijske modele	Python • R	Jen in Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regresija	Zgradite logistični regresijski model	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Spletna aplikacija	Zgradite spletno aplikacijo za uporabo vašega usposobljenega modela	Python	Jen
10	Uvod v klasifikacijo	Klasifikacija	Očistite, pripravite in vizualizirajte svoje podatke; uvod v klasifikacijo	Python • R	Jen in Cassie • Eric Wanjau
11	Okusne azijske in indijske jedi 🍜	Klasifikacija	Uvod v klasifikatorje	Python • R	Jen in Cassie • Eric Wanjau
12	Okusne azijske in indijske jedi 🍜	Klasifikacija	Več o klasifikatorjih	Python • R	Jen in Cassie • Eric Wanjau
13	Okusne azijske in indijske jedi 🍜	Klasifikacija	Zgradite spletno aplikacijo za priporočila z uporabo vašega modela	Python	Jen
14	Uvod v gručenje	Gručenje	Očistite, pripravite in vizualizirajte svoje podatke; uvod v gručenje	Python • R	Jen • Eric Wanjau
15	Raziskovanje nigerijskih glasbenih okusov 🎧	Gručenje	Raziskovanje metode gručenja K-sredin	Python • R	Jen • Eric Wanjau
16	Uvod v obdelavo naravnega jezika ☕️	Obdelava naravnega jezika	Spoznajte osnove obdelave naravnega jezika z izdelavo preprostega bota	Python	Stephen
17	Pogoste naloge NLP ☕️	Obdelava naravnega jezika	Poglobite svoje znanje NLP z razumevanjem pogostih nalog pri delu z jezikovnimi strukturami	Python	Stephen
18	Prevajanje in analiza sentimenta ♥️	Obdelava naravnega jezika	Prevajanje in analiza sentimenta z Jane Austen	Python	Stephen
19	Romantični hoteli Evrope ♥️	Obdelava naravnega jezika	Analiza sentimenta z ocenami hotelov 1	Python	Stephen
20	Romantični hoteli Evrope ♥️	Obdelava naravnega jezika	Analiza sentimenta z ocenami hotelov 2	Python	Stephen
21	Uvod v napovedovanje časovnih vrst	Časovne vrste	Uvod v napovedovanje časovnih vrst	Python	Francesca
22	⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z ARIMA	Časovne vrste	Napovedovanje časovnih vrst z ARIMA	Python	Francesca
23	⚡️ Svetovna poraba energije ⚡️ - napovedovanje časovnih vrst z SVR	Časovne vrste	Napovedovanje časovnih vrst z regressorjem podpornih vektorjev	Python	Anirban
24	Uvod v okrepljeno učenje	Okrepljeno učenje	Uvod v okrepljeno učenje z Q-učenjem	Python	Dmitry
25	Pomagajte Petru ubežati volku! 🐺	Okrepljeno učenje	Okrepljeno učenje z Gym	Python	Dmitry
Postscript	Resnični scenariji in aplikacije ML	ML v praksi	Zanimive in razkrivajoče resnične aplikacije klasičnega strojnega učenja	Lekcija	Ekipa
Postscript	Odpravljanje napak modelov v ML z nadzorno ploščo RAI	ML v praksi	Odpravljanje napak modelov v strojnem učenju z uporabo komponent nadzorne plošče za odgovorno umetno inteligenco	Lekcija	Ruth Yakubu

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

Dostop brez povezave

To dokumentacijo lahko uporabljate brez povezave z uporabo Docsify. Forkajte to repozitorij, namestite Docsify na svojo lokalno napravo in nato v korenski mapi tega repozitorija vnesite docsify serve. Spletna stran bo na voljo na portu 3000 na vašem lokalnem strežniku: localhost:3000.

PDF-ji

PDF učnega načrta s povezavami najdete tukaj.

🎒 Drugi tečaji

Naša ekipa pripravlja tudi druge tečaje! Oglejte si:

Pomoč

Če se zataknete ali imate kakršna koli vprašanja o gradnji AI aplikacij, se pridružite:

Če imate povratne informacije o izdelku ali naletite na napake med gradnjo, obiščite:

Omejitev odgovornosti:
Ta dokument je bil preveden z uporabo storitve AI za prevajanje Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku naj se šteje za avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne odgovarjamo za morebitna nesporazumevanja ali napačne razlage, ki izhajajo iz uporabe tega prevoda.

27 KiB Raw Blame History Unescape Escape