ML-For-Beginners/translations/ru

🌐 Поддержка нескольких языков

Поддерживается через GitHub Action (автоматизировано и всегда актуально)

Арабский | Бенгальский | Болгарский | Бирманский (Мьянма) | Китайский (упрощенный) | Китайский (традиционный, Гонконг) | Китайский (традиционный, Макао) | Китайский (традиционный, Тайвань) | Хорватский | Чешский | Датский | Нидерландский | Эстонский | Финский | Французский | Немецкий | Греческий | Иврит | Хинди | Венгерский | Индонезийский | Итальянский | Японский | Каннада | Корейский | Литовский | Малайский | Малаялам | Маратхи | Непальский | Нигерийский пиджин | Норвежский | Персидский (Фарси) | Польский | Португальский (Бразилия) | Португальский (Португалия) | Панджаби (Гурмухи) | Румынский | Русский | Сербский (кириллица) | Словацкий | Словенский | Испанский | Суахили | Шведский | Тагальский (Филиппинский) | Тамильский | Телугу | Тайский | Турецкий | Украинский | Урду | Вьетнамский

Предпочитаете клонировать локально?

Этот репозиторий включает более 50 языковых переводов, что значительно увеличивает размер загрузки. Чтобы клонировать без переводов, используйте sparse checkout:

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'

Это даст вам всё необходимое для прохождения курса с гораздо более быстрой загрузкой.

Присоединяйтесь к нашему сообществу

Сейчас у нас в Discord проходит серия занятий Learn with AI, узнайте больше и присоединяйтесь к нам на Learn with AI Series с 18 по 30 сентября 2025 года. Вы получите советы и подсказки по использованию GitHub Copilot для Data Science.

Машинное обучение для начинающих - Учебная программа

🌍 Путешествуйте по миру, изучая Машинное обучение через культуры мира 🌍

Cloud Advocates в Microsoft рады предложить 12-недельную программу из 26 уроков, полностью посвящённую машинному обучению. В рамках этой программы вы познакомитесь с так называемым классическим машинным обучением, используя в основном библиотеку Scikit-learn и избегая глубокого обучения, которое рассматривается в нашей программе AI для начинающих. Также совмещайте эти уроки с нашей программой 'Data Science для начинающих'!

Путешествуйте вместе с нами по миру, применяя классические методы к данным из разных регионов. Каждый урок включает контрольные тесты до и после занятия, письменные инструкции для выполнения урока, решение, задание и многое другое. Наша проектная методика обучения позволяет учиться путем создания проектов — проверенный способ лучшего усвоения новых знаний.

✍️ Искренняя благодарность нашим авторам Джен Лупер, Стивен Хауэлл, Франческа Лаццери, Томоми Имура, Кэсси Бревиу, Дмитрий Сошников, Крис Норинг, Анирбан Мукерджи, Орнелла Алтунян, Рут Якобу и Эми Бойд

🎨 Благодарность также нашим иллюстраторам Томоми Имура, Дасани Мадипалли и Джен Лупер

🙏 Особая благодарность 🙏 авторам, рецензентам и участникам из Microsoft Student Ambassador, в частности Ришиту Дагли, Мухаммаду Сакибу Хану Инану, Рохану Раджу, Александру Петреску, Абхишеку Джайсвалу, Наврин Табассум, Иоану Самуиле и Снигдхе Агарвал

🤩 Дополнительная благодарность студентам Microsoft Ambassadors Эрику Ванджау, Джаслин Сонди и Видуши Гупте за уроки на R!

Начало работы

Выполните следующие шаги:

1. Создайте форк репозитория: Нажмите кнопку "Fork" в правом верхнем углу этой страницы.
2. Клонируйте репозиторий: git clone https://github.com/microsoft/ML-For-Beginners.git

найдите все дополнительные материалы для этого курса в нашей коллекции Microsoft Learn

🔧 Нужна помощь? Ознакомьтесь с нашим руководством по устранению неполадок для решения распространенных проблем с установкой, настройкой и запуском уроков.

Студенты, чтобы использовать эту программу, создайте форк всего репозитория в свой аккаунт GitHub и выполняйте упражнения самостоятельно или в группе:

• Начинайте с контрольного теста перед лекцией.
• Читайте лекцию и выполняйте задания, делая паузы и обдумывая вопросы для самопроверки.
• Старайтесь создавать проекты, понимая уроки, а не просто копируя код решения; тем не менее, код решений доступен в папках /solution в каждом уроке, ориентированном на проекты.
• Пройдите тест после лекции.
• Выполните вызов.
• Выполните задание.
• После завершения группы уроков посетите Дискуссионную доску и «учитесь вслух», заполнив соответствующую рубрику PAT. ‘PAT’ (Progress Assessment Tool) — это инструмент оценки прогресса, который вы заполняете для углубления обучения. Также вы можете реагировать на PAT других участников, чтобы учиться вместе.

Для дальнейшего изучения рекомендуем пройти эти модули и учебные пути Microsoft Learn.

Учителя, мы подготовили несколько рекомендаций по использованию этой программы.

---

Видеообзоры

Некоторые уроки доступны в формате коротких видео. Вы можете найти все они прямо в уроках или на плейлисте ML for Beginners на канале Microsoft Developer в YouTube, кликнув на изображение ниже.

---

Встречайте команду

Гифка от Mohit Jaisal

🎥 Кликните на изображение выше, чтобы посмотреть видео о проекте и людях, которые его создали!

---

Педагогика

При создании этой программы мы выбрали два педагогических принципа: обеспечить практическую проектную направленность и включить частые тесты. Кроме того, программа имеет общую тематику для создания целостности.

Путем согласования контента с проектами процесс становится более увлекательным для студентов, а запоминание понятий улучшается. Низкопороговый тест перед занятием мотивирует студента изучать тему, а второй тест после занятия гарантирует лучшее усвоение. Программа спроектирована гибко и интересно, её можно проходить целиком или частично. Проекты начинаются с простых и постепенно усложняются к концу 12-недельного цикла. В программу также включён послесловие о реальных применениях МО, которое можно использовать в качестве дополнительного задания или основы для обсуждения.

Ознакомьтесь с нашими Кодексом поведения, Правилами участия, Правилами перевода и руководством по устранению неполадок. Мы рады вашему конструктивному отзыву!

Каждый урок включает

• необязательный скетчнот
• необязательное дополнительное видео
• видеообзор (только некоторые уроки)
• тест для разминки перед лекцией
• письменный урок
• для проектных уроков — пошаговые инструкции по созданию проекта
• контрольные вопросы
• вызов
• дополнительное чтение
• задание
• тест после лекции

Примечание о языках: Эти уроки в основном написаны на Python, но многие также доступны на R. Чтобы выполнить урок на R, перейдите в папку /solution и найдите уроки на R. Они имеют расширение .rmd, что означает R Markdown — формат, который включает в себя «кодовые блоки» (на R или других языках) и заголовок YAML (определяющий форматирование вывода, например PDF) в документе Markdown. Таким образом, это отличный инструмент для создания материалов по data science, поскольку позволяет объединить код, его результаты и ваши мысли в одном документе Markdown. Кроме того, документы R Markdown можно выводить в форматы PDF, HTML или Word. Примечание о викторинах: Все викторины содержатся в папке Quiz App folder, всего 52 викторины по три вопроса каждая. Они связаны с уроками, но приложение для викторин можно запустить локально; следуйте инструкциям в папке quiz-app для локального хостинга или развертывания в Azure.

Номер урока	Тема	Группа уроков	Цели обучения	Связанный урок	Автор
01	Введение в машинное обучение	Introduction	Изучить основные концепции машинного обучения	Lesson	Muhammad
02	История машинного обучения	Introduction	Изучить историю данной области	Lesson	Jen and Amy
03	Справедливость и машинное обучение	Introduction	Какие философские вопросы справедливости должны учитывать студенты при создании и применении моделей машинного обучения?	Lesson	Tomomi
04	Методы машинного обучения	Introduction	Какие методы используют исследователи машинного обучения для создания моделей?	Lesson	Chris and Jen
05	Введение в регрессию	Regression	Начать работу с Python и Scikit-learn для моделей регрессии	Python • R	Jen • Eric Wanjau
06	Цены на тыквы в Северной Америке 🎃	Regression	Визуализировать и очистить данные для подготовки к машинному обучению	Python • R	Jen • Eric Wanjau
07	Цены на тыквы в Северной Америке 🎃	Regression	Создать модели линейной и полиномиальной регрессии	Python • R	Jen and Dmitry • Eric Wanjau
08	Цены на тыквы в Северной Америке 🎃	Regression	Построить модель логистической регрессии	Python • R	Jen • Eric Wanjau
09	Веб-приложение 🔌	Web App	Создать веб-приложение для использования обученной модели	Python	Jen
10	Введение в классификацию	Classification	Очистить, подготовить и визуализировать данные; введение в классификацию	Python • R	Jen and Cassie • Eric Wanjau
11	Вкусные азиатские и индийские кухни 🍜	Classification	Введение в классификаторы	Python • R	Jen and Cassie • Eric Wanjau
12	Вкусные азиатские и индийские кухни 🍜	Classification	Дополнительные классификаторы	Python • R	Jen and Cassie • Eric Wanjau
13	Вкусные азиатские и индийские кухни 🍜	Classification	Построить веб-приложение рекомендации с использованием вашей модели	Python	Jen
14	Введение в кластеризацию	Clustering	Очистить, подготовить и визуализировать данные; введение в кластеризацию	Python • R	Jen • Eric Wanjau
15	Исследование музыкальных предпочтений в Нигерии 🎧	Clustering	Изучить метод кластеризации K-Means	Python • R	Jen • Eric Wanjau
16	Введение в обработку естественного языка ☕️	Natural language processing	Изучить основы НЛП, создав простой бот	Python	Stephen
17	Общие задачи НЛП ☕️	Natural language processing	Углубить знания о НЛП, изучив основные задачи при работе с языковыми структурами	Python	Stephen
18	Перевод и анализ тональности ♥️	Natural language processing	Перевод и анализ тональности на примере Джейн Остин	Python	Stephen
19	Романтические отели Европы ♥️	Natural language processing	Анализ тональности на основе отзывов об отелях 1	Python	Stephen
20	Романтические отели Европы ♥️	Natural language processing	Анализ тональности на основе отзывов об отелях 2	Python	Stephen
21	Введение в прогнозирование временных рядов	Time series	Введение в прогнозирование временных рядов	Python	Francesca
22	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с ARIMA	Time series	Прогнозирование временных рядов с помощью ARIMA	Python	Francesca
23	⚡️ Мировое потребление электроэнергии ⚡️ - прогнозирование с SVR	Time series	Прогнозирование временных рядов с помощью регрессии опорных векторов (SVR)	Python	Anirban
24	Введение в обучение с подкреплением	Reinforcement learning	Введение в обучение с подкреплением с использованием Q-Learning	Python	Dmitry
25	Помогите Питеру избежать волка! 🐺	Reinforcement learning	Обучение с подкреплением с использованием Gym	Python	Dmitry
Постскрипт	Сценарии и приложения машинного обучения в реальности	ML in the Wild	Интересные и показательные реальные применения классического машинного обучения	Lesson	Team
Постскрипт	Отладка моделей машинного обучения с помощью RAI	ML in the Wild	Отладка моделей машинного обучения с использованием панели Responsible AI	Lesson	Ruth Yakubu

найдите все дополнительные ресурсы для этого курса в нашей коллекции Microsoft Learn

Оффлайн доступ

Вы можете использовать эту документацию оффлайн, используя Docsify. Форкните этот репозиторий, установите Docsify на вашем устройстве и в корневой папке репозитория выполните команду docsify serve. Веб-сайт будет доступен по адресу localhost:3000.

PDF

Найдите PDF версии учебного плана с ссылками здесь.

🎒 Другие курсы

Наша команда выпускает и другие курсы! Ознакомьтесь с:

LangChain

Azure / Edge / MCP / Agents

---

Серия по генеративному ИИ

---

Основное обучение

---

Серия Copilot

Получение помощи

Если вы застряли или у вас есть вопросы о создании AI-приложений. Присоединяйтесь к другим учащимся и опытным разработчикам в обсуждениях о MCP. Это поддерживающее сообщество, где вопросы приветствуются, а знания свободно распространяются.

Если у вас есть отзывы о продукте или вы столкнулись с ошибками при разработке, посетите:

---

Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, будьте предупреждены, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его родном языке следует считать авторитетным источником. Для важной информации рекомендуется профессиональный перевод человеком. Мы не несём ответственности за любые недоразумения или ошибки в интерпретации, возникшие в результате использования данного перевода.