31 KiB

Raw Blame History Unescape Escape

🌐 Podrška za više jezika

Podržano putem GitHub Actiona (Automatski & Uvijek ažurirano)

Radije klonirati lokalno?

Ovaj repozitorij uključuje prijevode na više od 50 jezika što značajno povećava veličinu preuzimanja. Za kloniranje bez prijevoda, koristite sparse checkout:

Bash / macOS / Linux:
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'
CMD (Windows):
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 je potrebno za završetak tečaja s puno bržim preuzimanjem.

Pridružite se našoj zajednici

Imamo Discord seriju "Uči s AI", saznajte više i pridružite nam se na Learn with AI Series od 18. do 30. rujna 2025. godine. Dobit ćete savjete i trikove za korištenje GitHub Copilota za znanost o podacima.

Strojno učenje za početnike - kurikulum

🌍 Putujte oko svijeta dok istražujemo strojno učenje kroz svjetske kulture 🌍

Cloud Advocates u Microsoftu s veseljem vam nude 12-tjedni kurikulum sa 26 lekcija o Strojnom učenju. U ovom kurikulumu naučit ćete o onome što se ponekad naziva klasično strojno učenje, koristeći prvenstveno Scikit-learn kao biblioteku i izbjegavajući duboko učenje, koje je obrađeno u našem AI for Beginners' kurikulumu. Također uparite ove lekcije s našim 'Data Science for Beginners' kurikulumom!

Putujte s nama diljem svijeta dok primjenjujemo ove klasične tehnike na podatke iz mnogih dijelova svijeta. Svaka lekcija uključuje kvizove prije i poslije lekcije, pisane upute za dovršetak lekcije, rješenje, zadatak i više. Naša pedagoška metoda zasnovana na projektima omogućuje vam učenje dok gradite, što je dokazani način da nove vještine 'zadrže'.

✍️ Srdačna zahvala 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

🎨 Zahvala i našim ilustratorima Tomomi Imuri, Dasani Madipalli i Jen Looper

🙏 Posebna hvala 🙏 Microsoft Student Ambassador autorima, recenzentima i suradnicima, naročito Rishitu Dagliju, Muhammadu Sakib Khanu Inanu, Rohanu Raju, Alexandruu Petrescuu, Abhisheku Jaiswalu, Nawrin Tabassumu, Ioanu Samuili i Snigdhi Agarwal

🤩 Dodatna zahvalnost Microsoft Student Ambassadors Ericu Wanjauu, Jasleen Sondhiju i Vidushi Gupti za naše R lekcije!

Početak

Slijedite ove korake:

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

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

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

Studenti, za korištenje ovog kurikuluma, forkajte cijeli repozitorij na svoj GitHub račun i vježbajte sami ili u grupi:

Počnite s kvizom prije predavanja.
Pročitajte predavanje i obavite aktivnosti, pauzirajući i razmišljajući na svakom provjeri znanja.
Pokušajte sami napraviti projekte razumijevanjem lekcija, a ne samo pokretanjem rješenja; taj kod je dostupan u mapama /solution u svakom lekcijom usmjerenom na projekt.
Polažite kviz nakon predavanja.
Završite izazov.
Završite zadatak.
Nakon dovršetka skupa lekcija, posjetite Diskusijsku ploču i "učite na glas" ispunjavanjem odgovarajuće PAT ocjene. 'PAT' je alat za procjenu napretka, ocjenjivački listić koji ispunjavate kako biste unaprijedili svoje učenje. Također možete reagirati na druge PATove kako bismo učili zajedno.

Za daljnje učenje preporučujemo praćenje ovih Microsoft Learn modula i nastavnih putova.

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

Video vodiči

Neke lekcije dostupne su kao kratki videozapisi. Sve ih možete pronaći unutar lekcija, ili na ML for Beginners playlisti na Microsoft Developer YouTube kanalu klikom na sliku ispod.

Upoznajte tim

Gif autor Mohit Jaisal

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

Pedagogija

Odabrali smo dva pedagoška načela prilikom izrade ovog kurikuluma: osigurati da je praktičan i zasnovan na projektima te da uključuje učestale kvizove. Također, ovaj kurikulum ima zajedničku temu radi kohezije.

Osiguravajući usklađenost sadržaja s projektima, proces učenja je zanimljiviji za studente i povećava zadržavanje pojmova. Osim toga, kviz niskog rizika prije nastave postavlja obrazovne namjere učenika, dok drugi kviz nakon nastave osigurava dodatno zadržavanje. Ovaj kurikulum dizajniran je da bude fleksibilan i zabavan, može se raditi u cijelosti ili dijelom. Projekti kreću od jednostavnih do složenijih do kraja 12-tjednog ciklusa. Kurikulum također uključuje postskriptum o stvarnim primjenama ML-a, koji se može koristiti kao dodatni bodovi ili kao osnova za raspravu.

Pronađite naša Pravila ponašanja, Upute za doprinos, Prijevode i Vodič za rješavanje problema. Dobrodošla su vaša konstruktivna mišljenja!

Svaka lekcija uključuje

opcionalne skice
opcionalni dodatni video
video vodič (samo za neke lekcije)
kratki kviz prije predavanja
pisanu lekciju
za projekte, korak-po-korak vodiče kako izgraditi projekt
provjere znanja
izazov
dodatnu literaturu
zadatak
kviz nakon predavanja

Napomena o jezicima: Ove lekcije su prvenstveno napisane u Pythonu, ali mnoge su također dostupne u R. Za dovršetak R lekcije, idite u mapu /solution i potražite R lekcije. One uključuju .rmd ekstenziju koja predstavlja R Markdown datoteku, koju je jednostavno definirati kao ugrađivanje code chunks (R ili drugih jezika) i YAML header (koji vodi kako formatirati izlaze poput PDF-a) u Markdown dokument. Kao takav, služi kao uzorni okvir za autorstvo za znanost o podacima budući da vam omogućuje da kombinirate svoj kod, njegov izlaz i svoje misli dopuštajući vam da ih zapišete u Markdownu. Štoviše, R Markdown dokumenti se mogu prikazati u izlazne formate poput PDF, HTML ili Word.

Napomena o kvizovima: Svi kvizovi nalaze se u Quiz App folder, ukupno 52 kvizova sa po tri pitanja. Linkani su unutar lekcija, ali aplikaciju za kviz možete pokrenuti lokalno; slijedite upute u mapi quiz-app za lokalno hostanje ili objavu na Azure.

Broj lekcije	Tema	Grupiranje lekcija	Ciljevi učenja	Povezana lekcija	Autor
01	Uvod u strojno učenje	Uvod	Naučite osnovne pojmove strojnog učenja	Lekcija	Muhammad
02	Povijest strojnog učenja	Uvod	Naučite povijest ovog područja	Lekcija	Jen i Amy
03	Pravednost i strojno učenje	Uvod	Koja su važna filozofska pitanja oko pravednosti koja bi učenici trebali razmotriti pri izgradnji i primjeni ML modela?	Lekcija	Tomomi
04	Tehnike za strojno učenje	Uvod	Koje tehnike koriste istraživači strojnog učenja 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 američkih bundeva 🎃	Regresija	Vizualizirajte i očistite podatke u pripremi za ML	Python • R	Jen • Eric Wanjau
07	Cijene američkih bundeva 🎃	Regresija	Izgradite linearne i polinomijalne regresijske modele	Python • R	Jen i Dmitry • Eric Wanjau
08	Cijene američkih bundeva 🎃	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	Više klasifikatora	Python • R	Jen i Cassie • Eric Wanjau
13	Ukusne azijske i indijske kuhinje 🍜	Klasifikacija	Izgradite web aplikaciju preporučitelja 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 izgradnjom jednostavnog bota	Python	Stephen
17	Uobičajeni NLP zadaci ☕️	Obrada prirodnog jezika	Produbite svoje NLP znanje razumijevanjem uobičajenih zadataka potrebnih za rad sa strukturama jezika	Python	Stephen
18	Prevođenje i analiza sentimenta ♥️	Obrada prirodnog jezika	Prevođenje 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 serija	Vremenske serije	Uvod u predviđanje vremenskih serija	Python	Francesca
22	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija s ARIMA	Vremenske serije	Predviđanje vremenskih serija s ARIMA	Python	Francesca
23	⚡️ Svjetska potrošnja energije ⚡️ - predviđanje vremenskih serija sa SVR	Vremenske serije	Predviđanje vremenskih serija s regresorom potpornih vektora	Python	Anirban
24	Uvod u učenje pojačanjem	Učenje pojačanjem	Uvod u učenje pojačanjem putem Q-Learninga	Python	Dmitry
25	Pomozi Petru da izbjegne vuka! 🐺	Učenje pojačanjem	Učenje pojačanjem Gym	Python	Dmitry
Postscript	Scenariji i primjene strojnog učenja u stvarnom svijetu	ML u stvarnom svijetu	Zanimljive i otkrivajuće primjene klasičnog strojnog učenja u stvarnom svijetu	Lekcija	Tim
Postscript	Debugiranje modela u strojnog učenja koristeći RAI nadzornu ploču	ML u stvarnom svijetu	Debugiranje modela u strojnog učenja koristeći komponente Responsible AI nadzorne ploče	Lekcija	Ruth Yakubu

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

Pristup offline

Ovu dokumentaciju možete pokrenuti offline koristeći Docsify. Forkajte ovaj repozitorij, instalirajte Docsify na svoj lokalni uređaj, a zatim u korijenskoj mapi ovog repozitorija upišite docsify serve. Web stranica će biti poslužena na portu 3000 na vašem localhostu: localhost:3000.

PDF datoteke

Pronađite pdf nastavnog plana s poveznicama ovdje.

🎒 Ostali tečajevi

Naš tim proizvodi i druge tečajeve! Pogledajte:

LangChain

Azure / Edge / MCP / Agent

Serija Generativne AI

Osnovno učenje

Serija Copilot

Dobivanje pomoći

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

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

Dodatni savjeti za učenje

Pregledajte bilježnice nakon svake lekcije za bolje razumijevanje.
Vježbajte sami implementirati algoritme.
Istražujte stvarne skupove podataka koristeći naučene koncepte.

Izjava o odricanju od odgovornosti: Ovaj dokument preveden je pomoću AI prevoditeljskog servisa Co-op Translator. Iako se trudimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba se smatrati autoritativnim izvorom. Za važne informacije preporučuje se profesionalni ljudski prijevod. Ne odgovaramo za bilo kakva nesporazuma ili pogrešna tumačenja proizašla iz korištenja ovog prijevoda.

31 KiB Raw Blame History Unescape Escape