17 KiB
Machine Learning per Principianti - Un Programma di Studio
🌍 Viaggio intorno al mondo esplorando Machine Learning per mezzo delle culture mondiali 🌍
Azure Cloud Advocates in Microsoft sono lieti di offrire un programma di studi di 12 settimane, 24 lezioni (più una!) tutto su Machine Learning. In questo programma di studi, si imparerà di ciò che a volte è chiamato machine learning classico, usando principalmente Scikit-learn come libreria ed evitando il deep learning, che è coperto nel nostro prossimo programma di studi "AI per principianti". Queste lezioni si accoppiano anche con il programma di studi di prossima uscita "Data Science per principianti"!
Si viaggerà insieme in tutto il mondo mentre si applicano queste tecniche classiche ai dati da molte aree del mondo. Ogni lezione include quiz pre e post lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro ancora. La pedagogia basata su progetto consente di imparare durante la costruzione, un modo comprovato per memorizzare nuove conoscenze.
✍️ Un grazie di cuore ai nostri autori Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Ornella Altunyan, e Amy Boyd
🎨 Grazie anche ai nostri illustratori Tomomi Imura, Dasani Madipalli, e Jen Looper
🙏 Un ringraziamento speciale 🙏 agli autori di Microsoft Student Ambassador, revisori e collaboratori per i contenuti, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, e Snigdha Agarwal
🤩 Un grazie supplementare al Microsoft Student Ambassador Eric Wanjau per le nostre lezioni su R!
Per Iniziare
Studenti, per utilizzare questo programma di studi, eseguire il fork dell'intero repo sul proprio account GitHub e completare gli esercizi da soli o in gruppo:
- Iniziare con un quiz pre-lezione.
- Leggere la lezione e completare le attività, facendo una pausa di riflessione in ogni controllo della conoscenza.
- Provare a creare i progetti capendo le lezioni piuttosto che eseguire il codice della soluzione; comunque quel codice è disponibile nelle cartelle
/solutionin ogni lezione orientata al progetto. - Fare il quiz post-lezione.
- Completare la sfida.
- Completare il compito.
- Dopo il completamento di un gruppo di lezioni, visitare il Forum di discussione e imparare ad alta voce riempiendo la rubrica di Pat appropriata. Un 'PAT' è uno Strumento di valutazione del progresso che è una rubrica che si compila per promuovere il proprio apprendimento. Si può interagire anche in altri PAT in modo da imparare assieme.
Per ulteriori approfondimenti, si raccomanda di sequire i seguenti moduli e percorsi di apprendimento Microsoft Learn.
Insegnanti, sono stati inclusi alcuni suggerimenti su come usare questo programma di studi.
Incontrare la squadra
🎥 Fare click sull'immagine qui sopra per un video sul progetto e sulle persone che lo hanno creato!
Pedagogia
Sono stati scelti due principi pedagogici durante la creazione di questo programma di studi: assicurandosi che sia pratico basato su progetto e che includa quiz frequenti. Inoltre, questo programma di studi ha un tema comune per conferirgli coesione.
Assicurandosi che il contenuto si allinei con i progetti, il processo è reso più coinvolgente per gli studenti e la conservazione dei concetti sarà aumentata. Inoltre, un quiz di poca difficoltà prima di una lezione imposta l'intenzione dello studente verso l'apprendimento di un argomento, mentre un secondo quiz dopo la lezione garantisce ulteriore ritenzione. Questo programma di studi è stato progettato per essere flessibile e divertente e può essere seguito in tutto o in parte. I progetti iniziano piccoli e diventano sempre più complessi entro la fine del ciclo di 12 settimane. Questo programma di studi include anche un poscritto sulle applicazioni del mondo reale di ML, che può essere utilizzata come credito extra o come base per la discussione.
Consultare Le linee guida del Codice di Condotta, per Collaborare, e Tradurre. Un feedback costruttivo sarà accolto con piacere!
Ogni lezione include:
- sketchNote opzionale
- video supplementare opzionale
- quiz di riscaldamento pre-lezione
- lezione scritta
- per lezioni basate su progetto, guide passo-passo su come costruire il progetto
- controlli della conoscenza
- una sfida
- lettura supplementare
- compito
- quiz post-lezione
Una nota sui quiz: Tutti i quiz sono contenuti in questa app, per un totale di 50 quiz con tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app può essere eseguita localmente; seguire le istruzioni nella cartella
quiz-app.
| Numero Lezione | Argomento | Gruppo Lezioni | Obiettivi di Apprendimento | Lezioni Collegate | Autore |
|---|---|---|---|---|---|
| 01 | Introduzione a machine learning | Introduzione | Apprendere i concetti di base dietro machine learning | lezione | Muhammad |
| 02 | La storia di machine learning | Introduzione | Apprendere la storia alla base di questo campo | lezione | Jen e Amy |
| 03 | Equità e machine learning | Introduzione | Quali sono gli importanti quesiti filosofici attorno all'equità che gli studenti dovrebbero prendere in considerazione quando si costruiscono e applicano i modelli ML? | lezione | Tomomi |
| 04 | Tecniche di machine learning | Introduzione | Quali tecniche usano i ricercatori ML per costruire modelli ML? | lezione | Chris e Jen |
| 05 | Introduzione alla regressione | Regressione | Iniziare con Python e Scikit-learn per i modelli di regressione | lezione | Jen |
| 06 | Prezzi della zucca del Nord America 🎃 | Regressione | Visualizzare e pulire i dati in preparazione per ML | lezione | Jen |
| 07 | Prezzi della zucca del Nord America 🎃 | Regressione | Costruire modelli di regressione lineare e polinomiale | lezione | Jen |
| 08 | Prezzi della zucca del Nord America 🎃 | Regressione | Costruire un modello di regressione logistica | lezione | Jen |
| 09 | Una App web 🔌 | App Web | Costruire un'App web per utilizzare il proprio modello addestrato | lezione | Jen |
| 10 | Introduzione alla classificazione | Classificazione | Pulire, preparare e visualizzare i dati; introduzione alla classificazione | lezione | Jen e Cassie |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | Classificazione | Introduzione ai classificatori | lezione | Jen e Cassie |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | Classificazione | Ancora classificatori | lezione | Jen e Cassie |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | Classificazione | Costruire un'App web di raccomandazione usando il proprio modello | lezione | Jen |
| 14 | Introduzione al clustering. | Clustering | Pulire, preparare e visualizzare i dati; introduzione al clustering. | lezione | Jen |
| 15 | Esplorare i gusti musicali nigeriani 🎧 | Clustering | Esplorare il metodo di clustering K-Means | lezione | Jen |
| 16 | Introduzione all'elaborazione naturale del linguaggio ☕️ | Elaborazione del linguaggio naturale | Imparare le basi di NLP costruendo un semplice bot | lezione | Stephen |
| 17 | Attività NLP comuni ☕️ | Elaborazione del linguaggio naturale | Approfondire la conoscenza dell'NLP comprendendo i compiti comuni richiesti quando si tratta di gestire strutture linguistiche | lezione | Stephen |
| 18 | Traduzione e analisi del sentimento ♥️ | Elaborazione del linguaggio naturale | Traduzione e analisi del sentimento con Jane Austen | lezione | Stephen |
| 19 | Hotel romantici dell'Europa ♥️ | Elaborazione del linguaggio naturale | Analisi del sentimento con le recensioni di hotel 1 | lezione | Stephen |
| 20 | Hotel romantici dell'Europa ♥️ | Elaborazione del linguaggio naturale | Analisi del sentimento con le recensioni di hotel 2 | lezione | Stephen |
| 21 | Introduzione alle previsioni delle serie temporali | Time series | Introduzione alle previsioni delle serie temporali | lezione | Francesca |
| 22 | ⚡️ Utilizzo energetico mondiale ⚡️ - previsione di serie temporali con ARIMA | Time series | Previsione di serie temporali con ARIMA | lezione | Francesca |
| 23 | Introduzione al reinforcement learning | Reinforcement learning | Introduzione al reinforcement learning con Q-Learning | lezione | Dmitry |
| 24 | Aiutare Pierino a evitare il lupo! 🐺 | Reinforcement learning | Reinforcement learning Gym | lezione | Dmitry |
| Poscritto | Scenari e applicazioni ML del mondo reale | ML in natura | Applicazioni interessanti e rivelanti applicazioni di ML classico del mondo reale | lezione | Team |
Accesso offline
Si può eseguire questa documentazione offline usando Docsify. Effettuare il fork di questo repo, installare Docsify sulla propria macchina locale, quindi nella cartella radice di questo repo digitare docsify serve. Il sito web sarà servito sulla porta 3000 di localhost: localhost:3000.
Si può trovare un pdf con il programma di studio e collegamenti qui.
Cercasi aiuto!
Si vorrebbe contribuire a una traduzione? Per favore leggere le linee guida di traduzione e aggiungere eventuale input qui.
Altri Programmi di Studi\
Il nostro team produce altri programmi di studi! Dare un occhiatat: