26 KiB

Raw Blame History Unescape Escape

🌐 Çok Dilli Destek

GitHub Action ile Destekleniyor (Otomatik ve Her Zaman Güncel)

Topluluğumuza Katılın

AI ile öğrenme serimiz Discord'da devam ediyor. Daha fazla bilgi edinin ve bize katılın: AI ile Öğrenme Serisi, 18 - 30 Eylül 2025 tarihleri arasında. GitHub Copilot'ı Veri Bilimi için kullanma ipuçları ve püf noktalarını öğrenin.

Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat

🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı dolaşın 🌍

Microsoft'taki Cloud Advocates ekibi, Makine Öğrenimi hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyuyor. Bu müfredatta, genellikle klasik makine öğrenimi olarak adlandırılan konuları öğreneceksiniz. Çoğunlukla Scikit-learn kütüphanesini kullanarak derin öğrenimden kaçınıyoruz; bu konu Yeni Başlayanlar için AI müfredatımızda ele alınıyor. Bu dersleri 'Yeni Başlayanlar için Veri Bilimi' müfredatımızla birleştirin!

Dünyanın dört bir yanından veri kullanarak bu klasik teknikleri uygularken bizimle seyahat edin. Her ders, ders öncesi ve sonrası sınavlar, yazılı talimatlar, çözüm, ödev ve daha fazlasını içerir. Proje tabanlı pedagojimiz, öğrenirken inşa etmenizi sağlar; bu, yeni becerilerin kalıcı olmasını sağlayan kanıtlanmış bir yöntemdir.

✍️ Yazarlarımıza içten teşekkürler Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd

🎨 İllüstratörlerimize teşekkürler Tomomi Imura, Dasani Madipalli ve Jen Looper

🙏 Microsoft Öğrenci Elçilerine özel teşekkürler 🙏, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal

🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya R derslerimiz için ekstra teşekkürler!

Başlarken

Şu adımları izleyin:

Depoyu Çatallayın: Bu sayfanın sağ üst köşesindeki "Fork" düğmesine tıklayın.
Depoyu Klonlayın: git clone https://github.com/microsoft/ML-For-Beginners.git

Bu kurs için ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Öğrenciler, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza çatallayın ve alıştırmaları bireysel olarak veya bir grup halinde tamamlayın:

Ders öncesi sınavla başlayın.
Dersi okuyun ve etkinlikleri tamamlayın, her bilgi kontrolünde durup düşünün.
Dersleri anlamaya çalışarak projeleri oluşturmayı deneyin; ancak çözüm kodu her proje odaklı dersin /solution klasörlerinde mevcuttur.
Ders sonrası sınavı yapın.
Zorluğu tamamlayın.
Ödevi tamamlayın.
Bir ders grubunu tamamladıktan sonra Tartışma Panosunu ziyaret edin ve uygun PAT rubriğini doldurarak "yüksek sesle öğrenin". PAT, öğreniminizi ilerletmek için doldurduğunuz bir rubrik olan İlerleme Değerlendirme Aracıdır. Ayrıca diğer PAT'lere tepki vererek birlikte öğrenebiliriz.

Daha fazla çalışma için, bu Microsoft Learn modüllerini ve öğrenme yollarını takip etmenizi öneririz.

Eğitmenler, bu müfredatı nasıl kullanabileceğinizle ilgili bazı öneriler ekledik.

Video Anlatımlar

Bazı dersler kısa video formatında mevcuttur. Bu videoları derslerin içinde veya Microsoft Developer YouTube kanalındaki Yeni Başlayanlar için ML oynatma listesinde bulabilirsiniz. Aşağıdaki görsele tıklayın.

Ekibi Tanıyın

Gif tasarımı Mohit Jaisal

🎥 Proje ve onu oluşturan kişiler hakkında bir video için yukarıdaki görsele tıklayın!

Pedagoji

Bu müfredatı oluştururken iki pedagojik ilkeyi benimsedik: proje tabanlı olmasını sağlamak ve sık sınavlar içermesi. Ayrıca, müfredatın bir tema içermesi, ona bütünlük kazandırır.

İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale gelir ve kavramların kalıcılığı artırılır. Ayrıca, ders öncesi düşük riskli bir sınav, öğrencinin bir konuyu öğrenmeye yönelik niyetini belirlerken, ders sonrası ikinci bir sınav daha fazla kalıcılık sağlar. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlandı ve tamamı veya bir kısmı alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek karmaşıklaşır. Bu müfredat ayrıca ML'nin gerçek dünya uygulamaları hakkında bir ek bölüm içerir; bu bölüm ekstra kredi olarak veya tartışma temeli olarak kullanılabilir.

Davranış Kuralları, Katkıda Bulunma ve Çeviri yönergelerimizi bulun. Yapıcı geri bildirimlerinizi memnuniyetle karşılıyoruz!

Her ders şunları içerir:

isteğe bağlı çizim notu
isteğe bağlı ek video
video anlatımı (bazı derslerde)
ders öncesi ısınma sınavı
yazılı ders
proje tabanlı dersler için, projeyi nasıl oluşturacağınızı adım adım anlatan rehberler
bilgi kontrolleri
bir zorluk
ek okuma
ödev
ders sonrası sınav

Diller hakkında bir not: Bu dersler ağırlıklı olarak Python ile yazılmıştır, ancak birçoğu R dilinde de mevcuttur. Bir R dersini tamamlamak için /solution klasörüne gidin ve R derslerini arayın. Bu dersler .rmd uzantısına sahiptir ve bu, bir R Markdown dosyasını temsil eder. R Markdown, kod parçacıkları (R veya diğer dillerde) ve YAML başlığı (PDF gibi çıktıları biçimlendirme talimatları) içeren bir Markdown belgesi olarak tanımlanabilir. Bu nedenle, veri bilimi için örnek bir yazım çerçevesi olarak hizmet eder çünkü kodunuzu, çıktısını ve düşüncelerinizi Markdown'da yazmanıza olanak tanır. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir.

Sınavlar hakkında bir not: Tüm sınavlar Quiz App klasöründe yer alır ve toplamda 52 sınav, her biri üç sorudan oluşur. Derslerden bağlantılıdır, ancak sınav uygulaması yerel olarak çalıştırılabilir; quiz-app klasöründeki talimatları takip ederek yerel olarak barındırabilir veya Azure'a dağıtabilirsiniz.

Ders Numarası	Konu	Ders Grubu	Öğrenme Hedefleri	Bağlantılı Ders	Yazar
01	Makine öğrenimine giriş	Giriş	Makine öğreniminin temel kavramlarını öğrenin	Ders	Muhammad
02	Makine öğreniminin tarihi	Giriş	Bu alanın altında yatan tarihi öğrenin	Ders	Jen ve Amy
03	Adalet ve makine öğrenimi	Giriş	Öğrencilerin ML modelleri oluştururken ve uygularken adaletle ilgili dikkate alması gereken önemli felsefi konular nelerdir?	Ders	Tomomi
04	Makine öğrenimi teknikleri	Giriş	ML araştırmacıları ML modelleri oluşturmak için hangi teknikleri kullanır?	Ders	Chris ve Jen
05	Regresyona giriş	Regresyon	Regresyon modelleri için Python ve Scikit-learn ile başlayın	Python • R	Jen • Eric Wanjau
06	Kuzey Amerika kabak fiyatları 🎃	Regresyon	ML için veri görselleştirme ve temizleme	Python • R	Jen • Eric Wanjau
07	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Doğrusal ve polinomial regresyon modelleri oluşturun	Python • R	Jen ve Dmitry • Eric Wanjau
08	Kuzey Amerika kabak fiyatları 🎃	Regresyon	Lojistik regresyon modeli oluşturun	Python • R	Jen • Eric Wanjau
09	Bir Web Uygulaması 🔌	Web Uygulaması	Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun	Python	Jen
10	Sınıflandırmaya giriş	Sınıflandırma	Verilerinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş	Python • R	Jen ve Cassie • Eric Wanjau
11	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Sınıflandırıcılarla tanışın	Python • R	Jen ve Cassie • Eric Wanjau
12	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Daha fazla sınıflandırıcı	Python • R	Jen ve Cassie • Eric Wanjau
13	Lezzetli Asya ve Hint mutfakları 🍜	Sınıflandırma	Modelinizi kullanarak bir öneri web uygulaması oluşturun	Python	Jen
14	Kümelemeye giriş	Kümeleme	Verilerinizi temizleyin, hazırlayın ve görselleştirin; kümelemeye giriş	Python • R	Jen • Eric Wanjau
15	Nijeryalı Müzik Zevklerini Keşfetmek 🎧	Kümeleme	K-Means kümeleme yöntemini keşfedin	Python • R	Jen • Eric Wanjau
16	Doğal dil işleme giriş ☕️	Doğal dil işleme	Basit bir bot oluşturarak NLP hakkında temel bilgileri öğrenin	Python	Stephen
17	Yaygın NLP Görevleri ☕️	Doğal dil işleme	Dil yapılarıyla çalışırken gereken yaygın görevleri anlayarak NLP bilginizi derinleştirin	Python	Stephen
18	Çeviri ve duygu analizi ♥️	Doğal dil işleme	Jane Austen ile çeviri ve duygu analizi	Python	Stephen
19	Avrupa'nın Romantik Otelleri ♥️	Doğal dil işleme	Otel yorumlarıyla duygu analizi 1	Python	Stephen
20	Avrupa'nın Romantik Otelleri ♥️	Doğal dil işleme	Otel yorumlarıyla duygu analizi 2	Python	Stephen
21	Zaman serisi tahminine giriş	Zaman serisi	Zaman serisi tahminine giriş	Python	Francesca
22	⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini	Zaman serisi	ARIMA ile zaman serisi tahmini	Python	Francesca
23	⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini	Zaman serisi	Destek Vektör Regresörü ile zaman serisi tahmini	Python	Anirban
24	Pekiştirmeli öğrenmeye giriş	Pekiştirmeli öğrenme	Q-Learning ile pekiştirmeli öğrenmeye giriş	Python	Dmitry
25	Peter'ı kurttan kurtarın! 🐺	Pekiştirmeli öğrenme	Pekiştirmeli öğrenme Gym	Python	Dmitry
Postscript	Gerçek Dünya ML senaryoları ve uygulamaları	Gerçek Dünya ML	Klasik ML'nin ilginç ve açıklayıcı gerçek dünya uygulamaları	Ders	Takım
Postscript	RAI panosu kullanarak ML model hata ayıklama	Gerçek Dünya ML	Sorumlu AI panosu bileşenlerini kullanarak Makine Öğrenimi model hata ayıklama	Ders	Ruth Yakubu

Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun

Çevrimdışı erişim

Bu dokümantasyonu Docsify kullanarak çevrimdışı çalıştırabilirsiniz. Bu repoyu fork edin, Docsify'i yükleyin yerel makinenize ve ardından bu repo'nun kök klasöründe docsify serve yazın. Web sitesi localhost'unuzda 3000 numaralı portta hizmet verecektir: localhost:3000.

PDF'ler

Bağlantılarla birlikte müfredatın PDF'sini buradan bulun.

🎒 Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! Şunlara göz atın:

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.

26 KiB Raw Blame History Unescape Escape