39 KiB

Raw Blame History Unescape Escape

🌐 Υποστήριξη Πολλών Γλωσσών

Υποστηρίζεται μέσω GitHub Action (Αυτοματοποιημένο & Πάντα Ενημερωμένο)

Ελάτε στην Κοινότητά μας

Έχουμε μια σειρά Discord "Μάθε με AI" σε εξέλιξη, μάθετε περισσότερα και συμμετάσχετε μαζί μας στο Learn with AI Series από 18 έως 30 Σεπτεμβρίου 2025. Θα λάβετε συμβουλές και κόλπα για τη χρήση του GitHub Copilot για Data Science.

Μηχανική Μάθηση για Αρχάριους - Ένα Πρόγραμμα Σπουδών

🌍 Ταξιδέψτε σε όλο τον κόσμο καθώς εξερευνούμε τη Μηχανική Μάθηση μέσω των πολιτισμών του κόσμου 🌍

Οι Cloud Advocates της Microsoft είναι στην ευχάριστη θέση να προσφέρουν ένα πρόγραμμα σπουδών 12 εβδομάδων, 26 μαθημάτων, που αφορά τη Μηχανική Μάθηση. Σε αυτό το πρόγραμμα, θα μάθετε για ό,τι μερικές φορές ονομάζεται κλασική μηχανική μάθηση, χρησιμοποιώντας κυρίως τη βιβλιοθήκη Scikit-learn και αποφεύγοντας τη βαθιά μάθηση, η οποία καλύπτεται στο πρόγραμμα AI για Αρχάριους. Συνδυάστε αυτά τα μαθήματα με το 'Data Science για Αρχάριους' πρόγραμμα, επίσης!

Ταξιδέψτε μαζί μας σε όλο τον κόσμο καθώς εφαρμόζουμε αυτές τις κλασικές τεχνικές σε δεδομένα από πολλές περιοχές του κόσμου. Κάθε μάθημα περιλαμβάνει κουίζ πριν και μετά το μάθημα, γραπτές οδηγίες για την ολοκλήρωση του μαθήματος, λύση, ανάθεση και άλλα. Η παιδαγωγική μας που βασίζεται σε έργα σας επιτρέπει να μαθαίνετε ενώ δημιουργείτε, ένας αποδεδειγμένος τρόπος για να "εγκατασταθούν" νέες δεξιότητες.

✍️ Θερμές ευχαριστίες στους συγγραφείς μας Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu και Amy Boyd

🎨 Ευχαριστίες επίσης στους εικονογράφους μας Tomomi Imura, Dasani Madipalli, και Jen Looper

🙏 Ειδικές ευχαριστίες 🙏 στους Microsoft Student Ambassador συγγραφείς, κριτές και συνεισφέροντες περιεχομένου, ιδιαίτερα στους Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, και Snigdha Agarwal

🤩 Επιπλέον ευγνωμοσύνη στους Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, και Vidushi Gupta για τα μαθήματα R!

Ξεκινώντας

Ακολουθήστε αυτά τα βήματα:

Κάντε Fork το Αποθετήριο: Κάντε κλικ στο κουμπί "Fork" στην πάνω δεξιά γωνία αυτής της σελίδας.
Κλωνοποιήστε το Αποθετήριο: git clone https://github.com/microsoft/ML-For-Beginners.git

βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή μας Microsoft Learn

🔧 Χρειάζεστε βοήθεια; Ελέγξτε τον Οδηγό Επίλυσης Προβλημάτων για λύσεις σε κοινά ζητήματα με την εγκατάσταση, τη ρύθμιση και την εκτέλεση μαθημάτων.

Φοιτητές, για να χρησιμοποιήσετε αυτό το πρόγραμμα, κάντε fork ολόκληρο το αποθετήριο στον δικό σας λογαριασμό GitHub και ολοκληρώστε τις ασκήσεις μόνοι σας ή με ομάδα:

Ξεκινήστε με ένα κουίζ προ-διάλεξης.
Διαβάστε τη διάλεξη και ολοκληρώστε τις δραστηριότητες, σταματώντας και σκεπτόμενοι σε κάθε έλεγχο γνώσης.
Προσπαθήστε να δημιουργήσετε τα έργα κατανοώντας τα μαθήματα αντί να τρέχετε τον κώδικα λύσης· ωστόσο, αυτός ο κώδικας είναι διαθέσιμος στους φακέλους /solution σε κάθε μάθημα προσανατολισμένο σε έργο.
Κάντε το κουίζ μετά τη διάλεξη.
Ολοκληρώστε την πρόκληση.
Ολοκληρώστε την ανάθεση.
Μετά την ολοκλήρωση μιας ομάδας μαθημάτων, επισκεφθείτε το Discussion Board και "μάθετε δυνατά" συμπληρώνοντας το κατάλληλο PAT rubric. Ένα 'PAT' είναι ένα Εργαλείο Αξιολόγησης Προόδου που είναι ένα rubric που συμπληρώνετε για να προωθήσετε τη μάθησή σας. Μπορείτε επίσης να αντιδράσετε σε άλλα PATs ώστε να μάθουμε μαζί.

Για περαιτέρω μελέτη, προτείνουμε να ακολουθήσετε αυτά τα Microsoft Learn μαθήματα και διαδρομές μάθησης.

Καθηγητές, έχουμε συμπεριλάβει μερικές προτάσεις για το πώς να χρησιμοποιήσετε αυτό το πρόγραμμα.

Βίντεο περιηγήσεις

Μερικά από τα μαθήματα είναι διαθέσιμα ως σύντομα βίντεο. Μπορείτε να βρείτε όλα αυτά ενσωματωμένα στα μαθήματα ή στη λίστα αναπαραγωγής ML for Beginners στο κανάλι Microsoft Developer στο YouTube κάνοντας κλικ στην εικόνα παρακάτω.

Γνωρίστε την Ομάδα

Gif από Mohit Jaisal

🎥 Κάντε κλικ στην παραπάνω εικόνα για ένα βίντεο σχετικά με το έργο και τους ανθρώπους που το δημιούργησαν!

Παιδαγωγική

Έχουμε επιλέξει δύο παιδαγωγικές αρχές κατά την κατασκευή αυτού του προγράμματος: να είναι πρακτικό και βασισμένο σε έργα και να περιλαμβάνει συχνά κουίζ. Επιπλέον, αυτό το πρόγραμμα έχει ένα κοινό θέμα για να του δώσει συνοχή.

Εξασφαλίζοντας ότι το περιεχόμενο ευθυγραμμίζεται με τα έργα, η διαδικασία γίνεται πιο ελκυστική για τους μαθητές και η διατήρηση των εννοιών θα αυξηθεί. Επιπλέον, ένα κουίζ χαμηλού ρίσκου πριν από το μάθημα θέτει την πρόθεση του μαθητή προς τη μάθηση ενός θέματος, ενώ ένα δεύτερο κουίζ μετά το μάθημα εξασφαλίζει περαιτέρω διατήρηση. Αυτό το πρόγραμμα σχεδιάστηκε να είναι ευέλικτο και διασκεδαστικό και μπορεί να ληφθεί ολόκληρο ή μεμονωμένα. Τα έργα ξεκινούν μικρά και γίνονται ολοένα και πιο σύνθετα μέχρι το τέλος του 12-εβδομαδιαίου κύκλου. Αυτό το πρόγραμμα περιλαμβάνει επίσης ένα επίμετρο για τις πραγματικές εφαρμογές της ΜΜ, το οποίο μπορεί να χρησιμοποιηθεί ως επιπλέον βαθμός ή ως βάση για συζήτηση.

Βρείτε τους Κανόνες Συμπεριφοράς, Συμβολή, Μετάφραση και Οδηγό Επίλυσης Προβλημάτων. Καλωσορίζουμε τα εποικοδομητικά σας σχόλια!

Κάθε μάθημα περιλαμβάνει

προαιρετικό σκίτσο
προαιρετικό συμπληρωματικό βίντεο
βίντεο περιήγησης (μόνο σε μερικά μαθήματα)
κουίζ προθέρμανσης πριν τη διάλεξη
γραπτό μάθημα
για μαθήματα βασισμένα σε έργα, βήμα-βήμα οδηγίες για το πώς να κατασκευάσετε το έργο
ελέγχους γνώσης
μια πρόκληση
συμπληρωματική ανάγνωση
ανάθεση
κουίζ μετά τη διάλεξη

Σημείωση για τις γλώσσες: Αυτά τα μαθήματα είναι κυρίως γραμμένα σε Python, αλλά πολλά είναι επίσης διαθέσιμα σε R. Για να ολοκληρώσετε ένα μάθημα R, πηγαίνετε στο φάκελο /solution και αναζητήστε μαθήματα R. Περιλαμβάνουν επέκταση .rmd που αντιπροσωπεύει ένα αρχείο R Markdown, το οποίο μπορεί να οριστεί απλά ως ενσωμάτωση κομματιών κώδικα (σε R ή άλλες γλώσσες) και YAML header (που καθοδηγεί πώς να μορφοποιηθούν οι έξοδοι όπως PDF) σε ένα Markdown έγγραφο. Ως εκ τούτου, λειτουργεί ως ένα εξαιρετικό πλαίσιο συγγραφής για την επιστήμη δεδομένων, καθώς σας επιτρέπει να συνδυάσετε τον κώδικά σας, την έξοδό του και τις σκέψεις σας γράφοντάς τες σε Markdown. Επιπλέον, τα έγγραφα R Markdown μπορούν να αποδοθούν σε μορφές εξόδου όπως PDF, HTML ή Word.

Σημείωση για τα κουίζ: Όλα τα κουίζ περιέχονται στον φάκελο Quiz App, για συνολικά 52 κουίζ με τρεις ερωτήσεις το καθένα. Συνδέονται μέσα στα μαθήματα, αλλά η εφαρμογή κουίζ μπορεί να τρέξει τοπικά· ακολουθήστε τις οδηγίες στον φάκελο quiz-app για τοπική φιλοξενία ή ανάπτυξη στο Azure.

Αριθμός Μαθήματος	Θέμα	Ομαδοποίηση Μαθήματος	Στόχοι Μάθησης	Συνδεδεμένο Μάθημα	Συγγραφέας
01	Εισαγωγή στη μηχανική μάθηση	Introduction	Μάθετε τις βασικές έννοιες πίσω από τη μηχανική μάθηση	Lesson	Muhammad
02	Η Ιστορία της μηχανικής μάθησης	Introduction	Μάθετε την ιστορία που βρίσκεται πίσω από αυτόν τον τομέα	Lesson	Jen and Amy
03	Δικαιοσύνη και μηχανική μάθηση	Introduction	Ποια είναι τα σημαντικά φιλοσοφικά ζητήματα γύρω από τη δικαιοσύνη που πρέπει να λάβουν υπόψη οι μαθητές κατά την κατασκευή και εφαρμογή μοντέλων ML;	Lesson	Tomomi
04	Τεχνικές για μηχανική μάθηση	Introduction	Ποιες τεχνικές χρησιμοποιούν οι ερευνητές ML για να κατασκευάσουν μοντέλα ML;	Lesson	Chris and Jen
05	Εισαγωγή στην παλινδρόμηση	Regression	Ξεκινήστε με Python και Scikit-learn για μοντέλα παλινδρόμησης	Python • R	Jen • Eric Wanjau
06	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Regression	Οπτικοποιήστε και καθαρίστε δεδομένα σε προετοιμασία για ML	Python • R	Jen • Eric Wanjau
07	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Regression	Κατασκευάστε γραμμικά και πολυωνυμικά μοντέλα παλινδρόμησης	Python • R	Jen and Dmitry • Eric Wanjau
08	Τιμές κολοκύθας στη Βόρεια Αμερική 🎃	Regression	Κατασκευάστε ένα μοντέλο λογιστικής παλινδρόμησης	Python • R	Jen • Eric Wanjau
09	Μια Web Εφαρμογή 🔌	Web App	Κατασκευάστε μια web εφαρμογή για να χρησιμοποιήσετε το εκπαιδευμένο σας μοντέλο	Python	Jen
10	Εισαγωγή στην ταξινόμηση	Classification	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· εισαγωγή στην ταξινόμηση	Python • R	Jen and Cassie • Eric Wanjau
11	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Classification	Εισαγωγή στους ταξινομητές	Python • R	Jen and Cassie • Eric Wanjau
12	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Classification	Περισσότεροι ταξινομητές	Python • R	Jen and Cassie • Eric Wanjau
13	Νόστιμες Ασιατικές και Ινδικές κουζίνες 🍜	Classification	Κατασκευάστε μια web εφαρμογή συστάσεων χρησιμοποιώντας το μοντέλο σας	Python	Jen
14	Εισαγωγή στον ομαδοποίηση	Clustering	Καθαρίστε, προετοιμάστε και οπτικοποιήστε τα δεδομένα σας· Εισαγωγή στην ομαδοποίηση	Python • R	Jen • Eric Wanjau
15	Εξερεύνηση Νιγηριανών Μουσικών Γούστων 🎧	Clustering	Εξερευνήστε τη μέθοδο ομαδοποίησης K-Means	Python • R	Jen • Eric Wanjau
16	Εισαγωγή στην επεξεργασία φυσικής γλώσσας ☕️	Natural language processing	Μάθετε τα βασικά για την NLP κατασκευάζοντας ένα απλό bot	Python	Stephen
17	Κοινές εργασίες NLP ☕️	Natural language processing	Εμβαθύνετε τις γνώσεις σας στην NLP κατανοώντας κοινές εργασίες που απαιτούνται όταν ασχολείστε με δομές γλώσσας	Python	Stephen
18	Μετάφραση και ανάλυση συναισθήματος ♥️	Natural language processing	Μετάφραση και ανάλυση συναισθήματος με την Jane Austen	Python	Stephen
19	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Natural language processing	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 1	Python	Stephen
20	Ρομαντικά ξενοδοχεία της Ευρώπης ♥️	Natural language processing	Ανάλυση συναισθήματος με κριτικές ξενοδοχείων 2	Python	Stephen
21	Εισαγωγή στην πρόβλεψη χρονοσειρών	Time series	Εισαγωγή στην πρόβλεψη χρονοσειρών	Python	Francesca
22	⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με ARIMA	Time series	Πρόβλεψη χρονοσειρών με ARIMA	Python	Francesca
23	⚡️ Παγκόσμια χρήση ενέργειας ⚡️ - πρόβλεψη χρονοσειρών με SVR	Time series	Πρόβλεψη χρονοσειρών με Support Vector Regressor	Python	Anirban
24	Εισαγωγή στην ενισχυτική μάθηση	Reinforcement learning	Εισαγωγή στην ενισχυτική μάθηση με Q-Learning	Python	Dmitry
25	Βοήθησε τον Πέτρο να αποφύγει τον λύκο! 🐺	Reinforcement learning	Ενισχυτική μάθηση Gym	Python	Dmitry
Postscript	Πραγματικά σενάρια και εφαρμογές ML	ML in the Wild	Ενδιαφέρουσες και αποκαλυπτικές πραγματικές εφαρμογές της κλασικής ML	Lesson	Team
Postscript	Εντοπισμός σφαλμάτων μοντέλων ML με το RAI dashboard	ML in the Wild	Εντοπισμός σφαλμάτων μοντέλων στη Μηχανική Μάθηση χρησιμοποιώντας τα στοιχεία του Responsible AI dashboard	Lesson	Ruth Yakubu

βρείτε όλους τους επιπλέον πόρους για αυτό το μάθημα στη συλλογή Microsoft Learn

Πρόσβαση εκτός σύνδεσης

Μπορείτε να εκτελέσετε αυτήν την τεκμηρίωση εκτός σύνδεσης χρησιμοποιώντας το Docsify. Κάντε fork αυτό το αποθετήριο, εγκαταστήστε το Docsify στον τοπικό σας υπολογιστή και στη συνέχεια στον ριζικό φάκελο αυτού του αποθετηρίου, πληκτρολογήστε docsify serve. Η ιστοσελίδα θα σερβιριστεί στην πόρτα 3000 στο localhost σας: localhost:3000.

PDF

Βρείτε ένα pdf του προγράμματος σπουδών με συνδέσμους εδώ.

🎒 Άλλα Μαθήματα

Η ομάδα μας παράγει και άλλα μαθήματα! Δείτε:

LangChain

Azure / Edge / MCP / Agents

Σειρά Generative AI

Βασική Μάθηση

Σειρά Copilot

Λήψη Βοήθειας

Εάν κολλήσετε ή έχετε οποιεσδήποτε ερωτήσεις σχετικά με την κατασκευή εφαρμογών AI. Ενταχθείτε σε άλλους μαθητές και έμπειρους προγραμματιστές σε συζητήσεις για το MCP. Είναι μια υποστηρικτική κοινότητα όπου οι ερωτήσεις είναι ευπρόσδεκτες και η γνώση μοιράζεται ελεύθερα.

Εάν έχετε σχόλια για το προϊόν ή σφάλματα κατά την κατασκευή, επισκεφθείτε:

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

39 KiB Raw Blame History Unescape Escape