27 KiB

Raw Blame History Unescape Escape

🌐 Suporta sa Iba't Ibang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Automated at Laging Napapanahon)

Sumali sa Aming Komunidad

May ongoing na Discord series tungkol sa pag-aaral gamit ang AI, alamin pa at sumali sa Learn with AI Series mula 18 - 30 Setyembre, 2025. Makakakuha ka ng mga tips at tricks sa paggamit ng GitHub Copilot para sa Data Science.

Machine Learning para sa mga Baguhan - Isang Kurikulum

🌍 Maglakbay sa iba't ibang bahagi ng mundo habang natututo ng Machine Learning gamit ang kultura ng mundo 🌍

Ang mga Cloud Advocates sa Microsoft ay masayang nag-aalok ng 12-linggong, 26-leksyon na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututo ka tungkol sa tinatawag na classic machine learning, gamit ang Scikit-learn bilang pangunahing library at iiwasan ang deep learning, na sakop sa aming AI for Beginners' curriculum. Ipares ang mga leksyon na ito sa aming 'Data Science for Beginners' curriculum, din!

Sumama sa amin sa paglalakbay sa iba't ibang bahagi ng mundo habang ginagamit ang mga klasikong teknik sa data mula sa iba't ibang lugar. Ang bawat leksyon ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para sa leksyon, solusyon, assignment, at marami pa. Ang aming project-based na pedagogy ay nagbibigay-daan sa iyo na matuto habang gumagawa, isang napatunayang paraan para mas matandaan ang mga bagong kasanayan.

✍️ Taos-pusong pasasalamat sa aming mga may-akda Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd

🎨 Salamat din sa aming mga ilustrador Tomomi Imura, Dasani Madipalli, at Jen Looper

🙏 Espesyal na pasasalamat 🙏 sa aming Microsoft Student Ambassador na mga may-akda, reviewer, at content contributors, partikular sina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal

🤩 Dagdag na pasasalamat sa Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga R lessons!

Pagsisimula

Sundin ang mga hakbang na ito:

Fork ang Repository: I-click ang "Fork" button sa kanang-itaas ng pahinang ito.
Clone ang Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

hanapin ang lahat ng karagdagang resources para sa kursong ito sa aming Microsoft Learn collection

🔧 Kailangan ng tulong? Tingnan ang aming Troubleshooting Guide para sa mga solusyon sa karaniwang mga isyu sa pag-install, setup, at pagtakbo ng mga leksyon.

Mga Mag-aaral, upang magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at kumpletuhin ang mga exercises nang mag-isa o kasama ang grupo:

Magsimula sa pre-lecture quiz.
Basahin ang leksyon at kumpletuhin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check.
Subukang gumawa ng mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon sa halip na tumakbo sa solution code; gayunpaman, ang code na iyon ay makikita sa /solution folders sa bawat project-oriented na leksyon.
Gawin ang post-lecture quiz.
Kumpletuhin ang challenge.
Kumpletuhin ang assignment.
Pagkatapos makumpleto ang isang grupo ng leksyon, bisitahin ang Discussion Board at "matuto nang malakas" sa pamamagitan ng pag-fill out ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na iyong pinupunan upang mapalalim ang iyong pag-aaral. Maaari ka ring mag-react sa ibang PATs upang matuto nang sama-sama.

Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga Microsoft Learn modules at learning paths.

Mga Guro, mayroon kaming ilang mga mungkahi kung paano gamitin ang kurikulum na ito.

Mga Video Walkthrough

Ang ilan sa mga leksyon ay available bilang maikling video. Makikita mo ang lahat ng ito in-line sa mga leksyon, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa imahe sa ibaba.

Kilalanin ang Koponan

Gif ni Mohit Jaisal

🎥 I-click ang imahe sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!

Pedagogy

Pinili namin ang dalawang pedagogical tenets habang binubuo ang kurikulum na ito: tiyaking ito ay hands-on project-based at may kasamang madalas na quizzes. Bukod dito, ang kurikulum na ito ay may karaniwang tema upang bigyan ito ng pagkakaugnay.

Sa pamamagitan ng pagtiyak na ang nilalaman ay naaayon sa mga proyekto, mas nagiging engaging ang proseso para sa mga mag-aaral at mas tumatatak ang mga konsepto. Bukod dito, ang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng mag-aaral patungo sa pag-aaral ng isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagtitiyak ng karagdagang retention. Ang kurikulum na ito ay idinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi lamang. Ang mga proyekto ay nagsisimula sa maliit at nagiging mas kumplikado sa pagtatapos ng 12-linggong cycle. Ang kurikulum na ito ay may kasamang postscript sa mga real-world applications ng ML, na maaaring gamitin bilang extra credit o bilang batayan para sa diskusyon.

Hanapin ang aming Code of Conduct, Contributing, Translation, at Troubleshooting guidelines. Malugod naming tinatanggap ang iyong mga konstruktibong feedback!

Ang bawat leksyon ay may kasamang

opsyonal na sketchnote
opsyonal na supplemental video
video walkthrough (ilang leksyon lamang)
pre-lecture warmup quiz
nakasulat na leksyon
para sa mga project-based na leksyon, step-by-step na gabay kung paano gawin ang proyekto
knowledge checks
isang challenge
supplemental reading
assignment
post-lecture quiz

Tungkol sa mga wika: Ang mga leksyon na ito ay pangunahing nakasulat sa Python, ngunit marami rin ang available sa R. Upang kumpletuhin ang isang R leksyon, pumunta sa /solution folder at hanapin ang mga R leksyon. Mayroon silang .rmd extension na kumakatawan sa isang R Markdown file na maaaring tukuyin bilang isang embedding ng code chunks (ng R o iba pang wika) at isang YAML header (na gumagabay kung paano i-format ang outputs tulad ng PDF) sa isang Markdown document. Bilang ganito, ito ay nagsisilbing isang exemplary authoring framework para sa data science dahil pinapayagan nitong pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsulat ng mga ito sa Markdown. Bukod dito, ang mga R Markdown documents ay maaaring i-render sa output formats tulad ng PDF, HTML, o Word.

Tungkol sa mga quizzes: Ang lahat ng quizzes ay nakapaloob sa Quiz App folder, para sa kabuuang 52 quizzes na may tatlong tanong bawat isa. Ang mga ito ay naka-link mula sa loob ng mga leksyon ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa quiz-app folder upang i-host nang lokal o i-deploy sa Azure.

Numero ng Leksyon	Paksa	Pangkat ng Leksyon	Mga Layunin sa Pag-aaral	Nakakonektang Leksyon	May-akda
01	Panimula sa machine learning	Panimula	Matutunan ang mga pangunahing konsepto sa likod ng machine learning	Leksyon	Muhammad
02	Ang Kasaysayan ng machine learning	Introduction	Alamin ang kasaysayan sa likod ng larangang ito	Lesson	Jen at Amy
03	Pagkamakatarungan at machine learning	Introduction	Ano ang mga mahahalagang isyung pilosopikal tungkol sa pagkamakatarungan na dapat isaalang-alang ng mga mag-aaral sa paggawa at paggamit ng ML models?	Lesson	Tomomi
04	Mga Teknik para sa machine learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik ng ML sa paggawa ng ML models?	Lesson	Chris at Jen
05	Panimula sa regression	Regression	Magsimula sa Python at Scikit-learn para sa regression models	Python • R	Jen • Eric Wanjau
06	Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃	Regression	I-visualize at linisin ang data bilang paghahanda para sa ML	Python • R	Jen • Eric Wanjau
07	Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃	Regression	Gumawa ng linear at polynomial regression models	Python • R	Jen at Dmitry • Eric Wanjau
08	Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃	Regression	Gumawa ng logistic regression model	Python • R	Jen • Eric Wanjau
09	Isang Web App 🔌	Web App	Gumawa ng web app para magamit ang iyong trained model	Python	Jen
10	Panimula sa classification	Classification	Linisin, ihanda, at i-visualize ang iyong data; panimula sa classification	Python • R	Jen at Cassie • Eric Wanjau
11	Masasarap na Asian at Indian na lutuin 🍜	Classification	Panimula sa classifiers	Python • R	Jen at Cassie • Eric Wanjau
12	Masasarap na Asian at Indian na lutuin 🍜	Classification	Higit pang classifiers	Python • R	Jen at Cassie • Eric Wanjau
13	Masasarap na Asian at Indian na lutuin 🍜	Classification	Gumawa ng recommender web app gamit ang iyong model	Python	Jen
14	Panimula sa clustering	Clustering	Linisin, ihanda, at i-visualize ang iyong data; Panimula sa clustering	Python • R	Jen • Eric Wanjau
15	Pagsusuri ng Panlasa sa Musika ng Nigeria 🎧	Clustering	Tuklasin ang K-Means clustering method	Python • R	Jen • Eric Wanjau
16	Panimula sa natural language processing ☕️	Natural language processing	Alamin ang mga pangunahing kaalaman tungkol sa NLP sa pamamagitan ng paggawa ng simpleng bot	Python	Stephen
17	Karaniwang Gawain sa NLP ☕️	Natural language processing	Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kinakailangan sa pagproseso ng mga istruktura ng wika	Python	Stephen
18	Pagsasalin at pagsusuri ng damdamin ♥️	Natural language processing	Pagsasalin at pagsusuri ng damdamin gamit ang mga akda ni Jane Austen	Python	Stephen
19	Mga Romantic na Hotel sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 1	Python	Stephen
20	Mga Romantic na Hotel sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 2	Python	Stephen
21	Panimula sa time series forecasting	Time series	Panimula sa time series forecasting	Python	Francesca
22	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang ARIMA	Time series	Time series forecasting gamit ang ARIMA	Python	Francesca
23	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang SVR	Time series	Time series forecasting gamit ang Support Vector Regressor	Python	Anirban
24	Panimula sa reinforcement learning	Reinforcement learning	Panimula sa reinforcement learning gamit ang Q-Learning	Python	Dmitry
25	Tulungan si Peter na iwasan ang lobo! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Mga Real-World ML na senaryo at aplikasyon	ML in the Wild	Mga kawili-wili at kapana-panabik na aplikasyon ng classical ML	Lesson	Team
Postscript	Pag-debug ng Model sa ML gamit ang RAI dashboard	ML in the Wild	Pag-debug ng Model sa Machine Learning gamit ang mga Responsible AI dashboard components	Lesson	Ruth Yakubu

hanapin ang lahat ng karagdagang resources para sa kursong ito sa aming Microsoft Learn collection

Offline na access

Maaari mong patakbuhin ang dokumentasyong ito offline gamit ang Docsify. I-fork ang repo na ito, i-install ang Docsify sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, i-type ang docsify serve. Ang website ay magsisilbi sa port 3000 sa iyong localhost: localhost:3000.

PDFs

Hanapin ang PDF ng kurikulum na may mga link dito.

🎒 Iba Pang Mga Kurso

Ang aming team ay gumagawa ng iba pang mga kurso! Tingnan:

Pagkuha ng Tulong

Kung ikaw ay nahihirapan o may mga tanong tungkol sa paggawa ng AI apps, sumali sa:

Kung mayroon kang feedback sa produkto o mga error habang gumagawa, bisitahin:

Paunawa:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, mangyaring tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.

27 KiB Raw Blame History Unescape Escape