26 KiB

Raw Blame History Unescape Escape

🌐 Suporta sa Iba't Ibang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Automated at Laging Napapanahon)

Sumali sa Komunidad

Machine Learning para sa mga Baguhan - Isang Kurikulum

🌍 Maglakbay sa buong mundo habang tinutuklas ang Machine Learning sa pamamagitan ng kultura ng iba't ibang bansa 🌍

Ang mga Cloud Advocates sa Microsoft ay masayang nag-aalok ng isang 12-linggong, 26-aralin na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututo ka tungkol sa tinatawag na classic machine learning, gamit ang pangunahing Scikit-learn bilang library at iiwasan ang deep learning, na saklaw sa aming AI for Beginners' curriculum. Ipares ang mga araling ito sa aming 'Data Science for Beginners' curriculum, din!

Sumama sa amin sa paglalakbay sa buong mundo habang ina-apply ang mga klasikong teknik sa data mula sa iba't ibang bahagi ng mundo. Ang bawat aralin ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang aralin, solusyon, assignment, at marami pa. Ang aming project-based pedagogy ay nagbibigay-daan sa iyo na matuto habang gumagawa, isang napatunayang paraan para mas tumatak ang mga bagong kasanayan.

✍️ Taos-pusong pasasalamat sa aming mga may-akda Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd

🎨 Salamat din sa aming mga ilustrador Tomomi Imura, Dasani Madipalli, at Jen Looper

🙏 Espesyal na pasasalamat 🙏 sa aming Microsoft Student Ambassador na mga may-akda, reviewer, at mga kontribyutor ng nilalaman, partikular Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal

🤩 Dagdag na pasasalamat sa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!

Pagsisimula

Sundin ang mga hakbang na ito:

Fork ang Repository: I-click ang "Fork" button sa kanang-itaas na bahagi ng pahinang ito.
Clone ang Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

hanapin ang lahat ng karagdagang resources para sa kursong ito sa aming Microsoft Learn collection

Mga Mag-aaral, para magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at tapusin ang mga exercises nang mag-isa o kasama ang grupo:

Simulan sa pre-lecture quiz.
Basahin ang lecture at tapusin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check.
Subukang gawin ang mga proyekto sa pamamagitan ng pag-unawa sa mga aralin sa halip na i-run ang solution code; gayunpaman, ang code na iyon ay makikita sa /solution folders sa bawat project-oriented lesson.
Gawin ang post-lecture quiz.
Tapusin ang challenge.
Tapusin ang assignment.
Pagkatapos tapusin ang isang lesson group, bisitahin ang Discussion Board at "mag-aral nang malakas" sa pamamagitan ng pag-fill out ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na iyong pinupunan para mapalalim ang iyong pag-aaral. Maaari ka ring mag-react sa ibang PATs para magtulungan sa pag-aaral.

Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga Microsoft Learn modules at learning paths.

Mga Guro, mayroon kaming ilang mungkahi kung paano gamitin ang kurikulum na ito.

Video walkthroughs

Ang ilan sa mga aralin ay available bilang maikling video. Makikita mo ang lahat ng ito in-line sa mga aralin, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa imahe sa ibaba.

Kilalanin ang Team

Gif ni Mohit Jaisal

🎥 I-click ang imahe sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!

Pedagogy

Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: tiyaking ito ay hands-on project-based at may kasamang madalas na quizzes. Bukod dito, ang kurikulum na ito ay may karaniwang tema para bigyan ito ng pagkakaugnay.

Sa pamamagitan ng pagtiyak na ang nilalaman ay naaayon sa mga proyekto, mas nagiging engaging ang proseso para sa mga mag-aaral at mas tumatatak ang mga konsepto. Bukod dito, ang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng mag-aaral patungo sa pag-aaral ng isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay mas nagpapalalim ng retention. Ang kurikulum na ito ay dinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi lamang. Ang mga proyekto ay nagsisimula sa maliit at nagiging mas kumplikado sa pagtatapos ng 12-linggong cycle. Ang kurikulum na ito ay mayroon ding postscript sa mga real-world applications ng ML, na maaaring gamitin bilang extra credit o bilang batayan para sa diskusyon.

Hanapin ang aming Code of Conduct, Contributing, at Translation guidelines. Malugod naming tinatanggap ang iyong konstruktibong feedback!

Ang bawat aralin ay may kasamang

opsyonal na sketchnote
opsyonal na supplemental video
video walkthrough (ilang aralin lamang)
pre-lecture warmup quiz
nakasulat na aralin
para sa mga project-based lessons, step-by-step guides kung paano buuin ang proyekto
knowledge checks
isang challenge
supplemental reading
assignment
post-lecture quiz

Tungkol sa mga wika: Ang mga aralin na ito ay pangunahing nakasulat sa Python, ngunit marami rin ang available sa R. Para tapusin ang isang R lesson, pumunta sa /solution folder at hanapin ang mga R lessons. Mayroon silang .rmd extension na kumakatawan sa isang R Markdown file na maaaring tukuyin bilang isang embedding ng code chunks (ng R o iba pang wika) at isang YAML header (na gumagabay kung paano i-format ang outputs tulad ng PDF) sa isang Markdown document. Bilang ganito, ito ay nagsisilbing isang exemplary authoring framework para sa data science dahil pinapayagan ka nitong pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsulat ng mga ito sa Markdown. Bukod dito, ang mga R Markdown documents ay maaaring i-render sa output formats tulad ng PDF, HTML, o Word.

Tungkol sa quizzes: Ang lahat ng quizzes ay nakapaloob sa Quiz App folder, para sa kabuuang 52 quizzes na may tig-tatlong tanong bawat isa. Ang mga ito ay naka-link mula sa loob ng mga aralin ngunit ang quiz app ay maaaring i-run locally; sundin ang mga tagubilin sa quiz-app folder para i-host locally o i-deploy sa Azure.

Lesson Number	Paksa	Pangkat ng Aralin	Mga Layunin sa Pag-aaral	Naka-link na Aralin	May-akda
01	Panimula sa machine learning	Panimula	Matutunan ang mga pangunahing konsepto sa likod ng machine learning	Aralin	Muhammad
02	Ang Kasaysayan ng machine learning	Panimula	Matutunan ang kasaysayan sa likod ng larangang ito	Aralin	Jen at Amy
03	Pagkamakatarungan at machine learning	Panimula	Ano ang mga mahahalagang isyung pilosopikal tungkol sa pagkamakatarungan na dapat isaalang-alang ng mga mag-aaral sa paggawa at pag-apply ng ML models?	Aralin	Tomomi
04	Mga Teknik para sa Machine Learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik ng ML para bumuo ng mga modelo ng ML?	Lesson	Chris at Jen
05	Panimula sa Regression	Regression	Magsimula gamit ang Python at Scikit-learn para sa mga regression model

[Python](2-Regression/1-Tools/README.md)
[R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

Jen
Eric Wanjau

[Python](2-Regression/2-Data/README.md)
[R](../../2-Regression/2-Data/solution/R/lesson_2.html)

Jen
Eric Wanjau

[Python](2-Regression/3-Linear/README.md)
[R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

Jen at Dmitry
Eric Wanjau

[Python](2-Regression/4-Logistic/README.md)
[R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

Jen
Eric Wanjau

[Python](4-Classification/1-Introduction/README.md)
[R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen at Cassie
- Eric Wanjau
| | 11 | Masasarap na Asian at Indian Cuisine 🍜 | [Classification](4-Classification/README.md) | Panimula sa mga classifier |
- [Python](4-Classification/2-Classifiers-1/README.md)
- [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
  - Jen at Cassie
  - Eric Wanjau
  | | 12 | Masasarap na Asian at Indian Cuisine 🍜 | [Classification](4-Classification/README.md) | Higit pang mga classifier |
  - [Python](4-Classification/3-Classifiers-2/README.md)
  - [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
    - Jen at Cassie
    - Eric Wanjau
    | | 13 | Masasarap na Asian at Indian Cuisine 🍜 | [Classification](4-Classification/README.md) | Bumuo ng recommender web app gamit ang iyong modelo | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Panimula sa Clustering | [Clustering](5-Clustering/README.md) | Linisin, ihanda, at i-visualize ang iyong data; Panimula sa clustering |
    - [Python](5-Clustering/1-Visualize/README.md)
    - [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
      - Jen
      - Eric Wanjau
      | | 15 | Pagsusuri ng Musical Tastes ng Nigeria 🎧 | [Clustering](5-Clustering/README.md) | Tuklasin ang K-Means clustering method |
      - [Python](5-Clustering/2-K-Means/README.md)
      - [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
        Jen
        Eric Wanjau
        | | 16 | Panimula sa Natural Language Processing ☕️ | [Natural language processing](6-NLP/README.md) | Matutunan ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng simpleng bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Karaniwang NLP Tasks ☕️ | [Natural language processing](6-NLP/README.md) | Palalimin ang kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kinakailangan sa pagproseso ng wika | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Pagsasalin at Sentiment Analysis ♥️ | [Natural language processing](6-NLP/README.md) | Pagsasalin at sentiment analysis gamit si Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Mga Romantic na Hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis gamit ang mga review ng hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Mga Romantic na Hotel sa Europa ♥️ | [Natural language processing](6-NLP/README.md) | Sentiment analysis gamit ang mga review ng hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Panimula sa Time Series Forecasting | [Time series](7-TimeSeries/README.md) | Panimula sa time series forecasting | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - Time Series Forecasting gamit ang ARIMA | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - Time Series Forecasting gamit ang SVR | [Time series](7-TimeSeries/README.md) | Time series forecasting gamit ang Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Panimula sa Reinforcement Learning | [Reinforcement learning](8-Reinforcement/README.md) | Panimula sa reinforcement learning gamit ang Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Tulungan si Peter na iwasan ang lobo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Mga Real-World Scenario at Aplikasyon ng ML | [ML in the Wild](9-Real-World/README.md) | Mga kawili-wili at kapana-panabik na real-world na aplikasyon ng klasikong ML | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | Pag-debug ng Modelo sa ML gamit ang RAI Dashboard | [ML in the Wild](9-Real-World/README.md) | Pag-debug ng Modelo sa Machine Learning gamit ang mga Responsible AI dashboard components | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
        
        hanapin ang lahat ng karagdagang resources para sa kursong ito sa aming Microsoft Learn collection
        
        Offline na Access
        
        Maaari mong patakbuhin ang dokumentasyong ito offline gamit ang Docsify. I-fork ang repo na ito, i-install ang Docsify sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, i-type ang docsify serve. Ang website ay magsisilbi sa port 3000 sa iyong localhost: localhost:3000.
        
        PDFs
        
        Hanapin ang PDF ng kurikulum na may mga link dito.
        
        🎒 Iba Pang Kurso
        
        Ang aming team ay gumagawa ng iba pang mga kurso! Tingnan:
        
        Generative AI for Beginners
        
        Generative AI for Beginners .NET
        
        Generative AI with JavaScript
        
        Generative AI with Java
        
        AI for Beginners
        
        Data Science for Beginners
        
        ML for Beginners
        
        Cybersecurity for Beginners
        
        Web Dev for Beginners
        
        IoT for Beginners
        
        XR Development for Beginners
        
        Mastering GitHub Copilot for Paired Programming
        
        Mastering GitHub Copilot for C#/.NET Developers
        
        Choose Your Own Copilot Adventure
        
        Paunawa:
        Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.

26 KiB Raw Blame History Unescape Escape