37 KiB

Raw Blame History Unescape Escape

🌐 Підтримка кількох мов

Підтримується через GitHub Action (автоматично та завжди актуально)

Приєднуйтесь до нашої спільноти

У нас триває серія Discord "Вчимося з AI", дізнайтеся більше та приєднуйтесь до нас на Learn with AI Series з 18 по 30 вересня 2025 року. Ви отримаєте поради та трюки щодо використання GitHub Copilot для Data Science.

Машинне навчання для початківців - навчальна програма

🌍 Подорожуйте навколо світу, досліджуючи машинне навчання через культури світу 🌍

Cloud Advocates у Microsoft раді запропонувати 12-тижневу навчальну програму з 26 уроків, присвячену машинному навчанню. У цій програмі ви дізнаєтеся про те, що іноді називають класичним машинним навчанням, використовуючи переважно бібліотеку Scikit-learn і уникаючи глибинного навчання, яке розглядається у нашій навчальній програмі AI для початківців. Поєднуйте ці уроки з нашою 'Data Science для початківців'!

Подорожуйте з нами навколо світу, застосовуючи ці класичні методи до даних з різних куточків світу. Кожен урок включає тести до та після уроку, письмові інструкції для виконання завдання, розв’язок, домашнє завдання та інше. Наша проектно-орієнтована педагогіка дозволяє вчитися, створюючи проекти — перевірений спосіб закріплення нових навичок.

✍️ Щира подяка нашим авторам Джен Лупер, Стівен Гауелл, Франческа Лаззерi, Томомі Імура, Кессі Бревіу, Дмитру Сошникову, Крісу Норінгу, Анірбану Мукхерджі, Орнеллі Алтунян, Рут Якубу та Емі Бойд

🎨 Також дякуємо нашим ілюстраторам Томомі Імура, Дасані Мадіпаллі та Джен Лупер

🙏 Особлива подяка 🙏 нашим студентським амбасадорам Microsoft, авторам, рецензентам та контент-співавторам, зокрема Рішиту Даглі, Мухаммаду Сакібу Хану Інану, Рохану Раджу, Александру Петреску, Абхішеку Джайсвалу, Наврін Табассум, Іоану Самуїлі та Снігдха Агарвал

🤩 Особлива вдячність студентським амбасадорам Microsoft Еріку Ванджау, Джаслін Сонді та Відуші Гупті за наші уроки з R!

Початок роботи

Виконайте ці кроки:

Форкніть репозиторій: Натисніть кнопку "Fork" у верхньому правому куті цієї сторінки.
Клонуйте репозиторій: git clone https://github.com/microsoft/ML-For-Beginners.git

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

🔧 Потрібна допомога? Перегляньте наш Посібник з усунення несправностей для розв’язання поширених проблем з установкою, налаштуванням і запуском уроків.

Студенти, щоб використовувати цю навчальну програму, форкніть весь репозиторій у свій обліковий запис GitHub і виконуйте вправи самостійно або в групі:

Почніть з тесту перед лекцією.
Прочитайте лекцію та виконайте завдання, зупиняючись і розмірковуючи на кожній перевірці знань.
Намагайтеся створювати проекти, розуміючи уроки, а не просто запускаючи код розв’язку; однак цей код доступний у папках /solution у кожному проектно-орієнтованому уроці.
Пройдіть тест після лекції.
Виконайте виклик.
Виконайте домашнє завдання.
Після завершення групи уроків відвідайте Дошку обговорень і "вчіться вголос", заповнюючи відповідну рубрику PAT. 'PAT' — це інструмент оцінки прогресу, рубрика, яку ви заповнюєте для подальшого навчання. Ви також можете реагувати на інші PAT, щоб ми могли вчитися разом.

Для подальшого вивчення рекомендуємо пройти ці модулі та навчальні шляхи Microsoft Learn.

Вчителі, ми включили деякі пропозиції щодо використання цієї навчальної програми.

Відеоогляди

Деякі уроки доступні у форматі коротких відео. Ви можете знайти їх у самих уроках або на плейлисті ML for Beginners на каналі Microsoft Developer YouTube, натиснувши на зображення нижче.

Знайомтесь з командою

Гіф від Mohit Jaisal

🎥 Натисніть на зображення вище, щоб переглянути відео про проєкт і людей, які його створили!

Педагогіка

Ми обрали два педагогічні принципи при створенні цієї навчальної програми: забезпечити практичний проектно-орієнтований підхід і включити часті тести. Крім того, ця програма має спільну тему для цілісності.

Забезпечуючи відповідність контенту проектам, процес стає більш захопливим для студентів, а засвоєння концепцій покращується. Крім того, тест з низькою ставкою перед заняттям налаштовує студента на вивчення теми, а другий тест після заняття забезпечує подальше закріплення знань. Ця програма розроблена бути гнучкою та цікавою, її можна проходити повністю або частково. Проекти починаються з простих і стають дедалі складнішими до кінця 12-тижневого циклу. Програма також містить післямову про реальні застосування машинного навчання, яку можна використовувати як додаткові бали або як основу для обговорення.

Знайдіть наші Кодекс поведінки, Внесок, Переклад та Посібник з усунення несправностей. Ми радо приймаємо ваші конструктивні відгуки!

Кожен урок включає

необов’язкову замальовку
необов’язкове додаткове відео
відеоогляд (лише деякі уроки)
тест для розігріву перед лекцією
письмовий урок
для проектно-орієнтованих уроків — покрокові інструкції зі створення проекту
перевірки знань
виклик
додаткове читання
домашнє завдання
тест після лекції

Примітка про мови: Ці уроки переважно написані на Python, але багато з них також доступні на R. Щоб виконати урок на R, перейдіть у папку /solution і знайдіть уроки на R. Вони мають розширення .rmd, що означає R Markdown файл, який можна просто визначити як вбудовування кодових блоків (R або інших мов) і YAML-заголовка (який керує форматуванням виводу, наприклад PDF) у Markdown-документ. Таким чином, це є зразковою системою авторства для науки про дані, оскільки дозволяє поєднувати код, його вивід і ваші думки, записуючи їх у Markdown. Крім того, документи R Markdown можна конвертувати у формати виводу, такі як PDF, HTML або Word.

Примітка про тести: Всі тести містяться у папці Quiz App, загалом 52 тести по три питання кожен. Вони пов’язані з уроками, але додаток для тестів можна запускати локально; дотримуйтесь інструкцій у папці quiz-app для локального хостингу або розгортання в Azure.

Номер уроку	Тема	Група уроків	Навчальні цілі	Пов’язаний урок	Автор
01	Вступ до машинного навчання	Introduction	Вивчіть основні поняття машинного навчання	Lesson	Muhammad
02	Історія машинного навчання	Introduction	Дізнайтеся історію, що лежить в основі цієї галузі	Lesson	Jen and Amy
03	Справедливість і машинне навчання	Introduction	Які важливі філософські питання щодо справедливості слід враховувати студентам при створенні та застосуванні моделей МН?	Lesson	Tomomi
04	Техніки машинного навчання	Introduction	Які техніки використовують дослідники МН для створення моделей МН?	Lesson	Chris and Jen
05	Вступ до регресії	Regression	Почніть працювати з Python та Scikit-learn для моделей регресії	Python • R	Jen • Eric Wanjau
06	Ціни на гарбузи в Північній Америці 🎃	Regression	Візуалізуйте та очистіть дані для підготовки до МН	Python • R	Jen • Eric Wanjau
07	Ціни на гарбузи в Північній Америці 🎃	Regression	Створіть лінійні та поліноміальні моделі регресії	Python • R	Jen and Dmitry • Eric Wanjau
08	Ціни на гарбузи в Північній Америці 🎃	Regression	Побудуйте модель логістичної регресії	Python • R	Jen • Eric Wanjau
09	Веб-додаток 🔌	Web App	Створіть веб-додаток для використання вашої навченої моделі	Python	Jen
10	Вступ до класифікації	Classification	Очистіть, підготуйте та візуалізуйте свої дані; вступ до класифікації	Python • R	Jen and Cassie • Eric Wanjau
11	Смачні азійські та індійські кухні 🍜	Classification	Вступ до класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
12	Смачні азійські та індійські кухні 🍜	Classification	Більше класифікаторів	Python • R	Jen and Cassie • Eric Wanjau
13	Смачні азійські та індійські кухні 🍜	Classification	Створіть рекомендований веб-додаток, використовуючи вашу модель	Python	Jen
14	Вступ до кластеризації	Clustering	Очистіть, підготуйте та візуалізуйте свої дані; вступ до кластеризації	Python • R	Jen • Eric Wanjau
15	Дослідження музичних смаків Нігерії 🎧	Clustering	Вивчіть метод кластеризації K-середніх	Python • R	Jen • Eric Wanjau
16	Вступ до обробки природної мови ☕️	Natural language processing	Вивчіть основи NLP, створивши простого бота	Python	Stephen
17	Загальні завдання NLP ☕️	Natural language processing	Поглибте свої знання NLP, розуміючи загальні завдання, необхідні при роботі з мовними структурами	Python	Stephen
18	Переклад і аналіз настроїв ♥️	Natural language processing	Переклад і аналіз настроїв з Джейн Остін	Python	Stephen
19	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв на основі відгуків про готелі 1	Python	Stephen
20	Романтичні готелі Європи ♥️	Natural language processing	Аналіз настроїв на основі відгуків про готелі 2	Python	Stephen
21	Вступ до прогнозування часових рядів	Time series	Вступ до прогнозування часових рядів	Python	Francesca
22	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з ARIMA	Time series	Прогнозування часових рядів за допомогою ARIMA	Python	Francesca
23	⚡️ Світове споживання електроенергії ⚡️ - прогнозування часових рядів з SVR	Time series	Прогнозування часових рядів за допомогою регресора опорних векторів	Python	Anirban
24	Вступ до підкріплювального навчання	Reinforcement learning	Вступ до підкріплювального навчання з Q-Learning	Python	Dmitry
25	Допоможіть Пітеру уникнути вовка! 🐺	Reinforcement learning	Підкріплювальне навчання Gym	Python	Dmitry
Postscript	Реальні сценарії та застосування МН	ML in the Wild	Цікаві та пізнавальні реальні застосування класичного машинного навчання	Lesson	Team
Postscript	Відлагодження моделей МН за допомогою панелі RAI	ML in the Wild	Відлагодження моделей машинного навчання за допомогою компонентів панелі Responsible AI	Lesson	Ruth Yakubu

знайдіть усі додаткові ресурси для цього курсу в нашій колекції Microsoft Learn

Офлайн доступ

Ви можете переглядати цю документацію офлайн, використовуючи Docsify. Форкніть цей репозиторій, встановіть Docsify на свій локальний комп’ютер, а потім у кореневій папці цього репозиторію введіть docsify serve. Вебсайт буде доступний на порту 3000 на вашому локальному хості: localhost:3000.

PDF-файли

Знайдіть pdf навчальної програми з посиланнями тут.

🎒 Інші курси

Наша команда створює й інші курси! Перегляньте:

LangChain

Azure / Edge / MCP / Agents

Серія Generative AI

Основне навчання

Серія Copilot

Отримання допомоги

Якщо ви застрягли або маєте питання щодо створення AI-додатків. Приєднуйтесь до інших учнів та досвідчених розробників у обговореннях про MCP. Це підтримуюча спільнота, де вітаються питання і знання вільно обмінюються.

Якщо у вас є відгуки про продукт або помилки під час розробки, відвідайте:

Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, будь ласка, майте на увазі, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ рідною мовою слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується звертатися до професійного людського перекладу. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.

37 KiB Raw Blame History Unescape Escape