ML-For-Beginners/translations/sl

🌐 Podpora za več jezikov

Podprto preko GitHub akcije (avtomatizirano in vedno posodobljeno)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Raje klonirati lokalno?

Ta repozitorij vsebuje prevode v več kot 50 jezikov, kar znatno poveča velikost prenosa. Za kloniranje brez prevodov uporabite 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'

To vam omogoča vse, kar potrebujete za opravljanje tečaja, s precej hitrejšim prenosom.

Pridružite se naši skupnosti

Imamo tekočo serijo Learn with AI na Discordu, več o tem in pridružitev na Learn with AI Series od 18. do 30. septembra 2025. Prejeli boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.

Strojno učenje za začetnike – učni načrt

🌍 Potujte po svetu, ko raziskujemo strojno učenje preko svetovnih kultur 🌍

Cloud Advocates pri Microsoftu so z veseljem pripravili 12-tedenski, 26-lekcijski učni načrt, ki govori o strojnem učenju. V tem učnem načrtu boste spoznali t.i. klasično strojno učenje, ki uporablja predvsem knjižnico Scikit-learn in se izogiba globokemu učenju, ki je zajeto v našem učnem načrtu AI za začetnike. Združite te lekcije tudi z našim učnim načrtom za podatkovno znanost za začetnike!

Potujte z nami okoli sveta, ko uporabljamo te klasične tehnike na podatkih iz različnih področij sveta. Vsaka lekcija vsebuje kvize pred in po lekciji, pisna navodila za izvedbo lekcije, rešitev, nalogo in več. Naš projektno usmerjen pouk vam omogoča učenje preko gradnje, kar je preverjen način za boljše pomnjenje 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

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

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

🤩 Dodatna hvala Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R-u!

Začetek

Sledite tem korakom:

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

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

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

Študenti, za uporabo tega učnega načrta razvejite celoten repozitorij na svoj GitHub račun in vaje rešujte sami ali v skupini:

• Začnite s kvizom pred predavanjem.
• Preberite predavanje in dokončajte dejavnosti, ob vsakem preverjanju znanja naredite pavzo in razmislite.
• Poskušajte ustvariti projekte z razumevanjem lekcij, namesto samo z izvajanjem rešitvenih kod; te so vseeno na voljo v mapah /solution v vsaki lekciji, usmerjeni v projekte.
• Naredite kviz po predavanju.
• Opravite izziv.
• Izpolnite nalogo.
• Po zaključku skupine lekcij obiščite razpravno ploščo in "učite se naglas" tako, da izpolnite ustrezno rubriko PAT. 'PAT' je Orodje za ocenjevanje napredka, kjer izpolnite rubriko, ki vam pomaga pri učenju. Prav tako lahko reagirate na druge PAT, da se učimo skupaj.

Za dodatno študijo priporočamo sledenje tem Microsoft Learn modulom in učnim potem.

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

---

Video predstavitve

Nekatere lekcije so na voljo tudi kot kratki videoposnetki. Vse te najdete v lekcijah ali na predvajalnem seznamu ML za začetnike 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 oblikovanju tega učnega načrta smo izbrali dva pedagoška temeljna načela: zagotoviti, da je praktičen in projektno usmerjen ter da vključuje pogoste kvize. Poleg tega ima ta učni načrt skupno temo za boljšo povezanost.

S tem, ko uskladimo vsebino s projekti, je proces za študente bolj privlačen in koncepti se bolje zapomnijo. Poleg tega nizko-tvegan kviz pred predavanjem postavi namero študenta za učenje teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnje utrjevanje. Ta učni načrt je zasnovan kot prilagodljiv in zabaven ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo majhni in ob koncu 12-tedenskega obdobja postanejo vedno bolj kompleksni. Ta učni načrt vključuje tudi dodatek o resničnih aplikacijah strojnega učenja, ki ga lahko uporabite kot dodatno ocenjevanje ali osnovo za razpravo.

Poiščite naša pravila Kodeks vedenja, Prispevanje, Prevajanje in Odpravljanje težav. Veselimo se vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

• neobvezen sketchnote
• neobvezen dodatni video
• video predstavitev (le nekatere lekcije)
• kviz za ogrevanje pred predavanjem
• pisno lekcijo
• za projektno usmerjene lekcije korak-po-korak vodiče kako sestaviti projekt
• preverjanja znanja
• izziv
• dodatno branje
• nalogo
• kviz po predavanju

Opomba glede jezikov: Te lekcije so večinoma napisane v Pythonu, vendar so mnoge na voljo tudi v R-ju. Za dokončanje lekcije v R-ju pojdite v mapo /solution in poiščite lekcije v R-ju. Vsebujejo končnico .rmd, ki predstavlja R Markdown datoteko, kar je preprosto definirano kot vdelava koda blokov (R ali drugih jezikov) in YAML glave (ki usmerja oblikovanje izhodov, kot je PDF) v Markdown dokument. Kot tak služi kot vzoren okvir za oblikovanje vsebin za podatkovno znanost, saj omogoča kombiniranje kode, njenega izhoda in vaših misli z zapisovanjem v Markdown. Poleg tega je mogoče R Markdown dokumente pretvoriti v izhodne formate, kot so PDF, HTML ali Word. Opomba o kvizih: Vsi kvizi so shranjeni v mapi Quiz App, skupaj 52 kvizov, vsak s tremi vprašanji. Povezani so iz lekcij, lahko pa tudi lokalno zaženete aplikacijo za kvize; sledite navodilom v mapi quiz-app za lokalno gostovanje ali nameščanje v Azure.

številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtor
01	Uvod v strojno učenje	Uvod	Spoznajte osnovne koncepte strojenega učenja	Lekcija	Muhammad
02	Zgodovina strojenega učenja	Uvod	Spoznajte zgodovino tega področja	Lekcija	Jen in Amy
03	Pravičnost in strojno učenje	Uvod	Katere so pomembne filozofske teme pravičnosti, ki jih morajo študenti upoštevati pri ustvarjanju in uporabi ML modelov?	Lekcija	Tomomi
04	Tehnike strojnega učenja	Uvod	Katere tehnike uporabljajo raziskovalci ML za ustvarjanje ML modelov?	Lekcija	Chris in Jen
05	Uvod v regresijo	Regresija	Začnite z uporabo Pythona in Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regresija	Vizualizirajte in očistite podatke kot pripravo za ML	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regresija	Ustvarite linearne in polinomske regresijske modele	Python • R	Jen in Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regresija	Izdelajte model logistične regresije	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Spletna aplikacija	Ustvarite spletno aplikacijo za uporabo vašega izurjenega 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	Okusen azijski in indijski kulinarični svet 🍜	Klasifikacija	Uvod v klasifikatorje	Python • R	Jen in Cassie • Eric Wanjau
12	Okusen azijski in indijski kulinarični svet 🍜	Klasifikacija	Več klasifikatorjev	Python • R	Jen in Cassie • Eric Wanjau
13	Okusen azijski in indijski kulinarični svet 🍜	Klasifikacija	Ustvarite priporočilno spletno aplikacijo z vašim modelom	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	Raziščite metodo gručenja K-povprečij	Python • R	Jen • Eric Wanjau
16	Uvod v procesiranje naravnega jezika ☕️	Procesiranje naravnega jezika	Spoznajte osnove NLP z izdelavo enostavnega bota	Python	Stephen
17	Pogoste naloge NLP ☕️	Procesiranje naravnega jezika	Poglobite svoje znanje NLP z razumevanjem pogostih nalog, potrebnih za delo z jezikovnimi strukturami	Python	Stephen
18	Prevod in analiza sentimenta ♥️	Procesiranje naravnega jezika	Prevod in analiza sentimenta z Jane Austen	Python	Stephen
19	Romantični hoteli Evrope ♥️	Procesiranje naravnega jezika	Analiza sentimenta z ocenami hotelov 1	Python	Stephen
20	Romantični hoteli Evrope ♥️	Procesiranje 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	⚡️ Poraba električne energije na svetu ⚡️ - napovedovanje časovnih vrst z ARIMA	Časovne vrste	Napovedovanje časovnih vrst z metodo ARIMA	Python	Francesca
23	⚡️ Poraba električne energije na svetu ⚡️ - napovedovanje časovnih vrst z SVR	Časovne vrste	Napovedovanje časovnih vrst z regresorjem podpornih vektorjev	Python	Anirban
24	Uvod v učenje s krepitvijo	Učenje s krepitvijo	Uvod v učenje s krepitvijo z metodo Q-učenja	Python	Dmitry
25	Pomagaj Petru, da se izogne volku! 🐺	Učenje s krepitvijo	Gym za učenje s krepitvijo	Python	Dmitry
Dodatek	Resnični primeri in uporabe ML	ML v resnici	Zanimive in razkrivajoče resnične aplikacije klasičnega ML	Lekcija	Ekipa
Dodatek	Odpravljanje napak modelov v ML z uporabo RAI nadzorne plošče	ML v resnici	Odpravljanje napak modelov strojnega učenja z uporabo komponent nadzorne plošče Responsible AI	Lekcija	Ruth Yakubu

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

Dostop brez povezave

To dokumentacijo lahko zaženete offline z uporabo Docsify. Forkajte ta repozitorij, namestite Docsify na svoj računalnik in v korenski mapi tega repozitorija zaženite ukaz docsify serve. Spletna stran bo na voljo na vratih 3000 na vašem lokalnem računalniku: localhost:3000.

PDF-ji

Prenesite pdf učnega načrta s povezavami tukaj.

🎒 Drugi tečaji

Naša ekipa pripravlja tudi druge tečaje! Oglejte si:

LangChain

Azure / Edge / MCP / Agentje

---

Serija generativne umetne inteligence

---

Osnove učenja

---

Serija Copilot

Pridobivanje pomoči

Če se zataknete ali imate kakršnakoli vprašanja glede izdelave AI aplikacij, se pridružite ostalim učencem in izkušenim razvijalcem v razpravah o MCP. To je podpirajoča skupnost, kjer so vprašanja dobrodošla in kjer znanje prosto delijo.

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

---

Omejitev odgovornosti: Ta dokument je bil preveden z uporabo AI prevajalske storitve Co-op Translator. Čeprav si prizadevamo za natančnost, vas opozarjamo, da avtomatski prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku je treba obravnavati kot avtoritativni vir. Za kritične informacije priporočamo strokovni človeški prevod. Ne odgovarjamo za morebitne nesporazume ali napačne razlage, ki izhajajo iz uporabe tega prevoda.