30 KiB

Raw Blame History Unescape Escape

🌐 Podpora za več jezikov

Podprto preko GitHub Action (avtomatizirano in vedno posodobljeno)

Pridružite se naši skupnosti

Imamo tekočo serijo Discord učnih vsebin z AI, več informacij in pridružitev najdete na Learn with AI Series od 18. do 30. septembra 2025. Prejeli boste nasvete in trike za uporabo GitHub Copilot za podatkovno znanost.

Strojno učenje za začetnike - učni načrt

🌍 Potujte po svetu, medtem ko raziskujemo strojno učenje skozi svetovne kulture 🌍

Cloud Advocates pri Microsoftu z veseljem ponujajo 12-tedenski, 26-učniški učni načrt, ki je v celoti posvečen strojnega učenja. V tem učnem načrtu se boste naučili tistega, kar se včasih imenuje klasično strojno učenje, pri čemer boste večinoma uporabljali knjižnico Scikit-learn in se izogibali globokemu učenju, ki je zajeto v našem učnem načrtu AI za začetnike. Združite te lekcije tudi z našim učnim načrtom 'Podatkovna znanost za začetnike'!

Potujte z nami po svetu, ko te klasične tehnike uporabljamo na podatkih iz različnih delov sveta. Vsaka lekcija vključuje kvize pred in po lekciji, pisna navodila za dokončanje lekcije, rešitev, nalogo in še več. Naša pedagoška metoda, ki temelji na projektih, vam omogoča učenje med gradnjo, kar je preizkušena metoda za boljše usvajanje novih veščin.

✍️ Iskrena hvala našim avtorjem Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu in Amy Boyd

🎨 Hvala tudi našim ilustratorjem Tomomi Imura, Dasani Madipalli in Jen Looper

🙏 Posebna zahvala 🙏 našim Microsoft Student Ambassador avtorjem, recenzentom in prispevkarjem vsebin, zlasti Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila in Snigdha Agarwal

🤩 Dodatna hvala Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi in Vidushi Gupta za naše lekcije v R!

Začetek

Sledite tem korakom:

Razvejajte repozitorij: Kliknite na gumb "Fork" v zgornjem desnem kotu te strani.
Klonirajte repozitorij: git clone https://github.com/microsoft/ML-For-Beginners.git

vse dodatne vire za ta tečaj najdete v naši zbirki Microsoft Learn

🔧 Potrebujete pomoč? Preverite naš Vodnik za odpravljanje težav za rešitve pogostih težav z namestitvijo, nastavitvijo in izvajanjem lekcij.

Študenti, za uporabo tega učnega načrta razvejajte celoten repozitorij na svoj GitHub račun in dokončajte vaje sami ali v skupini:

Začnite s kvizom pred predavanjem.
Preberite predavanje in dokončajte aktivnosti, ob vsakem preverjanju znanja se ustavite in premislite.
Poskusite ustvariti projekte tako, da razumete lekcije, namesto da samo zaženete kodo rešitve; ta koda je na voljo v mapah /solution v vsaki lekciji, usmerjeni na projekt.
Opravite kviz po predavanju.
Dokončajte izziv.
Dokončajte nalogo.
Po zaključku skupine lekcij obiščite Diskusijsko ploščo in "učite se na glas" tako, da izpolnite ustrezno ocenjevalno orodje PAT. 'PAT' je Orodje za ocenjevanje napredka, ki je rubrika, ki jo izpolnite za nadaljnje učenje. Prav tako lahko reagirate na druge PAT, da se učimo skupaj.

Za nadaljnje študije priporočamo, da sledite tem Microsoft Learn modulom in učnim potem.

Učitelji, vključili smo nekaj predlogov, kako uporabljati ta učni načrt.

Video predstavitve

Nekatere lekcije so na voljo kot kratki video posnetki. Vse jih lahko najdete v lekcijah ali na predvajalnem seznamu ML za začetnike na Microsoft Developer YouTube kanalu s klikom na spodnjo sliko.

Spoznajte ekipo

Gif avtor Mohit Jaisal

🎥 Kliknite zgornjo sliko za video o projektu in ljudeh, ki so ga ustvarili!

Pedagogika

Pri oblikovanju tega učnega načrta smo izbrali dve pedagoški načeli: zagotoviti, da je praktičen in projektno usmerjen ter da vključuje pogoste kvize. Poleg tega ima ta učni načrt skupno temo, ki mu daje kohezivnost.

Z zagotavljanjem, da se vsebina ujema s projekti, je proces za študente bolj zanimiv in izboljša se zadrževanje konceptov. Poleg tega nizko tvegani kviz pred predavanjem usmeri študenta k učenju teme, medtem ko drugi kviz po predavanju zagotavlja nadaljnje zadrževanje. Ta učni načrt je zasnovan tako, da je prilagodljiv in zabaven ter ga je mogoče opraviti v celoti ali delno. Projekti se začnejo majhni in postajajo vse bolj zapleteni do konca 12-tedenskega cikla. Ta učni načrt vključuje tudi dodatek o resničnih aplikacijah ML, ki ga je mogoče uporabiti kot dodatno oceno ali kot osnovo za razpravo.

Najdite naše Pravila vedenja, Prispevanje, Prevajanje in Odpravljanje težav. Veselimo se vaših konstruktivnih povratnih informacij!

Vsaka lekcija vključuje

neobvezno skiciranje
neobvezni dodatni video
video predstavitev (samo nekatere lekcije)
kviz za ogrevanje pred predavanjem
pisno lekcijo
za lekcije, usmerjene na projekte, korak-po-korak vodiče za izdelavo projekta
preverjanja znanja
izziv
dodatno branje
nalogo
kviz po predavanju

Opomba o jezikih: Te lekcije so večinoma napisane v Pythonu, vendar je veliko lekcij na voljo tudi v R. Za dokončanje lekcije v R pojdite v mapo /solution in poiščite lekcije v R. Vsebujejo pripono .rmd, ki predstavlja R Markdown datoteko, ki jo lahko preprosto opišemo kot vdelavo koda blokov (v R ali drugih jezikih) in YAML glave (ki usmerja, kako oblikovati izhode, kot je PDF) v Markdown dokumentu. Tako služi kot vzorčni okvir za avtorstvo v podatkovni znanosti, saj vam omogoča združevanje kode, njenega izhoda in vaših misli z zapisovanjem v Markdown. Poleg tega je mogoče R Markdown dokumente pretvoriti v izhodne formate, kot so PDF, HTML ali Word.

Opomba o kvizih: Vsi kvizi so v mapi Quiz App, skupaj 52 kvizov s po tremi vprašanji. Povezani so znotraj lekcij, vendar je aplikacijo za kvize mogoče zagnati lokalno; sledite navodilom v mapi quiz-app za lokalno gostovanje ali namestitev v Azure.

Številka lekcije	Tema	Skupina lekcij	Cilji učenja	Povezana lekcija	Avtor
01	Uvod v strojno učenje	Introduction	Spoznajte osnovne pojme, ki stojijo za strojnim učenjem	Lesson	Muhammad
02	Zgodovina strojnega učenja	Introduction	Spoznajte zgodovino, ki stoji za tem področjem	Lesson	Jen and Amy
03	Pravičnost in strojno učenje	Introduction	Katere so pomembne filozofske teme o pravičnosti, ki bi jih morali študenti upoštevati pri gradnji in uporabi modelov strojnega učenja?	Lesson	Tomomi
04	Tehnike za strojno učenje	Introduction	Katere tehnike uporabljajo raziskovalci strojnega učenja za gradnjo modelov?	Lesson	Chris and Jen
05	Uvod v regresijo	Regression	Začnite z uporabo Pythona in Scikit-learn za regresijske modele	Python • R	Jen • Eric Wanjau
06	Cene buč v Severni Ameriki 🎃	Regression	Vizualizirajte in očistite podatke v pripravi na strojno učenje	Python • R	Jen • Eric Wanjau
07	Cene buč v Severni Ameriki 🎃	Regression	Zgradite linearne in polinomske regresijske modele	Python • R	Jen and Dmitry • Eric Wanjau
08	Cene buč v Severni Ameriki 🎃	Regression	Zgradite logistični regresijski model	Python • R	Jen • Eric Wanjau
09	Spletna aplikacija 🔌	Web App	Zgradite spletno aplikacijo za uporabo vašega usposobljenega modela	Python	Jen
10	Uvod v klasifikacijo	Classification	Očistite, pripravite in vizualizirajte svoje podatke; uvod v klasifikacijo	Python • R	Jen and Cassie • Eric Wanjau
11	Sladke azijske in indijske kuhinje 🍜	Classification	Uvod v klasifikatorje	Python • R	Jen and Cassie • Eric Wanjau
12	Sladke azijske in indijske kuhinje 🍜	Classification	Več klasifikatorjev	Python • R	Jen and Cassie • Eric Wanjau
13	Sladke azijske in indijske kuhinje 🍜	Classification	Zgradite priporočilno spletno aplikacijo z uporabo vašega modela	Python	Jen
14	Uvod v gručenje	Clustering	Očistite, pripravite in vizualizirajte svoje podatke; uvod v gručenje	Python • R	Jen • Eric Wanjau
15	Raziskovanje nigerijskih glasbenih okusov 🎧	Clustering	Raziskujte metodo gručenja K-sredin	Python • R	Jen • Eric Wanjau
16	Uvod v obdelavo naravnega jezika ☕️	Natural language processing	Naučite se osnov NLP z gradnjo preprostega bota	Python	Stephen
17	Pogoste naloge NLP ☕️	Natural language processing	Poglobite svoje znanje NLP z razumevanjem pogostih nalog, potrebnih pri delu z jezikovnimi strukturami	Python	Stephen
18	Prevajanje in analiza sentimenta ♥️	Natural language processing	Prevajanje in analiza sentimenta z Jane Austen	Python	Stephen
19	Romantični hoteli Evrope ♥️	Natural language processing	Analiza sentimenta z ocenami hotelov 1	Python	Stephen
20	Romantični hoteli Evrope ♥️	Natural language processing	Analiza sentimenta z ocenami hotelov 2	Python	Stephen
21	Uvod v napovedovanje časovnih vrst	Time series	Uvod v napovedovanje časovnih vrst	Python	Francesca
22	⚡️ Svetovna poraba elektrike ⚡️ - napovedovanje časovnih vrst z ARIMA	Time series	Napovedovanje časovnih vrst z ARIMA	Python	Francesca
23	⚡️ Svetovna poraba elektrike ⚡️ - napovedovanje časovnih vrst z SVR	Time series	Napovedovanje časovnih vrst z regresorjem podpornih vektorjev	Python	Anirban
24	Uvod v okrepljeno učenje	Reinforcement learning	Uvod v okrepljeno učenje z Q-učenjem	Python	Dmitry
25	Pomagajte Petru, da se izogne volku! 🐺	Reinforcement learning	Okrepljeno učenje v telovadnici	Python	Dmitry
Postscript	Resnični scenariji in aplikacije ML	ML in the Wild	Zanimive in razkrivajoče resnične aplikacije klasičnega strojnega učenja	Lesson	Team
Postscript	Odpravljanje napak modelov v ML z RAI nadzorno ploščo	ML in the Wild	Odpravljanje napak modelov v strojni učenju z uporabo komponent nadzorne plošče Responsible AI	Lesson	Ruth Yakubu

poiščite vse dodatne vire za ta tečaj v naši zbirki Microsoft Learn

Dostop brez povezave

To dokumentacijo lahko uporabljate brez povezave z uporabo Docsify. Razvejajte ta repozitorij, namestite Docsify na vaš lokalni računalnik in nato v korenski mapi tega repozitorija vnesite docsify serve. Spletna stran bo dostopna na vratih 3000 na vašem lokalnem računalniku: localhost:3000.

PDF-ji

Najdite pdf učnega načrta s povezavami tukaj.

🎒 Drugi tečaji

Naša ekipa pripravlja tudi druge tečaje! Oglejte si:

LangChain

Azure / Edge / MCP / Agenti

Serija generativne umetne inteligence

Osnovno učenje

Serija Copilot

Pridobivanje pomoči

Če se zataknete ali imate kakršnakoli vprašanja o izdelavi AI aplikacij. Pridružite se drugim učencem in izkušenim razvijalcem v razpravah o MCP. To je podporna skupnost, kjer so vprašanja dobrodošla in se znanje prosto deli.

Če imate povratne informacije o izdelku ali napake med izdelavo, obiščite:

Omejitev odgovornosti: Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco Co-op Translator. Čeprav si prizadevamo za natančnost, vas opozarjamo, da avtomatizirani prevodi lahko vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku velja za avtoritativni vir. Za ključne informacije priporočamo strokovni človeški prevod. Za morebitna nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda, ne odgovarjamo.

30 KiB Raw Blame History Unescape Escape