34 KiB

Raw Blame History Unescape Escape

🌐 Підтримка багатомовності

Підтримується через GitHub Action (автоматично та завжди актуально)

Приєднуйтесь до нашої спільноти

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.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте світом, досліджуючи машинне навчання через культури світу 🌍

Хмарні адвокати 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 вам навчатися, створюючи, що є перевіреним способом закріплення нових навичок.

✍️ Щира подяка нашим авторам Джен Лупер, Стівену Ховеллу, 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:

Форкніть репозиторій: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
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? Перегляньте наш Посібник з усунення несправностей для вирішення поширених проблем із встановленням, налаштуванням та виконанням уроків.

Студенти, щоб використовувати цю навчальну програму, форкніть весь репозиторій 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 виклик.
Виконайте завдання.
Після завершення групи уроків відвідайте Дошку обговорень і "навчайтеся вголос", заповнюючи відповідну рубрику PAT. PAT — це інструмент оцінки прогресу, який є рубрикою, яку 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 включили кілька пропозицій щодо використання цієї навчальної програми.

Відео-огляди

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

Знайомство з командою

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 того, щоб вона була практичною заснованою на проектах і включала часті тести. Крім того, ця навчальна програма має спільну тему, яка надає їй цілісності.

Забезпечуючи відповідність контенту проектам, процес стає більш захоплюючим для студентів, а засвоєння концепцій буде посилено. Крім того, тест перед заняттям з низькими ставками налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше засвоєння. Ця навчальна програма була розроблена, щоб бути гнучкою та цікавою, і її можна проходити повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Ця навчальна програма також включає постскриптум про реальні застосування ML, який можна використовувати як додатковий кредит або як основу для обговорення.

Знайдіть наші Правила поведінки, Внесок, Переклад та Посібник з усунення несправностей. Ми вітаємо ваші конструктивні відгуки!

Кожен урок включає

необов'язковий скетч
необов'язкове додаткове відео
відео-огляд (лише деякі уроки)
тест перед лекцією
письмовий урок
для уроків, заснованих на проектах, покрокові інструкції щодо створення проекту
перевірки знань
виклик
додаткове читання
завдання
тест після лекції

Примітка щодо мов: Ці уроки написані переважно на Python, але багато з них також доступні на R. Щоб пройти урок на R, перейдіть до папки /solution і знайдіть уроки на R. Вони включають розширення .rmd, яке представляє R Markdown файл, який можна просто визначити як вбудовування кодових блоків (R або інших мов) і YAML заголовка (який визначає, як форматувати вихідні дані, такі як PDF) у Markdown документ. Таким чином, це служить зразковою авторською платформою для науки про дані, оскільки дозволяє вам комбінувати ваш код, його вихідні дані та ваші думки, дозволяючи записувати їх у Markdown. Крім того, документи R Markdown можна рендерити у вихідні формати, такі як PDF, HTML або Word.

Примітка щодо тестів: 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	Introduction	Дізнайтеся основні концепції машинного навчання	Lesson	Muhammad
02	Історія машинного навчання	Introduction	Дізнайтеся історію, яка лежить в основі цієї галузі	Lesson	Jen і Amy
03	Справедливість і машинне навчання	Introduction	Які важливі філософські питання щодо справедливості слід враховувати студентам при створенні та застосуванні моделей ML?	Lesson	Tomomi
04	Техніки машинного навчання	Introduction	Які техніки використовують дослідники ML для створення моделей ML?	Lesson	Chris і Jen
05	Вступ до регресії	Regression	Почніть працювати з Python і Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи в Північній Америці 🎃	Regression	Візуалізуйте та очистіть дані для підготовки до ML	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи в Північній Америці 🎃	Regression	Створіть моделі лінійної та поліноміальної регресії	Python • R	Jen і Dmitry • Eric Wanjau
08	Ціни на гарбузи в Північній Америці 🎃	Regression	Створіть модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Web App	Створіть веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Classification	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до класифікації	Python • R	Jen і Cassie • Eric Wanjau
11	Смачні азійські та індійські страви 🍜	Classification	Вступ до класифікаторів	Python • R	Jen і Cassie • Eric Wanjau
12	Смачні азійські та індійські страви 🍜	Classification	Більше класифікаторів	Python • R	Jen і Cassie • Eric Wanjau
13	Смачні азійські та індійські страви 🍜	Classification	Створіть веб-додаток рекомендацій, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Clustering	Очистіть, підготуйте та візуалізуйте ваші дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних уподобань Нігерії 🎧	Clustering	Дослідження методу кластеризації K-Means	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Natural language processing	Дізнайтеся основи NLP, створивши простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Natural language processing	Поглибте свої знання NLP, зрозумівши загальні завдання, необхідні для роботи з мовними структурами	Python	Stephen
18	Переклад і аналіз настроїв ♥️	Natural language processing	Переклад і аналіз настроїв з Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв за відгуками про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв за відгуками про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Time series	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Використання електроенергії у світі ⚡️ - прогнозування часових рядів з ARIMA	Time series	Прогнозування часових рядів з ARIMA	Python	Francesca
23	⚡️ Використання електроенергії у світі ⚡️ - прогнозування часових рядів з SVR	Time series	Прогнозування часових рядів з Support Vector Regressor	Python	Anirban
24	Вступ до навчання з підкріпленням	Reinforcement learning	Вступ до навчання з підкріпленням з Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Reinforcement learning	Навчання з підкріпленням у Gym	Python	Dmitry
Postscript	Реальні сценарії та застосування ML	ML in the Wild	Цікаві та показові реальні застосування класичного ML	Lesson	Team
Postscript	Налагодження моделей ML за допомогою панелі RAI	ML in the Wild	Налагодження моделей машинного навчання за допомогою компонентів панелі Responsible AI	Lesson	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. Веб-сайт 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:

Отримання допомоги

Якщо ви застрягли або маєте запитання щодо створення AI-додатків, приєднуйтесь:

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

Відмова від відповідальності:
Цей документ був перекладений за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу.

34 KiB Raw Blame History Unescape Escape