ML-For-Beginners/translations/hr

🌐 Višejezična podrška

Podržano putem GitHub Akcije (automatski i uvijek ažurno)

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

Radije klonirati lokalno?

Ovo spremište uključuje prijevode na više od 50 jezika, što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda, koristite 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'

Ovo vam daje sve što vam treba za dovršetak tečaja, a preuzimanje je znatno brže.

Pridružite se našoj zajednici

Imamo tekuću Discord seriju učenja s AI-jem, saznajte više i pridružite nam se na Learn with AI Series od 18. do 30. rujna 2025. Dobit ćete savjete i trikove za korištenje GitHub Copilota za Data Science.

Strojno učenje za početnike - kurikulum

🌍 Putujte svijetom dok istražujemo Strojno učenje kroz kulture svijeta 🌍

Cloud Advocates u Microsoftu s veseljem nude 12-tjedni kurikulum s 26 lekcija o Strojnome učenju. U ovom kurikulumu naučit ćete o onome što se ponekad naziva klasičnim strojnim učenjem, koristeći prvenstveno Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je obuhvaćeno u našem AI za početnike kurikulumu. Također kombinirajte ove lekcije s našim 'Data Science for Beginners' kurikulumom.

Putujte s nama oko svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih područja svijeta. Svaka lekcija uključuje kvizove prije i nakon lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i još mnogo toga. Naš projektno orijentiran pedagoški pristup omogućuje vam učenje kroz izgradnju, dokazano učinkovitu metodu za dugotrajno usvajanje novih znanja.

✍️ Velika zahvalnost našim autorima Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd

🎨 Također hvala našim ilustratorima Tomomi Imura, Dasani Madipalli i Jen Looper

🙏 Posebna zahvalnost 🙏 našim Microsoft Student Ambassador autorima, recenzentima i suradnicima sadržaja, osobito Rishitu Dagliju, Muhammadu Sakibu Khanu Inanu, Rohanu Raju, Alexandruu Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwalu

🤩 Posebna zahvalnost Microsoft Student Ambassadorima Ericu Wanjauu, Jasleen Sondhi i Vidushi Gupti za naše R lekcije!

Početak

Slijedite ove korake:

1. Forkajte spremište: Kliknite na gumb "Fork" u gornjem desnom kutu ove stranice.
2. Klonirajte spremište: git clone https://github.com/microsoft/ML-For-Beginners.git

Pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji

🔧 Trebate pomoć? Pogledajte naš Vodič za rješavanje problema za rješenja uobičajenih problema s instalacijom, postavkama i izvođenjem lekcija.

Studenti, za korištenje ovog kurikuluma, napravite fork cijelog repozitorija na vlastiti GitHub račun i dovršite vježbe samostalno ili u grupi:

• Počnite s kvizom prije predavanja.
• Pročitajte lekciju i dovršite aktivnosti, zastajkujući i razmišljajući na svakom provjeri znanja.
• Pokušajte stvoriti projekte razumijevanjem lekcija umjesto da samo pokrenete rješenje; no taj kod dostupan je u mapama /solution u svakoj projektnom orijentiranoj lekciji.
• Obavite kviz nakon predavanja.
• Dovršite izazov.
• Dovršite zadatak.
• Nakon završetka grupe lekcija posjetite Odbor za raspravu i „učite naglas“ tako da ispunite odgovarajuću PAT rubricu. 'PAT' je Alat za procjenu napretka koji ispunjavate radi daljnjeg učenja. Također možete reagirati na druge PAT-ove kako bismo učili zajedno.

Za daljnje proučavanje preporučujemo da pratite ove Microsoft Learn module i obrazovne putove.

Nastavnici, uključili smo neke prijedloge o tome kako koristiti ovaj kurikulum.

---

Video vodiči

Neke su lekcije dostupne u obliku kratkih videozapisa. Sve ih možete pronaći unutar lekcija ili na ML for Beginners playlisti na Microsoft Developer YouTube kanalu klikom na sliku ispod.

---

Upoznajte tim

Gif od Mohit Jaisal

🎥 Kliknite na sliku gore za video o projektu i ljudima koji su ga stvorili!

---

Pedagogija

Odabrali smo dva pedagoška načela pri izgradnji ovog kurikuluma: osiguravanje da je praktičan i projektno orijentiran te da uključuje česte kvizove. Osim toga, ovaj kurikulum ima zajedničku temu koja mu daje koheziju.

Osiguravanjem da sadržaj bude usklađen s projektima, proces postaje zanimljiviji za učenike i povećava se zadržavanje pojmova. Također, kviz s malom važnosti prije nastave usmjerava namjeru učenika prema učenju teme, dok drugi kviz nakon nastave osigurava daljnju zadržavanje znanja. Ovaj kurikulum je dizajniran da bude fleksibilan i zabavan te se može proći u cijelosti ili djelomično. Projekti započinju jednostavnije i postaju sve složeniji do kraja 12-tjednog ciklusa. Kurikulum također uključuje posvjetu o stvarnim primjenama strojnog učenja, koju je moguće koristiti kao dodatni bod ili kao osnovu za raspravu.

Pronađite naš Kodeks ponašanja, Doprinos, Prijevod i Rješavanje problema smjernice. Dobrodošli su vaši konstruktivni komentari!

Svaka lekcija uključuje

• opcionalnu skicu
• opcionalni dodatni video
• video vodič (samo neke lekcije)
• kviz za zagrijavanje prije predavanja
• pisanu lekciju
• za lekcije temeljene na projektima, vodič korak po korak kako izgraditi projekt
• provjere znanja
• izazov
• dodatnu literaturu
• zadatak
• kviz nakon predavanja

Napomena o jezicima: Ove su lekcije primarno napisane u Pythonu, ali mnoge su dostupne i u R-u. Za dovršetak R lekcije, idite u mapu /solution i potražite R lekcije. One imaju nastavak .rmd što predstavlja R Markdown datoteku koja se može jednostavno definirati kao ugradnja kodnih blokova (R-a ili drugih jezika) i YAML zaglavlja (koje vodi kako formatirati izlaze poput PDF-a) u Markdown dokument. Kao takav, služi kao izvrsni okvir za izradu sadržaja za data science jer vam omogućuje kombiniranje vašeg koda, njegovog izlaza i vaših razmišljanja pisanjem u Markdownu. Osim toga, R Markdown dokumenti mogu se konvertirati u izlazne formate kao PDF, HTML ili Word. Napomena o kvizovima: Svi kvizovi nalaze se u Quiz App folder, ukupno 52 kviza s po tri pitanja. Oni su povezani unutar lekcija, ali se kviz aplikacija može pokrenuti lokalno; pratite upute u mapi quiz-app za lokalno hostanje ili postavljanje na Azure.

Broj lekcije	Tema	Grupa lekcija	Ciljevi učenja	Povezana lekcija	Autor
01	Uvod u strojno učenje	Uvod	Naučite osnovne pojmove iza strojnog učenja	Lekcija	Muhammad
02	Povijest strojnog učenja	Uvod	Naučite povijest utemeljenu u ovom području	Lekcija	Jen i Amy
03	Pravednost i strojno učenje	Uvod	Koja su važna filozofska pitanja oko pravednosti koja učenici trebaju razmotriti prilikom izrade i primjene ML modela?	Lekcija	Tomomi
04	Tehnike strojnog učenja	Uvod	Koje tehnike istraživači strojnog učenja koriste za izgradnju ML modela?	Lekcija	Chris i Jen
05	Uvod u regresiju	Regresija	Počnite s Pythonom i Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Vizualizirajte i očistite podatke kao pripremu za ML	Python • R	Jen • Eric Wanjau
07	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izgradite linearne i polinomijalne regresijske modele	Python • R	Jen i Dmitry • Eric Wanjau
08	Cijene bundeva u Sjevernoj Americi 🎃	Regresija	Izgradite logistički regresijski model	Python • R	Jen • Eric Wanjau
09	Web aplikacija 🔌	Web App	Izgradite web aplikaciju za korištenje vašeg treniranog modela	Python	Jen
10	Uvod u klasifikaciju	Klasifikacija	Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasifikaciju	Python • R	Jen i Cassie • Eric Wanjau
11	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Uvod u klasifikatore	Python • R	Jen i Cassie • Eric Wanjau
12	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Još klasifikatora	Python • R	Jen i Cassie • Eric Wanjau
13	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Izgradite preporučiteljsku web aplikaciju koristeći svoj model	Python	Jen
14	Uvod u klasteriranje	Klasteriranje	Očistite, pripremite i vizualizirajte svoje podatke; uvod u klasteriranje	Python • R	Jen • Eric Wanjau
15	Istraživanje nigerijskih glazbenih ukusa 🎧	Klasteriranje	Istražite K-Means metodu klasteriranja	Python • R	Jen • Eric Wanjau
16	Uvod u obradu prirodnog jezika ☕️	Obrada prirodnog jezika	Naučite osnove NLP-a izradom jednostavnog bota	Python	Stephen
17	Uobičajeni zadaci NLP-a ☕️	Obrada prirodnog jezika	Produbite svoje znanje NLP-a razumijevanjem uobičajenih zadataka potrebnih za rad s jezičnim strukturama	Python	Stephen
18	Prijevod i analiza sentimenta ♥️	Obrada prirodnog jezika	Prijevod i analiza sentimenta s Jane Austen	Python	Stephen
19	Romantični hoteli Europe ♥️	Obrada prirodnog jezika	Analiza sentimenta s recenzijama hotela 1	Python	Stephen
20	Romantični hoteli Europe ♥️	Obrada prirodnog jezika	Analiza sentimenta s recenzijama hotela 2	Python	Stephen
21	Uvod u predviđanje vremenskih nizova	Vremenski nizovi	Uvod u predviđanje vremenskih nizova	Python	Francesca
22	⚡️ Potrošnja električne energije u svijetu ⚡️ - predviđanje vremenskih nizova s ARIMA	Vremenski nizovi	Predviđanje vremenskih nizova s ARIMA	Python	Francesca
23	⚡️ Potrošnja električne energije u svijetu ⚡️ - predviđanje vremenskih nizova s SVR	Vremenski nizovi	Predviđanje vremenskih nizova metodom Support Vector Regressor	Python	Anirban
24	Uvod u učenje s potkrepljenjem	Učenje s potkrepljenjem	Uvod u učenje s potkrepljenjem pomoću Q-Learning metode	Python	Dmitry
25	Pomozite Petru izbjeći vuka! 🐺	Učenje s potkrepljenjem	Učenje s potkrepljenjem kroz Gym	Python	Dmitry
Postscript	Stvarni scenariji i primjene ML-a	ML u stvarnom svijetu	Zanimljive i otkrivajuće stvarne primjene klasičnog strojnog učenja	Lekcija	Tim
Postscript	Debugiranje modela u ML pomoću RAI nadzorne ploče	ML u stvarnom svijetu	Debugiranje modela u strojnome učenju pomoću komponenti Responsible AI nadzorne ploče	Lekcija	Ruth Yakubu

pronađite sve dodatne resurse za ovaj tečaj u našoj Microsoft Learn kolekciji

Pristup izvan mreže

Ovu dokumentaciju možete koristiti izvan mreže pomoću Docsify. Forkirajte ovaj repozitorij, instalirajte Docsify na svoj lokalni stroj, a zatim u korijenskoj mapi ovog repozitorija upišite docsify serve. Web stranica će se posluživati na portu 3000 na vašem lokalnom stroju: localhost:3000.

PDF-ovi

Pronađite pdf kurikuluma s poveznicama ovdje.

🎒 Ostali tečajevi

Naš tim proizvodi i druge tečajeve! Pogledajte:

LangChain

---

Azure / Edge / MCP / Agenti

---

Serija generativne AI

---

Osnovno učenje

---

Copilot serija

Dobivanje pomoći

Ako zapnete ili imate pitanja o izradi AI aplikacija. Pridružite se kolegama učenicima i iskusnim programerima u raspravama o MCP-u. To je podržavajuća zajednica gdje su pitanja dobrodošla i znanje se slobodno dijeli.

Ako imate povratne informacije o proizvodu ili greške tijekom izrade, posjetite:

---

Izjava o odricanju od odgovornosti: Ovaj dokument je preveden korištenjem AI prevoditeljskog servisa Co-op Translator. Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na njegovom izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Ne snosimo odgovornost za bilo kakva nesporazuma ili pogrešna tumačenja nastala upotrebom ovog prijevoda.