ML-For-Beginners/translations/sr

🌐 Подршка за више језика

Подржано путем GitHub Action (аутоматски и увек ажурно)

Арапски | Бенгалски | Бугарски | Бирмански (Мјанмар) | Кинески (поједностављени) | Кинески (традиционални, Хонг Конг) | Кинески (традиционални, Макао) | Кинески (традиционални, Тајван) | Хрватски | Чешки | Дански | Холандски | Естонски | Фински | Француски | Немачки | Грчки | Хебрејски | Хинди | Мађарски | Индонежански | Италијански | Јапански | Каннада | Корeјски | Литвански | Малајски | Малајалам | Марати | Непали | Нигеријски Пиджин | Норвешки | Персијски (Фарси) | Пољски | Португалски (Бразил) | Португалски (Португал) | Пенџапски (Гурмуки) | Румунски | Руски | Српски (ћирилица) | Словачки | Словеначки | Шпански | Свехили | Шведски | Тагалог (Филипински) | Тамилски | Телугу | Тајландски | Турски | Украјински | Урду | Вијетнамски

Више волите локално клонирање?

Ово складиште садржи више од 50 превода који значајно повећавају величину преузимања. За клонирање без превода, користите 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'

Ово вам даје све што вам је потребно да завршите курс са много бржим преузимањем.

Придружите се нашој заједници

Тренутно имамо серију на Discord-у под називом "учи са AI", сазнајте више и придружите нам се на Learn with AI Series од 18. до 30. септембра 2025. године. Добит ћете савете и трикове за коришћење GitHub Copilot-а за Data Science.

Машинско учење за почетнике - Курикулум

🌍 Путујте око света док истражујемо Машинско учење кроз призму светских култура 🌍

Cloud Advocates у Microsoft-у са задовољством нуде 12-недељни, 26-лекцијски курикулум који се бави Машинским учењем. У овом курикулуму учићете о ономе што се понекад назива класично машинско учење, користећи углавном библиотеку Scikit-learn и избегавајући дубоко учење, које је покривено у нашем AI за почетнике курикулуму. Такође упарите ове лекције са нашим 'Data Science for Beginners' курикулумом.

Путујте с нама широм света док примењујемо ове класичне технике на податке из различитих делова света. Свакa лекцијa укључује квиз пре и после лекције, писане упуте за завршетак лекције, решење, задатак и још много тога. Наша пројектно оријентисана педагогија омогућава вам да учите док градите, проверен начин да нова знања “зароне”.

✍️ Срдачна захвалност нашим ауторима Јен Лупер, Стивен Хауел, Франческа Лаззери, Томоми Имура, Кеси Бревиу, Дмитриј Сошников, Крис Норинг, Анирбан Мукерџи, Орнела Алтуњан, Рут Јакубу и Ејми Бојд

🎨 Захвалност такође нашим илустраторима Томоми Имура, Дасани Мадипали и Јен Лупер

🙏 Посебне захвалности 🙏 нашим Microsoft Student Ambassador ауторима, рецензентима и сарадницима садржаја, нарочито Ришиту Даглију, Мухамаду Сакибу Хану Инану, Рохану Рају, Александру Петреску, Абхишеку Џајсвалу, Наврину Табасум, Јоану Самуила и Снигдхи Агарвал

🤩 Посебна захвалност Microsoft Student Ambassadors Ерику Вањау, Јаслин Сонди и Видуши Гупта за наше Р лекције!

Почетак рада

Пратите следеће кораке:

1. Форк ускладиште: Кликните на дугме "Fork" у горњем десном углу ове странице.
2. Клонирај ускладиште: git clone https://github.com/microsoft/ML-For-Beginners.git

пронађите све додатне ресурсе за овај курс у нашој колекцији Microsoft Learn

🔧 Треба вам помоћ? Погледајте наш Водич за решавање проблема за решења уобичајених проблема са инсталацијом, подешавањем и покретањем лекција.

Студенти, да бисте користили овај курикулум, форкујте цео репозиторијум на свој GitHub налог и радите вежбе самостално или у групи:

• Почните са квизом пре предавања.
• Прочитајте предавање и завршите активности, правећи паузе и размишљајући на сваком провери знања.
• Покушајте да направите пројекте разумећи лекције уместо да само покрећете код решења; међутим тај код је доступан у фасциклама /solution у свакој лекцији оријентисаној на пројекте.
• Урадите квиз после предавања.
• Завршите изазов.
• Завршите задатак.
• Након завршетка групе лекција, посетите Форум за дискусију и "учите гласно" тако што ћете попунити одговарајућу PAT рубрику. ‘PAT’ је алат за процену напретка који се попуњава као рубрика како бисте унапредили своје учење. Такође можете реаговати на друге PAT-ове како бисмо учили заједно.

За додатно учење препоручујемо да пратите ове Microsoft Learn модуле и путеве учења.

Наставници, укључили смо неке предлоге у датотеци за наставнике о томе како користити овај курикулум.

---

Видео прегледи

Неке лекције су доступне у облику кратких видеа. Можете их пронаћи у самом тексту лекција или на ML за почетнике plejlistи на Microsoft Developer YouTube каналу кликом на слику испод.

---

Упознајте тим

Гиф направио Mohit Jaisal

🎥 Кликните слику изнад за видео о пројекту и људима који су га направили!

---

Педагогија

Изабрали смо два педагошка принципа приликом израде овог курикулума: обезбеђивање практичног, проектно заснованог рада и укључивање честих квизова. Поред тога, овај курикулум има заједничку тему како би имао кохезију.

Обезбеђивањем да садржај буде повезан са пројектима, процес учења је занимљивији за студенте и задржавање концепата ће бити ојачано. Поред тога, квиз са малим улогом пре часова поставља намеру студента према учењу теме, док други квиз након часа осигурава даље задржавање знања. Овај курикулум је дизајниран да буде флексибилан и забаван и може се узимати у целини или делимично. Пројекти почињу од малих и постају све сложенији до краја 12-недељног циклуса. Овај курикулум укључује и постскриптум о применама ML у стварном свету, који се може користити као додатни бодови или као основа за дискусију.

Пронађите наше смернице у Коду понашања, Учествовању, Преводима и Решавању проблема. Добродошли су ваши конструктивни коментари!

Свакa лекциja укључује

• опциони скицнот
• опциони додатни видео
• видео преглед (само неке лекције)
• квиз за загревање пре предавања
• написану лекцију
• за лекције засноване на пројектима, корак по корак упутства како изградити пројекат
• провере знања
• изазов
• додатно читање
• задатак
• квиз после предавања

Напомена о језицима: Ове лекције су углавном написане у Питону, али многе су такође доступне и на Р-у. Да бисте урадили Р лекцију, идите у фасциклу /solution и потражите Р лекције. Оне имају .rmd екстензију која представља R Markdown датотеку која се може једноставно дефинисати као уграђивање кодних делова (R или других језика) и YAML заглавља (које води како форматирати излаз, као PDF) у Markdown документ. Као таква, служи као примерни оквир за ауторство у науци о подацима јер вам омогућава да комбинујете свој код, његов излаз и своје мисли тако што им дозвољава да их запишете у Markdown. Штавише, R Markdown документи се могу рендеровати у формате као PDF, HTML или Word. Напомена о квизовима: Сви квизови су садржани у фасцикли Quiz App, укупно 52 квиза са по три питања. Повеезани су у оквиру лекција, али апликацију за квизове можете покренути и локално; пратите упутства у фасцикли quiz-app за локални хостинг или деплој на Azure.

Број лекције	Тема	Груписање лекција	Циљеви учења	Повезана лекција	Аутор
01	Увод у машинско учење	Introduction	Упознајте основне појмове машинског учења	Lesson	Muhammad
02	Историја машинског учења	Introduction	Упознајте историју овог поља	Lesson	Jen and Amy
03	Правичност и машинско учење	Introduction	Која су важна филозофска питања о правичности која студенти треба да размотре приликом изградње и примене МУ модела?	Lesson	Tomomi
04	Технике машинског учења	Introduction	Које технике истраживачи МУ користе за изградњу МУ модела?	Lesson	Chris and Jen
05	Увод у регресију	Regression	Почните са Python-ом и Scikit-learn-ом за регресионе моделе	Python • R	Jen • Eric Wanjau
06	Цене тикви у Северној Америци 🎃	Regression	Визуализујте и очистите податке као припрему за МУ	Python • R	Jen • Eric Wanjau
07	Цене тикви у Северној Америци 🎃	Regression	Изградите линеарне и полиномијалне регресионе моделе	Python • R	Jen and Dmitry • Eric Wanjau
08	Цене тикви у Северној Америци 🎃	Regression	Изградите логистички регресионни модел	Python • R	Jen • Eric Wanjau
09	Веб апликација 🔌	Web App	Направите веб апликацију која користи ваш оспособљени модел	Python	Jen
10	Увод у класификацију	Classification	Очистите, припремите и визуелизујте податке; увод у класификацију	Python • R	Jen and Cassie • Eric Wanjau
11	Укусне азијске и индијске кухиње 🍜	Classification	Увод у класификаторе	Python • R	Jen and Cassie • Eric Wanjau
12	Укусне азијске и индијске кухиње 🍜	Classification	Додатни класификатори	Python • R	Jen and Cassie • Eric Wanjau
13	Укусне азијске и индијске кухиње 🍜	Classification	Направите веб апликацију препоручивача на основу вашег модела	Python	Jen
14	Увод у кластерисање	Clustering	Очистите, припремите и визуелизујте податке; увод у кластерисање	Python • R	Jen • Eric Wanjau
15	Истраживање музичког укуса у Нигерији 🎧	Clustering	Истражите K-Means методу за кластерисање	Python • R	Jen • Eric Wanjau
16	Увод у обраду природног језика ☕️	Natural language processing	Научите основе НПЈ кроз израду једноставног бота	Python	Stephen
17	Уобичајени задаци у НПЈ ☕️	Natural language processing	Продубите знање о НПЈ разумевањем уобичајених задатака у раду са језичким структурама	Python	Stephen
18	Превод и анализа сентимента ♥️	Natural language processing	Превод и анализа сентимента са Џејн Остин	Python	Stephen
19	Романтични хотели Европе ♥️	Natural language processing	Анализа сентимента коришћењем рецензија хотела 1	Python	Stephen
20	Романтични хотели Европе ♥️	Natural language processing	Анализа сентимента коришћењем рецензија хотела 2	Python	Stephen
21	Увод у прогнозирање временских серија	Time series	Увод у прогнозирање временских серија	Python	Francesca
22	⚡️ Светска потрошња електричне енергије ⚡️ - прогнозирање временских серија помоћу ARIMA	Time series	Прогнозирање временских серија помоћу ARIMA	Python	Francesca
23	⚡️ Светска потрошња електричне енергије ⚡️ - прогнозирање временских серија помоћу SVR	Time series	Прогнозирање временских серија помоћу регресора потпорних вектора	Python	Anirban
24	Увод у појачано учење	Reinforcement learning	Увод у појачано учење помоћу Q-учења	Python	Dmitry
25	Помозите Петру да избегне вука! 🐺	Reinforcement learning	Појачано учење помоћу Gym-а	Python	Dmitry
Постскрипт	Рeални светски сценарији и примене МУ	ML in the Wild	Занимљиве и поучне примене класичног машинског учења у стварном свету	Lesson	Тим
Постскрипт	Дијагностика модела МУ помоћу RAI табле	ML in the Wild	Дијагностика модела машинског учења уз коришћење компонената RAI табле	Lesson	Ruth Yakubu

пронађите све додатне ресурсе за овај курс у нашој Microsoft Learn колекцији

Приступ без везе

Ову документацију можете покренути без везе користећи Docsify. Форкујте овај репозиторијум, инсталирајте Docsify на вашем рачунару, и затим у коренској фасцикли овог репа укуцајте docsify serve. Веб-сајт ће бити доступан на порту 3000 на вашем локалном рачунару: localhost:3000.

PDF-ови

Пронађите PDF наставног плана са линковима овде.

🎒 Други курсеви

Наш тим прави и друге курсеве! Погледајте:

LangChain

---

Azure / Edge / MCP / Agents

---

Generative AI Series

---

Основно учење

---

Серия Копилот

Добијање помоћи

Ако се заглавите или имате било каква питања у вези са израдом AI апликација. Придружите се осталим учесницима и искусним програмерима у дискусијама о MCP-у. То је подршка заједница где су питања добродошла, а знање се слободно дели.

Ако имате повратне информације о производу или грешке током израде, посетите:

---

Изјава о одрицању од одговорности: Овај документ је преведен помоћу АI преводилачке услуге Co-op Translator. Иако се трудимо да буде прецизно, молимо вас да имате у виду да аутоматизовани преводи могу садржати грешке или нетачности. Приоритетни извор је оригинални документ на његовом изворном језику. За критичне информације препоручује се професионални превод човека. Нисмо одговорни за било каква неспоразумевања или погрешне тумачења настала коришћењем овог превода.